You are on page 1of 315

CONTROL ESTADÍSTICO

DEL PROCESO

Con base en el Texto de Control Estadístico de la Calidad de
Douglas Montogomery

DR. PRIMITIVO REYES AGUILAR
Diciembre, 2008

Página 1

Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12

CONTENIDO

Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO 6
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO 8
Antecedentes
8
CEP en occidente 11
CEP en Japón
12
Desarrollo del Control Estadístico del Proceso
14
Teorema del límite central
15
Interpretación
16
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS
Hoja de verificación o registro 18
Diagrama de Pareto
20
Diagrama de Dispersión 24
Histogramas 31
Lluvia de ideas (Brainstorming) 32
Diagrama de Causa efecto
33
Carta de tendencias
38
Diagrama de flujo 39
Pasos para la elaboración de un diagrama de flujo 40
Diagrama de flujo de tiempo – valor agregado
44
Diagrama de Flujo Físico 45
Estratificación
46
Las cartas de control
46
1.4 MÉTODOS LEAN PARA LA MEJORA 47
Los 7 desperdicios o Muda
47
Métodos Lean para la mejora
48
Mapeo de la cadena de valor
48
Las 5 Ss y la administración visual
51
Preparaciones rápidas (SMED) 52
Poka Yokes o A prueba de error 53
Trabajo estandarizado
54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS 55
Diagrama de Afinidad
56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de árbol 60
Diagrama de árbol 61
Diagrama Matricial 64
Matrices de Prioridades o prioritización
68
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD
78
Cartas de control 78
Diseño de experimentos 79
Muestreo de aceptación 80
1.7 ADMINISTRACIÓN POR CALIDAD TOTAL 82
Costos de calidad 83
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO (CEP)
Concepto de variación
85
2.1 DISTRIBUCIÓN NORMAL
85
Estandarización de valores reales
91
2.2 PRUEBA DE NORMALIDAD 93
Página 2

18

85

2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS
2.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL 99
Tamaño de muestra y frecuencia de muestreo
106
Subgrupos racionales
107
Análisis de patrones en cartas de control
108
2.5 IMPLEMENTACIÓN DEL CEP 109
3. CARTAS DE CONTROL POR VARIABLES
111
3.1 INTRODUCCIÓN
111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS
111

X R

Interpretación de cartas de control
Capacidad o habilidad del proceso
La curva característica de operación

95

116

128
135

X

3.3 CARTAS DE CONTROL PARA
y S 138
3.4 CARTAS PARA LECTURAS INDIVIDUALES 145
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS
149
3.6 APLICACIÓN DE CARTAS DE CONTROL POR VARIABLES
152
4. CARTAS DE CONTROL PARA ATRIBUTOS
154
4.1 INTRODUCCIÓN
154
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p
155
4.3 CARTA DE CONTROL np
167
4.4 TAMAÑO DE MUESTRA VARIABLE 168
4.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL 172
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) – c y u
176
Tamaño de muestra constante - CARTA c
176
Selección del tamaño de muestra
182
Carta de control de defectos por unidad U
183
Sistema de demeritos
189
La curva característica de operación 190
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm
192
5. OTRAS CARTAS DE CONTROL ESPECIALES 193
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIÓN 193
Cartas de control dnom 193
Cartas de control de medias rangos estandarizada 194
Cartas de control por atributos 195
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIÓN
195
Cartas de control modificadas 195
Cartas de control de aceptación 197
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL
199
5.4 CARTA DE PRECONTROL O DE ARCOIRIS 202
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE
205
5.6 CARTAS DE CONTROL Cusum
206
Cusum normal
206
Cusum en forma tabular 211
EL PROCEDIMIENTO DE LA MASCARILLA EN V
214
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE
PONDERADAS (EWMA)
219

Página 3

5.8 CARTA DE CONTROL DE MEDIA MOVIL
224
6. ANÁLISIS DE CAPACIDAD DEL PROCESO 229
6.1 INTRODUCCIÓN
229
Condiciones para realizar un estudio de capacidad del proceso 232
6.2 ÍNDICES DE CAPACIDAD
234
Índice de capacidad potencial Cp
234
Índice de capacidad real Cpk
237
Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm
239
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD
NORMAL
241
Histograma 241
Papel de probabilidad normal 243
Capacidad del proceso con cartas de control 247
Capacidad de procesos con Minitab: normales y no normales 250
Capacidad de procesos no normales. 254
Análisis de capacidad con experimentos diseñados 255
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN
256
Error del equipo de medición
256
Repetibilidad y reproducibilidad (R&R) 259
R&R Capacidad de los sistemas de medición - AIAG
262
Definiciones 263
Exactitud : 264
Estudios R&R - Método Corto del Rango
266
Estudio de R&R Método largo 267
Método de Promedios- Rango 268
Cálculos con Excel o manual:
268
Interpretación de los resultados 274
Estudios de R&R por atributos 279
Interpretación de resultados
287
7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
289
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO
289
7.2 MUESTREO SIMPLE POR ATRIBUTOS
293
Muestreo aleatorio simple
293
La curva OC 293
Puntos específicos en la curva OC
296
Inspección rectificadora 297
Muestreo doble, múltiple y secuencial 300
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859) 308
Descripción de la norma 308
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920) 315
Planes de AOQL
316
Planes de LTPD
316
8. MUESTREO DE ACEPTACIÓN POR VARIABLES
318
Ventajas y desventajas 318
8.1 CONTROL DE LA FRACCIÓN DEFECTIVA 319
8.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES 322
8.3 TABLAS ASQC Z1.9 – 1993 324
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
332
Muestreo secuencial por variables
332

Página 4

Página 5

1. IMPORTANCIA DE LA MEJORA CONTINUA
1.1 CALIDAD Y MEJORAMIENTO
Las dimensiones de la calidad según Garvin son:
Desempeño (¿sirve el producto para el uso adecuado?)
Confiabilidad (¿qué tan frecuentemente falla el producto?)
Durabilidad (¿cuál es la vida útil del producto?)
Serviciabilidad (¿qué tan fácil se repara el producto?)
Estética (¿tiene el producto el estilo, color, forma, empaque y apariencia
adecuada?)
Características (¿qué hace el producto más allá de su desempeño básico?)
Calidad percibida (¿cuál es la reputación de la empresa o del producto?)
Cumplimiento de estándares (¿el producto está hecho de acuerdo a estándares
de diseño original?)
Así la calidad tradicionalmente es adecuación al uso.
Dentro de la adecuación al uso existen la calidad de diseño y la calidad de
conformancia. La de diseño se refiere al diseño original del producto, los
materiales utilizados, especificaciones, y métodos empleados. La calidad de
conformancia se refiere a que tan bien cumple el producto los requerimientos
de las especificaciones de su diseño, que básicamente depende del proceso de
manufactura.
Una definición más moderna es que la calidad es inversamente proporcional a
la variabilidad.
De esta forma se define la mejora de calidad como:
Mejoramiento de la calidad es la reducción de la variabilidad en
productos y servicios.

Página 6

1 Enfoques de conformancia Como los métodos estadísticos tienen un papel importante en el mejoramiento de la calidad. Los de atributos son discretos. son objeto de estudio de la Ingeniería de calidad. color Relacionados con el tiempo: Confiabilidad. Página 7 . Existen diferentes herramientas estadísticas para tratar con ambos tipos de datos. voltaje. Características del producto: Son los elementos que en conjunto describen la calidad del producto. etc. serviciabilidad. como son: Físicos: Longitud. 1. voltaje. Los productos no conformes o defectivos son los que no cumplen una o varias especificaciones. Los datos relacionados con la calidad se clasifican en atributos y en variables. Un tipo específico de no cumplimiento de especificaciones es llamado defecto o no conformancia. peso. enteros. apariencia. evaluadas respecto a especificaciones.EUA JAPON LIE Objetivo LSE Fig. durabilidad. viscosidad Sensoriales: Gusto. Los de variables corresponden a mediciones con valores reales como longitud.

Propuso que si cada uno trabajara por separado y en forma independiente. Nueva Jersey. México.. sino que hacía énfasis en los aspectos empíricos. SICCO. Stephen P. Strahan and T. cada una realizando una tarea específica. podrían producir 48. 1793. 9 6 Taylor. Adam. cit. Hay una división casi igual del trabajo y la responsabilidad entre la administración y los trabajadores.000 alfileres por día. Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de administración. An Inquiry into the Nature and Causes of the Wealth of Nations. Principles of Scientific Management. op. Management: Concepts and Applications. 7 2 Smith. Evaluación Organizacional..2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO Antecedentes La teoría de la administración se desarrolló básicamente en los países industrializados. Frederick W. 1 Sus primeros indicios se observan con el economista Adam Smith con el concepto de división del trabajo para aumentar la productividad en 1776. A. Estados Unidos de América. Página 8 . Surge la administración científica con Frederick Taylor. 2 Smith notó que en una industria de fabricación de alfileres. 7-8 3 Robbins. diez personas. p. Crear una ciencia para cada elemento del trabajo del individuo. p. 31. enseñar y desarrollar al trabajador. pp. Nadima S. 1911 7 Robbins. 5 En 1911 publicó sus “Principios de la Administración Científica”6 donde describe la administración científica. Nueva York. 4. y usó este término para definir “la única y mejor manera” de realizar un trabajo. 2. Cadell. p. 33. 7 Sus cuatro principios son: 1. 1997. “iniciada en el siglo XVIII en Gran Bretaña…la mano de obra era sustituida por máquinas de una manera acelerada”. p. 4 Ibidem.. que sustituya al método empírico. 1 Simón. op cit. 4 Esto. 1987.. Escoger científicamente y luego entrenar.. los diez trabajadores tendrían suerte en hacer 200 (o aún 10) alfileres al día. lo erigieron como el padre de la administración científica. 5 Simón. a su vez. 3 Smith concluyó que la división del trabajo incrementaba la productividad sin embargo se consideraba al trabajador como extensión de la máquina. abarató la fabricación de productos en las fábricas. Harper & Bros. Durante la revolución industrial. London.. Nadima. p. en respuesta a los problemas que presentaron las grandes empresas características del sistema capitalista.1. Englewood Cliffs. 3. Los estudios realizados antes y después de esta publicación. Colaborar ampliamente con los trabajadores para asegurar que todo el trabajo se realice conforme a los principios de la ciencia que se ha ido desarrollando. 31. Stephen.

Julio Cesar. Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar movimientos manuales y corporales inútiles. también experimentaron en el diseño y uso de herramientas y equipo adecuado para optimizar el desempeño del trabajo. núm. p. involucrando a más trabajadores reportando a un supervisor de producción. 33 12 Koontz. p. 18. Harold. Organizaciones: Estructura y proceso. con Taylor aparecen los primeros inspectores de control de calidad. primavera de 1993. los trabajadores y el supervisor se enfocaron a la producción. 14 Control de calidad por inspección Durante la primera guerra mundial el sistema de manufactura se volvió más complejo.La administración se encarga de todo el trabajo para el cual esté mejor dotada que los trabajadores. “Transformaciones del proceso del trabajo y de la relación salarial en el marco del nuevo paradigma productivo. 83-84 Página 9 . 304 11 Ibidem. 80-82 14 Ibidem. 36-37. Harper and Brothers. 1911. desligándose del auto . 10 Hall. cit. 34 tomado de la obra de Frederick Taylor. Principles of Scientific Management. 13 Neffa. considerados como verdaderos consumidores potenciales.11 Encontraron que no es el trabajo monótono la causa de tanta insatisfacción laboral. cit. 1982. p. pp. Nueva época. p. . México. 13 Con las crisis de los años ochenta. surge un nuevo paradigma que hace énfasis en la respuesta flexible frente a los cambios impredecibles del mercado. 9 Taylor. fomentó la modificación de las normas de consumo y de vida de los trabajadores. para lo cual era necesario aumentar su poder de compra y reducir costos de producción.8 Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad única de gerentes y administradores. con sistemas de protección social.12 El “Fordismo” de Henry Ford: se implantó en empresas con líneas de productos durables en Estados Unidos de América. sino la falta de interés que muestran los gerentes por los trabajadores. esto tuvo auge entre 8 Ibidem. La mayor desventaja del taylorismo es que los trabajadores pueden ser descalificados “como si fueran extensión de las máquinas”. la producción masiva uniforme ya no es competitiva.control de calidad de los artículos que producían. se tiene poca motivación y alto ausentismo.10 como consecuencia. Nueva York. p. p. op. pp. en Sociología del Trabajo. 1911.20. Prentice Hall Hispanoamericana. Richard. Sus repercuciones sobre la acción sindical”. 34. op.

15 Vid. Luigi. sin embargo como la inspección 100% realizada por personas tiene errores. los productos se revisaban y separaban al final del proceso. El departamento de Control de Calidad se convierte en el "policía de la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa. Conocimiento es futuro. está formado por especialistas y técnicos que se encargan principalmente de detectar defectos en el producto final. Los productos defectuosos. no a prevenirlos. CONCAMIN.15 Se establecen después planes de muestreo militares. pp. Valdez. 125-126 Página 10 .los años 1920's y 1930's. 122-123 16 Ibidem. 1995. los esfuerzos se enfocan a detectarlos. identificando los defectuosos por un departamento de Control de Calidad. Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control Estadístico del Proceso como una siguiente etapa. México. se estableció un departamento de Servicio para corregir los productos defectuosos en el mercado. eran reprocesados o desechados. absorbiendo el cliente las ineficiencias de la empresa. Para evitar quejas y devoluciones de los clientes. asumiendo que cualquier proceso producirá defectos. incrementando los costos de producción entre un 20 a 30% e incrementando el precio final del producto al menos 20% 16. pp.

op. bajo contrato de la American Bell Telephone Company. MechanicalEngineering. Shewhart. Por otra parte “H. Acheson.Control estadístico del proceso (CEP) CEP en occidente Durante la segunda guerra mundial se requirieron cantidades masivas de productos. constituye la mayor parte de lo que hoy se conoce como “Control Estadístico del Proceso”.19 El trabajo de Shewhart. Romig y otros. Donald A. p. Según 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 control”17. Freeman. W. De esta forma con objeto de hacer más eficientes a las organizaciones de inspección. así como a la falta de estadígrafos industriales.D. H. Qaurles. 1986.A. y su desdén por las teorías probabilísticas. en 1924 se formó su departamento de Ingeniería de Inspección. tales como la Western Electric. sin embargo no fueron reconocidos estos métodos ampliamente.p. estableció métodos de control de calidad más rigurosos que infundieran confianza en sus instrumentos y electrodomésticos. April 1937. Harry G. op. como una alternativa a la inspección 100% al producto terminado. en algunas compañías. entre sus primeros miembros se encuentran Harold F. “se proporciona a los inspectores con unas cuantas herramientas estadísticas. 18 Ibidem. Se establecen sistemas de medición formales desde los proveedores hasta el producto final y el proceso se "estandariza”. 261. cit. 16 Página 11 .. las inspecciones de rutina de los inspectores no eran suficientes. sin embargo su adopción en occidente fue muy lenta. Walter A. p. Dodge. Durante la II guerra mundial se expandió el uso de los métodos estadísticos de control de procesos en la industria de la manufactura. brazo de manufactura de los laboratorios Bell. donde describe las cartas para el control estadístico del proceso. sugiere que esto se dio por “la tendencia de los ingenieros americanos a eliminar la variación. p. Deming es invitado a Japón a dar seminarios sobre control estadístico de 17 Duncan. “Statistical Methods for Quality Control”. Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig”18. 20 Feigenbaum. En medio de los años 30’s los métodos de control estadístico de calidad se empezaron a aplicar en la Western Electric. 1 19 Freeman. 16. cit.V. A.. Dodge y H. Se reduce el nivel de variación del proceso hasta los límites predecibles y se identifican las oportunidades de mejora.. Shewhart publica su libro “Economic Quality Control of Quality of Manufactured Product”. la American Society for Quality Control se formó en 1946 para promover su uso. Dodge y Romig. De 1946 a 1949 W. tales como cartas de control y tablas de muestreo” 20. Hoy en día la herramienta de las cartas de control (CEP) es utilizada por los círculos de control de calidad para la identificación de problemas. adecuadamente entrenados”. En 1931.

invitaron a Deming. donde efectué una visita de estudio. Sin embargo. CEP en Japón En 1950 el experto Edwards W. . 115-116. en esta época Kaoru Ishikawa experto japonés en control de calidad inició sus estudios sobre conceptos de control de calidad. 12. "Tributes to Walter A. 22. Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón." Industrial Quality Control. los japoneses aprendieron el control de calidad de occidente. Juran y otros eruditos a Japón para que les enseñasen el control estadístico del proceso. Aparecen las obras de Eugene L. donde una de las herramientas clave es el control estadístico del proceso. Hoja de verificación. etc. Shewhart. Por ejemplo para el caso del diseño de experimentos se 21 Ishikawa. Xerox.4 partes por millón (ppm). Diagrama de Pareto.. Entre las 7 herramientas estadísticas se encuentran: Diagrama de Ishikawa. que permite obtener ahorros de costos muy importantes.. Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón. Duncan sobre control estadístico del proceso. desarrollan e implantan una metodología de calidad total denominada Calidad 6 sigma con el objetivo de reducir los errores y defectos a un máximo de 3. Estratificación. Diagrama de dispersión.. pp. Grant y A. Shewhart por medio del estudio profundo de sus conceptos en cartas de control y estándares. No. R. Kaouru.. de tal forma que los productos japoneses mejoraran su calidad 21 En 1955. Página 12 . tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos de control de calidad y la aplicación de técnicas estadísticas avanzadas. Vol. op. extendiendo el uso de éstos métodos. General Electric. 537. sus métodos casi no se aplicaban. “todas las industrias japonesas confían en los métodos estadísticos avanzados para el diseño de productos”. incluyendo conferencias dirigidas a los líderes industriales.22 esto también ha permitido que los supervisores de las fábricas japonesas utilicen estadística de alto nivel para analizar problemas. p. En occidente es hasta la década de los ochenta cuando se voltea hacia los métodos estadísticos ya muy comunes en Japón dado el éxito industrial de este país. Deming inició el entrenamiento en métodos estadísticos en el Japón. 1967. describe su propia motivación como sigue: Yo desarrollé un gran respeto por el Dr. empresas de alta tecnología como Motorola. me sorprendí un poco que en EUA. 22 Amsden. Sin embargo la implantación de estas técnicas fue posible después de su modificación y adaptación a las empresas japonesas. cit. Histogramas y Cartas de control. En los años recientes. AT&T.calidad a sus industriales. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos a situaciones en Japón.J. incluyendo la creación de varias herramientas útiles como refinamiento del control estadístico de calidad.

24 * * * * ** ** *** ** *** ** Distribución de promedios de las muestras Universo Fig. 182 Página 13 . Shewhart demostró que cuando se extraen muestras de tamaño 4 – 6 de distribuciones casi normales. Desarrollo del Control Estadístico del Proceso W. verificar y actuar). 1931. incluye la selección de los niveles óptimos de los factores que tienen influencia en la calidad del producto “ 23. Economic Control of Quality of Manufactured Product. 5.. sino a través de técnicas de muestreo y de cartas de control. se complementa con las siete herramientas estadísticas y el ciclo de control de Deming (planear. W. uniformes. 1971. ayuda a optimizar el tiempo y los elementos de diseño.tiene: “el diseño estadístico de experimentos es el arreglo. el trabajador tiene de nuevo la oportunidad de controlar la calidad de su trabajo. p. Van Nostrand Reinhold Co. no a través de inspección 100%.1) 23 Winer. y todavía se asegure que el producto se desempeñará en forma satisfactoria bajo condiciones variables. triangulares. B. como sigue (TEOREMA DEL LÍMITE CENTRAL):  __  X  n (1. 1. Statistical Principles in Experimental Design. A. McGraw Hill. 24 Shewhart. p. Con la aplicación del Control Estadístico del Proceso.. etc.. hacer. determinando los materiales más baratos de tal forma que el producto cumpla las especificaciones. bajo el cual se efectúa un programa experimental.2 Experimentos de Shewhart para las cartas de control Encontró que las medias de las muestras correspondían a las medias de la población y que la desviación estándar de las medias de las muestras se relacionaban con la desviación estándar de la población..A. lo que permite su autocontrol para reducir la variabilidad del proceso de producción. como método preventivo de defectos. al graficar las medias en un histograma siguen una distribución normal. y se calculan las medias de esas muestras.

X1 X-media 1 X2 X-media 2 X3 X-media 3 Conforme el tamaño de muestra se incrementa las muestras se distribuyen normalmente con media de medias  y desviación estándar de las medias de las muestras  / n. 2. entonces la distribución del estadístico siguiente: y = a1x1 + a2x2 + ... condiciones propicias para el control estadístico de los procesos... Población con media  y desviación estándar  y cualquier distribución. con media 1. x2 x3. 22 .3 3 4 5 Promedios 6 7 Distribución de las medias muestrales . n2 respectivamente........ xn son variables aleatorias independientes no necesariamente normales. 1.. el teorema del límite central trabaja bien para n>=3 o 4. Si x 1. .. Teorema del límite central La distribución normal tiene muchas propiedades útiles. n y varianzas 12. También se denomina Error estándar de la media....Normal En general si las xi están distribuidas en forma idéntica y su distribución se asemeja a la normal... . una de estas se refiere a la combinación lineal de variables aleatorias independientes. + anxn es normal con media y = a11 + a22 + .Donde n es el tamaño de la muestra y  es la desviación estándar de la población.. Histogram of Promedios 14 12 Frequency 10 8 6 4 2 0 Fig.. . + ann y varianza Página 14 ....

Interpretación Normalmente para conocer el estado de un proceso en determinado momento. .5) Se aproxima a la distribución normal conforme n tiende a infinito. el teorema del límite central trabaja bien para n>=3 o 4. 1.y2 = a1212 + a2222. Es decir que la suma de las n variables aleatorias independientemente distribuidas es aproximadamente normal.4 Comportamiento de procesos en control y fuera de control 25 Llevando un control de proceso a través de histogramas no sería práctico y aprovechando sus hallazgos del comportamiento de las medias Shewhart sugirió llevar un control del proceso tomando muestras no de 50 piezas. tomando al menos 30 piezas.. Fig. sino de sólo 5 consecutivas. 1983 Página 15 ... La aproximación se mejora conforme se incrementa n. Haciendo esto periódicamente se pueden tener los comportamientos siguientes: Hora Hora Hora Hora 4 2 3 1 a) Proceso fuera de control en media y variabilidad b)Proceso en control en media y esv.. est.+ an2n2 donde a1. an son constantes. monitoreando el comportamiento del proceso a través de las cartas de control de Shewhart. Continuing Process Control and Process Capability Improvement. es necesario obtener un histograma de la característica de interés. independientemente de la distribución de las variables individuales. Tomado límites de control establecidos a  3 de medias o rangos. la media del proceso con las medias de las muestras y la variabilidad con su rango.. Dearborn. 25 Ford Motor Co. Se calcula la media y la desviación estándar de la muestra y se trata de inferir sobre las características del proceso.. a2. en general si las x i están distribuidas en forma idéntica y su distribución se asemeja a la normal. Michigan. El Teorema del Límite Central establece que la distribución de la variable: n n   i 1 [y - i 1 i ]  2 i (2. condiciones propicias para el control estadístico de los procesos.

Asegúrese de que se dedique el tiempo necesario para esta actividad. X. Las hojas de verificación también conocidas como de comprobación o de chequeo organizan los datos de manera que puedan usarse con facilidad más adelante.) Página 16 . Obtener los datos de una manera consistente y honesta. por medio de la captura. Básicamente es un formato que facilita que una persona pueda tomar datos en una forma ordenada y de acuerdo al estándar requerido en el análisis que se esté realizando.1 Las 7 herramientas estadísticas de calidad H Fig. Anotar frecuencia de ocurrencia de los eventos (con signos |.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS Figura 3.1. Diseñar una forma que sea clara y fácil de usar. *. Definir el período de tiempo durante el cuál serán recolectados los datos. Asegúrese de que todas las columnas estén claramente descritas y de que haya suficiente espacio para registrar los datos. Los integrantes deben enfocar su atención hacia el análisis de las características del proceso.5 Las 7 herramientas estadísticas para la mejora y solución de problemas Hoja de verificación o registro Se utiliza para reunir datos basados en la observación del comportamiento de un proceso con el fin de detectar tendencias. etc. 1. Esto puede variar de horas a semanas. análisis y control de información relativa al proceso. Pasos para la elaboración de una hoja de verificación: Determinar claramente el proceso sujeto a observación.

mientras que el lado derecho refleja el porcentaje acumulado de efecto de las causas. La población (universo) muestreada debe ser homogénea. Ejercicio: Hacer hoja de registro con las antigüedades en la organización y concluir: Antigüedad Registro 0. de manera que vayan disminuyendo en orden de magnitud. El diagrama de Pareto es una gráfica de dos dimensiones que se construye listando las causas de un problema en el eje horizontal. en caso contrario.1 – 2 años 2.Figura 1.6 Ejemplo de hoja de verificación o registro Consejos para la elaboración e interpretación de las hojas de verificación Asegúrese de que las observaciones sean representativas. El eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del efecto provocado por las causas. Asegúrese de que el proceso de observación es eficiente de manera que las personas tengan tiempo suficiente para hacerlo. empezando por la izquierda para colocar a aquellas que tienen un mayor efecto sobre el problema. El principio enuncia que aproximadamente el 80% de los efectos de un problema se debe a solamente 20% de las causas involucradas.1 – 7 años Más de 7 años Conclusiones: Diagrama de Pareto Se utiliza para identificar problemas o causas principales: Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crítica los pocos proyectos que provocan la mayor parte de los problemas de calidad. Página 17 . el primer paso es utilizar la estratificación (agrupación) para el análisis de las muestras/observaciones las cuales se llevarán a cabo en forma individual.1 – 4 años 4.5 -1 años 1. empezando por la de mayor magnitud. Pasos para desarrollar el diagrama de Pareto: Seleccione qué clase de problemas se van a analizar.

Total Composició Porcentaje de Acumulad n Acumulad queja o Porcentual o s A) Entregas fuera de tiempo 25 25 35.85 94. proceso. El concepto de “otros” debe ubicarse en el último lugar independientemente de su magnitud. los totales individuales.57 87.71 35. Dibuje la curva acumulada (curva de Pareto). trabajador.56 7 55 10 78.71 B) Calibre fuera de especificaciones C) Material sucio y maltratado 23 48 32.Decida qué datos va a necesitar y cómo clasificarlos.85 68. localización. de izquierda a derecha en un eje horizontal construyendo un diagrama de barras.26 G) Mala atención del personal 1 67 1.68 Página 18 . método.13 E) Dimensiones fuera de especificaciones 3 64 4. máquina. los totales acumulados.42 95. Escriba en el diagrama cualquier información que considere necesaria para el mejor entendimiento del diagrama de Pareto. y conecte los puntos con una línea continua. Ejes verticales: Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general Eje derecho: Marque este eje con una escala desde 0 hasta 100% Eje horizontal: Divida este eje en un número de intervalos igual al número de categorías clasificadas.28 91. Marque los valores acumulados (porcentaje acumulado) en la parte superior. Elabore una tabla de datos para el diagrama de Pareto con la lista de categorías .56 D) Material mal embalado 6 61 8. Defina el método de recolección de los datos y el período de duración de la recolección. Dibuje dos ejes verticales y uno horizontal.. Tipo de queja No. al lado derecho de los intervalos de cada categoría. la composición porcentual y los porcentajes acumulados Organice las categorías por orden de magnitud decreciente.41 F) Inexactitud en cantidades 2 66 2. Diseñe una tabla para el conteo de datos con espacio suficiente para registrarlos. Ejemplo de Diagrama de Pareto: El departamento de ventas de un fabricante de materiales de empaque tiene registrada una lista de las quejas que se han recibido durante el último mes. Ejemplo: Por tipo de defecto.

H) Maltrato del material por transportistas 1 68 1. Ejemplo: Se tienen los gastos siguientes: 3 TIPO_G 2 TO 1 GASTO CANT A B C D E F G Página 19 H I J % A C U M U L A D O .4 99.13 N O 78.7 95.56 D E 68.94 98.26 91.68 94. B y C representan el 78.7 I) Fallas en documentación 1 69 1.7a Diagrama de Pareto 7 S 35.56%.52 J) Producto con códigos equivocados 1 70 1.42 97. siendo en estas en las que debemos de enfocarnos primero a resolver.56 Q U 25 E 23 J A Figura 1.71 6 Las quejas A.41 87.94 DIAGRAMA PARETO 99.52 50 97.42 98.

Papele ría Toners Víatico s Gasoli na Copiad o A B C D E 20 60 80 30 10 Diagrama de Pareto en Minitab Capture los datos en la columna C1 (tipo de defecto). Clic en OK El sistema despliega la gráfica de Pareto: Construir un diagrama de Pareto y su línea acumulativa Pareto Chart of C1 200 100 Count 60 100 40 50 0 C1 Count Percent Cum % Percent 80 150 20 C 80 40.0 100.7b Diagrama de Pareto En la gráfica observamos que aproximadamente el 85% de los gastos es debido a los gastos C. en el campo labels in seleccione: C1 y en Frequencies in seleccione: C3.0 40. Combine defects alter the first 80%. B.0 Other 10 5.0 0 Figura 1.0 85. en la columna C2 (frecuencias) Seleccione: Stat>Quality Tools>Pareto Chart Escoja la opción Chart defects table .0 70. D.0 95.0 A 20 10.0 D 30 15.0 B 60 30. Ejercicio: Hacer un diagrama de Pareto con los gastos principales: Ordenarlos de mayor a menor Tipo de Descripción Frecuencia Gasto Página 20 .

1.Frecuencia % Diagrama de Dispersión Se utiliza para analizar la correlación entre dos variables. y la variable del eje vertical y es la variable efecto. La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que cada relación está dada por un par de puntos (uno para cada variable). La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más profunda del problema planteado. fuerte o débil o sin correlación. El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos variables. La variable del eje horizontal x normalmente es la variable causa. entre una característica de calidad y un factor que le afecta.8 Gráfica de dispersión donde se observa una correlación positiva Página 21 . se puede encontrar: Correlación positiva o negativa. Fig. Por ejemplo.

o muy dispersos o alejados con respecto a la misma.9 Diagrama de dispersión y su correlación entre X. negativa evidente. Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy cerca de la línea recta que los atraviesa. Figura 1. Como la correlación no siempre es perfecta. positiva. El índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es la correlación. En total existen cinco grados de correlación: positiva evidente.Y Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería y = a + bx. Los cálculos son:  y  x   x xy a n x    x  2 2 2 b n xy   x  y n x 2    x  2 El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a continuación se presentan Página 22 . significa que un aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa significa que una disminución en la variable x provocará una disminución en la variable y. negativa y nula. se calculan a y b de tal forma que se minimice la distancia total entre puntos y la recta. Si es positiva.La relación entre dos variables puede ser: positiva o negativa.

Por ejemplo si se encuentra que la variable temperatura tiene una correlación positiva con el porcentaje de artículos defectuosos.SCxy SCx  SCy r SCxy   xy  SCx   x 2 SCy   y x y n  x  2 n 2  y  2 n Donde: r = Coeficiente de correlación lineal SCxy = Suma de cuadrados de xy SCx = Suma de cuadrados de x SCy = Suma de cuadrados de y x y  2 Sumatoria de los valores de la variable x al cuadrado  2  xy   x 2  y n Sumatoria de los valores de la variable y al cuadrado Sumatoria del producto de xy  Cuadrado de la sumatoria de la variable x 2  Cuadrado de la sumatoria de la variable y = número de pares ordenados (pares de datos x. de lo contrario. sería necesario buscar la solución por otro lado. y r = 0 indicaría correlación nula. La correlación se utiliza para cuantificar el grado en que una variable provoca el comportamiento de otra. y) El factor de correlación es un número entre –1 (correlación negativa evidente) y +1 (correlación positiva evidente). se deben buscar soluciones al problema de los artículos defectuosos mediante acciones asociadas con la variable temperatura. Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y las operaciones del servicio de ruta para máquinas vendedoras. El sospecha que el tiempo requerido para cargar y servir una Página 23 .

20 22 16.10 349.00 597.369.00 135.44 7 2.94 20 15.97 865.92 219.15 25.00 34.00 1.00 35.72 86.00 350.02 64.00 1.00 54.00 5 8.00 41. 25 5.00 para obtener 17.00 1.56 Utilizando 16 las ecuaciones 17 20.00 19.00 27.80 195.26 67.71 SCx = 698.60 4.32 105.75 TOTALES 206.63 289.25 220.63 698.38 4.00 56.85 r = 0. y x^2 y^2 xy 1 2.761.00 18 1.80 503.máquina se relaciona con el número de latas entregadas del producto.13 36.71 estadística para afirmar que el tiempo de entrega está relacionado con el 24 6.00 46.00 99.00 21.95 144.00 4.59 225.12 256.206.008. Los datos se muestran a continuación: Observación No.225.16 6 4.78 28.88 225.00 10.00 206.00 44.08 16.56 19 10.00 200.00 100.00 489.25 4 10.220.00 25.00 121. Calcular el coeficiente de correlación y graficar.76 8 2.89el coeficiente 16.98 21 15.96 evidencia 962.00 2.170.00 1.00 22.86 16.00 592.32 12 11.47 Página 24 .00 400.00 69.30 SCy = 6105.00 13 12.90 2 8.00 9.66 4.82 2.00 92.396.00 3.20 9 9.95 4.15 10 8.32 15 4.65 16. x tiempo.93 100.00 291.008.00 2.00 407.759.50 64.928.75 121.06 349.00 626.73 68.00 468.00 1.00 31.16 19.00 2.00 16.05 tenemos: 71.78 número de latas.00 106.45 64.40 14 2.35 81.92 El coeficiente r = 0.178.380.21 673.30 1.00 17.53 8.00 447.00 284.00 24.00 27.98 por lo cual tenemos suficiente 23 de correlación 17.09 10.014.00 de correlación 320.60 4.96 23.00 11.00 21. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen máquinas vendedoras y se observa para cada expendio el tiempo de solicitudentrega (en minutos) y el volumen del producto entregado (en latas).60 3 11.00 9.00 756.00 14.00 725.74 132.00 24.30 SCxy = 2027.00 1. Latas.00 37.00 11 4.

Para realizar el gráfico de dispersión en Excel realice el siguiente procedimiento: Página 25 .Diagrama de dispersion f(x) = 2.9x + 5.10 Diagrama de dispersión con tendencia En la gráfica observamos que al aumentar el número de latas el tiempo de entrega aumenta.96 tiempo de entrega ( y ) Numero de latas (x) Figura 1.11 R² = 0.

Indicar la columna de Respuestas Y y la de predictores X. Observar el valor del coeficiente de correlación y de determinación. seleccionar si se quiere ajustar con los datos con una línea.(siguiente) En la pestaña rango de datos seleccione los valores de x y y de la tabla de datos. una función cuadrática o cúbica y aceptar con OK. Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes (después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2): Minitab > Stat >Regresión . En esta pantalla puede agregar líneas de división al gráfico y otras opciones (siguiente) (finalizar) Para realizar algún cambio.. y se da por default al haber seleccionado el rango de datos .Seleccione el icono asistente para gráficos.. por ejemplo en la escala haga clic en la escala de valores y aparecerá un menú que le permitirá realizarlos. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste. y subtipo de gráfico: dispersión.. se procede como sigue en Minitab: Minitab > Stat >Fitted Line Plot . compara pares de valores. el rango de valores x. Ejercicio: Hacer un diagrama de dispersión con los datos siguientes: Errores (escala 5 por división) Antigüed ad 4 2 8 6 10 5 7 1 Errores 20 12 36 28 44 25 32 5 Antiguedad Conclusiones: Página 26 . Seleccione el tipo de gráfico xy(dispersión).. Para obtener la línea de mejor ajuste de la regresión.(siguiente) Ponga el titulo del gráfico y eje de valores x y y de la tabla de datos. Indicar la columna de Respuestas Y y la de predictores X y aceptar con OK. En la pestaña serie agregue el título.

87 56.06 44.67 89.02 48.36 30.91 46.65 39.02 39.63 33.03 64.18 66.15 11.44 66.18 59.93 48.26 76.76 34. Determinar el ancho de clase = Rango / 5 a 8.93 36.51 33.10 50.41 40. 3.02 50.05 71.31 24.09 47.61 62.70 45.23 38.21 82.56 55.41 3.12 64.5 Distribución de frecuencias o histograma Figura 1. el mínimo y el rango.72 51.08 55.19 28.77 52.94 20.92 37.58 94.03 59.80 36. Contar cuantos datos entran dentro de cada celda.18 15.64 43. 4.46 72.55 49.20 20.79 83. Ancho de clase = Rango / 6 = redondear a: Paso 3.77 74.53 62.08 36.69 19.56 47.73 13.37 59.58 35.37 82.11 Histograma en Excel Pasos para hacer un histograma: 1.04 4.28 89.58 35.Histogramas Se utilizan para ver la distribución de frecuencia de una tabla de datos Figura 3.87 18. Ejercicio: Realizar un histograma con los datos de edades siguientes: 2.29 58.78 62. Número de datos = Valor mayor = Valor menor = Rango = Paso 2.03 18.21 47.91 Paso 1.47 .46 9.41 51.45 70.10 50.34 4.83 88.61 44.47 17.52 45.31 85.75 30. Contar el número de datos.40 51.36 49.95 50.29 65.43 55. identificar el valor máximo.10 76.98 63.31 48.23 55.46 8.14 72. Contar elementos para cada clase: Columna Intervalo Registro de frecuencias Frecuencia 1 0 -17 Página 27 81.58 40.50 47.56 67. 2.37 71. Graficar las frecuencias de cada celda.64 40.03 74.01 45.59 12.04 56.07 94.14 36.69 77.

2 3 4 5 6 18-35 36-53 54-71 72-89 90 en adelante Paso 4. Aliente todo tipo de ideas. las cuales se anotan en el pizarrón sin importar que tan buenas o malas sean estas. en este punto el objetivo es tener mayor cantidad de ideas así existirán mayores posibilidades de conseguir mejores ideas. Página 28 . Hacer la gráfica del histograma: Conclusiones: Lluvia de ideas (Brainstorming) En las sesiones de lluvia de ideas se generan nuevas ideas mediante la participación de todo el equipo. que motivan a los participantes a generar más ideas. ya que al hacerlo pueden surgir cosas muy interesantes. La gente que participa en la sesión deberá de pertenecer a diferentes áreas o tener puntos de vista diferentes. Para conducir un grupo se lleva a cabo la siguiente metodología: Seleccionar el problema a tratar.Para comenzar con el proceso de tormenta de ideas. Ninguna idea es evaluada o criticada antes de considerar todos los pensamientos concernientes al problema. o al menos haber tenido experiencias previas. Pedir a todos los miembros del equipo generen ideas para la solución del problema. en el cual se genera información la gente se reúne en una sala en la cual se recomienda la disposición de las mesas en forma de “U” para facilitar el debate. esto con el objeto de enriquecer la sesión. El facilitador debe de contar con experiencia en la conducción de sesiones de tormentas de ideas. Apruebe la naturalidad y el buen humor con informalidad.

como por ejemplo. etc. para encontrar las causas posibles. Los pasos para elaborar el diagrama de causa. Una vez elaborado. Diseño de experimentos. Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado El problema a analizar debe estar siempre visible Generar y registrar en el diagrama de Ishikawa un gran número de ideas. Constituye una buena base de trabajo para poner en marcha la búsqueda de las verdaderas causas de un problema. La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras herramientas. Es utilizado para explorar. Técnica para generar ideas creativas cuando la mejor solución no es obvia. ordenada y completa todas las causas que pueden determinar cierto problema. e identificar todas las causas posibles y relaciones de un problema (efecto) o de una condición específica en las características de un proceso. también es conocido por diagrama de Ishikawa. Dibuje el diagrama: Coloque en un cuadro a la derecha la frase que identifique el efecto (característica de calidad) Página 29 . Se puede seleccionar a través de un consenso. EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algún lugar. el diagrama causa-efecto representa de forma clara. debe hacerse sin juicios previos y respetando las opiniones.efecto son los siguientes: Seleccione el efecto (problema) a analizar. también llamado “espina de pescado” por la semejanza de su forma. Diagrama de Causa efecto Muestra la relación entre una característica de calidad y los factores de influencia. Las mejores ideas son discutidas y analizadas con el fin del proponer una solución. ni criticarlas Motivar a que todos participen con la misma oportunidad El diagrama causa-efecto. otro diagrama o técnica.Se les otorga a los participantes la facultad de modificar o mejorar las sugerencias de otros. Realice una lluvia de ideas para identificar las causas posibles que originan el problema. Una vez que se tengan un gran número de ideas el facilitador procede a agrupar y seleccionar las mejores ideas por medio del consenso del grupo de trabajo. Se usa la lluvia de ideas. un diagrama de Pareto. pruebas de confiabilidad. diagramas causa-efecto (Ishikawa). sin juzgarlas.

de la siguiente manera: Causas principales. Dibuje líneas horizontales con flechas que incidan en las líneas inclinadas conforme a la clasificación de las causas (causas secundarias) Dibuje líneas inclinadas que incidan en las líneas de las causas secundarias (causas terciarias) Clasifique las causas derivadas de la lluvia de ideas. Causas secundarias. El problema es soldadura defectuosa. Figura 1. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto relevante sobre la característica específica. siendo el efecto que se va a analizar. de Ishikawa o espina de pescado Ejemplo: En una fábrica de componentes electrónicos se detectaron fallas en la línea de ensamble al realizar la prueba de un circuito.12 Diagrama de causa efecto. Coloque líneas inclinadas que incidan en la columna vertebral (causas principales).Trace una línea horizontal hacia la izquierda del cuadro que contiene la frase. Causas terciarias. A esta línea se le conoce como columna vertebral. Primero se determinan las causas principales M’s: Máquinas Mano de obra Página 30 . por lo cual se procedió a realizar una investigación utilizando el diagrama causa-efecto. Elabore y ejecute un programa de corrección de las causas relevantes.

Las causas primarias en las que se organiza este problema son las siguientes: Políticas y procedimientos del sistema Funcionalidad. por qué (WhyWhy Why). no satisface los requerimientos del cliente. Por qué.13 Diagrama de causa efecto MATERIALES El equipo analiza cada causa y por medio de eliminación y consenso determina cuales son las verdaderas causas que están ocasionando el problema. personal. el cual consiste en preguntarnos cinco veces por qué?. En el ejemplo anterior las causas primarias fueron agrupadas en (M’s): mediciones. métodos y materiales. medio ambiente. Diseño Accesibilidad Tiempo de respuesta Confiabilidad Página 31 . Se construye el diagrama espina de pescado con las causas primarias (M´s).Métodos Materiales Mediciones Medio ambiente Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar causas más específicas secundarias y terciarias. ej: Problema: Por qué la versión del sistema “Abacab”. Es posible realizar este diagrama con causas primarias diferentes a las M´s. MEDICIONES MAQUINAS MANO DE OBRA DIMENSIONES INADECUADAS FUERA DE DIMENSIONES ESPECIFICADS VELOCIDAD DE AVANCE TEMPERATURA ANGULO INCORRECTO DE LA FLAMA FORMACION HABILIDAD PUNTA OXIDADA FORMA PUNTA LIMITES ERGONOMICOS SOLDADURA DEFECTUOSA UNION SOLDADURA SUPERFICIE S CON POLVO E IMPUREZAS SECUENCIA SOLDADURA TIEMPOS DE ESPERA LACA DE PROTECCION TERMINALES DESOXIDANTE CORTOS OXIDADOS MEDIO AMBIENTE MÉTODOS Figura 1. máquinas. a partir de estas causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas. Una vez determinada las causas se realiza un análisis Por qué. para encontrar la causa raíz del problema.

Mediciones y Medio ambiente.Diagrama de Causa Efecto en Minitab Capture los datos en la columna C1 (tipo de defecto). indicando el problema en Effect y aceptar con OK. Métodos. Introducir los datos en la pantalla de entrada. Página 32 . Materiales. Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de un problema y concluir. en la columna C2 (frecuencias) Seleccione: Stat>Quality Tools>Cause and Effect Diagram Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de Personal. Máquinas.

Carta de tendencias Definición: Es una ayuda gráfica para el control de las variaciones de los procesos administrativos y de manufactura. Usos: • Saber el comportamiento de un sistema o proceso durante el tiempo.14 Carta de tendencias Página 33 . 1. Subgroup size = 1 Permite observar el comportamiento de los datos durante un periodo de tiempo determinado. Quality Tools. Fig. • Tomar las acciones correctivas a tiempo si la tendencia afectará en forma negativa. Ejemplo: Se tienen los datos siguientes de errores de planeación de la producción durante 15 semanas: Se puede hacer en Minitab con Stat. Run Chart.

se tienen los tipos siguientes: Diagramas de flujo de proceso detallados Diagramas físicos de proceso Diagramas de flujo de valor Fig.15 Símbolos utilizados en los diagramas de flujo Descripción de símbolos En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a continuación: Operación de transformación: de la cual resulta un cambio físico o químico del producto. Facilitan el desarrollo de Procedimientos Estándar de Operación. incluyendo la documentación ISO 9000. Al tener un procedimiento de operación estándar se reduce en gran medida la variación y el tiempo de ciclo.Diagrama de flujo Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de los sistemas mediante diagramas de flujo. Ventajas de los diagramas de flujo Proveen una secuencia gráfica de cada uno de los pasos que componen una operación desde el inicio hasta el final. los registros y plan de reacción. los equipos a usar. Permitiendo una mejor visualización y comprensión del proceso. Los diagramas de flujo pueden minimizar grandes volúmenes de documentación. Se utiliza para identificar los procesos. las características críticas en cada uno. la forma de evaluación. Página 34 . 1. Los diagramas de flujo permiten detectar áreas de mejora en los procesos.

Transporte: Movimiento físico del producto o un componente. Página 35 . Comparar el proceso actual con el proceso considerado como “ideal” las siguientes preguntas pueden servir de guía: ¿Existen pasos demasiado complejos? ¿Existe duplicidad o redundancia? ¿Existen puntos de control para prevenir errores? ¿deberían de existir? ¿El proceso funciona en la manera en la cual debería de hacerse? ¿Se puede realizar el proceso de diferente manera? Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas se realizan mejoras. Almacenamiento: Mantener un producto en almacenamiento hasta que continúe su procesamiento o sea vendido. Una de ellas consiste en que el equipo de trabajo anote en tarjetas los diferentes pasos que conforman el proceso. Demora: Indica la necesidad de un periodo de inactividad en espera de operación inspección o transporte. con este método el equipo puede arreglar y ordenar los pasos del proceso. Definiendo los pasos que agregan valor y los que no agregan se puede llevar a cabo una simplificación sustancial del proceso. Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué se hace de esta manera?” Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos se construye el diagrama de flujo. conectando las actividades mediante flechas. de esta manera se tiene mayor flexibilidad que en el método anterior y se ahorra bastante tiempo.Inspección: Verificación de alguna característica mediante un estandar de calidad prestablecido. Definir todos los pasos que componen un producto o servicio: Existen diferentes maneras de hacerlo. Otra manera de hacerlo es mediante el uso de programas de diagramas de flujo en computadoras. Las mejoras son priorizadas y se llevan a cabo planes de acción. cada símbolo debe describir la actividad que se realiza con pocas palabras. Pasos para la elaboración de un diagrama de flujo Describir el proceso a evaluar: Es importante comenzar con los procesos que se consideran de mayor impacto en la organización.

Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a las personas involucradas en el proceso y se verifica su efectividad. Página 36 .

8 DISTANCI A (pies) 50 1 Sacar la fórmula de la billetera o del bolsillo y entregarla al dependiente.4 Firmar el desprendible 0.2 10 0.Diagrama de flujo: Una visita a la farmacia 26 Ejemplo: Operación de despacho de una fórmula. EVENTO SÍMBOL O Abrir la puerta. Verificar el desprendible 0. Esperar hasta cuando el dependiente despache la fórmula y calcule el valor.Graw Hill Pp. Sacar la tarjeta de crédito de la billetera y entregarla al dependiente. Esperar que el dependiente diligencie el desprendible de la tarjeta de crédito.) 0.1 Esperar el desprendible y el medicamento 0.282 Página 37 . TIEMP O (min. Esperar para ser atendido. Mc. Administración de Operaciones y producción.3 Colocar la tarjeta y el desprendible dentro de la billetera Recoger el medicamento y caminar de regreso hasta la puerta 0. Ed. caminar hacia el área de la farmacia del almacén.4 1 0.16 Ejemplo de diagrama de flujo 26 Adaptado de Hamid Noori/Russell Radford.8 50 Figura 1.2 0.

Ejercicio: Hacer el diagrama de flujo de un proceso e identificar áreas de oportunidad Página 38 .

Pasos para realizarlo: • Dibujar una línea horizontal para representar el tiempo total que se ocupa en el proceso. si representa valor agregado. Ejemplo Visita al consultorio médico Espera Espera Figura 1. Ventajas: • Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso. • Dibujar una línea vertical fina que represente el tiempo que se requiere para completar el paso. • Dibújela arriba de la línea. • Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.17 Diagrama de flujo de valor Página 39 . • Puede dibujar una barra con el tiempo de valor agregado como porcentaje de tiempo total del proceso.Diagrama de flujo de tiempo – valor agregado Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no agregan valor. • En cada línea vertical señale el paso del proceso. después decida si el paso tiene valor para el cliente. • Relacione todos los pasos del proceso detalladamente. o debajo si no lo representa.

•Use flechas para delinear el flujo de la parte dentro del área.18 Ejemplo de diagrama de flujo físico EJERCICIO: Realizar un diagrama de flujo de un proceso Página 40 . etc.Diagrama de Flujo Físico Pasos para realizarlo: •Dibuje el esquema físico de su área de trabajo. • Muestra la complejidad del flujo y las curvas. incluyendo estaciones de trabajo. áreas de máquinas. áreas de espera. para mostrar cuellos de botella y tiempo sin valor agregado Vs tiempo con valor agregado. Edificio A Edificio B Figura 1. Ventajas • Muestra el número de movimientos para completar el proceso. Cada flecha debe delinear un paso del proceso. • Puede añadir tiempo a cada paso.

temperaturas).Estratificación Se utiliza para separar un aspecto general en los estratos que lo componen. prevenir defectivos y facilitar la mejora. por ejemplo. Clasificación de los datos o factores sujetos a estudio en una serie de grupos con características similares. por regiones. Hay dos tipos de cartas de control: por atributos (juzga productos como buenos o malos) y por variables (variables como. etc. municipios.19 Estratificación de un problema Ejercicio: Describir un ejemplo de estratificación de un aspecto poblacional Inicio: Primer paso: Segundo paso: Tercer paso: Las cartas de control Sirven para monitorear el proceso. Problemas con boletas Por región Por estado Por municipio Figura 1.20 Carta de control con sus límites de control y línea central Página 41 . Figura 1. estados.

denominadas “causas especiales o causas asignables de variación.4 MÉTODOS LEAN PARA LA MEJORA A continuación se muestran los métodos para hacer más flexibles y esbeltas las operaciones en las organizaciones: Los 7 desperdicios o Muda Son aspectos que no agregan valor al cliente. 1. El patrón anormal debido a eventos especiales se llama causa especial de variación.Figura 1.21 Patrones de anormalidad en cartas de control Las cartas de control detectan la variación anormal en un proceso. es decir no está dispuesto a pagar por ellos y hacen que la operación sea costosa y lenta: Página 42 .” El patrón normal de un proceso se llama causas de variación comunes.

así como las actividades que agregan valor para su optimización. Métodos Lean para la mejora Para reducir el Muda se utilizan diversos métodos Lean como son: Mapeo de la cadena de valor Las 5 S’s Cambios rápidos (SMED) Poka Yokes o A Prueba de error Trabajo estandarizado Mapeo de la cadena de valor Se trata de realizar un mapeo de los procesos. identificando las actividades que no agregan valor (Muda) para su reducción o eliminación.Servicios no requeridos Movimientos excesivos e innecesarios Transportes innecesarios Inventarios innecesarios Esperas o firmas innecesarios Errores Retrabados o reinspecciones Ejercicio: Identificar tres Mudas en la organización _______________________________________________________________. _______________________________________________________________. _______________________________________________________________. a continuación se presenta un ejemplo: Página 43 .

quedando el proceso mejorado como sigue: Página 44 .Ejercicio: Mejora del tiempo de ciclo de atención en una sala de emergencia: Se realiza un mapeo del proceso con todas las actividades relacionadas con la atención en una sala de emergencia. considerando tiempos y distancias. Se identifican las actividades que representan Muda y que son actividades que no agregan valor y se reducen o eliminan.

por una persona familiarizada con el área de trabajo.23 Implementación del orden de 5S’s Página 45 . Palabras japonesas que inician con s: Seiri. 1.Las 5 Ss y la administración visual Objetivo: Encontrar cualquier cosa y tener idea del estado de la operación en menos de 30 segundos. Fig.. 1. 1.SEITON significa PONER LAS COSAS EN ORDEN. Seiketsu y Shitsuke. Maquinaria no ocupada. Seiton.. Fig. Seiso. Papeles y documentos.SEIRI significa: ORGANIZAR y SELECCIONAR: Trabajo en proceso. Las cosas deben mantenerse en orden de manera que estén listas para ser utilizadas cuando se necesiten. lo más importante en este punto es: Diferenciar entre lo necesario y lo innecesario. Herramientas innecesarias. Productos defectuosos.22 Áreas de oportunidad para 5S’s 2.

buscaba las mercancías.SEIKETSU significa: LIMPIEZA ESTANDARIZADA. suciedad. son las operaciones realizadas mientras se están proporcionando los servicios. Limpieza. Seguir los procedimientos en los procesos administrativos y de manufactura. llamaban al dependiente. aceite. _______________________________________________________________. 4. información. desorden. Página 46 . etc. Orden. útiles. etc. Mantener limpio el lugar de trabajo. dificulta la búsqueda de piezas. ya que antes primero se detenía. evitando esto se previenen los accidentes.SHITSUKE (DISCIPLINA). 5. Las 5´s se han definido como Selección u Organización. Hacer del aseo y de la pulcritud un hábito. _______________________________________________________________. La Preparación externa (OED). requisiciones. son las operaciones realizadas con el servicio suspendido. Trabajan en medio del polvo.) Verificar resultados y dar reconocimiento al equipo La Preparación interna (IED).SEISO significa: LIMPIEZA. herramientas etc. no se generan defectos y todo se encuentra.3. Ejercicio: Identificar áreas de oportunidad de aplicación de las 5S’s en la organización _______________________________________________________________... Los dos elementos más importantes son la Organización y el Orden ya que de ellos depende el éxito de las actividades de Mejora.. externas. Estandarización y Disciplina. principiando con la propia persona. Ejemplo de Cambio rápido – SMED: Se redujo el tiempo de preparación en una estación de servicio de 11 minutos a 1 minuto. Preparaciones rápidas (SMED) Objetivo: Cambiar el proceso para un servicio diferente en menos de 10 minutos Formar un equipo de trabajo Filmar las actividades de preparación Separar actividades de preparación internas y externas Convertir actividades de preparación internas a externas Afinar las operaciones (paralelo.

mostrar la tasa de errores 2. procedimientos y ayudas visuales. _______________________________________________________________. Ejercicio: Identificar áreas de oportunidad para implementar A Prueba de error / Poka Yokes. _______________________________________________________________. Poka Yokes o A prueba de error Objetivo: Prevenir o detectar la ocurrencia de errores humanos. Otro ejemplo es la obtención de pasaportes en 40 minutos o un trámite en las oficinas de hacienda. Pasos para el desarrollo de Poka Yokes 1. Ejercicio: Identificar áreas de oportunidad para implementar cambios rápidos. _______________________________________________________________. Detalle de los procedimientos de la operación donde se producen los errores 4. Falla de memoria o confianza. Causas de los errores: Procedimientos incorrectos Variación excesiva en procedimientos Procesos o procedimientos no claros o no documentados Errores humanos mal intencionados Cansancio. distracción. Identificar el lugar donde se descubren o producen los errores 3. ahora las mercancías clave están cerca del mostrador y no se pierde tiempo. Identificar las condiciones donde se ocurren los errores (investigar) 6. la forma como deben realizarse las operaciones y actividades para que Página 47 . Describir el defecto: Formar un equipo de trabajo. etc. Trabajo estandarizado Objetivo: Documentar en instructivos. _______________________________________________________________.etc. _______________________________________________________________. 7. Identificar desviaciones de los procedimientos donde se producen los errores. Desarrollar un dispositivo Poka Yoke Ejemplo: Instalación de puertas automáticas para permitir la entrada solo a personal autorizado. _______________________________________________________________. Identificar el tipo de dispositivo Poka Yoke requerido para prevenir el error.

_______________________________________________________________. _______________________________________________________________.todos las realicen de la misma manera. Por estandarización se entiende: Siempre seguir la misma secuencia de trabajo Los métodos totalmente documentados Los métodos están visibles en cada estación de trabajo El material y documentos de trabajo están colocados siempre en el mismo lugar La información se presenta de la misma forma en toda la organización Se tiene el registro del movimiento detallado del cuerpo humano Ejercicio: Identificar áreas de oportunidad para implementar procedimientos e instructivos para estandarizar las operaciones. para tener productos homogéneos. Página 48 . _______________________________________________________________.

5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS Diagrama de afinidad: Organiza grandes cantidades de información Diagrama doble de interrelaciones: Muestra los enlaces de causas y efectos entre aspectos relacionados Diagrama de árbol: Diagrama los niveles de destalle para alcanzar un objetivo principal y los objetivos secundarios relacionados Diagrama Matricial: Muestra las relaciones y correlaciones entre ideas Matrices de prioridad: Asigna prioridades a asuntos.1. tareas o posibles opciones con base en criterios conocidos Carta de Programa de Decisión de Procesos (CPDP): Revela cadenas de eventos y planes de contingencia Diagrama de redes y actividades: Desarrolla u programa para tareas complejas APLICACIONES Las herramientas para la mejora continua se emplean de manera ideal en los casos siguientes: Dividir un requerimiento general de detalles específicos Identificar y eliminar las causas raíz de un problema Programar actividades complejas Planeación de contingencia Ayudar a una organización a pasar de la manera antigua de pensar a otras formas más novedosas de hacerlo Realizar una selección final de una lista de opciones Evaluar opciones de diseño de producto Página 49 .

Crear tarjetas de encabezado Dibujar el diagrama de afinidad Trazar un círculo en torno a cada agrupamiento El diagrama queda completo cuando el equipo alcanza el consenso Discutir el diagrama de afinidad Página 50 . La herramienta ayuda a mejorar el compromiso y el apoyo del equipo. también se conoce como método KJ. PASOS Reunir el equipo y elegir un líder. Acomodar las tarjetas en pilas similares o por “familias”. Cuando se emplea este diagrama. Usar cuando existe un caos. Establecer el asunto o problema en forma de pregunta. Desplegar las tarjetas en una mesa grande o muro. así como para identificar las causas potenciales de un problema.Diagrama de Afinidad Es una herramienta que se emplea para organizar grandes cantidades de información agrupando los aspectos de la misma con base en relaciones clave entre ellos. todos relacionados con el asunto a tratar. se organizan las ideas o áreas generales de problemas para adquirir la comprensión de un problema o asunto complejo. el equipo aporta ideas. se requiere un pensamiento trascendental o el tema es un aspecto amplio. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en fichas de trabajo.

Página 51 .

FUENTE HTTP://WWW.PDF Página 52 .MEX.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.JPG FUENTE: HTTP://WWW.OPSOMS.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYE E1.

se emplea para estudiar las relaciones entre los elementos de un problema e identificar las causas raíz o las soluciones.24 ejemplos de diagrama de afinidadDiagrama doble de Interrelaciones Un diagrama doble de interrelaciones es una herramienta gráfica que se emplea para organizar problemas o aspectos complejos y que implican muchas variables.Fig. Poner el asunto o problema en forma de pregunta. Un efecto raíz es una categoría a la que llega una gran cantidad de flechas. PASOS Reunir el equipo y elegir un líder. 1. Analizar las relaciones. Estudiar el Diagrama doble de interrelaciones. Página 53 . 7. Ayuda a identificar las causas potenciales de un problema. Revisar el Diagrama doble de interrelaciones. Una causa raíz es una categoría de la que sale la gran cantidad de flechas. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en fichas de trabajo. es similar al diagrama de afinidad en la medida que el proceso de construcción de una gráfica doble interrelaciones es creativo. permite que el equipo observe al mismo tiempo muchos efectos y trace la relación entre dichos efectos y varias causas. Identificar causas y efectos raíz.

25 – EJEMPLOS DE DIAGRAMA DE INTERRELACIONES Página 54 WWW. 1.QUALITY .FUENTE: PRIMER CERTIFIED QUALITY MANAGER COUNCIL.COM FIG.

ORG/CONGRESO2008/MEMORIA/ TUFINO_COMPLEMENTARIO/TUFINO_INTERRELACION.FUENTEHTTP://WWW.CALIDADEDUCATIVA.PDF Página 55 .

Fig. El diagrama de árbol funciones para dividir un aspecto u objetivo más complejo. Página 56 . se crea un efecto de dominio que lleva al logro del objetivo principal. Elegir la declaración de objetivo. Al implantar los puntos detallados de acción.26 ejemplos de diagrama de interrelacionesDiagrama de árbol Un diagrama de árbol (diagrama sistemático) es una técnica que se emplea para buscar la forma más apropiada y eficaz de alcanzar un objetivo específico. 1. Cuando se trabaja sobre un objetivo amplio. PASOS Reunir un equipo apropiado. es posible emplearlo para planear la implantación de una solución detallada en forma ordenada. Esta herramienta gráfica de diagrama los diversos niveles de detalle. Generar los encabezados de primer nivel del árbol Completar el diagrama de árbol bajo cada encabezado principal Revisar el diagrama de árbol terminado. estos representan acciones (o tareas) que siguen rutas lógicas para implantar un objetivo amplio. un diagrama de árbol ayuda a orientar tareas específicas.

Página 57 .

NSF/PAGINAS/B274A80F363DE0 39C12570290041808D?OPENDOCUMENT FUENTE HTTP://DGPLADES.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.SALUD.PROGRAMAEMPRESA.FUENTE: HTTP://WWW.COM/EMPRESA/EMPRESA.GOB.PD F Página 58 .

27 EJEMPLOS DE DIAGRAMA DE ÁRBOL Página 59 . 1.FIG.

1.FIG.28 EJEMPLOS DE DIAGRAMA DE ÁRBOL Página 60 .

asimismo pueden mostrar la fortaleza estadística y la dirección de influencia de cada relación. Pueden tener cualquiera de las siguientes formas: L. Y. tares y responsabilidad y que aparecen en diversas formas matriciales. X y C PASOS Reunir a un equipo apropiado Elegir las consideraciones clave ¿Qué tipo de información se desea mostrar en la matriz? Elegir la forma apropiada de la matriz Definir los símbolos de relación a emplear y crear una leyenda Concluir la matriz.Diagrama Matricial FIG.29 EJEMPLO DE DIAGRAMA MATRICIAL Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones entre ideas. Página 61 . T. 1. es posible emplear estas herramientas para organizar y comparar dos o más conjuntos de artículos para mostrar cuáles de ellos están relacionados.

Página 62

FUENTE: CQM PRIMER WWW.QUALITYCOUNCIL.COM
FIG.

1.30

EJEMPLOS DE DIAGRAMA MATRICIAL

DIAGRAMAS MATRICIALES

27

FIG.

1.31 DIAGRAMA MATRICIAL EN “L”
MATRICIAL “A”

DIAGRAMA

FIG.

1.32DIAGRAMA MATRICIAL EN “T” DIAGRAMA MATRICIAL
EN “Y”

27 Diagramas tomados de la dirección www.fundibeq.org 28 de diciembre de
2008

Página 63

FIG.

1.33 DIAGRAMA MATRICIAL EN “X” DIAGRAMA MATRICIAL
EN “C” TRIDIM

FIG.

1.34 APLICACIÓN EN EL DESARROLLO DEL PRODUCTO
(MATRIZ DE QFD):

Página 64

Ma
trices de Prioridades o prioritización

Las matrices de prioridades son herramientas para tomas decisiones.
Utilizando criterios ponderados y acordados, se emplean tales
herramientas para asignar prioridades a aspectos, tareas u opciones
posibles. Se basan en la combinación de un diagrama de árbol y uno
matricial.
Pueden ayudar a reducir el número de opciones; de modo que sea
posible tomar decisiones con mayor facilidad, debido a que las matrices
de prioridades proporcionan un enfoque lógico a la elección de un
conjunto de opciones, son ideales para elegir un problema para que lo
ataque el equipo y estrechar una lista de soluciones potenciales para un
problema.
PASOS
Reunir un equipo apropiado.
Establecer el objetivo principal a alcanzar y las opciones que ayuden a
lograrlo.
Generar los criterios por los que se juzgarán las opciones.
Juzgar cada criterio contra todos los demás.
Página 65

Comparar entre sí las opciones para todos los criterios retenidos.
Compara cada opción con base en todos los criterios combinados.
Brassard28 proporciona tres tipos de matrices de prioridades:
El método del criterio analítico completo
El método del criterio de consenso
El método combinado de Diagrama de relaciones y Matriz
Loa criterios son prioritizados, ponderados y aplicados contra las
opciones de decisión generadas, seleccionando una decisión con base
en números como resultado.

28Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC

Página 66

Fuente: CQM PRIMER www.qualitycouncil.com

Página 67

36 Ejemplo de diagrama de árbol y plan de contingencia CPDP = No factible reunión Una Carta de programa de decisión del proceso (CPDP) es una herramienta dinámica de planeación que se emplea para diagramar en forma sistemática todas las posibles cadenas de eventos para alcanzar un objetivo amplio o para implantar una solución compleja. 1. cuando el problema u objetivo es único o desconocido. La CPDP se clasifica por el formato gráfico: Gráfico: combinación de diagrama de árbol y diagrama de flujo.Fig. Descripción: lista numerada de eventos y contramedidas. CPDP en tiempo real: se desarrollan alternativas durante la implantación. Se efectúa una tormenta de ideas de todas las distintas posibilidades y se elaboran planes de contingencia con anticipación. Las Cartas de programa de decisión del proceso se clasifican por las herramientas que se emplea: CPDP “planeado por adelantado”: anticipan lo “inesperado” antes de la implantación verdadera. se emplea este método cuando existe incertidumbre en un proceso de implantación.35 Ejemplos de matrices de priorización Carta de Programa de Decisión de Procesos (CPDP) Cambiar fecha de reunión Reservar sala de reunionesSala de reuniones no disponible Reservar otro sitio Rentar equipo audiovisual Planeación de una reunión Verificar equipo audiovisual Equipo audiovisual no disponible Reservar otro sitio Banquete no disponible Ordenar a otro proveedor Efectuar los arreglos de alimentación Solicitar un menú distinto Menú no disponible = Seleccionado Ordenar otro proveedor de banquetes Fig. Página 68 . 1. Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo cronológico.

otro propósito es probar teorías durante la implantación de una solución compleja. PASOS Reunir el equipo apropiado Elegir el flujo básico de implantación Elegir el formato de la carta Establecer el objetivo principal Enumerar los pasos del proceso Determinar contramedidas Evaluar las contramedidas Evaluar las contramedidas y marcarlas en la forma siguiente = Seleccionada = No factible Página 69 .Se emplea una CPDP para describir de manera sistemática una solución u objetivo complejos.

37 Ejemplo de diagrama de árbol y plan de contingencia CPDP en general Página 70 .Fig. 1.

FUENTE HTTP://SYQUE.HTM Página 71 .COM/QUALITY_TOOLS/TOOLS/TOOLS12.

Calcular la ruta crítica del proyecto. Calcular la fecha más tardía de inicio y más temprana de conclusión de cada subtarea. en particular las más comunes que cuentan con subtareas conocidas. Determinar la secuencia de actividades.38 Ejemplo de diagrama de árbol y plan de contingencia CPDP para manufacturaDiagrama de redes de actividades Un diagrama de redes de actividades (también conocido como diagrama de flechas) es una técnica de administración de redes de uso generalizado para la planeación e implantación de tareas complejas. Es una combinación de la Técnica de Revisión y Evaluación y Programas (PERT) y el Método de Ruta Crítica (CPM). Diseñar el diagrama de redes de actividades. Se emplea el diagrama de redes de actividades para desplegar soluciones complejas con programas muy estrictos de tiempo. Calcular el tiempo que se requiere cada actividad.Fig. Página 72 . Los miembros del equipo deberán conocer a fondo las tareas y subtareas Identificar todas las tareas que requiere el proyecto. Identifica los pasos y subtareas y muestra el flujo de rutas simultáneas de implantación PASOS Reunir el equipo apropiado. 1. Calcular la holgura total.

EJEMPLO: INAUGURACIÓN DE UN NUEVO RESTAURANTE Página 73 .

se escribirán en el Diagrama de Flechas por encima del respectivo evento. El TL de un evento representa el tiempo máximo en que debe alcanzarse el evento para poder seguir el proyecto tal y como ha sido planificado. El valor TL de un evento N se calcula de la siguiente manera: a) Se empieza con el último evento (= fin del proyecto). d) Se elige entre los resultados así obtenidos el mayor. c) Para cada uno de estos eventos se añade a su TE la duración t de la actividad que le conecta con el evento N. siendo el TL del último evento el tiempo establecido para finalizar el proyecto. el camino que consume el mayor tiempo.. hasta llegar al último evento del proyecto.. y se calcula sumando los tiempos t de la secuencia de actividades que conduce al mismo. Este será el único TE del evento N. 1.39 Ejemplo de diagrama de flechas (PERT) El TE de un evento representa el tiempo más breve posible en que el evento puede alcanzarse. determina el tiempo más breve posible en que puede esperarse alcanzar dicho evento. Los valores TE así obtenidos. Cuando hay más de un camino que conduce a un evento. El TL del último evento se considera aquí como un Página 74 . Los demás valores obtenidos son irrelevantes y no se volverán a considerar. El valor TE de un evento N se calcula de la siguiente manera: a) Se empieza con el primer evento (su TE es igual a cero).Fig. operando en sentido inverso hasta el primero. considerando sus directos sucesores etc. (Su TE indica el tiempo mínimo esperado para terminar el proyecto).. b) Se identifican todos los eventos que preceden directamente al evento N.

en la que los eventos disponen de la holgura mínima. La holgura de un evento puede ser positiva. La holgura indica entonces el margen de seguridad de tiempo de que se dispone para alcanzar este evento. Los demás valores obtenidos son irrelevantes y no se volverán a considerar. d) Se elige entre los resultados así obtenidos el menor.). negativa o igual a cero. c) Para cada uno de estos eventos se resta de su TL la duración t de la actividad que le conecta con el evento N. compromiso. a menudo el valor TE obtenido en el Paso 4 para el evento final del proyecto. Página 75 . La holgura de un evento es la diferencia entre el tiempo máximo permisible y el tiempo mínimo posible para alcanzarlo. etc. se escribirán en el Diagrama de Flechas debajo del respectivo evento. ya establecido. Se identificará en el Diagrama de Flechas.dato externo. fecha "orientativa" interna. señalando las actividades que lo constituyen con líneas más gruesas.. desde el primer evento hasta el último. b) Se identifican todos los eventos sucesores del evento N. El camino crítico es aquella secuencia de actividades. Los valores TL así obtenidos. (Deseo del cliente. Este será el único TL del evento N.. sin comprometer el plan de marcha del proyecto. el camino crítico.

1.40 Determinación de la Ruta Crítica en el diagrama de flechas (PERT) Página 76 .Fig.

41 Carta de control LSC = Límite superior de control LC = Línea central LIC = Límite inferior de control Fig. el diseño de experimentos y el muestreo estadístico. 1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD Se utilizan tres métodos estadísticos principales para la mejora de la calidad y la solución de problemas: las cartas de control. Cartas de control En 1924 WALTER SHEWHART realizó experimentos y desarrolló las Cartas de Control en la planta telefónica Western Electric de los los Bell Labs. Es un método para variar en forma sistemática los factores controlables del proceso y determinar los efectos que tienen esos factores en los parámetros finales del producto. Su uso sistemático proporciona un excelente medio para reducir la variabilidad. ENTRADAS CONTROLABLES X1 X2 XP Página 77 .1. cuando se presentan variaciones anormales donde las medias o los rangos salen de los límites de control. Fisher inicia el desarrollo del diseño de experimentos en la agricultura en Inglaterra en los años 1920’s.4 Carta de control de Shewhart y sus límites de control La carta de control es una técnica muy útil para el monitoreo de los procesos. además de las herramientas estadística para la solución de problemas en planta por grupos de trabajo o Círculos de calidad. Diseño de experimentos Un experimento diseñado es muy útil para descubrir las variables clave que tienen influencia en las características de calidad de interés del proceso. Permite reducir la variabilidad en la característica de calidad y en determinar los niveles más adecuados de los factores controlables que optimicen el desempeño del proceso. es señal de que se debe tomar acción para remover esa fuente de variabilidad anormal. las cuales tienen las siguientes características: Técnicas útiles para el monitoreo de procesos Permiten identificar situaciones anormales en 6Ms Sirven para prevenir la generación de defectivos Fig. 1.

42 Proceso de producción. Tiene las siguientes ventajas: El costo de evaluación es menor que con la inspección al 100% Se puede aplicar más fácilmente cuando se trata de realizar pruebas destructivas. donde se selecciona e inspecciona una muestra aleatoria de un lote mayor. etc. dada la probabilidad finita de encontrar productos defectivos en la muestra. esto ocurre en la recepción de materias primas y componentes y en el producto terminado.DE PROCESO Materias primas. No se garantiza que los lotes aceptados estén libres de defectivos. Componentes.INSUMOS DEL PROCESO CALIDAD Y CARACT. en el cual los factores son variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores. resultando en una aceptación o rechazo de ese lote mayor. Para lo cual se puede utilizar el análisis de regresión. Entre sus desventajas se encuentran: Se pueden cometer errores al aceptar lotes defectivos. Una vez que se han identificado las variables que afectan el desempeño del proceso. más que durante su fabricación. el muestreo no es una técnica confiable. Muestreo de aceptación Está relacionado con la inspección y prueba del producto. Página 78 . 1. Se puede aplicar presión sobre la calidad de los lotes de proveedores ya que con una pequeña muestra puede ser rechazado el total de us lote. El diseño de experimentos es una herramienta fuera de línea es decir se utiliza durante el desarrollo de los productos o procesos. entradas y salidas El principal método para diseñar experimentos es el diseño factorial. Si los lotes no son uniformes. normalmente es necesario modelar la relación entre estas variables y la característica de calidad de interés. Z1 Z2 ZQ ENTRADAS NO CONTROLABLES Fig. El monitoreo en el proceso de las variables relevantes que afectan las características de calidad se hace por medio de cartas de control.

En el transcurso del tiempo. desarrollaron las técnicas de Muestreo Estadístico. A continuación se muestran diferentes esquemas de la aplicación del método. a) INSPECCIÓN EN LINEA ENVIO INSPECCION PROCESO CLIENTE b) INSPECCION DE RECIBO ENVIO INSPECCION PROCESO ACEPTAR ENVIO CLIENTE c) INSPECCION RECTIFICADORA PROCESO CLIENTE INSPECCION RECHAZO SCRAP RETR DISPOSICIÓN DEABAJO LOTES Fig. 1. DODGE Y HARRY G. ROMIG.44 Variaciones del muestreo de aceptación El muestreo de aceptación tiende a reforzar el apego o conformancia a especificaciones pero no tiene un efecto de retroalimentación en el proceso de producción o diseño que mejoren la calidad. las tres técnicas estadísticas anteriores han tenido la evolución siguiente: 100% MUESTREO DE ACEPTACION 0% Tiempo CONTROL DE PROCESO Página 79 DISEÑO DE EXPERIMENTOS .LOTE MUESTRA ALEATORIA Fig. 1.43 Esquema del muestreo estadístico En 1926 HAROLD F.

Deming impulso el uso del CEP y los métodos estadísticos en Japón para la reducción de la variabilidad y mejora continua de calidad. con sus 14 recomendaciones a la dirección. etc. ISO 9000:2000. Modelo de Dirección por Calidad de México (PNC).45 Evolución de la aplicación de métodos estadísticos 1. su aplicación debe ser parte de un programa mayor de Calidad Total (Total Quality Management en EUA. ISO TS 16949.7 ADMINISTRACIÓN POR CALIDAD TOTAL Para que sean efectivas las herramientas estadísticas. la calidad debe planearse. no funcionarán como elementos aislados. evitar o reparar productos que no cumplan especificaciones. VDA 6. La filosofía de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la organización.1 VW. 1. donde la alta dirección lleve el liderazgo por la calidad. Fig. Seis Sigma de Motorola.Fig. Malcolm Baldrige de EUA. sin embargo para no caer en el error de que “la responsabilidad de todos es la de nadie”. 1. identificar.). Company Wide Quality Control en Japón. QS 9000. Normalmente se clasifican en cuatro categorías: Página 80 .46 Modelo de gestión de calidad ISO 9000 Costos de calidad Son costos asociados con producir.

Prevención. y los defectos son descubiertos antes de embarcar al cliente. Costos de falla externa Son los costos incurridos cuando el desempeño del producto no es el adecuado una vez que lo utiliza el cliente. o auditoría a productos. Costos de apreciación Son los costos asociados con la medición. algunos de los elementos que incluyen son los siguientes: Costos de prevención Planeación e Ingeniería de calidad Revisión de nuevos productos Diseño de productos y procesos Control de proceso Entrenamiento Colección y análisis de datos de calidad Costos de falla interna Scrap o desperdicio Retrabajos Re-inspección Análisis de falla Ineficiencias Descuentos Costos de apreciación Inspección y prueba en recibo Inspección y prueba de productos Materiales usados en pruebas Mantenimiento de equipo de prueba Costos de falla externa Atención de quejas Producto regresado Cargos por garantía Costos legales Costos de prevención Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a la prevención de defectos. componentes o materiales y servicios no cumplen los requerimientos de calidad. Falla interna y Falla externa. Costos de falla interna Son los costos incurridos cuando los productos. Apreciación. evaluación. de tal forma de hacer bien las cosas a la primera vez. Página 81 . componentes y materiales comprados para asegurar su conformancia a los estándares establecidos.

1 Construcción de la distribución normal La distribución normal es una de las distribuciones más usadas e importantes. Se ha desenvuelto como una herramienta indispensable en cualquier rama de la ciencia.2. tales como: promedio o media =  (mu). Página 82 . sus parámetros se indican con letras griegas. Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es muy parecida a la distribución normal. y desviación estándar (indicador de la dispersión de los datos) =  (sigma).1 DISTRIBUCIÓN NORMAL Un proceso opera en condiciones normales. mostrará el siguiente comportamiento: Fig.= s. por tanto la VARIACIÓN es inevitable. si tiene los materiales dentro de de especificaciones y del mismo lote. Para el caso de estadísticos de una muestra se tiene media = X y desv. su análisis se hace con el apoyo de la estadística. est. 2. el operador capacitado. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO (CEP) Concepto de variación Los métodos estadísticos se basan en que no existen dos productos EXACTAMENTE iguales de un proceso de manufactura. Cuando se incluyen todos los datos de un proceso o población. la industria y el comercio. y el equipo ajustado correctamente. 2. un medio ambiente adecuado. si se toman mediciones en alguna característica del producto. La distribución normal es llamada también campana de Gauss por su forma acampanada. un método consistente.

son iguales y se localizan en el pico. Límite superior de especificaciones Fig.3 Distribuciones normales con varias desv. La forma y la posición de una distribución normal dependen de los parámetros . 2. 2.  . Mediana y Moda coinciden. La distribución normal es simétrica. La escala horizontal de la curva se mide en desviaciones estándar.5.Propiedades de la distribución normal estándar   La distribución normal estándar tiene media = 0 y desviación estándar =1. Fig. la mitad de curva tiene un área de 0. La media. Límite inferior de especs. estándar Página 83 .2 Propiedades de la distribución normal El área bajo la curva o probabilidad de menos infinito a más infinito vale 1. por lo que hay un número infinito de distribuciones normales.

LIE LSE Fig. 2.4 Distribuciones normales con varias medias y desviaciones estándar Página 84 .

-3s -2s -1s +1s +2s +3s 68.26% 95.estand(Z) proporciona el área desde menos infinito hasta Z). En la tabla normal.  2 = 95.46% y .5 Área bajo la curva de Distribución normal Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx =distr. La segunda tabla proporciona valores Página 85 . La primera tabla sirve para determinar el área o probabilidad que se encuentra fuera de los límites de especificaciones. En la figura observamos por ejemplo que el área bajo la curva para  1  3  99. se busca el valor de Z y se encuentra el área bajo la curva.Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación estándar.73% Fig.46% 99.26%.73% tiene un porcentaje de 68.norm. 2.

En cada una se muestran ejemplos de su uso.1. hasta Z <= -1 Página 86 . P(Z<= -1) = 0.2.0228 c) Determinar el área bajo la curva entre Z >= -2.de área bajo la curva para Z’s mayores a cero.1587 b) Determinar el área bajo la curva de menos infinito a Z = . Ejemplo 2. P(Z<= .2) = 0.1 a) Determinar el área bajo la curva de menos infinito a Z = .

9772 – 0.8413 b) Determinar el área bajo la curva de menos infinito a Z = 2.1359 Ejemplo 2. P(Z <= 2) = 0. P(Z <= 1) = 0.1369 Página 87 .9772 8 c) Determinar el área bajo la curva de menos Z = 1 a Z = 2 P(1 <= Z <= 2) = 0.P(.8413 = 0.2 a) Determinar el área bajo la curva de menos infinito a Z = 1.2 <= Z<= -1) = 0.

Otra forma es tomando la Z como negativa con P(Z <= -0.norm. donde la probabilidad de que la calificación sea menor a 500 es P (X P ( X  500) <= 500).4) = P(Z <= -2. para determinar la probabilidad o área bajo la curva. Ejemplo 2.69146 =0.4) = e) P( Z<=-2.EJERCICIO 2.1 <= Z <= -0.69146 = 69.1) = f) P(Z>= 1. se determina el número de desviaciones estándar Z   valor X y la media de la población Z Z X   entre algún o de la muestra X como sigue: sí se consideran los datos completos del proceso.3085.85% de los participantes pasarán la prueba.1) = c) P( -1.4) – P(Z <= -2.5).7) – P(Z <= -1.2) = P(Z <= 2.9) = Estandarización de valores reales En la práctica.1) = P(Z <= -2.2 <= Z <= 2.9) + P(Z <= -3.3 <= Z <= 2.146%.9) + P(Z>= 3. Dado que el porcentaje pedido es la solución es 10.2) – P(Z <= 1.3) = d) P( Z >= 2.4) = P(Z <= . Página 88 .3085.2) = b) P(-2.estand(0. Si  las calificaciones de la prueba se distribuyen normalmente con media y desviación estándar prueba?  485 30 ¿Qué porcentaje de los solicitantes pasará la Calculando el valor de Z obtenemos: X  500  485 Z  0.5  30 = Buscamos el valor correspondiente Z en las tablas de distribución normal estándar o por medio de Excel =distr.5) = 0.9) = P(Z <= -1.7) = P(Z <= 2.0.5 = 0.3 El departamento de personal de una empresa requiere que los solicitantes a un puesto en cierta prueba alcancen una calificación de 500. por tanto sólo 30. Z 0. se tienen valores reales de promedio diferentes de cero y con desviación estándar diferentes de uno.1: ¿Qué porcentaje del área bajo la curva normal estándar o probabilidad está incluido dentro de los siguientes rangos? a) P(1. XX s sí se consideran sólo los datos de una muestra.

0.6 Área bajo la curva de Distribución normal Ejemplo 2.8413= 0. El sistema muestra la siguiente ventana.4 Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y una desviación estándar de 4. la probabilidad buscada es: P(X > 24) = 1 .0 5 Fig.485 3 0 . 2. dado que esta es la probabilidad P(X 24). en la cual llenamos los siguientes datos: Fig.8413.1587 Página 89  . Calcule la probabilidad P (X >=24) = 1 – P(X <= 24) = En la barra de herramientas seleccione el icono de funciones fx>Estadísticas>Distr.Norm.7 Cálculo del área bajo la curva normal sin requerir Z El resultado de la fórmula = 0. 2. OK.8 5 % Z. .Estand.

? e) ¿Cuál es la probabilidad de que el producto pese entre 85 y 100Kgs.05 para que los datos se distribuyan normalmente Página 90 . Calc > Random data > Normal 2.2 PRUEBA DE NORMALIDAD Para probar normalidad de datos. Seguir los siguientes pasos: Generar 100 datos aleatorios en Minitab con Media = 264. a) En el método de Anderson Darling o Ryan Joiner. d) ¿Cuál es la probabilidad de que el producto pese entre 55 y 70 Kgs.EJERCICIO 2.?.06 Estandar deviation 32. si el valor de probabilidad P de la prueba es mayor a 0. con una desviación estándar de 10Kgs.6 y Desviación estándar S = 32. Generate 100 Store in columns C1 Mean 264. a) ¿Cuál es la probabilidad de que un producto pese más de 85Kgs. se considera que los datos son normales.2: Un producto tiene un peso promedio de 75 Kgs. se pueden utilizar los métodos de Anderson Darling o Ryan si el tamaño de muestra es mayor a 15 y se utiliza la prueba de Kolmogorov Smirnov para 15 datos o menos de muestra.? b) ¿Cuál es la probabilidad de que un producto pese menos de 55Kgs.? 2.? c) ¿Cuál es la probabilidad de que el producto pese entre 60 y 80 Kgs.05.02 OK Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o Ryan Joiner como sigue: Stat > Basic statistics > Normality Test Variable C1 Seleccionar Ryan Joiner test OK El P value debe ser mayor a 0.02 con: 1. observando la gráfica de probabilidad normal.

2. 2. Fig.de confianza Página 91 .Fig.7 Gráfica de probabilidad de un proceso normal b) Otra opción por medio de una gráfica de probabilidad normal.8 Gráfica de probabilidad normal con Int. se tiene: Graph > Probability plot > Normal Graph Variable C1 Distribution Normal OK Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la distribución.

denotando la probabilidad de que un lote bueno o un proceso que produce partes aceptables en relación a una característica de calidad sea rechazado.6) Para encontrar la probabilidad de error tipo II. y asumiendo que sigue una distribución normal N(0. no se rechaza Ho cuando es falsa.  Z c  X  0   n (2. se rechaza Ho cuando es verdadera. se reduce la probabilidad de error tipo II. y diseñar un procedimiento de prueba que minimice la probabilidad de error tipo II. Error tipo II.1). Beta a veces se denomina riesgo del consumidor denotando la probabilidad de aceptar lotes de calidad pobre. Conforme se incrementa el tamaño n de muestra. Las probabilidades de esos dos tipos de errores son:  = P(error tipo I)  = P(error tipo II) donde la potencia de la prueba es Potencia = 1 . El procedimiento general para pruebas de hipótesis es especificar una probabilidad de error tipo I o . Alfa a veces se denomina riesgo del productor. Suponiendo que la media de la distribución realmente es: 1 = 0 +  con  > 0 La hipótesis alterna H1 es verdadera y bajo esta suposición.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS Se pueden cometer dos tipos de errores cuando se prueban hipótesis: Error tipo I.2.1 n  Página 92 . PROBABILIDAD DE ERROR TIPO II Tomando como estadístico de prueba Zc. = Probabilidad de rechazar correctamente Ho. el estadístico Zc es:   Zc  N    . se debe asumir que Ho es falsa y entonces hallar la distribución de Zc. o permitiendo que un proceso continúe operando de manera insatisfactoria respecto a una característica de calidad.

1. Las hipótesis son: Ho:  = 16. ( -4.1 9 Se rechaza Ho si  Zo > Z0.1 9  0. y de acuerdo a la experiencia se sabe que la desviación estándar del contenido es de 0.96 Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor verdadero de la media es 1 =16.0 Asumiendo una probabilidad de error tipo I de 0.1 implicando que  = 16.1  0.96      1..0 Ho:   16.Z/2 0 Z/2 Fig. se tiene:    n  n     Z  / 2      Z  / 2             0.1 – 16.1    =  (.7) Ejemplo 2.0 oz.BAJO H0 BAJO H1 . donde F es la distribución acumulativa normal estándar.Z/2 y Z/2 dado que la hipótesis alterna es verdadera.9 La distribución de Zc bajo Ho y H1 Zc’ =  n / La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre .4 ) .96    0.1 oz.1. se evaluan F(Z/2) ) – F(-Z/2).0 = 0.05 y tomando una muestra de 9 latas. La probabilidad de error tipo II es (funciona igual para cuando  < 0):    n  n     Z  / 2      Z  / 2           (2.5: si los estándares especifican que la media de una lata de café es de 16. se tiene que el estadístico de prueba es: Z 0   X  16  0. Para evaluar esta probabilidad. 2.025 = 1.1 9      1.96 ) Página 93 .

05 y graficando  contra d =   / . Causas comunes y causas especiales La variabilidad natural siempre existe en cualquier proceso de producción. Shewhart de los Bell Telephone Labs.8508. El Objetivo del CEP es la detección oportuna de la ocurrencia de causas especiales para tomar acciones correctivas antes de que se produzcan unidades defectivas o no conformes. se observa que es una función de n. la probabilidad de error tipo II es más pequeño para una  y  dadas. tomando  como 0.1492. = 1 – 0. Esta variabilidad natural es denominada causas comunes o aleatorias de variabilidad. De la ecuación anterior para . A continuación se explica la teoría de variabilidad de Shewhart.. para esto se utilizan las cartas de control en línea. se reduce la probabilidad de error tipo II para una n y  dadas. permitiendo también la estimación de la capacidad o habilidad del proceso y la reducción continua de la variabilidad hasta donde sea posible. (ver gráfica de curva OC) En las curvas OC se observa que: Entre mayor sea el valor de . Página 94 . Es decir que la prueba se hace más potente si se incrementa el tamaño de muestra. Conforme se incrementa n. Es de 0. errores de operadores o materiales defectuosos. y de  . Las cartas de control fueron desarrolladas por el Dr. Existen otras fuentes de variabilidad que pueden ser causadas por máquinas.1492 = 0. una gran proporción del proceso se encuentra fuera de estos límites. De la figura cuando el proceso está en control. o que la potencia de la prueba es de 1 . no importa que tan bien diseñado esté. se obtienen las curvas características de operación (OC). Esta variabilidad es muy grande en relación con la variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso opere fuera de control estadístico (ver página siguiente). un proceso que opera en estas condiciones se dice que está en control estadístico. Sin embargo cuando el proceso está fuera de control.1 oz. Walter A.1492 Es decir que la probabilidad de no rechazar Ho si la media es 16.= 0. la mayor parte de la producción se encuentra dentro de los límites de control (LSC y LIC). Es decir que la prueba detecta más fácilmente grandes diferencias. se denominan Cartas de Control de Shewhart y se usan para el monitoreo del proceso en línea.

Ejemplo 2. de otra forma se concluye que el proceso está fuera de control y que la media del proceso tiene un valor diferente del de 0. La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el proceso está fuera de control cuando en realidad no lo está.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL Una carta típica representando un proceso en control estadístico se muestra a continuación. se tiene: La desviación estándar de las medias es: Página 95 . con  en el eje vertical.01mm. por decir 1. 2.2. 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 acción. La probabilidad de error tipo II de la carta de control se presenta cuando se concluye que el proceso está en control cuando en realidad está fuera de control. donde 1  0. indica la capacidad de la carta para detectar corridas de la media o rango del proceso de diferentes magnitudes.6: Para el caso de pistones. Si la media del proceso es 74 y la desviación estándar es de 0. Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control. Contiene una línea central que representa el valor promedio de la característica de calidad correspondiente al estado “en control” y dos líneas adicionales llamadas límites inferior y superior de control (LIC y LSC). evaluando la característica de calidad de diámetro interno del anillo. con un tamaño de muestra de n=5.10 Carta de control de Shewhart Un punto que se encuentre fuera de los lÍmites de control mostrará evidencia que el proceso está fuera de control y será necesario una investigación de la causa especial y la acción correctiva necesaria para eliminarla. Por ejemplo. la carta de control de medias prueba la hipótesis de que la media del proceso está en control y tiene un valor 0 si un valor de media muestral Xi cae dentro de los límites de control. También se tendrá un alto riesgo de situación fuera de control si los puntos se agrupan es forma sistemática dentro de los límites de control o muestran una tendencia. La curva característica de operación (OC). son esquemas de prueba de hipótesis para analizar el desempeño de las cartas de control. LSC LC Tiempo  LIC Fig.

para un múltiplo de sigma dado.0135 LIC = 74 – 3 (0. al principio se observará que los procesos no están en control estadístico.0045) = 74. resulten en una reducción de la variabilidad mejorando el proceso. Página 96 .01 conocida. La selección de los límites de control es equivalente a preparar la región crítica para probar la hipótesis en el tiempo: H0 :  = 74 H1 :   74 Con  = 0. si w es un estadístico muestral que mide alguna característica de calidad de interés y asumiendo que su media es w con desviación estándar w se tiene: LSC = w + Lw LC = w LIC = w .0045 n 5 Asumiendo que el proceso está en control y de acuerdo al teorema del límite Xi central se asume que las medias se distribuyen normalmente. a través de su monitoreo. se debe espera que el 100(1- )% se encuentren entre 74  Z/2 (0.8) Donde L es la distancia de los límites de control a partir de la línea central expresada en unidades de desviación estándar.9865 Tiempo  Fig.9865 74.11 Carta de Control típica El ancho de los límites de control es inversamente proporcional al tamaño de muestra n.X   .Lw (2.0135 74 74. Si se escoge arbitrariamente a Z/2 = 3. 2.01   0.0045) = 73. se obtienen los límites de control a “3 sigma”: LSC = 74 + 3 (0. sin embargo con las cartas de control se podrán identificar causas especiales que al ser eliminadas. El uso más importante de la carta de control es la mejora del proceso. Se puede definir un modelo general para una carta de control.0045).

0045 Fig. Este documento OCAP es un documento vivo que debe ser actualizado constantemente. Incluye Puntos de chequeo que son causas potenciales asignables y terminadores que son las acciones que resuelven la situación fuera de control.0135.DISTRIBUCION PROCESO DE LOS VALORES 73.12 Comparación de la variabilidad de la población y la de las medias y operación de la carta de control El proceso de mejora usando la carta de control requiere la acción de la supervisión. LC = 74. Para identificar y eliminar las causas asignables. 2. 2.9865 DISTRIBUCION DE LAS MEDIAS INDIVIDUALES =. es importante encontrar las causas raíz del problema y atacarlas para lo cual se puede utilizar el Plan de acción para situaciones fuera de control OCAP. LIC =  X  0. operador e ingeniería. activado con la ocurrencia de cada evento. la carta de control sólo detecta causas especiales o asignables. ENTRADA PROCESO SALIDA SISTEMA DE EVALUACIÓN Verificación seguimiento Implantar Acción Correctiva Detección de causa asignable Identificar causa raíz del problema Fig.13 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL Página 97 y .01 COMPORTAMIENTO DEL LSC = 74.

límites de control y frecuencia de muestreo. Procesos estacionarios con datos correlacionados: las observaciones sucesivas de en estos datos son dependientes. se puede estimar la media. Si la característica de calidad se puede evaluar y expresar como un número real en alguna escala de medición continua.La carta de control es un dispositivo de estimación de parámetros del proceso una vez que exhibe control estadístico. 2. que describan la tendencia central y cartas de control basadas en rango o desviación estándar para controlar la variabilidad del proceso. Si se incrementa el tamaño de muestra. se denomina una variable. Muchas características de calidad no pueden ser medidas en una escala continua. varianza. proporción. Las cartas de control pueden ser clasificadas en dos clases: por atributos y por variables dependiendo de cómo se evalúe la característica de calidad. aunque el diseño de la carta de control también debe tomar consideraciones económicas considerando los costos de muestreo. En tales casos se utilizan cartas de control de medias. decrece la probabilidad del error tipo II. que pueden ser utilizados para determinar la capacidad de los procesos para producir productos aceptables. es decir un valor por arriba de Página 98 . o se pueden contar el número de no conformidades o defectos que aparecen en una unidad de producto. se denominan cartas de control por atributos. 3. Procesos estacionarios: los datos del proceso varían alrededor de una media fija de una manera fija y estable. etc. en análisis de series de tiempo se denomina “ruido blanco”. Las cartas de control para tales características de calidad. límites de control a 3-sigma y una frecuencia de muestreo cada hora. base de decisiones gerenciales y contractuales. Es decir se tiene un proceso en control de acuerdo a Shewhart es el área de aplicación de las cartas de control más efectivo. En este caso los datos pasados históricos no dicen nada en relación a predecir su comportamiento futuro. en esos casos se puede juzgar cada producto como conforme o como no conforme sobre la base de que posea o no ciertos atributos. Para la carta de control por variables del ejemplo se utilizó una muestra de 5 partes. Procesos con datos no correlacionados: las observaciones dan la apariencia de haberse extraído de una población estable (normal u otra). Un factor importante en la aplicación de cartas de control es su diseño. es decir la selección de tamaño de muestra. pérdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera de control que son “falsas alarmas”. Otra consideración en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso: 1.

001 en cada lado.09  +3. Proporcionan un patrón de puntos que permite la toma de decisiones para la mejora del proceso.la media tiende a ser seguido por otro valor arriba de la media y viceversa. SELECCIÓN DE LOS LÍMITES DE CONTROL Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se incrementa el riego de error tipo II y viceversa. Si se selecciona el nivel de riesgo de error tipo I en 0. que fabricarlos bien desde el principio.0027.002 o 0. +3.00 -3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de “si no esta mal. Proporcionan información acerca de la capacidad o habilidad del proceso. Con límites de control de 3-sigma la probabilidad de error tipo I es de 0. Apoyan el concepto de hacerlo bien a la primera vez. al operador o al ingeniero experimentado. 4.09 (0. Las cartas de control han sido muy populares por las siguientes razones: Son una herramienta probada para mejorar la productividad. permitiendo la estimación de la capacidad del proceso para producir dentro de especificaciones. ya que identifican las causas comunes de las especiales.09 (0. se tienen los límites de control a una distancia de 3. Su aplicación exitosa ayuda a reducir desperdicios y retrabajos.0045) = 73. Proporcionan información acerca de los parámetros importantes del proceso y de su estabilidad con el tiempo. Son efectivas como herramientas de prevención de defectos.0045) = 74. que son factores que reducen la productividad (productos buenos por hora).09-sigmas y los límites de control serán: LSC = 74 + 3. evitan que se hagan ajustes cuando sólo se están teniendo variaciones aleatorias en el proceso.0139 LIC = 74 – 3.9861 Estos límites de control se denominan límites probabilísticos a 0.09  Página 99 . Proporcionan información de diagnóstico. no lo arregles”. En estos casos se estabiliza el desempeño de los procesos por medio de control automático por retroalimentación.0  LC -3. Procesos no estacionarios: ocurren en los procesos químicos e industrias de proceso. es más costoso seleccionar productos buenos en un lote con productos defectuosos.001. A continuación se presenta una comparación entre límites. esto produce corridas lentas y largas en algún lado de la media. los procesos son muy inestables y tienen corridas inestables alrededor de una media fija.

ARL  1 p (2. que es el número de puntos que deben ser graficados antes de que un punto indique una condición fuera de control. Una desventaja es que crean confusión con el personal y se incrementa el riesgo de error tipo I (falsas alarmas). para el caso de límites de control a 3-sigmas y a 0. Para la frecuencia de muestreo.001 se utilizan en países europeos. la práctica industrial sugiere tomar muestras pequeñas frecuentes.025 de probabilidad para límites de control a 0. es a través de la longitud media de racha de la carta de control (ARL).0027 y el ARL0 = 370. Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso. la probabilidad de que un Página 100 . Algunos analistas sugieren el uso de límites preventivos trazados a 2-sigmas de la línea central. 2. Si se toman muestras en intervalos fijos de tiempo en horas (h). Otra forma de determinar la frecuencia de muestreo y el tamaño de muestra. principalmente en producción masiva o cuando existe la posibilidad de que existan muchas causas especiales. Por ejemplo.Fig. si n=5 y la media se corre de 74.14 Límites de control de Shewhart y Europeos Los límites de control a 0. tamaños de muestra grandes permiten detectar pequeñas corridas en la media del proceso como se observa en las curvas características de operación.015mm. ATS  ARLh (2. Para el caso de 3-sigma p=0. entonces aparecerá una falsa alarma cada tiempo promedio de indicación (ATS) en horas. Es decir que si el proceso está en control. Si un punto cae fuera de los límites preventivos. se debe especificar tanto el tamaño de muestra como la frecuencia de muestreo. se genera una falsa alarma cada 370 horas. se generará un punto fuera de control como falsa alarma cada 370 puntos.10) En el ejemplo si se toman muestras cada hora. se utilizan las curvas características de operación. actualmente con las computadoras esto es cada vez más fácil. Tamaño de muestra y frecuencia de muestreo Al diseñar una carta de control. en forma más rápida. Estos límites aumentan la sensibilidad de la carta de control para identificar corrimientos de la media del proceso.9) donde p es la probabilidad de que un punto exceda los límites de control.001.

Las muestras se toman de manera más frecuente a la ocurrencia de cambios en el proceso registrados en bitácoras (cambio de turno.11 y el ATS = 1. El tiempo en que se tomen las muestras es una buena base para formar subgrupos. Análisis de patrones en cartas de control Una carta de control indicará una condición fuera de control cuando uno o más puntos caigan más allá de los límites de control o cuando los puntos graficados formen un patrón no aleatorio de comportamiento. etc. dado que existe homogeneidad. Por lo anterior se recomienda tomar productos consecutivos de producción para formar la muestra (cuyo tamaño puede ser entre 4 y 6).9 y el ARL 1 = 1.11 h. el ATS = 2 h. ajustes.50. Si el muestreo se hace cada hora. En resumen las dos alternativas siguientes dan un resultado similar: Diseño 1 n=5 Frec. se puede calcular el ARL 1 para una situación fuera de control como sigue: ARL1  1 1  2 p 0 . 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. se podrían tomar muestras más frecuentes por ejemplo cada media hora o incrementar el tamaño de muestra.).punto caiga dentro de los límites de control es aproximadamente 0. lo cual puede ser más aceptable. cambio de materiales. Cada ½ hora Diseño 2 n = 10 Frec. Si n=10. fallas. 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 están presentes causas asignables. minimizando diferencias dentro del subgrupo. por tanto utilizando p=0. con objeto de detectar las causas de situaciones fuera de control. En algunos procesos como los químicos. la diferencia entre los subgrupos sea maximizada.5 Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento. si esto fuera inaceptable.50. cada hora. Página 101 . es suficiente tomar una sola unidad de producto como muestra. de la curva característica de operación se observa que p=0. minimizando la diferencia dentro del subgrupo.

se encuentran las que están por debajo o sobre la media.15 Proceso fuera de control por tendencias o corridas Otro patrón de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones cíclicos.En general una racha o corrida es una secuencia de observaciones del mismo tipo. 2. Siete puntos que se encuentren más allá de 1-sigma de la línea central. Dos de tres puntos consecutivos sobre los límites preventivos a 2-sigma. Catorce puntos en un renglón alternándose arriba y abajo. 2. En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar patrones no aleatorios en las cartas de control: Un punto fuera de los límites de control de 3-sigma. Uno o más puntos cerca de los límites preventivos. Además de las corridas ascendentes o descendentes. Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy baja. se considera que una racha o corrida con una longitud de 8 puntos indica una condición fuera de control. Para reconocer un patrón de comportamiento no sólo se requiere conocer las técnicas estadísticas. Algunas reglas adicionales recomendadas por la industria son: Siete puntos formando una tendencia creciente o decreciente. Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se pueden tener muchas falsas alarmas quitándole efectividad al programa del CEP. ya que permite la mejora continua a través de la reducción de la Página 102 . sino también es necesario tener un conocimiento profundo del proceso. Un patrón no usual o no aleatorio de datos. Quince puntos consecutivos encontrados entre más menos 1-sigma de la línea central (adhesión a la media). Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1sigma o más allá a partir de la línea central.5 IMPLEMENTACIÓN DEL CEP El CEP proporciona un retorno sobre la inversión apreciable cuando se implanta exitosamente. Ocho puntos consecutivos graficados hacia un lado de la línea central. Fig.

El CEP no sirve si se implanta y después no se mantiene. Las cartas de control son una herramienta importante para esta mejora. así como evaluar los avances y comunicarlos a la organización. Los elementos recomendados para un programa de CEP exitoso son: Liderazgo gerencial Un enfoque de grupo de trabajo Educación y entrenamiento de empleados en todos los niveles Énfasis en la mejora continua Un mecanismo para reconocer el éxito y comunicación hacia la organización.variabilidad. Página 103 . lo cual puede motivar a mejorar otros procesos. Para su implantación es necesario el liderazgo gerencia y el trabajo en equipo. ya que la mejora continua debe ser parte de la cultura de la organización.

CARTAS DE CONTROL POR VARIABLES 3. Si x1. y siendo que la probabilidad 1- de que cualquier media muestral caerá entre los límites: Página 104 . LIE MEDIA MEDIA LSE MEDIA Y DESV. Ahora como las medias de las muestras están normalmente distribuidas con  Xi n media =/ .. Por ejemplo temperaturas.2 CARTAS DE CONTROL DE MEDIAS-RANGOS Asumiendo que una característica de calidad está distribuida normalmente con media  y desviación estándar  ambas conocidas.1 Estados posibles de un proceso en control 3. dimensiones. con objeto de evitar o minimizar que se tengan productos fuera de especificaciones y estabilizar los procesos. tiempo..1 INTRODUCCIÓN Una característica que se mide en una escala numérica se denomina una variable. Las X R cartas de control de son ampliamente utilizadas para monitorear la media y la variabilidad de las variables. etc. volumen.. .3. x2. ESTANDAR ESTANDAR EN NIVELES NORMALES REQUERIDA LSE LIE MEDIA CORRIDA MEDIA LSE LIE DESVIACION MAYOR A LA Fig. xn forman una X muestra de tamaño n entonces se puede calcular la media de la muestra . 3.

son los rangos de los diferentes subgrupos. Si se tienen m subgrupos.  Z  / 2 X    Z  / 2  n (3. 5 o 6 normalmente. la gran media se calcula como sigue: m X  X i 1 i m (3.2) Representa la línea central de la carta de medias.. el rango promedio es: m R R i 1 i m (3. se pueden utilizar los rangos de los subgrupos.3) Si R1. Para estimar la  del proceso. En la práctica los límites de control se estiman a partir de 20 o 25 muestras preliminares o subgrupos.1) y   Z  / 2 X    Z  / 2  n Lo anterior será válido aún si la distribución de la población no es normal pero si estable.. para cada uno de los subgrupos el rango es calculado como: R = xmax – xmin (3.. Rm . .. R2. el tamaño de subgrupo es de 4..4) Página 105 .

DESARROLLO DE LA FORMULA PARA LOS LÍMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviación estándar
como sigue:
W=R/

(3.5)

Los parámetros de la distribución de W son función de n. La media de W es d2.
Por tanto un estimador de  es R / d2 , donde d2 está tabulado para diferentes
valores de n, de esta forma si
muestras, usando:



R

es el rango promedio de las primeras

R
d2
(3.6)

Los límites de control de la carta de medias son:

LSC  X 

3R
d2 n
Límite superior de control (LSC)

LIC  X 

3R
d2 n
Límite inferior de control (LIC)

(3.7)

X

Línea central (LC)

A2 
Si de define a

LSC =

LIC =

X
X

3R
d2 n
se tienen las ecuaciones siguientes:

+ A2

- A2

R

(3.8)

R

El valor de A2 se encuentra tabulado en una tabla de constantes.

R

Para el caso de los rangos, la línea central es . El estimador para R puede
hallarse de la distribución del rango relativo W = R / , si la desviación
estándar de W es d3 en función de n, se tiene:

Página 106

R=W
La desviación estándar de R es:
R = d3 

(3.9)

Como  es desconocida, se puede estimar de  =

 R  d3

R

/ d2, resultando:

R
d2
(3.10)

De esta forma los límites de control para el rango son:

LSC =
(3.11)

R

R

R

R
+3

R

=

d3

R

d3
+3

R
d2

R
d2
=

R

d3
d2
[ 1+ 3

d3
d2

R

] = D4

R

R

LIC =
-3
= -3
= [ 1- 3
] = D3
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en función de n
para facilitar el cálculo de los límites de control como sigue:
Tabla 3.1 Constantes para límites de control en cartas X-R

n

A2

D3

D4

d2

2
3
4
5
6
7
8
9
10

1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308

0
0
0
0
0
0.076
0.136
0.184
0.223

3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777

1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078

Para valores pequeños 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 método del
rango a la S2 se muestra abajo:
n

Eficiencia
Relativa

1.000
0.992
0.975
0.955
0.930
0.850

Página 107

Para n >= 10 el rango pierde eficiencia rápidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeños de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza
la desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe
tener habilidad para realizar la medición con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a través de una carta de control,
es muy importante llevar una bitácora registrando todos los cambios (tiempo y
descripción) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de máquina, interrupción de energía, arranque de máquina,
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 límites de control preliminares para determinar si el proceso estuvo
en control (ver procedimiento de Gráficas de Control). Para probar esta
hipótesis, se analizan todos los puntos graficados y se hace un análisis para
identificar si hay puntos fuera de los límites de control o patrones anormales de
comportamiento, si así fuera, los límites de control preliminares se pueden
utilizar para el control futuro del proceso.
Si no se prueba la hipótesis de que el proceso está en control, por algún patrón
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 patrón de anormalidad y se re-calculan o revisan
los límites 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
límites de control más 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
determinación de los límites de control revisados para el control futuro del
proceso.

Interpretación de cartas de control

X R

Se debe iniciar con la interpretación de la carta R, identificando causas

X

especiales y después analizar la carta
. Además de la situación de un punto
fuera de control, se tienen otros patrones de anormalidad como los siguientes:
Patrones cíclicos: Puede ser ocasionado por cambios ambientales, fatiga del
operador, o fluctuaciones en las presiones u otras variables del proceso.

Página 108

LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los límites de control, con muy pocos puntos cerca de la línea 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.

Página 109

LSC
LC
LIC
Fig. 3.3 Patrón de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio
en métodos, operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
Fig. 3.4 Patrón de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioración
gradual de herramientas u otro componente crítico del proceso, en los procesos
químicos puede deberse a la separación de algún componente.
LSC
LC
LIC
Fig. 3.5 Patrón de anormalidad de tendencia ascendente
Estratificación: Se muestra como una adhesión a la media, puede ser causado
por límites mal calculados, tomar piezas de procesos diferentes o falta de
resolución del equipo de medición.
LSC
LC
LIC
Fig. 3.6 Patrón de anormalidad de “estratificación”
Por lo general la carta R es más sensible a cambios en la normalidad de los
procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
En resumen los patrones de anormalidad más comunes son:
Un punto fuera de los límites de control
Siete puntos formando una tendencia ascendente o descendente
Dos de tres puntos a más de dos sigma de la línea central en el mismo lado

Página 110

Cuatro de cinco puntos a más de una sigma de la línea central del mismo lado.
Siete puntos en secuencia sobre o bajo la línea central
Catorce puntos alternándose arriba y debajo de la media
Quince puntos dentro de una sigma de la línea central en ambos lados
Cualquier otro patrón de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automóvil, se desea
establecer un control estadístico para el diámetro interno de los anillos, a
través de una carta de medias-rangos. Se toman 25 subgrupos de 5 piezas
cada uno.

X

El análisis se inicia con la carta R ya que los límites para la carta
dependen
de la variabilidad del proceso, y a menos que esta variabilidad se encuentre en
control, esos límites tendrán poco significado.
De las cartas de control se calcula un rango promedio
tabla de constantes para D3 y D4 con n=5):

R

LICR =

de 0.023mm (ver

D3 = 0.023 (0) = 0

R

LSCR =

R

D4 = 0.023 (2.115) = 0.049

Si la carta de control para R se encuentra en control estadístico, se puede

X

X

ahora calcular los límites para la carta
donde la línea central
(ver tabla de constantes para obtener el valor de A 2 con n=5).

LSC =
LIC =

X
X

+ A2
- A2

R

R

es 74.001

= 74.001 + (0.577) (0.0023) = 74.014

= 74.001 - (0.577) (0.0023) = 73.988

X

Si no se observan condiciones fuera de control en la carta
. Si ambas
cartas están en control, se puede concluir que el proceso está en control y se
pueden adoptar los límites actuales para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensión crítica de una parte, con el
proceso corriendo normalmente, en 25 subgrupos de tamaño n=5, uno cada
hora:

X11

X12

X13

X14

X15

Media
s

138.1
149.3

110.8
142.1

138.7
105.0

137.4
134.0

125.4
92.3

130.1
124.5

Página 111

Rango Desv.
s
Est.
27.9
57.0

12.1
24.7

5 108.8 16.1 Los cálculos y gráficas se hicieron utilizando el paquete MINITAB y se muestran a continuación.6 119.88 130 120 110 LCL=107.0 42.1 139.1 126.5 133.7 129.0 112.1 17.2 32.7 20.9 165.8 139.2 3.1 46.7 136.2 38.8 112.7 132. Las cartas de control quedan como sigue: Xbar-R Chart of X11.4 135.5 126.2 55.1 127.9 127.0 53.0 33.1 145. .8 50.2 142.9 118.1 123.3 97.1 138..0 118.3 15.2 128.3 124.4 127.6 101.86 40 20 0 LCL=0 1 3 5 7 9 11 Sample 13 Fig.9 23.1 151.6 116.4 143.8 117.0 138.3 145.8 135.4 151.2 102.2 130.2 150.7 127.2 113.9 145.5 130.6 121.4 147.3 105.2 101.2 117.7 43.1 30.8 119.3 150.2 115.4 12.40 Sample Range 80 60 _ R=40.6 146.2 11.0 154.45 Sample Mean 150 140 __ X=130. X15 UCL=154.4 132.4 138.0 122.8 120.1 173.6 42.115.6 117.6 23. 3.8 120.1 151.8 124.4 100.1 154.7 40.0 139.0 36.7 14.5 165.0 114.5 123.6 127.3 151.31 1 3 5 7 9 11 Sample 13 15 17 19 UCL=86.4 113.5 123.6 128.6 117.9 129.2 125.5 21.6 39.4 144..5 161.9 109.4 135.6 134.3 143.7 152.2 147.0 47.5 131.3 140.8 141.2 12.4 39.3 105.2 16.0 9.7 123.7 149.6 125.2 130.7 17.0 150.1 135.0 84.5 154.7 Cartas de control iniciales Página 112 15 17 19 .4 110.6 142.6 110.5 139.9 15..2 16.9 160.0 135.1 130.0 148.0 20.1 111.9 17.9 53.4 149.7 138.6 155.

47 1 1 1 4 7 10 13 16 Sample 19 22 25 28 UCL=90.2 186.98 26.3 37.3 166.7 15.8 23.9 180.9 157.5 184.02 44.6 143.0 127.0 40 20 0 LCL=0 1 4 7 10 13 16 Sample 19 22 25 28 Fig.5 154. Est.5943 157.1 118.8 194.0461 154.0 175.9 17.3454 172.6 123.8 Cartas de control con 10 puntos adicionales del proceso Suponiendo que se identificaron las causas asignables responsables de los puntos fuera de control identificados en la carta de medias y que se hicieron ajustes al proceso para corregirlo.3 179.9 9.1 191.9 116.78 53 21. se continúa corriendo el proceso para otros 10 datos con el comportamiento siguiente: X11 X12 X13 X14 X15 Medias Rangos Desv.04 165 __ X=144.2 180.1 174.2 169.4 167.9 Página 113 .7 174.5 143.0 184.2801 181.8 143.9 Sample Range 80 60 _ R=43.2797 167.4 91..222 186.6 166.1 9.El proceso se observa en control estadístico.3 174. 3.1516 162..2 168.9 167.9693 216. ..2 121.86 44.0 143.82 81.1 47. X15 1 Sample Mean 180 1 1 1 1 1 UCL=169.7 52.8798 178.7 203.5 171. con estos límites de control calculados.32 60.72 24.2 175.8 170.2 155.2 143.8 168.8 33.3 212.4 18.9 111.4 159.7 142.26 150 135 120 LCL=119. 131.3 179. se tomaron otros diez datos con los resultados siguientes: X11 X12 X13 X14 X15 Medias Rangos 131.6 39.1 142.9 156.2 185.4 174.2 157.18 51 18.4 196.5 103.4 150.3 193.6 132.3 17.7 169.5062 Xbar-R Chart of X11.9 177.2 161.2 149.3 182.8 170.3 110.4 202.8 182.

9 135.95 100 1 4 7 10 13 16 Sample 19 22 25 28 Sample Range 100 UCL=95. .3 Las cartas de control quedan como sigue: Xbar-R Chart of X11.0 127.8 64.1 131.1 108.3 132.6 85.2 96.0 52..1 99.2 70.9 Cartas de control con causas identificadas y eliminadas de puntos anormales Ejemplo 3.18 140 __ X=127.5 114.4 119..0 156.7 72.5 110. 3.5 41.7 61.8 107.4 98.0 177.6 107.4 105.4 109.7 46.1 122.0 68.2 120.1 112.7 106. X15 160 Sample Mean UCL=153.9 126.8 122.6 153.0 106.8 83.8 111.129. procesados con el paquete Minitab: HORA X1 X2 X3 X4 X5 Medias Rangos 1 2 3 4 5 6 7 8 9 -30 0 -50 -10 20 0 0 70 0 50 50 10 -10 -40 0 0 -30 0 -20 -60 20 30 50 40 20 30 20 10 -20 30 -20 20 -40 -20 -10 -20 30 30 20 50 10 20 -10 0 10 8 0 6 8 12 4 -2 12 2 80 110 80 70 90 80 40 100 40 Página 114 .7 75 _ R=45..0 86.3 50 25 0 LCL=0 1 4 7 10 13 16 Sample 19 22 25 28 Fig.2 127.8 145.3 Se considera otro ejemplo con los datos individuales siguientes.2 145.2 121.6 117.3 148.6 125.06 120 LCL=100.7 127.1 35.5 137.7 134.4 84.2 125.1 116.0 133.2 114.1 129.9 123.

10 11 12 13 14 15 16 17 18 19 20 10 40 30 30 30 10 0 20 10 50 50 20 0 20 -30 -10 -10 0 20 -20 -10 0 30 20 30 0 50 50 30 30 50 40 0 10 0 10 10 -10 40 -10 30 30 20 30 50 20 40 10 -30 0 0 -20 10 0 10 24 16 26 4 6 18 4 16 16 20 18 40 40 30 60 80 60 40 50 70 60 50 Las cartas de control quedan como sigue: Xbar-R Chart of X1. ..73 1 3 5 7 9 11 Sample 13 15 17 19 150 Sample Range UCL=134.. X5 UCL=47.10 Cartas de control iniciales Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso normal: Página 115 .9 0 -20 LCL=-25.53 Sample Mean 40 20 __ X=10..5 50 0 LCL=0 1 3 5 7 9 11 Sample 13 15 17 19 Fig.3 100 _ R=63. 3.

se deduce que el proceso está en Control Estadístico (en ambos casos el P value es mayor a 0.11 a y b Prueba de normalidad en medias y rangos de un proceso estable Probability Plot of Rangos Normal 99 Mean StDev N AD P-Value 95 90 63.065 20 0.9 8.05).54 20 0.425 Percent 80 70 60 50 40 30 20 10 5 1 -10 0 10 Medias 20 30 Fig.Probability Plot of Medias Normal 99 Mean StDev N AD P-Value 95 90 10. Página 116 .210 Percent 80 70 60 50 40 30 20 10 5 1 0 20 40 60 Rangos 80 100 120 e Por las pruebas de normalidad de rangos y medias. 3.355 0.5 22.478 0.

con n = 5.Ejemplo 3. la línea central es para el rango son: R LSC = 2. donde el rango se calcula tomando el valor mayor menos el valor menor del subgrupo. Página 117 . 3 4 Se obtiene una media de medias X y un rango promedio R.577x R Para el caso de los rangos.m.0. Por ejemplo: Variable s X1 X2 X3 X4 X5 Media Rango Subgrup o1 2 4 3 5 1 09:00 a. 3 4 Subgrup o2 5 3 6 7 4 10:00 a. 5 4 Subgrup om 3 4 1 5 2 11:00 a.114x LIC = 0 R los límites de control Se identifican situaciones fuera de control. se investigan las causas y se toman acciones preventivas para prevenir la reincidencia y se recalculan los límites de control futuros.m. inicialmente se toman al menos 25 subgrupos con muestras de cinco partes cada cierto periodo (por ejemplo cada hora).m.4 Para elaborar la carta. para proceder a determinar los límites de control como sigue: LSC = X + 0.577x R X LIC = . Se toman varios datos de hilos y se construye una carta de medias – rangos con m = subgrupos.

247 Sample Mean 602 601 _ _ X=599. Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.003 4 2 0 LCL=0 2 4 6 8 10 Sample 12 14 16 18 Figura 3. se eliminan los subgrupos fuera de control y se recalculan los límites de control.938 600 599 598 LCL=597.12 Carta de control X-R fuera de control Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia.465 Sample Range 8 6 _ R=4.629 2 4 6 8 10 Sample 12 14 16 18 UCL=8.Figura 3. Página 118 .13 Carta de control de medias rangos X-R estable . Xbar-R Chart of Supp2 UCL=602.

E.06 2. OPERACIÓN FECHA DE INICIO 2 2 L.S. de no es posible llame a su causa del comportamiento.I.E.33 2.: CPK: 0.S. así como las bitácora (al reverso de la del comportamiento en la 3. DE PARTE GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS 1 CAUSAS DE NO FECHA LECTURAS x UNIDADES NOMBRE DE PARTE HORA Página 119 .58 2. R FRECUENCIA 4 7 R MUESTRA 4 6 L.73 2.88 3. si es que de graficar de acuerdo a la causas por las cuales se deja subgrupo correspondiente.C.C.I. ÁREA No. comportamiento ( puntos fuera patrones anormales de 1. adhesiones.S. R TIPO DE EVALUACIÓN 5 8 L.09 2.70 2.C.13 3. de los límites de control. Utilice frecuencia indicada.C. justo abajo del 4.27 1. propuestas para corregir la acciones realizadas o gráfica)..x CALIBRADOR 3 5 L..PROMEDIOS RANGOS R INICIALES SUMA R X 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 INSTRUCCIONES % Z Inf. las renglón. supervisor o Ing.11 0.Investigue y corrija la tendencias.57 0 0 0 0 D3 B4 2.I.x CARACTERÍSTICA 3 4 X MAQUINA FECHA DE TERMINO 2 3 L. DE GRAFICA n 1 NOMINAL No. etc).: Cp.27 A2 F) Otro (indicar) E) Fin de turno D) Cambio de modelo 0 0 0 0 B3 C) Ajuste de línea / máquina B) Falta de material producción A) Fin de corrida de las siguientes claves: se presentan el caso.57 1. Si 2.02 2. : 5 9 L..Indique en el último falla..28 1.Encierre en un círculo los % NC: % Z Sup.Registre la (s) causa (s) Manufactura.27 d2 CONSTANTES D4 1.

12) 74.95 0.0307 .001 + 3 (0.0500 Los límites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS) se encuentran a 3-sigma del proceso por abajo y por arriba de la media del proceso.) R d2 0.001 . Otra forma de expresar lo anterior es con el índice de habilidad potencial Cp (o PCR) siendo: Cp = LSE  LIE 6 (3.0099 Donde el valor de d2 se encuentra en las tablas de constantes para una n=5.326 = = = 0.0099) = 74.05 mm.0099) = 73.05984 Cp = Página 120 .Capacidad o habilidad del proceso Una vez que se tiene un proceso en control estadístico. se puede estimar su capacidad o habilidad.023 2. Ejemplo 3.68 6(0. tomando como referencia la desviación estándar del proceso estimada . por tanto en principio no se observa que haya partes fuera de especificaciones.9713 LIE LTNI MEDIA LTNS LSE Fig. 3.000  0.10   1.3 = 74.3 (0. se tienen como límites inferior y superior de especificaciones los siguientes: LIE = 73.0099) 0.3 (continuación. o sea en: LTNS = LTNI = X X + 3 = 74.950 LSE = 74. Si la especificación de los anillos de pistones es de 74..14 Localización de Límites de especificaciones y naturales Se observa que los límites de tolerancia naturales del proceso se encuentran dentro de los límites de especificación.05  73.

LTNI LIE LSE LTNS Caso 2. LIE LNTI LSE LNTS Caso 3. Página 121 . Si Cp es mayor que 1. implica que la banda entre los límites de tolerancia natural del proceso.Se pueden presentar tres casos: Caso 1. Si Cp es menor que 1. Si Cp es igual a 1. es menor que la banda permitida por las especificaciones. implica que la banda entre los límites de tolerancia naturales es mayor que la banda permitida por los límites de especificación. implica que las bandas para los límites de tolerancia natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun hayan 2700 ppm fuera de especificaciones).

950  74.001 }  73.68) 100% = 59. con ayuda de la distribución normal.04)   0 + 1 – 0.950 } + P { x > 74.002% o 20 partes por millón (ppm) de los anillos producidos estarán fuera de especificaciones.001   74.001      0. Página 122 .050  74.0099      = =  (-5.15) + 1 . Se puede estimar la fracción de anillos no conformes producidos. (4.00002 Por lo anterior alrededor de 0.13) CR = (1 / 1. como sigue: p = P { x < 73.0099 0.2% Es decir que el proceso utiliza aproximadamente el 60% de la banda especificada.LIE LTNI LTNS LSE La fracción de la banda de las especificaciones utilizada por el proceso se estima como sigue: CR = (1 / Cp) 100% (3.99998 0.

13 120 140 160 Exp. 3.72 Overall Capability Pp PPL PPU Ppk Cpm 60 Observed Performance PPM < LSL 26666.. después de haber eliminado las causas especiales y tomado acciones para prevenir su recurrencia.2 Página 123 180 0.82 Cpk 0.. .).42 PPM > USL 6888.67 Fig.67 PPM Total 33333.70 * .10 PPM > USL 7991. Within Performance PPM < LSL 15338.70 0.8965 Potential (Within) Capability Cp 0. se tiene el cálculo de habilidad como sigue (considerando que los límites de especificación son 85 y 175): Process Capability of X11.57 PPM Total 25244. X15 LSL USL Within Overall Process Data LSL 85 Target * USL 175 Sample Mean 127.15 Capacidad de proceso del ejemplo 3. Para la carta de control de las medias.2 (continuación.063 Sample N 150 StDev(Within) 19...67 PPM > USL 6666.72 CPU 0. Overall Performance PPM < LSL 17253.75 0.80 0.71 PPM Total 22227.77 CPL 0.4626 StDev(Overall) 19.33 80 100 Exp.Ejemplo 3..

50 o 100 puntos dependiendo del proceso en particular..16 Capacidad de proceso del ejemplo 3. . una vez estable (considerando que los límites de especificación son -80 y +80): Process Capability of X1.3 Para el cálculo de otros índices que toman en cuenta la posición de la media.22 PPM Total 3240.82 PPM Total 6119.59 0 30 1. Overall Performance PPM < LSL 157. deben ser revisados en forma periódica que puede ser por semana..59 Fig.00 PPM > USL 0.00 PPM Total 0.38 PPM > USL 3083.3. X En cada carta de control o R es necesario identificar las causas especiales que originen condiciones fuera de control. tomar acciones correctivas para prevenir su reincidencia.98 CPL 1.91 * 60 Exp. Para las cartas X-R se tiene el cálculo de la capacidad o habilidad del proceso. eliminar esos puntos tanto en la carta Página 124 X como en la . Within Performance PPM < LSL 434. revisar el capítulo de capacidad del proceso o el procedimiento de cartas X –R. Lo recomendable en cada revisión es tomar las acciones necesarias para que la X media del proceso se acerque cada vez más a la media de las especificaciones (en caso de ser bilaterales) o se aleje lo más posible de la especificación (en caso de ser unilateral). 3.2301 Potential (Within) Capability Cp 0.20 0. mes o cada 25.91 0.84 Cpk 0. X5 LSL USL Within Overall Process Data LSL -80 Target * USL 80 Sample Mean 10..06 1.76 PPM > USL 5684.84 Overall Capability Pp PPL PPU Ppk Cpm -60 Observed Performance PPM < LSL 0.11 CPU 0.00 -30 Exp.Ejemplo 3.3001 StDev(Overall) 25. REVISIÓN O RE-CÁLCULO DE LA LÍNEA CENTRAL Y LÍMITES DE CONTROL Los límites de control calculados como límites preliminares.9 Sample N 100 StDev(Within) 27.

Los límites de control se pueden recalcular sin tomar muestras adicionales como sigue: R ant  rango promedio para el tamaño de subgrupo anterior R nuevo  rango promedio para el tamaño de subgrupo nuevo nant = tamaño de subgrupo anterior nnuevo = tamaño de subgrupo nuevo d2 ant = factor d2 para el tamaño de subgrupo anterior d2 nuevo = factor d2 para el tamaño de subgrupo nuevo X Los nuevos límites de control para la carta son (seleccionando A2 en base al nuevo tamaño de subgrupo nnueva . LÍMITES DE CONTROL. la línea central no se cambia): LSCX = LICX = X X R ant + A2 [d2 nuevo / d2 ant ] (3.A2 [d2 nuevo / d2 ant ] Para el caso de la carta R los nuevos límites de control son (seleccionando D 3 y D4 para el nuevo tamaño de muestra nnueva): R ant LSCR = D4 [d2 nuevo / d2 ant ] (3.15) Página 125 . X De esta forma la carta monitorea la variabilidad entre subgrupos respecto al tiempo y la carta R monitorea la variabilidad interna entre muestras en un tiempo dado. Los límites de especificación son establecidos externamente al proceso por ingenieros de manufactura. para usarse en el control futuro del proceso. los subgrupos se seleccionan de tal forma de minimizar la variabilidad entre muestras individuales. el cliente o por los diseñadores del producto. SUBGRUPOS RACIONALES Para el caso de la carta de medias-rangos.14) R ant . observando sólo su variabilidad aleatoria y maximizando la posibilidad de detectar corridas en la media del proceso en función del tiempo. es posible reducir el esfuerzo y costo de control a través de reducir el tamaño de muestra.carta R y recalcular los límites de control. CAMBIO DE TAMAÑO DE MUESTRA Cuando el proceso ya mostró estabilidad durante un periodo largo de tiempo. DE ESPECIFICACIÓN Y DE TOLERANCIA NATURAL Es importante hacer notar que no existe ninguna relación matemática entre los límites de especificación y los de control o los de tolerancia natural.

023) = 73.023) [ 1.001 .326 ] (0.NVO LIMITES ANTERIORES CARTA X LIM.693. de la tabla de constantes para n=3 se tiene D 3 = 0.INF.578) ) [ 1.023. 3.023) = 0.693 / 2.1 de trabajo se quisiera cambiar de n=5 a n=3. ANT.17 Revisión de límites de control cambiando de n=5 a 3 Como se puede observar el efecto de reducir el tamaño de muestra hace que  n se incremente el ancho de los límites de control en la carta X (porque es más pequeño con n=5 que con n=3) y se reduzca la media de R y su límite superior en la carta R.LCR = R nuevo  R ant [d2 nuevo / d2 ant ] R ant LICR = max { 0.693 / 2.018 LICX = 74. = 2.SUP. D4 = 2. por tanto los límites nuevos son: LSCX = 74.(1.023) [ 1.326 ] (0. d2 nueva = 1.043 LICR = (0) ) [ 1. D3 [d2 nuevo / d2 ant ] } Si en Ejemplo 3.984 Para la carta R.001 + (1. LIMITE SUP.578.023) = 0.326 ] (0. por tanto: LSCR = (2.693 / 2. CARTA R 0 Fig.693 / 2.0 LCR = [ 1. se tendría: De la tabla de constantes se tiene: d2 ant.326 ] (0. La curva característica de operación Página 126 .017 LIM.023) = 0.023) = 74. LIMITE SUP.326 ] (0.326.NVO.NVO. A2 nueva = 1.693 / 2.

cuando la media del proceso 0 cambia a otro valor 1 = 0 + k . 2/n) y que los límites de control son: n LSC = 0 + L / (3.X R La habilidad de las cartas de control para detectar corrimientos en la media del proceso es indicada por su curva característica de operación (OC). Su determinación se muestra a continuación.17) n LIC = 0 . es igual a la probabilidad de que el punto se encuentre abajo del límite superior (LSC) menos la probabilidad de que se encuentre abajo del límite inferior de control (LIC). x) LIC - Fig.18 Cálculo del error Beta o tipo II  LSC  (  0  k )   / n    Entonces  =  LIC  (  0  k )   / n    -   0  L  / n  (  0  k )   / n     0  L  / n  (  0  k )   / n    =  - Página 127 (3.18) . 3.L / X La probabilidad de que un punto de i caiga dentro de límites de control sabiendo que la media del proceso ya es 1. donde:  = P { LIC <= X <= LSC  1 = 0 + k  } (3. x) Xi LC  ( ZLIC. Considerando la desviación Estándar de las medias. o sea: + LSC  ( ZLSC.16) dado que X  N (. X Si en la carta para se conoce la desviación estándar del proceso  y es constante. la probabilidad de no detectar el cambio en la primera muestra subsecuente es el riesgo .

se denomina ARL o : 1 1  ARL = (3. en la primera muestra después del corrimiento. de las curvas OC se tiene que  = 0. Por tanto la carta R Página 128 .Donde  es la distribución normal acumulativa. y se desea determinar el corrimiento a 1 = 0 + 2  en la primera muestra subsecuente al corrimiento de la media del proceso. entonces la curva OC muestra la probabilidad de no detectar un corrimiento a un nuevo valor 1.19. se utiliza la distribución del rango relativo W=R/.) = 0. Por ejemplo si  = 2 con n=5. donde 1>0 . Con las fórmulas anteriores se construyen las curvas características de operación  para diferentes valores de n en función de k. y así sucesivamente.75 y la probabilidad de detectar el corrimiento en la segunda muestra se calcula como (1.0708 = 0. (-7.25 = 4.19) n )-(-L–k ) X R Ejemplo 3. Para construir la curva OC para la carta de rangos. sólo se tienen una probabilidad del 40% de detectar este corrimiento en cada muestra subsecuente. Se grafica  contra = 1/0. = = 1 – 0. Si el valor de la desviación estándar cuando el proceso está en control es 0.0708 5 ) Este es el riesgo  o la probabilidad de no detectar tal corrimiento.9292. La probabilidad de sí detectarlo es 1. Si n=5 y el corrimiento es de +1. se tiene: 5 =(3–2 )-(-3–2 =  (-1. La expresión anterior se reduce a: n =(L–k (3. Es decir que el se requieren tomar cuatro muestras antes de detectar un corrimiento de 1.37) = 0.0 con n = 5.4 Para una carta con L=3 (límites a 3-sigma de medias). La longitud de la corrida media es el número esperado de muestras antes de que el corrimiento sea detectado. tamaño de muestra n=5.20) En este caso ARL = 1 / 0.47) .

Se puede reducir el ARL 1 a 1 si se incrementa la n=16. se requiere un ARL1 = 3. El tamaño de muestra es variable. ) (3. LONGITUD DE CORRIDA MEDIA La longitud de corrida media para la carta de Shewhart cuando el proceso está en control es: ARL = 1 / P ( un punto fuera de control) = ARL 0 = 1 /  (3. excepto que en lugar del rango R en cada subgrupo se calcula la desviación estándar S. para cual se debe usar la carta S con n>10.5 con n=3. Su construcción es similar a la de la carta de medias-rangos. Página 129 .21) Cuando el proceso está fuera de control es: ARL1 = 1 / ( 1 .22) De las gráficas de ARL anexas. se observa que para detectar un corrimiento de 1. 3.tiene poca sensibilidad de detectar pequeños corrimientos en sigma.3 CARTAS DE CONTROL PARA X yS Estas cartas de control son recomendadas cuando: El tamaño de muestra es moderadamente grande n>10 o 12 (donde el rango pierde eficiencia por no tomar en cuenta valores intermedios).

A Página 130 .. . X5 UCL=46.Xbar-S Chart of X1.71 45 30 _ S=25.91 Sample Mean 40 20 __ X=10.11 1 3 5 7 9 11 Sample 13 15 17 19 60 Sample StDev UCL=52. Además  1  c4 la desviación estándar de S es  2  c4     n 1 1/ 2 .9 0 -20 LCL=-25.20) LCs = c 4 = B6  LSCX =  + A LC =   1  c4 LICs = c4 .3 = B5  LICX =  . (n / 2) (( n  1) / 2) (3. entonces S estima a c4 donde c4 es una constante que depende del tamaño de muestra n. Para la carta S se tiene: Para la carta X se tiene:  1  c4 LSCs = c4 + 3 (3.23 15 0 LCL=0 1 3 5 7 9 11 Sample 13 15 17 19 Figura 3. Si la distribución es normal.18) CASO DE n CONSTANTE Con esta información se pueden establecer los límites de control para la carta X y S... cuando se conoce el valor de  dado que existe un historial.19 Ejemplo de carta X-S S2 es un estimador insesgado de la varianza poblacional 2 sin embargo S no es un estimador insesgado de .

los parámetros de la carta serán los siguientes: S 3 S 1  c 42 c4 LSCs = S = B4 (3. cuando control para esta carta son: /c4 se una para estimar  los límites de Página 131 .Los valores para las constantes se encuentran tabuladas para diferentes valores de n en la tabla de constantes. donde se obtenga la desviación estándar en cada una de ellas y se promedien.22) S Como el estadístico /c4 es un estimador insesgado de . se puede estimar utilizando diversas muestras m con datos históricos.21) __  S c4 (3.23) S LCs = S 3 S 1  c 42 c4 LICs = S = B3 X S Para el caso de la carta . En el caso de que no se conozca la desviación estándar de la población. S 1 m  Si m i 1 (3.

448 0.406 0.284 0.9754 0.9776 0.618 1.594 1.975 0.382 0.716 1.633 0.099 1.399 0.965 0.482 0.239 0.585 1. A’s y B’s se encuentran tabuladas en función de n en la tabla de constantes.516 0.68 0.03 0.2 Constantes para límites de control en cartas X-S n c4 A A3 B3 B4 B5 B6 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0.49 1.44 0.97 1.619 0.544 1.276 0.751 1.832 0. CASO DE n VARIABLE En el caso de tamaño de muestra variable.466 0.179 0.313 0.555 0.185 0.534 0.9869 0.477 1.374 0.886 0.552 1.466 1.698 0.029 0.47 1.528 0.707 0.718 0.421 0.817 0.445 1.287 1.061 1 0.51 0.9854 0.559 1.9693 0.64 0.9887 0.534 1.032 0.815 1.75 0.24) LCx = c4 n + = X S + A3 X 3 LICx = S X S c4 n - = X S .342 1.806 1.523 0.6 1.663 0.483 1.9515 0.927 0.949 0.511 1.545 0.346 0.655 0.85 0.9594 0..874 1.9835 0. como sigue: Tabla 3.539 0.669 1.728 0.3 X LSCx = (3.448 1.679 1.763 0.775 0.A3 Todas las constantes c4.671 0.429 1.637 1.496 1.9823 0.626 0.497 0.9727 0.905 0.435 0 0.964 1.518 1.503 1.9896 1.9892 0.9862 0.118 0.321 0.458 0.9882 0.882 1.113 0.866 0.61 1.707 1.459 1.225 1.981 0.802 0.475 0.438 1.565 2.427 1.789 0.739 0.354 0.563 1.182 1.647 0.646 1. se utiliza el promedio ponderado de las medias y de las desviaciones estándar como sigue: Página 132 .455 1.232 0.9794 0.9876 0.428 0.94 0.612 0.761 1.134 1.49 0.9845 0.504 0.42 .549 0.688 0.526 1.089 1.606 0 0.572 1.

021 3 73.005 73.007 5 73.13 Muestra 21 21 21 22 22 22 22 22 23 23 23 23 23 24 24 24 24 24 25 25 25 25 25 .984 73.998 11 74.002 74.998 8 73.990 74.014 74.003 74.024 3 74.018 73.999 73.994 74.996 74.008 9 74.017 74.004 73.994 11 74.993 74.002 3 73.002 4 74.015 8 74.995 9 73.997 5 6 6 6 74.996 74.005 73.015 4 73. corriendo en Minitab: Muestr Muestr Datos a Datos a Datos 74.006 74.008 73.005 9 73.009 74.990 11 74.4 Para una carta X-S con límites siguientes.001 2 73.992 2 74.009 4 73.000 10 73.989 73.25) i 1/ 2   1) S  2 i   m    ni  m i 1   Ejemplo 3.992 1 73.010 74.009 74.998 10 73.993 4 73.985 8 74.995 2 73.000 73.993 8 74.26) variables.000 74. se tomaron los datos Muestra 14 14 14 15 15 15 16 16 16 16 16 17 17 17 17 18 18 18 18 18 19 19 19 19 19 20 Página 133 Datos 74.019 1 74.995 11 74.982 73.998 3 74.009 73.996 4 73.000 74.014 73.004 12 73.994 73.003 74.997 74.m n X i X  i i 1 m n i i 1   (n  S  (3.992 5 73.983 12 12 12 13 74.012 74.005 73.998 74.998 73.014 74.996 73.984 73.000 (3.000 7 73.009 9 74.998 5 74.990 10 74.006 74.012 74.008 1 74.995 10 74.984 73.990 74.005 3 74.000 74.007 10 73.009 74.010 73.030 1 74.003 8 73.994 74.002 1 73.986 73.005 74.015 74.015 5 74.000 12 74.000 74.984 73.994 11 74.995 74.007 74.010 73.

010 74.00 73.994 6 7 7 7 74. 3.01 __ X=74.006 0.024 UCL=0.20 Ejemplo de carta X-S con límites variables Página 134 19 21 23 25 .998 74.012 _ S=0.985 73.99 LCL=73.98 1 3 5 7 9 11 13 Sample 15 17 19 21 23 25 Sample StDev 0.0009 74.000 LCL=0 1 3 5 7 9 11 13 Sample 15 17 Tests performed with unequal sample sizes Fig.002 73.967 13 13 14 14 74.995 74.02 74.013 73.001 20 20 21 21 Xbar-S Chart of Datos UCL=74.998 74.006 73.018 0.02403 0.00736 0.02046 Sample Mean 74.006 73.98134 73.73.

015 LCX = 74.Ejemplo 3.94 = 0. Página 135 .001 LICX = 73.01. Existe una variante de las cartas de medias-desviación estándar denominadas cartas de medias-varianza. la tanto los límites de control son: X S = 74.0098 LICS = 0 n Como método alterno para n variable se puede utilizar la si no hay mucha n variación entre los diferentes tamaños de muestra (dentro de  25%).5 Otro ejemplo con n variable.020 LCS = 0. ESTIMACIÓN DE  El valor de la desviación estándar  puede ser estimado del valor de sigue:  S como S c4 Para el ejemplo:  S c4 = 0. tomando el valor de c 4 para n=5.0098.987 Para la carta S LSCS = 0. por LSCX = 74.001 y la = 0.0094 / 0.

En tales situaciones se utiliza la carta de control por lecturas individuales.3.46 34. Para este caso.4 CARTAS PARA LECTURAS INDIVIDUALES Existen muchas situaciones donde el tamaño de muestra es n =1. por ejemplo: Cuando hay inspección automática de piezas individuales. Las mediciones entre unidades muestra difieren muy poco (sólo por errores de medición de laboratorio) como en procesos químicos.27 Página 136 . Lote 1 2 3 4 5 6 7 8 Viscocida d 33.68 33. donde el rango se calcula tomando cada dos valores consecutivos. En plantas de proceso como las de papel. Los rangos móviles se empiezan a calcular a partir de la segunda muestra como MR i X i  X i 1 = .81 33. La tasa de producción es muy baja y no es inconveniente tomar muestras de más de una pieza.00 33. los límites de control para la carta X son: X 3 MR d2 LSCx = __ LCx = X (3. por tanto el valor de n = 2 y habrá (m – 1) rangos en total.02 33.6 Se toman varios datos de viscosidades y se construye una carta de lecturas individuales.75 33.05 34. el espesor de los acabados tiene una variabilidad muy baja a través del rollo.27) X 3 MR d2 LICx = n=2 Ejemplo 3. Con m = número de subgrupos.

00 33.7: Se toman varios datos de edades y se construye una carta de lecturas individuales.245 1 2 3 4 5 6 7 8 9 Observation 10 11 12 13 14 15 Moving Range 1.4 0. Con m = número de valores individuales.5 33.49 33. donde el rango se calcula tomando cada dos valores consecutivos.481 0.12 33.523 33.2 0.5 LCL=32.0 LCL=0 1 2 3 4 5 6 7 8 9 Observation 10 11 12 13 14 15 Fig.62 33. Página 137 .84 I-MR Chart of Viscocidad I ndividual Value UCL=34.0 32.802 34.571 1.20 33.21 Carta de lecturas individuales o rango móvil (I-MR) El proceso está en control estadístico.9 10 11 12 13 14 15 33. 3.0 _ X=33.8 __ MR=0.54 33. por tanto el valor de n = 2 y habrá (m – 1) rangos en total.6 UCL=1.5 34. Ejemplo 3.

27 * R y para la carta R: I-MR Chart of Supp1 1 1 UCL=601.22 Carta de control I-MR.Por ejemplo: Valores individuales 23 15 11 24 38 19 Rango 8 4 13 14 19 Al final se hace un promedio de los valores individuales X y un promedio de rangos móviles R y los límites de control para la carta I-MR se calculan con las fórmulas siguientes: LSCx  X  (2.920 1 1 10 20 30 40 50 60 Observation 70 80 90 100 1 Moving Range 2.000 1.176 I ndividual Value 601 600 _ X=599.548 599 598 LCL=597.2 __ MR=0.66 * R ) Para la carta I: LICr 0 LICx  X  (2.8 1.0 LCL=0 1 10 20 30 40 50 60 Observation 70 80 90 100 Figura 3.612 0.4 1 UCL=2. Página 138 . Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.6 0. El proceso no está en control estadístico.66 * R ) LSCr 3.

tendencias. la gráfica).E.S. si es que se presentan las cuales se deja de graficar de acuerdo a la del subgrupo correspondiente.67 1.E.Investigue y corrija la causa del adhesiones. las causas por 4. de Manufactura.: CPK: CONSTANTES F) Otro (indicar) E) Fin de turno D) Cambio de modelo C) Ajuste de línea / máquina B) Falta de material A) Fin de corrida de producción el caso.x 15 16 17 L. DE GRAFICA GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES L. etc). INSTRUCCIONES % Z Inf.x 18 19 CARACTERÍSTICA 20 R 21 22 23 24 25 T. OPERACIÓN FECHA DE TERMINO E2 D2 D3 D4 2 ÁREA FECHA DE INICIO X 1 No.13 0 4 X MAQUINA R 3 L.I.: Cp. justo abajo o propuestas para corregir la falla.Encierre en un círculo los patrones % NC: % Z Sup. comportamiento.I.Indique en el último renglón. DE PARTE NOMINAL NOMBRE DE PARTE FECHA VALORES HORA Página 139 . R 27 28 29 30 FRECUENCIA TIPO DE EVALUA. : 3..C.C.C. No. así como las acciones realizadas comportamiento en la bitácora (al reverso de 3.S.. Si no es posible llame a su 2.S. R CALIBRADOR 26 L. Utilice las siguientes claves: frecuencia indicada.RANGOS R INICIALES LECTURAS x UNIDADES 5 6 7 8 9 10 11 12 13 14 L.Registre la (s) causa (s) del supervisor o Ing..I.. MUESTRA L. de los límites de control.C. anormales de comportamiento ( puntos fuera 1.27 2.

la X-R requiere tomar mucho menos unidades aunque las mediciones toman más tiempo. si no cumple alguna de esas características. Las cartas por variables permiten tomar acciones cuando se presentan situaciones fuera de control. cuando el proceso está en control en el valor nominal de 50. Las cartas por variables proporcionan mayor información del proceso que las de atributos. X Ejemplo 3.23 Comparación de sensibilidad entre cartas de control Tal vez la ventaja más importante de la carta X-R es que proporciona un indicador de inicio de problemas y permite al personal operativo tomar acciones correctivas antes que se produzcan defectivos realmente. Por otra parte si esas características se controlan como variables. Esta consideración es importante para el caso de pruebas destructivas. cuando llegue a 2 la carta X-R habrá mostrado un patrón anormal o puntos fuera de control para tomar acciones correctivas. Página 140 .0027. LIE 1 2 Reacción de carta X-R 3 LSE Reacción de carta p Fig. debe llevarse una carta de control para cada una de esas características. la carta p requiere un tamaño de muestra mayor.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS Las cartas por atributos tiene la ventaja que consideran varias características a la vez clasificando la unidad como conforme o no conforme.8 Si el proceso se controla con una carta . tal como la media del proceso y su variabilidad. otra alternativa es el C. mientras que la carta p no reaccionará hasta que la media del proceso se haya recorrido hasta 3. para límites de 3-sigma y especificaciones LIE=44 y LSE=56.E. antes de que se produzcan artículos no conformes. lo que no sucede con las cartas por atributos hasta que el proceso genere más disconformes. multivariado. Por tanto las cartas X-R son más poderosas que las cartas p. si la media del proceso se corre hacia arriba.P. mientras que las cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan más defectivos. la fracción no conforme es 0.3. cuando la media del proceso esta en 1 se producen pocas no conformidades. Para el mismo nivel de protección contra corrimientos del proceso. o hasta que el número de unidades no conformes producidas se haya incrementado. lo cual es más laborioso. donde el valor medio de la característica de calidad es 50 y la desviación estándar es 2. de esta forma las cartas X-R son indicadores guía de falla. En la figura. 3. también proporcionan información para realizar estudios de capacidad de los procesos.

0027 y  es la magnitud de incremento en fracción defectiva o sea  = 0.Suponiendo que la media del proceso del proceso se corre a 52.0175. las carta económica de aplicar. Existen tolerancias muy cerradas u otros problemas de manufactura. El proceso ha estado mostrando un comportamiento inconsistente en forma crónica. la fracción defectiva producida será aproximadamente 0. si se desea que la probabilidad de detectar este corrimiento en la siguiente muestra subsecuente sea del 0. Tomar acciones para mejorar el proceso. Se desea economizar el control cuando el proceso es estable.E. p = 0.0027 = 0. Página 141 . como resultado de la aplicación de la carta de control. entonces el tamaño de muestra en la carta cumpla que el LSC sea 52 o sea: 50  X debe ser tal que se 3( 2)  52 n donde n=9.50.23  80 Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo de inspección por atributos. SELECCIÓN DE LA CARTA DE CONTROL ADECUADA Se prefiere una carta por variables en las situaciones siguientes: Se inicia un proceso o producto nuevo. Identificar el proceso donde se implantarán las cartas de control. Si se utiliza una carta p entonces el tamaño de muestra requerido para tener la misma probabilidad de detectar el corrimiento es:  k    n 2 p(1  p) Con k = 3. X es más GUÍA PARA IMPLEMENTAR CARTAS DE CONTROL Se sugiere lo siguiente: Determinar cual es la característica a controlar.0202 – 0.P.0202. Se requieren pruebas destructivas. Seleccionar un tipo de carta de control. que es el ancho de los límites de control. de esta forma. n = 79. Seleccionar el sistema de colección de datos y software de C.

Selección de equipo productivo a través de demostración de su capacidad antes de su embarque. Los datos disponibles son muy lentos en el tiempo.). o la repetición de muestras sólo mostrará errores de medición de laboratorio.483 0. Se requiere un historial del desempeño del proceso para revisión ejecutiva.El operador debe decidir si ajustar el proceso o no. tal como ocurre en proceso químicos. Aplicaciones no manufactureras.267 2.88 1. Reducir su variabilidad a través de centrar su proceso y tomar acciones correctivas. Es necesario un control del proceso.326 2. etc. Se debe presentar evidencia de estabilidad y de capacidad como en industrias reguladas.577 0. autos.076 3.282 2.6 APLICACIÓN DE CARTAS DE CONTROL POR VARIABLES Algunas de las aplicaciones de las cartas de control por variables son: Mejora de procesos de proveedores. o cuando evaluar el ajuste.534 2.693 2. Se cuenta con inspección automatizada de cada unidad de producto. Se controla la desviación respecto a la media especificada. En estos casos se tiene que: (1) no hay especificaciones. por ejemplo datos contables mensuales. Corridas cortas en talleres de manufactura. de una característica específica de calidad para diferentes productos similares.574 2.115 2. Se usan por ejemplo para reducir el tiempo de proceso de las cuentas por pagar (pago de cheques).059 2.023 0. 3.004 1.704 Página 142 .924 1. Para estos casos también se deben considerar las cartas de sumas acumuladas o de media móvil ponderada.128 1. pero no se pueden hacer mediciones. TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL Las constantes para límites de control en las cartas X-R son: n A2 D3 D4 d2 2 3 4 5 6 7 1. (2) se requiere más imaginación para aplicar las cartas de control. El proceso es una operación de ensamble compleja y la calidad se evalúa por la ocurrencia de no conformidades (computadoras. Se prefiere una carta por atributos en las situaciones siguientes: Los operadores controlan las causas asignables y es necesario mejorar el proceso.419 0 0 0 0 0 0.072 0. Cartas de control por lecturas individuales Es inconveniente o difícil obtener más de una medición por muestra.

184 0.802 0.563 1.399 0.64 0.9896 1.466 0.9887 0.435 0 0.965 0. .9882 0.44 0.981 0.751 1.975 0.438 1.232 0.647 0.308 0.374 0.544 1.427 1.483 1.284 0.775 0.61 1.927 0.9845 0.97 3.134 1.8 9 10 0.526 1.466 1.9794 0.6 1.612 0.528 0.886 0.633 0.806 1.406 0.777 2.459 1.503 1.669 1.585 1.606 0 0..223 1.429 1.646 1.9835 0.504 0.75 0.337 0.518 1.905 0.716 1.225 1.534 1.448 1.555 0.029 0.9594 0.618 1.136 0.874 1.559 1.321 0.475 0.497 0.817 0.099 1.496 1.49 0.185 0.572 1.882 1.549 0.739 0.9869 0.619 0.47 1.477 1.832 0.85 0.9862 0.789 0.9876 0.763 0.342 1.637 1.448 0.113 0.287 1.51 0.816 1.761 1.545 0.118 0.671 0.552 1.354 0.68 0.718 0.9823 0.539 0.179 0.688 0.276 0.949 0.534 0.49 1.707 1.9892 0.698 0.078 n c4 A A3 B3 B4 B5 B6 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0.847 2.428 0.382 0.97 1.346 0.458 0.523 0.373 0.445 1.728 0.42 Página 143 .9515 0.679 1.421 0.511 1.032 0.565 2.061 1 0.663 0.239 0.594 1.707 0.655 0.9693 0.866 0.9727 0.455 1.482 0.313 0.94 0.626 0.03 0.864 1.089 1.182 1.9854 0.516 0.9754 0.815 1.9776 0.964 1.

defectivo o defectuoso. se utiliza la carta de control p de fracción defectiva o la np para el número de defectivos o de no conformes. que pueden ser corregidas con retrabajo o no se pueden corregir y ser desperdicio. En tales casos cada artículo completo se clasifica como conforme o no conforme a especificaciones y/o estándares. refrigeradores. Se aplica a productos complejos (coches. lápices. discrepante o no discrepante. TV. etc. Página 144 . Se aplica a productos simples (tornillos. escritorios. 4. botellas.1 INTRODUCCIÓN Muchas características de calidad no pueden ser representadas numéricamente. cámaras de video.4. CARTAS DE CONTROL PARA ATRIBUTOS 4. Para controlar productos defectivos o no conformes. 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. Fig.1 El producto puede ser funcional pero puede tener defectos o no conformidades. 4. es decir como defectivo o no defectivo. Fig.) Un defecto o no conformidad es una discrepancia respecto a los estándares establecidos o a las especificaciones. etc. no defectuoso o defectuoso.1 Cuando el producto no es funcional es no conforme. Puede ser reparado o desperdicio. denominándose atributos.) Cuando más bien se controla el número de defectos o no conformidades que se observan en un producto. bueno o malo.

4) Donde L es la distancia de la línea central hasta los límites de control.1) La distribución de este estadístico sigue la distribución binomial por tanto: __ p (4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME . La fracción defectiva o no conforme en la muestra se define como la relación entre el número de unidades no conformes D al tamaño de muestra n.2)  2p  p(1  p ) n (4. se expresa como fracción decimal. aunque también se puede expresar en porcentaje. si w es un estadístico  w2 que mide una característica de calidad. si el artículo no está de acuerdo a los estándares.5) Página 145 . El artículo puede tener varias características de calidad que son examinadas por un inspector. los (4.3) Del modelo general para la carta de control de Shewhart. Por tanto los límites de control de la carta p considerando L = 3 son: __ __ p(1  p ) p 3 n __ LSCp = __ p LCp = (4. se le considera como defectuoso o no conforme. con media w y varianza límites de control son: LSC = w + Lw LC = w LIC = w . es común usar L = 3.4. o sea: pi  Di ni (4.Lw .p La fracción no conforme es la relación entre el número de artículos discrepantes entre el total de artículos.

de otra forma. 2.5) anterior LC p  p LIC p  p  3 p(1  p ) n Una vez hecha la gráfica trazando los límites anteriores. deben tomarse medidas correctivas para prevenir su Página 146 . m (4.. se puede concluir que el proceso está en control. si se encuentra una causa asignable o especial. la fracción defectiva de la muestra i . cada una de tamaño n . cualquier punto que se encuentre fuera de control debe ser investigado. 3.6) y el promedio de las fracciones individuales no conformes cuando p es desconocida es: m p  Di i 1 mn m  p i 1 i m (4.ésima estará dada como: pi = D i / n i = 1. mientras no se observe ningún patrón pi anormal y se localice dentro de límites de control. Así si Di son unidades no conformes en la muestra i . se calcula la fracción pi defectiva y se grafíca en la carta. se concluirá que la fracción no conforme se ha desplazado de su valor original y el proceso se encuentra fuera de control.. se toman muestras de n unidades.7) p El estadístico control son: estima la fracción desconocida p. por lo general se toman 20 a 25 de estas. Cuando la fracción defectiva del proceso es desconocida.. se estima de los datos observados en m muestras iniciales.__ __ p(1  p ) p 3 n __ LICp = Durante la operación... y los límites preliminares de LSC p  p  3 p (1  p ) n (4..

4102 LCp = 0.0524 Página 147 como .. se inspecciona cada caja y se inspecciona el sello para evitar fugas. se estima sigue: m p D i 1 mn i m  p i 1 m i 347 (30)(50) = = 0.2313 LICp = 0. los puntos correspondientes a la situación fuera de control se eliminan y se calculan de nuevo los límites de control preliminares. Para establecer la carta de control.1 Para el llenado de cajas de concentrado de jugo de naranja de 6 oz. se lleva una carta de control para tomar acciones y mejorar el desempeño de la maquina selladora.recurrencia. Defect Defect Hora os Hora os 1 12 16 8 2 15 17 10 3 8 18 5 4 10 19 13 5 4 20 11 6 7 21 20 7 16 22 18 8 9 23 24 9 14 24 15 10 10 25 9 11 5 26 12 12 6 27 7 13 17 28 13 14 12 29 9 15 22 30 6 p Como en total se encontraron 347 cajas no conformes. se toman 30 muestras de 50 piezas cada una en intervalos de una hora.2313 Los límites de control usando Minitab son: LSCp = 0. Ejemplo 4.

1 Carta de control p fuera de control De la carta de control se observa que las muestras 15 y 23 están fuera de los límites de control.0524 0. de tal forma que el proceso esta fuera de control. se tiene con Minitab: LSCp = 0.P Chart of Defectos 0.2 0.1 LCL=0.0407 Página 148 .5 1 1 UCL=0.2313 0.2150 LICp = 0.4102 Proportion 0. Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el cambio de un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde a un operador sin experiencia asignado temporalmente a la máquina.4 0.3893 LCp = 0.0 1 4 7 10 13 16 Sample 19 22 25 28 Figura 4.3 _ P=0. Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando nuevos límites preliminares con los puntos 15 y 23 eliminados.

por tanto se retiene este punto para el cálculo de los límites preliminares.2 Carta de control p fuera de control en un punto En la gráfica de límites revisados. lo cual no representa una situación fuera de control.0407 0. Página 149 .3893 Proportion 0.2 0.3 _ P=0.215 0.P Chart of Defectos 1 0. sin embargo no se encontró una causa asignable. De esta forma se concluye que el proceso está en control a una p = 0.2150 adoptando los límites preliminares para control futuro.0 1 4 7 10 13 16 Sample 19 22 25 28 Figura 4.4 UCL=0. la mayor racha o corrida tiene 5 puntos sobre la línea central.1 LCL=0. Tampoco se observan patrones de anormalidad. se observa que la muestra 20 excede el límite superior de control.

P Chart of Defectos 0. no se tienen presentes problemas controlables por el operador.3 _ P=0.2 0.3 Carta de control p en control estadístico Se observa que a pesar de que el proceso está en control. por tanto las causas de variabilidad son comunes y su reducción depende sólo del control de la administración.0359 0.0 1 4 7 10 13 16 Sample 19 22 25 Figura 4.4 UCL=0. ha mejorado con los ajustes y una Página 150 . una vez que interviene e Ingeniería realiza una serie de ajustes a la máquina. se toman 24 muestras adicionales durante los siguientes 3 turnos.1 LCL=0. la gráfica se hizo utilizando Minitab: Se observa que la p media del proceso mejor atención de los operadores.3804 Proportion 0. Continuando con el ejemplo.2081 0. se monitorea la mejora.

se encuentra que: Z0 = 7.8331)    1400 1200   7.2182) y p2 es la fracción no conforme del periodo actual. difiere de la fracción no conforme preliminar.2150  0.1669 1400  1200 Z0  0.05 = 1.2440 LCp = 0.645 Por tanto se rechaza la hipótesis Ho concluyendo que hubo una reducción en la fracción defectiva promedio del proceso.1108  1 1  (0.10 > Z.2150)  (1200)(0.1108 (50)( 24) 1200 i i  31 m = El estadístico de prueba aproximado para probar la hipótesis anterior es: Z0  p1  p 2  n1  n 2  p (1  p )   n1n 2  p n1 p1  n2 p 2 n1  n 2 con por tanto: p (1400)(0.05 en la distribución normal.1669)( 0. con el procedimiento de prueba de hipótesis: H0: H1: p1 = p 2 p1 > p 2 Donde p1 es la fracción no conforme de los datos preliminares p1 (p1 = = 0. Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene: LSCp = 0. Para estimar p2 se toman las últimas 24 muestras o sea: m p2  D i i 31 mn m  p 133 133   0.1108 LICp = -0.10 Para un nivel de significancia del 0.Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos.0224 = 0 Página 151 .118)  0.

4 Carta de control p con nuevos puntos tomados Página 152 . Figura 4. para las siguientes 40 muestras se observa una mejora del proceso. usando los nuevos límites de control. dentro de control. donde se anote cada cambio que ocurra.Continuando con el ejemplo. Es muy importante que para identificar fácilmente las causas asignables. independientemente que afecte o no al proceso. se lleve una bitácora de cambios.

si p = 0.  L n    2 p(1  p) (4.01 y se desea que la probabilidad de detectar un corrimiento a p = 0. Ejemplo 4. Duncan sugiere que el tamaño de muestra debe ser tal que se tenga aproximadamente un 50% de probabilidad de detectar el corrimiento de la media de un proceso en una cierta cantidad. Asumiendo que la distribución normal es una buena aproximación a la binomial. se selecciona n de tal forma que el límite superior de control coincida con la fracción defectiva en el estado fuera de control.95.01.95 Con la distribución de Poisson se encuentra que  = np debe ser mayor a 3.50. si p = 0. El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una unidad no conforme por muestra sea al menos . Método 2.3.01)( 0.99)  56  0.Diseño de la carta de control Determinación del tamaño de muestra: Método 1. por tanto si p = 0.00.9) Ejemplo 4. implica que el tamaño de muestra debe ser al menos de 300. entonces  = 0. si D es el número de artículos no conformes.01 = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme sea al menos 0.2. entonces: P{ D >= 1 }>= 0.04  Página 153 .05 sea de 0. por tanto.04 y si L = 3sigma. Entonces n debe satisfacer:  L p(1  p ) n (4. se tiene:  n= 2 3    (0.05 – 0.8) Donde L es la distancia de la línea central a los límites de control en desviaciones estándar.

95 2 (3)  171 0.3 Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50 servicios contabilizando las quejas en cada uno como sigue: Servicio No conformes Servicio No conformes Servicio No conformes 1 2 3 4 5 6 7 8 9 10 12 15 8 10 4 7 16 9 14 10 11 12 13 14 15 16 17 18 19 20 5 6 17 12 22 8 10 5 13 11 21 22 23 24 25 26 27 28 29 30 20 18 24 15 9 12 7 13 9 6 Página 154 . el tamaño de muestra será: n 0.Método 3.4. para poder investigar la causa de generación de muy bajas cantidades de artículos defectuosos con objeto de identificar errores de inspección o de los equipos de medición.05 Si n>171 unidades. Se tiene: LIC p  p  L p (1  p ) 0 n (4. es decir que la probabilidad de ocurrencia de artículos defectivos es constante y que las unidades producidas son independientes.11) Ejemplo 4.10) Implica que. Ejemplo 4. Si no es el caso. se debe desarrollar una carta de control basada en el modelo de probabilidad adecuado. Es importante notar que la carta de control p se basa en la distribución normal. la carta de control tendrá un límite inferior de control positivo.05 y se tienen límites de control a 3-sigma. consiste en seleccionar n tan grande de tal forma que el límite inferior tenga un valor positivo. si p = 0. n (1  p ) 2 L p (4. Otro método a usar si la fracción p en control es pequeña.

4102 LCp = 0.2313 LICp = 0.0524 Fig. 4.Como en total se encontraron 347 quejas o servicios no conformes. se p estima como sigue: m p  Di i 1 mn m  p i 1 m i 347 (30)(50) = = 0.4a.2313 Los límites de control usando Minitab son: LSCp = 0. Carta de control P para la fracción de servicios no conformes. Página 155 . Ejercicio Hacer una carta de control P por atributos.

Página 156 .

El número de defectivos o no conformes es un entero.80 0 1 4 7 10 13 16 Sample 19 22 25 Figura 4. por tanto es más fácil de graficar e interpretar por los operadores que llevan el C.4. se tiene: NP Chart of Defectos 20 UCL=19.12) LIC np  np  3 np (1  p) p Si no se conoce el valor de p. se puede estimar con la .P.02 Sample Count 15 __ NP=10. si el tamaño de muestra es constante. con los últimos 39 datos de las cajas de concentrado de jugo de naranja.3 CARTA DE CONTROL np En lugar de tener fracciones no conformes.E. para evitarle operaciones aritméticas al operador.5 Carta de control np en control estadístico con límites de control constantes 4. Ejemplo 4.41 10 5 LCL=1. se pueden utilizar directamente el número de artículos defectivos o no conformes np.4 TAMAÑO DE MUESTRA VARIABLE Página 157 . los parámetros de esta carta son: LSC np  np  3 np (1  p) LC np  np (4.5.

0150 0.0150 0.1940 0.0666 67 0.0666 67 0.1 80 6 0.0150 0.02939 86 35 18 0.1836 0. n-var nodef Fradef 100 12 0.0114 0.1090 91 100 11 0.02683 03 17 1 0.02939 86 35 18 0.0114 0.0030 0.02802 82 38 4 0.0073 0.075 100 9 110 10 110 12 0.075 0. la muestra es la inspección 100% de los lotes producidos en un periodo de tiempo.0073 0.02802 82 38 4 0.03286 93 7 11 0.03098 55 65 17 0.09 0.12 80 8 0.1795 0.0030 0.02683 03 17 1 0.En algunas aplicaciones para la fracción defectiva.0909 09 0.0073 0.1836 0.0025 0. por tanto la muestra será variable.02802 82 38 4 Página 158 .1760 0.1760 0.1795 0.11 100 16 90 10 90 6 110 20 0. registrando la producción total y los defectivos del día. La amplitud de los límites es inversamente proporcional a la raíz cuadrada del tamaño de muestra.0073 0.0545 45 LSC LIC Des-est 0.6.1111 11 0.0025 0. Se tiene varios métodos para llevar una carta de control: Método 1.125 120 9 120 8 110 6 0.16 0.03286 93 7 11 0.0114 0.0114 0.1836 0.1760 0.1818 18 120 15 0. Límites variables Se calculan límites de control para cada muestra en base en la fracción p  3 p (1  p) / ni defectiva promedio p y su tamaño de muestra con .02939 86 35 18 0.1884 0.03098 55 65 17 0.1795 0. Ejemplo 4.1795 0.02939 86 35 18 0.1940 0.1884 0.02802 82 38 4 0. Se tomaron datos del resultado de la inspección diaria.02683 03 17 1 0.1836 0.

02939 0.0555 0.0030 0.096  3 (0.096 2450 i i 1 Y los límites de control se calculan como sigue: p  3 p  0.0073 0.1940 0.05 86 35 18 0.0073 0.1884 0.1940 0.0073 0.03098 56 55 65 17 0.08 86 35 18 0.096)(0.0025 0.0030 0.03286 0.0030 0.904) ni LSCp= LC = 0.096)( 0.03286 0.02939 0.03286 0.0025 0.1836 0.0666 0.1836 0.904) ni LICp= Página 159 .0875 93 7 11 0.125 93 7 11 0.096  3 (0.02939 0.08 86 35 18 0.1940 0.1 93 7 11 0.1 86 35 18 0.1836 0.096 p  3 p  0.1836 0.1884 0.02939 0.03098 67 55 65 17 La fracción defectiva media se calcula como sigue: 25 p D i i 1 25 n  234  0.0073 0.80 8 80 10 80 7 90 5 100 8 100 5 100 8 100 10 90 6 0.

Cuando se toman límites de control variables. m n n i 1 m i  2450  98 25 Con límites de control basados en p  3 p  0.096)(0.NP Chart of nodef 1 20 UCL=16. se toma el promedio de los tamaños de muestra para calcular los límites de control aproximados.096  3 n  98 : (0.185 98 LSCp= LC = 0. este método no es adecuado. Si existen grandes diferencias mayores al promedio más o menos 25%.904)  0.94 Sample Count 15 10 __ NP=8.58 5 LCL=0.096 Página 160 .22 0 1 3 5 7 9 11 13 15 Sample 17 19 21 23 Tests performed with unequal sample sizes Figura 4. se asume que los tamaños de muestra no diferirán en forma apreciable de los observados. aquí los límites de control son constantes. el análisis de patrones de anormalidad no tiene sentido ya que la desviación estándar en cada muestra esta variando y no es posible visualizar corridas o rachas. Método 2. Tamaño de muestra promedio En este caso.6 Carta de control np en control estadístico con límites de control variables Se observa que la muestra 11 está fuera de control.

Ejemplo 4.096)(0.7 Con los 25 datos anteriores se obtiene una carta estandarizada. la variable a graficar en la carta es: pi  p p (1  p ) ni Zi  (4. ni son datos de la muestra.904)  0.007 98 LICp= Otra vez de la gráfica se observa que el punto 11 está fuera de control. pi . En este método.096  3 (0. Página 161 . por medio de Minitab. los puntos se grafican en unidades de desviación estándar. Método 3. En la carta de control estandarizada.p  3 p  0. Carta de control estandarizada. la línea central es cero y los límites de control están a +3 y –3 respectivamente.13) p donde p (o si no hay estándar) es la fracción defectiva media del proceso en su condición de control estadístico.

5 LCL=-2.926 -3.560 3 2 __ MR=1.5 _ X=-0.0 -1.028 0.0 1 3 5 7 9 11 13 Observation 15 17 19 21 23 1 4 Moving Range UCL=3.0 UCL=2.090 1 0 LCL=0 1 3 5 7 9 11 13 Observation 15 17 Figura 4.7 Carta de control p estandarizada (Zi) Página 162 19 21 23 .871 1.I-MR Chart of Z-Estand 1 I ndividual Value 3.

NOTA: Se debe usar la distribución de Poisson para np <=5 y distribución Normal en caso contrario.Esta carta tiene la ventaja de poder identificar patrones de anormalidad e identificar curva característica de operación. lo que no puede hacerse con la carta de límites de control variables.   P{D  18 p}  P{D  1 p} La curva OC se construyó utilizando Excel y Minitab. La probabilidad de error tipo II para la carta de control de fracción defectiva o no conforme es:   P{ p  LSC p}  P{ p  LIC p} P{D  nLSC p}  P{D  nLIC p} = (4. Una aplicación diferente de la manufactura sería el control de órdenes de compra erróneas para cada semana. LIC = 0.3697) p}  P{D  (50)(0. Página 163 . se toma. Ejemplo 4.030) p}  P{D  18. cometer un error tipo II o ). el error tipo II se calcula como sigue:   P{D  (50)(0.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL La curva OC muestra en forma gráfica la probabilidad de aceptar incorrectamente la hipótesis de control estadístico (i.14) Como D es una variable aleatoria binomial con parámetros n y p. desde su valor nominal a algún otro valor . el error  puede ser obtenido de la función de distribución acumulativa (la distribución de Poisson se puede utilizar como una aproximación). o sea la habilidad de detectar un corrimiento en la fracción no p p conforme del proceso. 4.3697.0303 y LSC = 0.49 p}  P{D  1. Esta curva proporciona una evaluación de la sensibilidad de la carta de control.e. A continuación se muestran curvas OC con 3 distribuciones.8 Si n = 50.52 p} Sin embargo como D debe ser un entero.

032454324 2. n =50 P(d<=1|p) Beta=dif 0.954692815 -3.07E-06 0.99865 0.999993 0.331 22.555279873 0.008884 0.999900519 0.3 0.350708304 -2.975 15 0.495 2.127345115 4.5 0.075494349 -4.032454324 0.25 0.005 0.966 0.5 0.739 5 0.15 0.642561102 0.971 0.442658181 1 0.126865425 0.141334502 -5.075 1.910564687 0.01 0.5 0.5 0.55 1 1 1 0.01 0.85943972 1.127345115 0.069282032 -0.036606283 Beta 0. Página 164 .55 CURVA OC POR NORMAL LIC = 0.0124354 1 0.037 0.965356044 0.642844755 1 0.356889963 -1.58E-05 0.3284E-08 0.614877 1.5 0.999940418 0.445 0.000192678 0.608934 4. n = 50 Sigma LSC Z-Value LIC Z Value PZLSC PZLIC 0.992813495 0.925442 0.37243767 -0.504961 0.335613264 0.5 P(d<=18|p) 1 1 1 0.5 1.5 25 27.621587038 2.442 0.22E-09 0.35 0.042426407 6.608934016 0.25 0.005194 7.739548131 0.261362 0.4 0.45 0.089435313 0.639152399 1 0.032685 1.712703 0.2 0.976E-09 0.070356236 -1.8944E-06 0.3 0.CURVA OC POR BINOMIAL LIC = 1.202 0.092041 3.5 2.971256835 4.014071247 25.370413218 0.090204 0.991109116 0.2 0.1 0.621587051 0.442175 0.032684871 0.56276589 1.336159863 0.997488797 0.070710678 -1.00135 0.381421949 0.381 0.33093135 0.966214001 0.587685977 0.15 0.002905453 0.622 0.52971E-14 0.03 0.202193 3.005193524 P(d<=1|p) Beta=dif 0.061237244 1.024124676 14.35 0.05 0.97469 0.5 0.713 0.330931 4.335613263 4.997 0.074558435 0.948148253 0.5 0.070356236 -2.948098 4.386694153 0.992 0.738638167 0.858907423 0.000167 0.858923 1.97126684 0.050208 0.1 0.97452355 0.992314 5.4 0.859 0.0004994 0.444720127 0.0303.05 0.3697.999900519 -2.437342829 -5.84312E-16 0.5 0.6109E-10 0.997034965 0.04042768 0.127 0.2872975 0.999697003 0.55E-11 0.994996 0.76E-08 0.842720272 -6.495039094 0.2349E-08 0.36961E-12 0.005296752 np 0.997299184 0.056568542 2.5 0.609 0.562672611 -7.5 20 22.03378586 0.03082207 10.202192955 0.050497525 4.381422 3.089 0.0337E-07 0. LSC = 0. LSC =18.948 0.45 0.036606 COMPARACION DE LAS BETAS CON 3 DECIMALES np BINOM POISSON NORMAL 0.859440124 0.58E-14 p 0.6453E-07 0.127 25 0.090 0.03 0. n = 50 p P(d<=18|p) CURVA OC POR POISSON LIC = 1.031E-05 0.720568248 0.005 La curva OC calculada con las diferentes distribuciones de probabilidad se muestra a continuación: Para esta carta de control.991 10 0.161561348 0.5578254 0.5 5 7.819471712 0.292052231 -4.5 10 12.067453688 0.00470122 0.092040859 0.615 20 0.997 0.999998598 0.249E-11 0.0005E-05 0.959571 0.5 0.960 0.995 0.819 0.279431752 0.99999986 0.950 7.5 15 17.033 27.064807407 1.90979599 0.614875519 0. LSC =18.08101803 0.336 0.997 12.126865 1.949792486 0.859 17.005296752 0.092 0.997296118 1.032 0.819467 4. también se puede calcular la longitud de corrida media ARL.721 0.7751E-10 0.

Cuando es proceso está en control: ARL0 = 1 /  Cuando el proceso está fuera de control: ARL1 = 1 / (1 .9.8 Curva característica de operación np Ejemplo 4.3.9973 estando en control.2. en este caso  = 1 . Figura 4. suponiendo que el proceso se corre a p 1 = 0. = 0.0027 = 370 Indicando que cada 370 puntos se puede tener una falsa alarma.) Estas probabilidades de errores tipo I y II se pueden obtener o por calculo de probabilidades o usando las curvas OC.0027 y el valor de ARL0 es: ARL0 = 1 /  = 1 / 0. siendo su valor nominal p0 = 0. De la curva OC se observa que  en este caso es 0. Página 165 .

los límites de control para la carta de no conformidades son: Página 166 . etc. . puede formarse con 5 unidades de producto.. Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamaño constante son modeladas bien por la distribución de Poisson. Si estas condiciones no se cumplen. 1. Además cada unidad de inspección debe representar una “área de oportunidad” idéntica para la ocurrencia de no conformidades. para x = 0. Tamaño de muestra constante .6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) – c y u Una no conformidad o defecto es una característica específica que no cumple con la especificación del producto. el modelo de Poisson no es apropiado. o sea: p( x )  e c c x x! (4..15) Donde la media y la desviación estándar tienen valor c. Se pueden desarrollar cartas de control para el número total de no conformidades en una unidad o el número promedio de no conformidades por unidad. Las no conformidades pueden tener una gravedad diferente desde menores hasta críticas.. 2. Por tanto considerando L = 3-sigma..CARTA c Una unidad de inspección es simplemente una entidad para la cual es conveniente registrar el número de defectos.. Suponiendo que los defectos o no conformidades ocurren en la unidad de inspección de acuerdo a la distribución de Poisson.4.. es decir implica que las oportunidades o localizaciones potenciales para las no conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia de una no conformidad en cualquier localización sea pequeña y constante. 10 unidades de producto.

se obtuvieron los datos siguientes: No Conformidades 21 19 24 10 16 17 12 13 15 22 5 18 28 39 20 30 31 24 25 16 20 19 24 17 16 15 Donde.16) c c LICc = -3 en el caso que sea negativo toma el valor cero. se calculan límites de control preliminares. o sea con caso los parámetros de la carta son: c c LSCc = . LSC = 33. en este +3 c LCc = (4.48 Página 167 .17) c c LICc = -3 en el caso que sea negativo toma el valor cero Cuando no hay datos históricos. Si no hay estándar definido c se estima con el promedio de no conformidades c observadas en una muestra preliminar inspeccionada.85 = LIC = 6.18 Para el número de no conformidades observadas en 26 unidades de inspección sucesivas de 100 muestras de circuitos impresos.c c LSCc = c +3 LCc = (4.22 c LC = 516 / 26 = 19. Ejemplo 4.

De la carta de control preliminar. lo cual fue reparado. El punto 20 fue causado por una falla en el control de temperatura de la soldadora de ola. Por lo anterior se toman acciones para evitar recurrencia. se observa que hay 2 puntos fuera de control. fue entrenado. Página 168 .9 Carta de control C fuera de control estadístico Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los circuitos impresos pero no tenía la suficiente experiencia. C Chart of NoConform 1 40 UCL=33.85 20 10 LCL=6.21 Sample Count 30 _ C=19. se eliminan y se recalculan los límites de control.48 1 0 1 4 7 10 13 16 Sample 19 22 25 Figura 4. el 6 y el 20.

9 Carta de control C dentro de control estadístico Como el proceso ya se encuentra en control estadístico.C Chart of NoConform 35 UCL=32.97 Sample Count 30 25 _ C=19. sin embargo el promedio de defectos es alto.67 20 15 10 LCL=6. donde se tomaron 20 unidades de inspección adicionales.36 5 1 3 5 7 9 11 13 15 Sample 17 19 21 23 Figura 4. estos límites se tomarán como base para el siguiente periodo. Página 169 . No Conformidades 1 16 18 18 21 12 16 15 22 24 19 21 12 28 14 20 9 25 16 19 21 Se observa en la gráfica que no se tienen puntos fuera de control. requiere la acción de la administración.

10 Carta de control C dentro de control estadístico para otras 20 muestras – muy alta c Haciendo un análisis de Pareto de los principales defectos se observó que el principal defecto de soldadura insuficiente y soldadura fría.11 Pareto de no conformidades Página 170 . por lo que se deben enfocar los esfuerzos a resolver estos problemas.98 Sample Count 30 25 _ C=19. acumulan el 69% del total.67 20 15 10 LCL=6. Figura 4.36 5 1 3 5 7 9 11 Sample 13 15 17 19 Figura 4.C Chart of C4 35 UCL=32.

se toman n unidades de inspección.Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se presentan los defectos principalmente. Con En este caso tanto la línea central como los límites de control se modifican por c el factor n. Otra forma de análisis es el diagrama de causa efecto para identificar las diferentes fuentes de no conformidades. si en lugar de tomar 1 unidad de inspección.18) LIC nc  nc  3 nc Página 171 . entonces los nuevos límites de control se pueden calcular por los siguientes métodos: nc Método 1. quedando como sigue ( es la media de las no conformidades observada en la unidad de inspección anterior): LSC nc  nc  3 nc LC nc  nc (4.12 Diagrama de Ishikawa de causas potenciales para la falla de soldadura Selección del tamaño de muestra Aumentando el tamaño de muestra se tiene más oportunidad de encontrar no conformidades o defectos. Figura 4. sin embargo esto también depende de consideraciones económicas y del proceso.

5.10 Para un fabricante de computadoras registrando los defectos en su línea de ensamble final.5)(19.5)(19. Los límites anteriores se consideran límites preliminares.19) Como c es una variable aleatoria que sigue la distribución de Poisson. los parámetros de la carta u de número de no conformidades o defectos por unidad son: LSC u  u  3 u n LC u  u (4.67) = 49.3 Carta de control de defectos por unidad U Método 2.Por ejemplo si se deciden utilizar 2. entonces el promedio de no conformidades por unidad de inspección u es: u c n (4. No conformidades en cada 5 unidades – carta u 10 9 12 5 Página 172 . Carta u Si se encuentra un total de c no conformidades en la muestra de n unidades de inspección.5)(19.5)(19.67)  28.14 = (2.67) . Ejemplo 4. se tiene: LSC nc  nc  3 nc (2.67)  70.22 = (2.67) + 3 LC nc  nc = (2.5 unidades de inspección para el caso de los circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.18 LIC nc  nc  3 nc (2.20) LSC u  u  3 u n u Donde representa el número promedio de no conformidades por unidad en un conjunto de datos preliminar. La unidad de inspección es una computadora y se toman 5 unidades de inspección a un tiempo.5)(19.

93 2 1 LCL=0.8 14 10 16 11 7 10 15 7 11 12 6 8 10 7 5 Se calculan los límites de control con: __ u Suma.60 / 20 = 1.no. por tanto los límites preliminares se pueden utilizar en corridas futuras. Página 173 .794 3 _ U=1.inspeccion adas u =38.79 LIC = 0.93 LSC = 3.de.de.conformidades Suma.066 0 1 3 5 7 9 11 Sample 13 15 17 19 Figura 4.07 La carta de control queda como sigue: U Chart of C6 Sample Count Per Unit 4 UCL=3.unidades.13 Carta de control de defectos por unidad U con tamaño de muestra constante en control estadístico En la carta de control no se observa falta de control estadístico.

En esta carta se tiene una línea central constante y los límites de control varían inversamente con la raíz cuadrada del tamaño de muestra n.MUESTRA VARIABLE – CARTA u En algunos casos las cartas de control para no conformidades se utilizan en la inspección 100% de la producción o lotes de producto. La línea central y los límites individuales de control se calculan como sigue: Página 174 . por tanto las unidades de inspección no son constantes.

Unidade s 10 8 13 10 9. Página 175 .5 10 12 10.LSC ui  u  3 u ni LC u  u (4. se inspeccionan defectos por cada 50m 2 los datos se muestran a continuación.5 No conform 14 12 20 11 7 10 21 16 19 23 u La línea central es 153  1.11 En una planta textil.5 12 12.21) LSC ui  u  3 u ni Ejemplo 4.42 107.5 u Donde = Total de defectos observados / Total de unidades de inspección De la gráfica no se observan puntos fuera de control.

423 1.5 1.0 _ U=1.0 Sample Count Per Unit 2. m n i 1 ni m (4.411 0.23) Página 176 .436 2. línea central cero. Zi  ui  u u ni (4.0 1 2 3 4 5 6 Sample 7 8 9 10 Tests performed with unequal sample sizes Figura 4.14 Carta de control para defectos por unidad con tamaño de muestra variable Existen otras dos alternativas para el manejo de la carta u con n variable: Usando un promedio de tamaños de muestra.5 LCL=0.0 0.22) Usando una de control estandarizada (opción preferida). Se grafica Z i con límites de control en +3 y –3.U Chart of No conform 3.5 UCL=2.

06164 0.3374 32 Zu -0.3308 79 0.11520572 0.3772 61 0.11 (Cont.85685 -0.32325581 -0.3443 9 0.464814 0.41674419 1.32674419 0.12192 0.07674419 0. Página 177 .02325581 -0.3443 9 0.4232 56 0.181949 0.3870 61 0.5 16 12 19 12.) Estandarizando la carta se tiene: Unidade NoCon Sigma s f U Ui-Uprom 10 14 8 12 13 20 10 11 9.5 23 U prom 1.16007752 0. se encuentra en control estadístico como se muestra abajo.5 7 10 10 12 21 10.3772 61 0...68641371 -1.3772 61 0.235046 La carta de control estandarizada para U.948761 0.4217 9 0.273119 0.34818 -0.3681 69 0.Ejemplo 4.42325581 -1.10055371 0.7734 -0.

ciD respectivamente en la i-ésima unidad inspeccionada. o puede causar daño al usuario.24) . o puede causar una falla de funcionamiento mayor. un esquema posible es el siguiente: Defectos tipo A – Muy serios: La unidad no puede funcionar o fallará en el campo. Por lo cual es necesario dar una ponderación a esos diversos tipos de defectos de acuerdo a su gravedad. desde los que se consideran menores hasta los que ponen en riesgo la salud del usuario. ciB.15 Carta de control U estandarizada Sistema de demeritos Con productos complejos. Defectos tipo B – Serios: La unidad tendrá menos vida útil. Se asume que cada clase de defectos es independiente y que la ocurrencia de defectos de cada clase es modelada bien con la distribución de Poisson. Supóngase que para los defectos anteriores se tengan los números ciA. o tener una mala apariencia como usada. Defectos tipo C – Poco serios: La unidad puede tener fallas pero continuar funcionando. Defectos tipo D – Menores: La unidad no fallará en servicio pero tiene defectos de apariencia. o puede incrementar los costos de mantenimiento. se identifican diversos tipos de defectos. ciC. Entonces se puede definir el número de deméritos en la unidad de inspección por ejemplo como: di = 100ciA + 50ciB + 10ciC + ciD Página 178 (4.I Chart of Zu 3 UCL=3 Individual Value 2 1 _ X=0 0 -1 -2 -3 LCL=-3 1 2 3 4 5 6 Observation 7 8 9 10 Figura 4. terminados o calidad de trabajo.

La curva característica de operación La curva característica de operación (OC) puede ser obtenida tanto para la carta c como para la carta u a partir de la distribución de Poisson. u C . entonces n d i 1 el número de Deméritos por unidad es (con todas las unidades de inspección): i número total de deméritos en n d i 1 i n ui = D / n = (4. clase C y clase D respectivamente. u B . el estadístico ui puede ser graficado en una carta de control con los parámetros siguientes: u LSC = + 3 u u LC = (4. Donde.28) u A. u  100u A  50u B  10u C  1u D y (4. clase B. la curva OC muestra la probabilidad del error tipo II  contra la media real del numero de defectos c.26) u LIC = + 3 u.Suponiendo que se toma una muestra de n unidades de inspección. Se determina a partir de datos preliminares tomados cuando el proceso está en control estadístico. se expresa como sigue:   P{x  LSC c}  P{x  LIC c} (4. Los números representan el número promedio de defectos de la clase A. u D . Para la carta c. Página 179 .27)  (100) u A  (50) u B  (10) u C  (1) u D   n   u   2 2 2 2 1/ 2 (4.25) Como u es una combinación lineal de variables aleatorias independientes de Poisson.29) Donde x es una variable aleatoria de Poisson con parámetro c.

981 0.005 0.000 1.000 0.000 0.682 0.988 0.000 1.994 0. LIC = 6.857 0.546 0.801 0.191 19.950 0. se tiene:   P{x  33.000 0.324 0.289 0.599 0.546 0.000 0.981 0.002 0.000 1.950 0.401 0.48.12.801 0.133 0.982 0.000 0.000 1.892 0.000 1.22 c}  P{x  6.018 0.997 0.Ejemplo 4. esto es equivalente a:   P{x  33 c}  P{x  7 c} La curva OC se obtiene con la distribución de Poisson como sigue: C 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 C promedio P(x<=3 P(x<= 3) 7) Pa=Beta 1.143 0.000 0.867 0.999 0.000 0.48 c} cómo las cantidades deben ser enteras.946 0.191 1.000 1.22.289 0.000 0.012 0.000 1.000 0.410 0.000 0.676 0.000 0.682 0.994 0.000 1.410 0. para el caso de la carta c anterior con LSC = 33.000 0.000 0.67 Página 180 .054 0.994 0.892 0.

Pa=Beta Pa=Beta Figura 4.16 Curva característica de operación de la carta C con media 19.67 Página 181 .

277 (4. Por ejemplo para el monitoreo de fallas de una válvula importante. Nelson.Para el caso de la carta u.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm Las cartas por atributos c y u no son convenientes en estos casos ya que tendrían ceros la mayor parte del tiempo.6 = y0. la transformación adecuada es: x = y1/3. entonces la distribución de tiempo transcurrido entre eventos sigue la distribución exponencial. una alternativa es graficar los intervalos de tiempo entre ocurrencias de los defectos o “eventos”. sin embargo daría una carta de control muy asimétrica. En la página siguiente se muestra este ejemplo.31) Por tanto se construye una carta de control para x. Página 182 . la curva OC puede generarse con:   P{x  LSC u}  P{x  LIC u}   P{c  nLSC u}  P{c  nLIC u} (4. asumiendo que x sigue una distribución normal. Si y representa la variable aleatoria exponencial original. sugiere una alternativa transformando la variable aleatoria exponencial a una variable aleatoria de Weibull de tal forma que sea una buena aproximación a la normal. Asumiendo que los defectos ocurren de acuerdo a la distribución de Poisson. se usará el número de horas entre fallas como la variable a monitorear.30)   P{nLIC u  c  nLSC u} 4.

cuando se produce las piezas A o B se toman muestras y se evalúa la desviación respecto a su media. El procedimiento trabaja mejor cuando el tamaño de muestra es constante para todas las diferentes partes. La media utilizada debe ser la media de las especificaciones.00 2 2 4 4 3 3 4 2 1 2 Ver carta en la página siguiente. OTRAS CARTAS DE CONTROL ESPECIALES 5. y la dimensión nominal de la pieza B es T B = 25mm. sin esto no se cumple usar la carta de medias estandarizada.33 1. tomando las desviaciones respecto a la media de especificaciones en lugar del valor como tal.00 0.00 -0. Muestra Pieza M1 M2 M3 D1 D2 D3 Media Rango 1 2 3 4 5 6 7 8 9 10 A A A A B B B B B B 50 49 48 9 24 25 27 25 24 26 51 50 49 53 27 27 26 24 25 24 52 51 52 51 26 24 23 23 25 25 0 -1 -2 -1 -1 0 2 0 -1 1 1 0 -1 3 2 2 1 -1 0 -1 2 1 2 1 1 -1 -2 -2 0 0 1.5.00 -0. a excepción de cuando se tiene sólo un límite de especificación.67 0.33 0.1 Si se tienen 2 piezas la A y la B. Se deben cumplir 3 premisas para estas cartas: La desviación estándar debe ser la misma para todas las partes. Ejemplo 5. Página 183 .33 -1. donde la dimensión nominal de la pieza A TA = 50mm.33 0.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIÓN Cartas de control dnom Se pueden utilizar cartas de medias-rangos en situaciones las corridas de producción sean cortas.00 0.

0 LCL=0 1 2 3 4 5 6 7 8 9 10 Sample Figura 4. y sus límites de control Cartas de control por atributos Página 184 .5 LCL=-2.0 1 2 3 4 5 6 7 8 9 10 Sample UCL=6.Ti cartas.0 4.5 _ R=2.. se usan estas R i . estandarizada es cero.0 -1.2) x La línea central para la carta son LSC = A2 y LIC = -A2 .1) Se toman de datos históricos o de especificaciones para el rango.7 3. o se puede R i  Sd 2 c4 estimar de  con graficar.0 1.5 __ X=0.Xbar-R Chart of D1.0 UCL=2..596 -3. D3 Sample Mean 3..167 0.929 1. Para la media x  Ti Ri (5. S x  sus límites de control son D3 y D4. Para todas las muestras de este número de parte. graficar. Sean el rango medio y el valor nominal de x para un número de parte específico..1 Carta DNOM para corridas cortas Cartas de control de medias rangos estandarizada Si la desviación estándar para las diferentes partes es diferente.5 0.950 Sample Range 6... . RS  R Ri (5..

Página 185 .2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIÓN Cartas de control modificadas Las cartas de control modificadas se utilizan cuando la variabilidad es pequeña respecto a los límites de especificaciones. Se asume que el proceso está normalmente distribuido y que  sea conocida y esté en control.3) ci  c c ui  u u/n Carta u 5.Se utilizan cartas de control estandarizadas con límites de control LSC=+3 y LIC=-3. Los estadísticos a graficar son: Zi  Carta p Zi  pi  p p (1  p ) / n npi  n p n p (1  p ) Carta np Zi  Carta c Zi  (5. En este caso la media del proceso puede variar sobre un rango permitido sin afectar el desempeño del proceso. X La carta de control modificada esta diseñada para detectar sólo si la media verdadera del proceso . Se permite que  varíe entre I y S de tal forma que no se exceda la fracción defectiva . es decir el Cp es mucho mayor que 1. está localizada de tal forma que el proceso genere una fracción de productos no conformes mayor de algún valor especificado .

3 Localización de los límites de control Donde:  I  LIE  Z   (5.5) .2 Proceso con habilidad alta.4)  S  LSE  Z   Donde Z es el punto superior 100(1-) de la distribución normal. si se especifica un error . |---  6 ---| LSEsp. Página 186 (5. Cp>>1   LIE I  S LSE Z Z n /  LIC  LSC Z Z Z n n n Figura 5. Figura 5.LIEsp. los límites de control superior e inferior son: LSC   S  LIC   I  Z Z    LSE   Z      n n  Z Z    LIE   Z      n n  Lo común es que Z =3.

En las cartas modificadas. pp. gama = 0. Igualando los límites de control superiores: Z   LSC  LSE   Z      n  = Z    LSE   Z   n   Se obtiene  Z  Z    n   Z   Z    2 (5. haciendo los cálculos se obtiene una n = 31..645  2 n Ejemplo 5. Los límites de control para este caso se basan en una n especificada y una fracción no conforme del proceso  que nos gustaría rechazar con una probabilidad (1-). Control de Calidad y Estadística Industrial. México.  y . Cartas de control de aceptación En este caso se toma en cuenta ambos errores tipo I y tipo II.84    2. de donde incluso se estime la  inicial. 527-530 Página 187 .  es una fracción no conforme que se acepta con una probabilidad (1-). Alfaomega.6) Ejemplo 5.5) Z  Z      LIE   Z   n n   Es posible también seleccionar un tamaño de muestra de tal forma que se obtengan los requerimientos para .05 y beta = 0.3 De Duncan se tiene: 29 29 Duncan A. alfa = 0. de tal forma que se recomienda siempre usar en forma adicional una carta R o S. éstas cartas no son apropiadas.20.2 Si delta = 0.00  0. ya sea de rechazar un proceso que opera en forma satisfactoria o de aceptarlo si opera en forma insatisfactoria.  3. .00135. 1989. Si la variabilidad del proceso cambia. por tanto: LSC   S  LIC   I  Z  Z     LSE   Z   n n   (5.01.33  1.43  32.

96 + 1.1.96 LIE =0. asumiendo un proceso normal. LSE  LSE-3x Amplitud dentro de la cual Página 188 _ X . Para este problema también se puede utilizar la carta de regresión.10 LIE+1.96 Amplitud de variación 0. Esto minimiza los ajustes a realizar durante las corridas de producción.025 y  = 0. Se puede utilizar un valor diferente de Z = 3 si se requiere una mayor protección en la fracción defectuosa. El ajuste inicial de la herramienta se inicia a 3x arriba del límite inferior de especificación.10. y el máximo que se le permite variar es hasta 3x abajo del límite superior de especificación.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL Cuando un desgaste natural ocurre.4 Carta de control de aceptación En la figura si suponemos que =0.282/ n LIC = LIE + 1.025 LSE-1. la distancia entre los límites de especificación debe ser mucho mayor que 6X.025 Figura 5. se presenta una tendencia natural en la carta de control. los límites para la carta de control de aceptación estarán en: n LSC = LSE – 1.96 . por lo que se puede usar el concepto de la carta de control modificada (X = R/d2).10 __ Aceptable para X 0.LSE =0.282/ 5.

donde: (5.7) Utilizando un paquete de computadora que incluye el cálculo de mínimos cuadrados.. donde si se tienen un total de m muestras con el número de muestra i = 1.3….2. 5. sólo se puede emplear ésta carta si la amplitud de los límites de especificación es suficiente mayor a 6x para alojar la carta de control. La pendiente b de la línea central y límites de control se pueden calcular por los métodos siguientes: Dibujando una línea central que pase por los puntos graficados y estimando en forma gráfica la pendiente. se espera encontrar las medias de las piezas x  _ X 6 Distribución de _ X LIE+3x LIE Fig. es: 2 - )/b (5.8)  2  LSE  3 x  LSE  3R / d 2  1.9) Página 189 .  2 El número de puntos que tienen que pasar para llegar de  1. Utilizando la técnica de mínimos cuadrados.m la pendiente b es (los datos se pueden codificar para facilidad): b  [12 iX i /( m(m 2  1))]  [6 X i /( m(m  1))] (5.  2 Los valores sugeridos de inicio y paro del proceso son  1  LIE  3 x  LIE  3R / d 2 . M* = ( .  1.5 Carta de control para desgaste de herramienta o material Como se puede observar.

Página 190 de la línea . decrezca. _ A2 R Los límites de control se encuentran a una distancia vertical central. las se invierten: . En caso de que la media en lugar de crecer.Es importante considerar que antes de llevar una carta de medias para desgaste es indispensable asegurarse que la carta de rangos está en control  1.  2 estadístico.

Ri 0. 1.15556.056.1555  0.15586. son respectivamente 1. 0.00020 Los resultados obtenidos son: R-medio=0.15530. 0. Los resultados son: Muestra i 1 2 3 4 5 6 7 8 _ Xi 1. 0. 0.5 horas para reajustar el proceso LSE 2 Pendiente b LSC  1. 0.15546.15568.000374.155772 _ m* = 11. los límites de control están a  0. 1.000076053.15576.15570.1.15540. b = 0.Ejemplo 5.00020.00010. 0.00020. A2 R = Es decir que tienen que pasar 11 puntos o 5.155228 y 1.  2 .0005”.15544. 1. 1.00020. 1.15578.00020. 1.00020 Muestra 9 10 11 12 13 _ Xi 1.00020. 1.0001769. 0. en intervalos de media hora.15590 Ri 0. 1.0001769)=0.  = 0.15550.5768(0. 1.00020. Se han tomado 13 muestras de 5 piezas cada una sin ajustar la herramienta de corte. 0.00020.0000492  1.00010. LSCR=0.00020. 0.15580.4 El diámetro exterior de una válvula tiene una especificación de 1.00010. 1. 0. LIC LIE Página 191 . 0.000102.

Fig.6 Tiempo “t” o número de muestras antes de ajuste Página 192 . 5.

en este caso se considera que el proceso se salió de control.5 o 86% Esta zona comprende 1. la probabilidad de encontrar dos unidades fuera de los límites de control consecutivamente es demasiado pequeña. Dado que se requiere una cantidad muy pequeña de muestras. es riesgoso inferir sobre la totalidad del proceso. La carta tiene tres áreas: ZONA ROJA Límite superior de especificaciones ZONA AMARILLA Esta zona comprende 1.5.7 Carta de Pre – Control y sus zonas En la carta de pre – control hay un 1/14 de probabilidad de que una parte caiga en la zona amarilla y de 1/196 de que caigan dos consecutivas en ésta zona. Recomendaciones: Página 193 . por lo tanto. Ventajas: Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no requiere de gráficas de control. que pueden resultar en la producción de unidades fuera de especificaciones. situados a  3 es fácil de construir y usar. las reglas y procedimientos para reconocer patrones de fallas no pueden ser usados. El uso de éstos aparatos de medición permite seleccionar fácilmente las unidades que proceden de las que no. ni de cómputos. utiliza los límites de especificación para su establecimiento. Pre-control es usado con frecuencia para determinar los valores de las variables del proceso durante el período de arranque de la producción. Pre-control se basa en la hipótesis de que si el proceso está operando correctamente. principalmente se presta para el uso de aparatos de medición hechos previamente sobre los límites de las especificaciones.5 o 7% ZONA VERDE ZONA AMARILLA Esta zona comprende  1. También se denomina carta de objetivo.5 o 7% ZONA ROJA Límite inferior de especificaciones Figura 5. Asume que el proceso es hábil y que es normal. sin embargo. Desventajas: No existen gráficas de control. Pre-control no proporciona información suficiente para someter el proceso bajo control o para reducir la variabilidad. es razón suficiente como para indicar una falla en el proceso. Por lo tanto si dos unidades son encontradas consecutivamente fuera de los límites de control. no permite mejorar el proceso. Finalmente.4 CARTA DE PRECONTROL O DE ARCOIRIS Es una técnica usada para detectar irregularidades en el proceso. Pre-control.

y cuando se han alcanzado cero defectos en el proceso. La siguiente figura considera un proceso distribuido de acuerdo a la distribución normal. 31 Montogomery. Si el primer artículo sale de especificaciones. Si 25 artículos consecutivos caen en la zona verde. Figura 5. Existen dos límites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower Pre-control limit(LPCL). de otra forma continuar. John Wiley & Sons.Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 30 es mayor que uno (algunos textos recomiendan como mínimo Cp=2) 31. A continuación se muestran las reglas de uso de la carta: Iniciar el proceso. Deberán caer en la zona verde. donde USL = Upper Specification Limit y LSL = Lower Specification Limit.8 Distribución de áreas de probabilidad para la carta de pre-control LSL LPCL  0 1 4 1 2 UPCL 3 4 USL 1 Pasos a seguir para aplicar Pre-control. 332-334. Inc. Si un artículo cae en la zona amarilla. Página 194 . parar. Definición de los límites de Pre-control. Cada uno representa ¼ de la distancia entre el límite de especificaciones inferior (LSL) y el límite de especificaciones superior (USL). 1991.. reducir frecuencia de chequeo. tomar un siguiente artículo. Si cae nuevamente en la zona amarilla parar y corregir el proceso. 30 . corregir e iniciar de nuevo. pp. Douglas C. “Statistical Quality Control”.

Figura 5.9 Pasos a seguir para el Pre-Control Página 195 .

Si se reinicia el proceso. por ejemplo si se toman muestras de n = 4 de 6 husillos repetido en 20 subgrupos. sin embargo se tiene la alternativa de ésta carta de control siempre que la producción entre husillos no esté correlacionada.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE Se utiliza para procesos con muchas fuentes de producción. no ajuste el proceso hasta que una unidad exceda algún límite de Pre-control. puede ser evidencia de que es diferente a los otros. hasta completar 20 o 25 subgrupos. El proceso se encuentra fuera de control si se algún punto excede los límites de 3-sigma. Si el operador toma más de 25 muestras sin reiniciar el proceso. Para el rango se grafica sólo el mayor de todos los rangos. se toman n partes de cada salida. se habrán tomado 20 x 6 = 120 medias y  rangos de n = 4 observaciones. Cada punto es identificado por el número de husillo o salida que lo produjo. al menos cinco unidades consecutivas deben caer dentro de los límites de pre-control para cambiar a verificación intermitente. si se encuentran en control.Notas: Si cinco unidades están dentro de los límites de Pre-control. D3 = 0. los límites de control se calculan como en una carta de medias-rangos convencional con n = 4. se asume que las demás están en control.282:  LICX = X _ . Si el proceso tiene s salidas y si r es el número de veces consecutivas que se repite como el mayor o el menor. 5. reduzca la frecuencia de las verificaciones. No se pueden aplicar pruebas de rachas a estas cartas. Examine la siguiente unidad.729. y proceda en A. por ejemplo diversos husillos que en principio producen piezas similares.A2  LSCX = X _ R LICR = D3 R _ + A2 R (5.10) _ LSCR = D4 R Con los límites de control trazados. cambie a verificación intermitente. D4 = 2. en este caso A 2 = 0. el ARL para este evento es: Página 196 . Es útil observar que si una salida da el mayor o el menor valor varias en una fila. se grafica después sólo la mayor y la menor de las 6 lecturas promedio considerando todas las salidas o en este caso husillos de la máquina. El usar una carta de control para cada husillo por separado sería prohibitivo. Cuando se encuentre en verificación intermitente. Para establecer una carta de este tipo. De éstos se calculan la media de medias X y _ R el .

12) Como esta carta es eficiente para n=1.P. Cusum normal Para pequeños corrimientos menores a 1.7).4). en esos casos la carta de sumas acumuladas de Page. se esperará que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras. Página 197 .5 o menos. las cartas de sumas acumuladas (cusum).E. el ARL será de 259. la carta de Shewart es ineficiente. se pueden utilizar como alternativa.5. Si se colectan muestras de tamaño n >= 1 siendo el valor promedio de la muestra j-ésima. de 1. sin embargo esto reduce la simplicidad de interpretación de la carta así como reducir el ARL en control lo cual es indeseable. Los límites preventivos y criterios múltiples de prueba de corridas o tendencias toman en cuenta otros puntos de la carta.5). es una buena alternativa para el control de procesos químicos y el C. sin embargo tiene un mecanismo similar ya sea en forma tabular o por medio de una mascara en V. Si esto sucede con más frecuencia se debe sospechar que la salida es diferente a las demás.11) Para el caso de que s = 6 y r = 4. Cuando se trata de identificar pequeñas variaciones o corridas en la media. Algunos de los pares adecuados de (s. automatizado. la carta mostrará una tendencia ascendente y viceversa. Si la media tiene un corrimiento hacia arriba. esto hace que estas cartas de control sean insensibles a pequeños corrimientos de la media del proceso.6 CARTAS DE CONTROL Cusum Las cartas de control de Shewart utilizan sólo información acerca del proceso con los últimos datos del subgrupo.r) son (3. La carta de sumas acumuladas se forma graficando para cada muestra i la cantidad siguiente que representa la suma acumulada hasta la muestra i. todas las combinaciones dan ARLo adecuados. (4. como la mostrada en el ejemplo de las páginas siguientes. y promedio móvil exponencialmente ponderado (EWMA).ARL 0  s r 1 s 1 (5. es decir que si el proceso está en control. e ignoran la información de la secuencia completa de puntos. que funciona con n >=1 es mejor.6). La carta Cusum no tiene límites de control. i Ci   ( x j   0 ) j 1 (5. (5-6. ya que incorpora toda la información anterior en el valor de la muestra al graficar la suma acumulada de las desviaciones con referencia a un xj valor objetivo 0. 7-10. 5.

99506 -1.24542 2.1896 7.8882 -3.10319 -1. poner 5.09907 -3. Corrida en Minitab 1. 3. AtoBDist -0.21033 5.97431 -5.01739 3.24534 -0. File > Open Worksheet > Data > CRANKSH.99821 6.99674 4.29748 -4.05086 -3.02947 2.82297 -2.18096 4. AtoBDist es esta distancia.72977 3.27517 -5. se toman 5 mediciones al día durante el primer periodo de tiempo y después 10 al día en un siguiente periodo de tiempo.09998 2.62939 2.50123 -1.33095 -1.30286 -5.91169 1.29868 5.9379 -7.89134 1.03095 -2.83012 3.2731 -3.87917 1.83547 -3.12681 -4.93177 3.09911 -1.21708 7.22516 -4.28079 2.30247 -2.21026 0.17454 2.75614 3.36225 0.90038 2.99825 0.0045 0.72573 3.13041 -1.26821 -2.02322 4.04994 3.90024 1.15676 -0.07264 0.72692 3.01028 -0.95119 -5.10379 2. In Subgroup size.66858 -2.03427 3.96583 -0.86937 -2.83867 -0.07973 0.32797 Al llevar una carta X – R en el subgrupo no se encontró una causa asignable.0459 4.27272 -4.95372 7.24151 -0.08175 -4. Página 198 .44537 1.16744 0.08558 -3.92825 -0.98876 -4.83001 5.98677 -2.83762 -1.17603 5.78952 -3.91314 2.89455 0.81598 4.28978 0.83152 -2.80363 -3. ahora se desea tratar de detectar corridas pequeñas en la media.89824 1.1405 -0.09574 5.99932 3.57793 -3.05666 3.86525 0.Ejemplo Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo una cierta distancia de la posición ideal de referencia (B).75466 1.08965 0.44025 5.13001 -0.76868 2.81341 -3.03945 1.82794 0.81635 -4.78732 4.93029 0.56182 -3. OK.15847 0.71309 1.15453 2.95699 -4. Para asegurar la calidad.06527 -1. seleccionar AtoBDist. In Single column.14395 -1.03441 -2.13787 -0.1424 0.MTW. 2.93847 -3.99326 4.52023 3. Stat > Control Charts > Time weighted charts > CUSUM.18827 5.90688 8.15414 4.77141 -4.17924 -2.69206 -3.01594 4.

802 0 Mean=0.11 Carta de control Cusum Se puede observar que detecta una situación anormal debido a un corrimiento lento de la media del proceso.10 + Ci-1 Media = 10 1 9.56 Página 199 .55 Sigma = 1 2 7.559 5 0 LCL=0 Figura 5.67809 Low er CUSUM 0 5 10 15 20 25 Subgroup Number Figura 5.4417 LCL=-3.918 -5 Sample Range Subgroup 0 5 10 15 20 25 UCL=15.45 -0.55 -0.98 15 10 R=7.10 Carta de control X media – R Se puede observar que no detecta ninguna situación anormal CUSUM Chart for AtoBDist Upper CUSUM Cumulative Sum 10 5.67809 5 0 -5 -5. Otro ejemplo de Carta Cusum: Considerar los datos siguientes con = 10 a 11 y una  = 1: Ci = (Xi-10) Muestra Xi Xi .99 -2.Sample Mean Xbar/R Chart for AtoBDist 5 UCL=4.01 -2.

57 -0.71 1.26 -0.9 0.5 10.37 0.15 2.12 Carta I-MR casi en control estadístico Página 200 .4 10.46 -0.9 0.52 -0.16 0.94 4.08 0.08 21 10.84 -0.46 9.47 10.54 5.08 9.93 9.2 0.62 0.51 9.31 10.92 -0.18 0.62 1.34 -0.6 0.67 2.04 11.52 10.84 -3.62 11.78 0.47 0.51 -0.6 1.03 11.61 0.96 1.25 0.27 -1.33 12.44 3.27 0.62 10.55 0.29 11.8 0.34 9.45 Figura 5.6 11.31 8.38 11.38 1.23 -1.97 1.23 0.48 0.5 0.73 -1.16 10.62 8.66 2.37 10.63 0.29 1.82 22 23 24 25 26 27 28 29 30 9.23 -0.31 0.08 -0.08 10.56 -0.29 11.18 8.Media = 11 Sigma = 1 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 9.66 12.52 0.2 10.62 6 7.18 -1.31 -1.

CUSUM Chart of Xi
5.0

Cumulative Sum

UCL=4
2.5

0.0

0

-2.5
LCL=-4
-5.0
1

4

7

10

13

16
Sample

19

22

25

28

Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parámetros Media objetivo (Target) =10, S = 1
Cusum en forma tabular
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el
objetivo con un estadístico C+ o debajo de este con un estadistico C-, también
llamados Cusums de lado superior o inferior respectivamente. Se calculan
como sigue:

C i  max 0, xi  (  0  K )  C i1

C  max 0, (  0  K )  xi  C

i


i 1


(5.13)
(5.14)

donde los valores iniciales para C+ y C- son cero.
En las ecuaciones anteriores K es el valor de referencia y se selecciona como
un valor intermedio entre la 0 objetivo y la 1 fuera de control en la que
estamos interesados en detectar.
Así, si el corrimiento se expresa en unidades de desviación estándar 1 = 0 +
, entonces K es la mitad de la magnitud del corrimiento:
K =  / 2 = Valor absoluto de (1 - 0) / 2

(5.15)

Cuando cualquier estadístico C+ y C- excede el intervalo de decisión H, se
considera al proceso fuera de control. Un valor razonable para H es cinco veces
el valor de .
Ejemplo: si 0 = 10, n=1,  = 1, y asumiendo que se quiere detectar un
corrimiento de 1 = 1, para lo cual se utiliza H = 5 sigmas, se tiene:
1 = 10 + 1 = 11

Página 201

K = ½ = 1/2
H = 5 = 5

C i  max 0, xi  10.5  C i1

Ci  max 0,9.5  xi  C i1

Para el caso de i=1, con xi = 9.5 se tiene:

C1  max 0,9.45  10.5  0  0

C1  max 0,9.5  9.45  0  0.05
Para el caso de i=2, con xi = 7.99 se tiene:

C1  max 0,7.99  10.5  0  0

C1  max 0,9.5  7.99  0.05  1.56
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la
tabla de siguiente:
a
b
Muestra Xi
xi - 10.5
Ci+
N+
9.5 - xi
Ci1
9.45
-1.05
0.00
0
0.05
0.05
2
7.99
-2.51
0.00
0
1.51
1.56
3
9.29
-1.21
0.00
0
0.21
1.77
4
11.66
1.16
1.16
1
-2.16
0.00
5
12.16
1.66
2.82
2
-2.66
0.00
6
10.18
-0.32
2.50
3
-0.68
0.00
7
8.04
-2.46
0.04
4
1.46
1.46
8
11.46
0.96
1.00
5
-1.96
0.00
9
9.20
-1.30
0.00
0
0.30
0.30
10
10.34
-0.16
0.00
0
-0.84
0.00
11
9.03
-1.47
0.00
0
0.47
0.47
12
11.47
0.97
0.97
1
-1.97
0.00
13
10.51
0.01
0.98
2
-1.01
0.00
14
9.40
-1.10
0.00
0
0.10
0.10
15
10.08
-0.42
0.00
0
-0.58
0.00
16
9.37
-1.13
0.00
0
0.13
0.13
17
10.62
0.12
0.12
1
-1.12
0.00
18
10.31
-0.19
0.00
0
-0.81
0.00
19
8.52
-1.98
0.00
0
0.98
0.98
20
10.84
0.34
0.34
1
-1.34
0.00
21
10.90
0.40
0.74
2
-1.40
0.00
22
9.33
-1.17
0.00
0
0.17
0.17
23
12.29
1.79
1.79
1
-2.79
0.00
24
11.50
1.00
2.79
2
-2.00
0.00
25
10.60
0.10
2.89
3
-1.10
0.00
Página 202

N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
0
0

26
27
28
29
30

11.08
10.38
11.62
11.31
10.52

0.58
-0.12
1.12
0.81
0.02

3.47
3.35
4.47
5.28
5.30

4
5
6
7
8

-1.58
-0.88
-2.12
-1.81
-1.02

0.00
0.00
0.00
0.00
0.00

Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.

Figura 5.14 Carta Cusum en Excel para el ejemplo
CUSUM Chart of Xi_ 1

Cumulative Sum

5.0

UCL=5

2.5

0.0

0

-2.5

-5.0

LCL=-5
3

6

9

12

15
18
Sample

21

24

27

30

Figura 5.15 Carta Cusum en Minitab para el ejemplo
De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de
5.28, lo que sugiere una situación fuera de control, usando el contador N + cuyo
valor es 7, indica que el último punto en control fue el 29 – 7 = 22, de tal forma
que el corrimiento ocurrió entre el periodo 22 y 23.

Página 203

0
0
0
0
0

También se puede obtener una presentación gráfica de esta carta, denominada
Carta de Estatus de Cusum, graficando Ci+ y Ci- contra el número de muestra.
Esto da una idea gráfica al operador del desempeño del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la
causa asignable o especial, tomar acción correctiva e iniciar de nuevo la
Cusum Tabular.
Cuando el proceso se corre, la nueva media  puede estimarse de:

C i
  0  K  
N
C i
  0  K  
N

Ci  H
, si

(5.16)

C i  H
, si

(5.17)

29

En el ejemplo, en el periodo 29 con C

  10  0.5 

= 5.28, la nueva media del proceso es,

5.28
 11.25
7

Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Cuando se utiliza un tamaño de subgrupo mayor a 1, en las fórmulas anteriores


n

xi

se debe remplazar a xi por
y  por la x =
, aunque se recomienda usar
un tamaño de muestra 1 con frecuencia de muestreo mayor que para el
equivalente de Shewart.
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del método tabular Cusum, es la mascarilla en
V propuesta por Barnard (1959), esta mascarilla es aplicada a valores
sucesivos del estadístico,
i

C i   y j  y i  C i 1
j 1

(5.18)
donde yi = (xi - 0) /  observación estandarizada. Una mascarilla en V se
muestra a continuación:

Página 204

Ci

O

d

P

2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 Carta de control Cusum con mascarilla en V
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum,
con el punto O sobre el último valor de C i y la línea OP paralela al eje
horizontal. Si todos los puntos anteriores C1, C2,....,Cj se encuentran dentro de
los dos brazos de la mascarilla, el proceso está en control, sin embargo si
cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de
la mascarilla, se considera al proceso fuera de control.
En la práctica, la mascarilla en V se debe colocar a cada punto tan pronto como
es graficado, los brazos de la mascarilla se asumen extendidos hasta el origen.
La operación de la mascarilla en V está determinada por la distancia
al vértice d y el ángulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
k = A tan ()

(5.19)

y
h = A d tan () = d.k
(5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos
en términos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = ½ y h = 5, seleccionando A =1 se
tiene

o
o

k = A tan ()
 = 26.57
de h = d.k
d =10

=>

½ = (1) tan ()

=> 5 = d (1/2)

Estos son los parámetros de la mascarilla en V.

Página 205

Vmask Chart of AtoBDist
25

Cumulative Sum

20

15

10

5

0

Target=0
2

4

6

8

10

12 14
Sample

16

18

20

22

24

Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para
AtoBDist
Corrida en Minitab con los datos de la Cusum Tabular:
Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Vmask Chart of Xi
30

Cumulative Sum

20

10

0

Target=0

-10
1

4

7

10

13

16
Sample

19

22

25

28

Figura 5.18 Ejemplo de carta de control Cusum con mascarilla en V para Xi

Página 206

888  No se recomienda el uso de la mascarilla en V ya que tiene algunas desventajas como son: Es un esquema de doble lado. con las fórmulas siguientes:      2A    tan 1  (5.05  ln   2   1   0.05 y  = 0.Johnson y Leone han sugerido un método para diseñar una mascarilla en V. dificultando la interpretación del proceso. Es difícil determinar que tanto extender los brazos de la mascarilla en V.05 y  = 1. Página 207 .21) y  2   1   ln   2        d  (5. se obtiene la mascara en V siguiente:  2   1  0. Existe ambigüedad asociada con alfa y beta. Ejemplo 5.05  d   1   tan 1    26. d ln(  )  cuando  es muy pequeño. no apta para control de un solo lado.7 si  = 0.56  2 = 5.22) Donde 2 es la máxima probabilidad de una falsa alarma cuando el proceso está en control y  es la probabilidad de no detectar un corrimiento de magnitud .

26)    2i  1  (1   )  2   LIC   0  L   (5.25) LC   0 (5.24) Por tanto los límites de control de zi versus el número de muestra o tiempo i.27) Note que el término [1 – (1-)2i] se aproxima a la unidad conforme i se incrementa.29) Página 208 .23) donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE PONDERADAS (EWMA) El desempeño de esta carta. esto significa que cuando la carta EWMA ha corrido durante varios periodos de tiempo. entonces la varianza de zi es:   2i  1  (1   )  2       zi2    (5. de tal forma que: z0   0 x a veces igual a Si las observaciones xi son variables aleatorias independientes con varianza 2 . los límites de control se estabilizan en: LSC   0  L  2 (5. es equivalente al de sumas acumuladas.5. con n=1. son:    2i  1  (1   ) 2      LSC   0  L   (5.28) LC   0 (5. Su estadístico se define como sigue: z i  xi  (1   ) z i 1 (5.

LSC = 10. este mismo comportamiento lo tienen tiene la carta Cususm.19 Ejemplo de carta de control EWMA Otro ejemplo de carta EWMA: Página 209 25 .30) Ejemplo Utilizando los datos de la carta Cusum con  = 0.967 -1. se tiene la carta EWMA mostrada en la página siguiente.5 S Limits These multiples of the estándar deviation 2.7SL=-0. poner 5.27 y LIC = 9.7 6.5 __ X=0 0.99.0 1 3 5 7 9 11 13 15 Sample 17 19 21 23 Figura 5.945.3 equivalente a la Cusum con h=5 y k=1/2.38.5 -2.0 +2.73 con la fórmulas anteriores.7. Corrida en Minitab: 1. Esta carta no reacciona a cambios grandes de la media tan rápido como la hace la carta de Shewart. Para x2= 7. Para x1= 9. calculando z2 = 9.5.62 LIC = 9. seleccionar AtoBDist.1 5. EWMA Chart of AtoBDist 1. EWMA Options > Parameters Mean 0.LSC   0  L  2 (5.36 y LIC = 9. 4. LSC = 10. Weight of EWMA 0. 2. La carta EWMA tiene un ARL0  500 y una ARL1  14. File > Open Worksheet > Data > CRANKSH. calculando z1 = 9.7SL=0.45. In Single column.0 Standar Deviation 3. Stat > Control Charts > Time weighted charts > EWMA 3. L = 2.7495.10.64.0 -0.967 EWMA 0. 0 = 0 y = 3. conforme se incrementa i los límites se estabilizan en LSC = 10. In Subgroup size.MTW. OK.

31 8. L = 2.0997 10.9880 LSC 10.1307 9.20 10.9186 10. Zi 9.16 10.0755 9. Zi 9.34 9.9217 10.31 10.1307 9.7036 9.9880 10.40 10.99 9.2495 10.Con los datos del ejemplo anterior.5760 9.0785 10.1216 10.18 8.33 12.0525 9.46 9.62 10.52 EWMA.4568 10.1253 10.7495 9.0108 10. considerando una Lamda de 0.5440 10.945 9.50 10.46 9.4999 10.5591 10.7300 9.90 9.03 11.0478 10.9217 10.4753 9.7. y la desviación estándar  = 1.5247 10. 0=10.04 11.9238 10.20 EWMA.9843 10.29 11.38 11.4409 9.4675 10.4240 10.5710 Página 210 LIC 9.3971 10.5001 9.47 10.0495 10.66 12.84 10.7495 9.6468 10.18 8.3632 10.08 10.4654 10.7036 9.4290 .45 7.4560 9.1253 10.62 11.37 10.29 11. a continuación se muestran los cálculos de la carta EWMA: Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Xi 9.51 9.66 12.8992 10.04 11.99 9.3745 10.0232 9.16 10.5325 9.08 9.5731 10.60 11.2700 10.29 11.0227 10.45 7.6341 Los límites de control son los siguientes: Muestra 1 2 3 4 5 6 7 8 9 Xi 9.6368 9.8992 10.1.0740 9.945 9.52 10.0755 9.

3813 9.40 10.84 10.6181 10.34 9.6178 10.6157 10.3811 Figura 5.38 11. seleccionar Xi. poner 1. In Subgroup size.0997 10.3816 9.62 10.31 10.3970 9.5731 10.0785 10.6062 10.0740 9.6148 10.0478 10.9238 10.0525 9. Página 211 .6187 10.29 11.20 Carta EWMA graficada en Excel La carta con Minitab es: 1.6184 10.52 10.6174 10.0 Standar Deviation 1 S Limits These multiples of the estándar deviation 2.6468 10.51 9.0108 10.3893 9.4009 9.31 8.3826 9.47 10.50 10. Weight of EWMA 0.1 4.0232 9.3830 9.6341 10.4058 9.3876 9.6164 10.3852 9.37 10.5805 10.52 10. 3.0227 10.08 9.4195 9.9843 10. Stat > Control Charts > Time weighted charts > EWMA 2.08 10.10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 10.4119 9.6087 10.3971 10.0495 10.3822 9.3745 10.5942 10.5881 10.9186 10.6137 10.4654 10.6170 10.3938 9. EWMA Options > Parameters Mean 10.4568 10.60 11.6186 10.6189 9. OK. In Single column.3843 9.33 12.1216 10.62 11.7 6.3836 9.03 11.90 9.3913 9.3863 9.6107 10.3814 9.2495 10.6030 10.5991 10.6124 10.3819 9.

381 3 6 9 12 15 18 Sample 21 24 27 30 Figura 5. 3. .. 2.EWMA Chart of Xi_ 1 10.66 Página 212 ..32) LC   0 LIC   0  (5.34) Por ejemplo usando los datos anteriores con w = 5. Ejemplo 5..50 EWMA 10.35) Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1...3 (1. Asumiendo que se define un rango de observaciones w en el tiempo i.33) 3 w (5.0) / 51/2 = 8.i... Graficando el estadístico M i para periodos i  5.619 10. se tiene: LSC = 10 + 3 (1.xi 4 5 (5.31) Los límites de control son: LSC   0  3 w (5.7SL=10.21 Carta EWMA graficada en Excel 5.9 Los límites de control son con 0 =10 y =1.75 9.8 CARTA DE CONTROL DE MEDIA MOVIL Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar pequeñas corridas de la media.0) / 51/2 = 11.. su media móvil es: Mi  xi  xi 1  .7SL=9.50 -2.25 _ _ X=10 10..34 LSC = 10 .  xi  w1 w (5.75 +2.00 9. Mi  xi  xi 1  .

In Single column.346 2 1 Mean=0. seleccionar AtoBDist. OK. Comparar el monitoreo con una carta I-MR y una carta de promedio móvil. Stat > Control Charts > Time Weighted charts > Moving Average 3. Moving Average Chart for AtoBDist 5 Moving Average 4 3 UCL=2. 4. File > Open Worksheet > Data > CRANKSH. Lenght of MA 5 5.22 Ejemplo de carta de control de Media móvil Otro ejemplo de carta de media móvil: Se quiere monitorear el peso en libras de 45 lotes de arena embarcados semanalmente a un cliente.Ejemplo La carta de media móvil para los datos del ejemplo anterior con un tamaño de corrida de 5 es la siguiente: Corrida en Minitab: 1. 2.MTW.463 -2 -3 -4 -5 0 5 10 15 20 25 Sample Number Figura 5. poner 5.4417 0 -1 LCL=-1. Los datos Weight 905 930 865 895 905 885 890 930 915 910 920 son los siguientes: 875 985 970 940 975 1000 1035 1020 985 960 945 Página 213 . Cada lote pesa aproximadamente 930 libras. In Subgroup size.

9 925 900 LCL=894. En Subgroup sizes. 4. Seleccionar All observations for a chart are in one column.6 975 950 _ _ X=936.MTW. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average. La carta de promedio móvil es: Moving Average Chart of Weight 1025 Moving Average 1000 UCL=979.915 925 860 905 925 925 905 915 930 890 940 860 965 940 900 920 980 950 955 970 970 1035 1040 Instrucciones de Minitab 1. 3. Open worksheet EXH_QC.1 875 850 4 8 12 16 20 24 Sample 28 32 36 Figura 5. Click OK. 2. poner Weight.23 Carta de media móvil del ejemplo La carta I-MR es la siguiente: Página 214 40 44 . poner 1.

04 10.6584 8 11.0 75 50 __ MR=27.7321 8.18 10.20 10.6584 Página 215 .3416 8.3416 8.0000 7.8787 3 9.720 12.110 11.208 11.16 10.6584 6 10.256 11.66 9.8 25 0 LCL=0 4 8 12 16 20 24 Observation 28 32 36 40 44 Figura 5.6584 10 10.614 11.5000 5 12.910 11.598 11. con desviación estándar = 1 y media = 10: Muestra Xi Mi LSC LIC 1 9.6584 9 9.2679 4 11.99 8.46 10.1213 7.6584 11 9.25 Carta I-MR del ejemplo Se observa una mejor detección de corrida de la media en la carta EWMA Ejemplo de media móvil: Usando los datos siguientes con M = 5.5000 8.9 1000 _ X=936.266 11.6584 7 8.29 8.3416 8.3416 8.700 11.I-MR Chart of Weight 1050 1 1 1 I ndividual Value 1 UCL=1010.3416 8.3416 8.9 950 900 850 1 4 8 12 LCL=862.3416 8.34 9.844 11.03 9.45 9.450 13.0000 2 7.8 1 16 20 24 Observation 28 32 36 40 44 1 Moving Range 100 UCL=91.

62 9.3416 8.3416 8.37 10.3416 8.3416 8.3416 8.3416 8.62 11.150 15 10.3416 8.098 16 9.932 21 10.31 9.3416 8.170 28 11.036 29 11.84 9.3416 8.6584 11.6584 11.3416 8.996 18 10.3416 8.980 23 12.6584 Página 216 .6584 11.972 25 10.3416 8.6584 11.6584 11.90 10.6584 11.6584 11.982 11.110 14 9.33 9.166 17 10.956 19 8.6584 11.60 10.6584 11.376 24 11.51 10.3416 8.3416 8.960 27 10.08 10.50 10.3416 8.3416 8.238 22 9.6584 11.40 10.300 10.998 30 10.6584 11.6584 11.3416 8.780 20 10.47 10.6584 11.29 10.08 10.3416 8.6584 11.31 10.38 11.924 26 11.52 9.52 10.12 13 11.6584 11.6584 11.6584 11.3416 8.6584 11.

Figura 5.26 Carta de media móvil en Excel Página 217 .

Página 218 . materiales y personas involucradas en la producción. Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se encuentra en estado de control estadístico. son el resultado de la medición del trabajo realizado por el proceso. Proceso: Éste se refiere a alguna combinación única de máquinas. Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud. métodos. Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los límites de especificaciones de calidad. para lograr resultados que se puedan medir.6. ANÁLISIS DE CAPACIDAD DEL PROCESO 6. basada en el desempeño probado. herramientas. es decir. a su vez.1 INTRODUCCIÓN Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad y a mejorar la capacidad de los procesos. Definiciones básicas. en ausencia de causas especiales o atribuibles de variación. Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de datos que.

Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan cierta variabilidad. Seleccionar de entre diversos proveedores. Es usual tomar 6-sigma de la población  como la dispersión en la distribución de la característica de calidad del producto como medida de la capacidad del proceso. Soportar la determinación de intervalos de muestreo para monitoreo del proceso.00135 Fig. superior (LTNS) e inferior (LTNI) .73% de la variable. Apoyar a los diseñadores en la selección o modificación de un proceso. sólo el 0.27% (2700 ppm) de la salida del proceso se encontrará fuera de estos limites de tolerancia naturales. debido a la existencia de la variabilidad natural. los límites de tolerancia naturales incluyen 99. Sin embargo. cuando el proceso está bajo control. el porcentaje puede diferir grandemente. Los límites de tolerancia natural del proceso. Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que desearíamos que tuvieran todas las unidades fabricadas pero que no se obtiene. o sea: LTNS =  + 3  (6.1) LTNI =  . La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes: Predecir que tanto cumplirá las tolerancias especificadas el proceso. aunque todo funcione correctamente. si el proceso no es normal.00135 LTNI  LTNS . La variabilidad en el tiempo. solo actúan las causas comunes de variación en las características de calidad.3  Para un proceso normal. La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad de los procesos medida como la variabilidad del producto.1 Localización de los límites de tolerancia natural Página 219 . se encuentran en   3 . Reducir la variabilidad de un proceso de manufactura. Planear la secuencia de procesos productivos cuando hay un efecto interactivo de procesos o tolerancias. 6. Esto se esquematiza en la figura siguiente: . Determinar el desempeño de un equipo nuevo. hay dos formas de pensar en esta variabilidad: La variabilidad natural en un cierto tiempo (variabilidad instantánea).

Fig. En el área sombrada observamos medidas fuera de los límites de especificación. podemos reducir la desviación estándar. Graw Hill. cartas de control y experimentos diseñados. entre las que se encuentran: Histogramas o papel de probabilidad.404 Página 220 . Figura 6. Análisis y planeación de la Calidad. Tercera Edición Mc. por supuesto cambiar ambas. 6. Lo ideal sería.M. Para solucionar este problema.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 supuestos32: 32 J.2 Fracción defectiva fuera de especificaciones p = porcentaje de medidas bajo la curva de probabilidad fuera de especificaciones. Juran. También podríamos cambiar la media.Existen diversas técnicas para evaluar la capacidad del proceso. Pp.

de otra manera.El proceso se encuentre bajo control estadístico. Aquí todas las familias de variación exhiben su contribución en la variación del proceso general. los porcentajes de los productos asociados con los índices de capacidad son incorrectos. su variabilidad será mayor que la natural y la capacidad potencial estará infravalorada. Variación a corto plazo y a largo plazo Existen dos maneras de expresar la variabilidad: Variación 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 variación han sido restringidas de tal manera que los datos considerados. Figura 6. También es importante al realizar un estudio de capacidad. Si el proceso está fuera de control la media y/o la desviación estándar del proceso no son estables y.4 Variabilidad a corto plazo Variación 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. Si los datos se componen de menos de 100 valores. es decir sin la influencia de fuerzas externas o cambios repentinos. sólo son los que se obtuvieron del subgrupo racional. Figura 6. Ayuda a determinar subgrupos racionales importantes. El parámetro analizado en el estudio sigue una distribución de probabilidad normal. 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. en este caso no es conveniente hacer un estudio de capacidad. entonces deben calcularse los límites de confianza inferiores. asegurarnos que la variación en el sistema de medición no sea mayor al 10%. Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de muestreo para los índices de habilidad. en consecuencia.5 Variabilidad a largo plazo Página 221 .

05mm y el  R  0. nom = Valor nominal u objetivo Zlt = variación a largo plazo.5 desviaciones estándar.  nom.0099) = 1.68 por tanto se tiene: La función P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por el proceso. desv.A largo plazo los procesos tienen un desplazamiento natural de 1.std LT dónde: Zst = variación a corto plazo.std ST (6.0099 d2 LIE= 73. Página 222 .2) Ejemplo 6.1) límite especif .1 para el caso de anillos de pistones. Zlt = Zst-1. Z shift. donde el LSE = 74.95) / 6 (0.5shift 6.Para el cálculo de Z utilizamos las siguientes formulas: Z st  Z LT  límite especif .  media  desv..05 – 73. Cp  PCR  LSE  LIE 6 (6.2 ÍNDICES DE CAPACIDAD Índice de capacidad potencial Cp El índice de capacidad potencial Cp = PCR compara la amplitud de variación permitida por las especificaciones entre la amplitud de variación entre los límites de tolerancia naturales del proceso.95mm y de la carta R se estimó Cp = PCR = (LSE – LIE) / 6 = (74.

1 66.931 17.25 226.729 16. si el LIE = 200psi.25 5 133. la fracción abajo del límite inferior es: ZI  LIE   200  264   2  32 P(x <= ZI) = 0. el índice de capacidad potencial Cp o PCR se define como: Cps  PCRS  Cpi  PCRI    LIE 3 LSE   3 para el límite superior (6.28% por debajo del límite inferior de especificaciones Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes por millón (ppm) que están fuera de especificaciones se muestran a continuación: Cp 1-lado 0.807 35.6 0.4) para el límite inferior Ejemplo 6.5 0.68)] 100 = 59.5% Cuando sólo existe un límite de especificaciones.7 0.8 1 1.628 0.3) Para el caso del ejemplo se tiene: P = [(1/1.2 Para el caso de la resistencia de las botellas de vidrio.861 35.67 3(32) 96 Lo cual indica falta de habilidad.700 967 Página 223 . Cp  PCRI  264  200 64   0.865 8.395 2. 1   100 Cp   P   (6.61 4 71.350 484 2lados 453.0228 o 2.198 1.

5 32 53  38  2 . LIE=38.33 y de 1.6 1. la media del proceso sea =53 y su desviación estándar =2. se tiene: Cps  PCRS  Cpi  PCRI  62  53  1 . Cps  PCRS  Cpi  PCRI  LSE   3   LIE 3 para el límite superior (6.5 32 para el límite superior para el límite inferior Por tanto.3 Para un proceso donde los límites de especificación sean LSE=62.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma. el índice de capacidad real es: Página 224 . y se evalúa tomando el mínimo entre los Cp’s correspondientes a cada lado de la media.67 para procesos críticos. Índice de capacidad real Cpk Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones. Por lo que es necesario otro índice adicional.0009 318 96 27 7 2 0. Este índice no toma en cuenta la localización relativa de la media del proceso respecto a los límites de especificaciones.5) donde. Cpk  PCRk  min( PCRS .4 1. el ideal es 2.5 1.7 2 159 48 14 4 1 0.17 0. PCRI ) debe ser mayor a 1 (6. como sigue.3 1.1.6) para el límite inferior Ejemplo 6.34 0.2 1. en este caso se denomina Cpk o PCRk.0018 Se recomienda que para procesos existentes el mínimo Cp sea de 1.

6 Transformación de datos para normalizarlos Lo cual representa una distribución normal.Cpk  PCRk  min( PCRS .5 Note que el PCR a considerar corresponde al límite de especificación más cercano a la media del proceso. si no es así.5)  1. puede ser necesario transformar los datos con alguna función matemática para dar la apariencia de normalidad. b) Y=1/x Figura 6. por ejemplo la distribución siguiente de acabado superficial en una parte maquinada no es normal: Frec.2. PCRI )  min(1.5. a) Microdureza Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribución transformada es la siguiente (ver método de Box Cox con Lamda óptima en Minitab): Frec. Cpk <= Cp Siendo el Cpk menor cuando el proceso no está centrado NORMALIDAD Y CAPACIDAD DEL PROCESO Las consideraciones anteriores se basan en la suposición que el proceso tiene un comportamiento normal. Siempre se cumple que. Página 225 .

estándar = 2.7) 2 (6. estándar = 5 Proceso B: Media = 57. desv.8) T   Se tiene.4 Para los procesos A y B ilustrados anteriormente se tiene: Límites de especificación: LIE = 38.0 1 0 Entonces Cpm (A) = Página 226 .7 Procesos con Cpk = 1 pero con centrado diferente ÍNDICE DE CAPACIDAD Cpm Un nuevo índice Cpm que toma en cuenta el centrado es el siguiente: T Si 1 ( LSE  LIE ) 2     (  T ) 2  (6. desv.9) LSE  LIE LSE  LIE LSE  LIE   2 2 6 6   (  T ) 1  2 (6.5 1  1. Cpm  PCRkm  (6. LSE = 62.Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm Dos procesos pueden tener un Cpk igual a uno. pero sin embargo no necesariamente están centrados respecto a la media de las especificaciones como se muestra a continuación: LIE  PROCESO A: Cpk = 1 LSE LIE  LSE PROCESO B: Cpk =1 Figura 6.7. T = 50 Proceso A: Media = 50.10) Una condición necesaria para que Cpm sea mayor de uno es: 1   T  ( LSE  LIE ) 6 Ejemplo 6.

se obtuvo lo siguiente: Xmedia de medias = 264. o sea: Cp pmk  PCR pmk  Cpk 1  2 (6.326] Si el límite de especificación es: LIE = 200.06) / (77.264.3 Por tanto estimando los parámetros del proceso se tiene:  = X media de medias  = Rmedio / d2 =77.R (con subgrupos de n = 5). El Cpk = (200 . Cpkm = Cpk Ejemplo: De una carta de control X . ÍNDICE DE CAPACIDAD Cpkm En base a lo anterior se ha propuesto otro índice de capacidad por Pearn (1992).326 = 33. después de que el proceso se estabilizó quedando sólo con causas comunes.2 1  (3) 2  0.3) (3) = 0.11) Cuando T es igual a X media del proceso.23 [ d2 para n = 5 tiene el valor 2. que toma en cuenta el descentrado de la media del proceso respecto de la media de especificaciones. centrado en la media.64 por tanto el proceso no cumple con las especificaciones Página 227 .63 Cpm (B) = Por tanto es mejor el proceso A.3 / 2.06 Rmedio = 77.

Los datos se muestran se muestran a continuación. Cuidadosamente recolectar la información 6. proporciona información acerca de la capacidad del proceso. El sistema de medición debe tener habilidad (error R&R < 10%) 5. después de que el proceso se estabilizó quedando sólo con causas comunes (LIE = 36. Calcular la capacidad del proceso El histograma junto con la media y la desviación estándar de la muestra S. Seleccionar un operador entrenado 4.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD NORMAL Histograma Para el estudio se requieren alrededor de 100 o más observaciones para permitir que el proceso se estabilice. Calcular la media y desviación estándar del proceso 8. Seleccionar un proceso específico para realizar el estudio 2. Ejemplo 6. deben seguirse los pasos previos siguientes: Procedimiento: 1. Construir un histograma de frecuencia con los datos 7. Seleccionar las condiciones de operación del proceso 3.Ejercicio: De una carta de control X .R (con tamaño de subgrupo n = 5).4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. LSE = 46) se obtuvo lo siguiente: Xmedia de medias = 40 Rmedio = 5 a) Determinar la desviación estándar del proceso b) Determinar los límites de tolerancia natural del proceso c) Determinar la fracción defectiva o porcentaje fuera de especificaciones d) Determinar el Cp e) Determinar el Cpk f) Determinar el Cpm g) Determinar el Cpkm h) Establecer conclusiones de los resultados anteriores 6. HIST 265 346 265 221 261 Página 228 .

00 95% Confidence I nterval for Mean 257.06 32.049 Mean StDev Variance Skewness Kurtosis N 264.518454 100 Minimum 1st Quartile Median 3rd Quartile Maximum 176.15 -0.19 .11 Mean Median 258 260 262 264 266 268 270 Figura 6.00 346.41 95% Confidence I nterval for Median 260.00 265.00 95% Confidence I nterval for StDev 95% Confidence I ntervals 28.02 1025.00 248.205 263 307 220 268 260 234 299 215 197 286 274 243 231 267 281 265 214 318 317 242 258 276 300 208 187 264 271 280 242 260 321 228 250 299 258 267 293 254 281 294 223 260 308 235 283 277 200 235 246 328 296 276 264 269 235 290 176 248 263 231 334 280 265 272 283 265 262 271 245 301 280 274 253 287 258 248 260 274 337 250 278 254 274 275 278 250 265 270 298 257 210 280 269 251 Summary for HIST Anderson-Darling Normality Test 180 210 240 270 300 330 A-Squared P-Value 0.129448 0.00 271.71 270.75 0.00 280.8 Resumen gráfico de los datos Página 229 37.

Ventajas 1. el porcentaje de datos entre cierto rango. En el papel especial normal se grafica cada punto (X j. La media será el punto en X correspondiente a P j = 0.02 Consecuentemente la capacidad el proceso se estima en 96 psi.5 La desviación estándar es la diferencia en X j corresp. Visualmente se puede observar la normalidad de los datos. 10 son suficientes 2. Se ajusta una línea recta que mejor aproxime los puntos 5. Si no hay desviaciones mayores de la línea recta. Permite identificar la media y la desviación estándar aproximada del proceso. Se toman al menos n = 10 datos y se ordenan en forma ascendente. Papel de probabilidad normal Es una herramienta que permite evaluar la capacidad aproximada del proceso con resultados parecidos a los del histograma pero con un número menor de muestras y sin las operaciones del histograma. a Pj = 0. X  3S  264 Esta primera estimación de la capacidad es independiente de las especificaciones.5 y Pj = 0. Pj) 4. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el histograma.X  264. se considera normal el proceso y se procede a hacer las identificaciones: La media corresponde al percentil 50 y la desviación estándar es estimada por la diferencia del percentil 84 menos el percentil 50. si se apegan a la línea de ajuste 4.06 S = 32. a continuación se muestra un ejemplo de esta herramienta. Se calcula la probabilidad de cada posición con la fórmula siguiente: Pj = (j . el Cp y el Cpk.0. asignándoles una posición ( j ) entre 1 y n. Así como la fracción defectiva. El proceso es más sencillo ya que no hay que dividir el rango de la variable en intervalos de clase como en el histograma.84 Página 230 . 3. 2. Procedimiento 1.5) / n 3.

9 Capacidad del proceso con papel normal El trazo normal es el siguiente: El eje Y es un rango no lineal de probabilidades normales. El eje X es un rango lineal de la variable que se está analizando. Por ejemplo.-Se tomaron los datos siguientes (Xj) ordenamos los datos y.5 Desv. Si los datos son normales. Pj 0. Ejemplo 6.Ejemplo 6. puede predecirse usando una línea sólida como modelo. Estándar Fracción Defectiva LIE X Media Xj Figura 6. la desviación estándar y el porcentaje de valores que se encuentran fuera de especificaciones.5 . la frecuencia de ocurrencias en varios valores Xi. sólo más del 20% de los datos del proceso serían valores de 225 o inferiores. calculamos la probabilidad de su posición (Pj) Con ayuda del gráfico podemos obtener la media.84 0.6 Cálculo de capacidad con papel normal en Minitab Página 231 .

13 20 0.9 38.667 .9  35.1 psi Página 232 300 350 262.9   298  262.Datos 271 275 277 278 280 283 290 301 318 346 197 200 215 221 231 242 245 258 265 265 Probability Plot of Datos Normal 99 Mean StDev N AD P-Value 95 90 Percent 80 70 60 50 40 30 20 10 5 1 150 200 250 Datos De este diagrama se obtiene:   262.262 0.

Se puede observar que cuando el proceso está en control.Note que los valores no difieren mucho de los del histograma con media 264. se observa que se tiene un 5% aproximadamente fuera de especificaciones. Cuando los procesos son ligeramente anormales se pueden utilizar los métodos de Pearson. Página 233 . por ejemplo si se traza el Límite Inferior de Especificación LIE en 200 psi. 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 esté en control ya sea en forma instantánea o durante el tiempo antes de evaluar la capacidad. Con esta gráfica se pueden estimar también los porcentajes de partes fuera de las especificaciones. En casos especiales como estos donde las variaciones presentes son totalmente inesperadas tenemos un proceso inestable ó impredecible. transformar los datos por Box Cox o usar Weibull.06 y desviación estándar S = 32. Nota: Es muy importante que el proceso sea normal. no existen causas asignables que puedan ser corregidas. y la única alternativa para reducir la variabilidad es con la intervención de la administración. de lo contrario se obtendrán resultados inexactos.02.

? ? ? ? ? ? ? Figura 6. con esta desviación estándar se determinan los índices de desempeño Pp y Ppk. 6.R C4 = Ídem al anterior para una carta X . S = Desviación estándar de la población d2 = Factor que depende del tamaño del subgrupo en la carta de control X .S Página 234 . La distribución será “predecible” en el tiempo.11 Comportamiento de un proceso dentro de control Cálculo de la desviación estándar del proceso   R d2  S C4 ó (Para cartas de control X-R y X-S respectivamente) Donde.10 Comportamiento de un proceso fuera de control Si las variaciones presentes son iguales. Predicción Tiempo Fig. se dice que se tiene un proceso “estable”. El factor C4 = 4(n-1)/(4n – 3).

7 (carta X .06 . s  1.S) De una carta de control X . después de que el proceso se estabilizó quedando sólo con causas comunes: x = 64.326 Si el límite de especificación es: LIE = 200.23 d 2 2.05 Por tanto estimando los parámetros del proceso se tiene:   x  100   s C4 = 1.05  1.3   33.23 El especificaciones.64 por tanto el proceso no cumple con las Ejemplo 6.06  3  33.R) De una carta de control X . R = 77. después de que el proceso se estabilizó quedando sólo con causas comunes: x  100.117 . = 0.En una carta por individuales. d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1) Ejemplo 6.8 (carta X .R (con subgrupo n = 5) se obtuvo lo siguiente.S (con subgrupo n = 5) se obtuvo lo siguiente.3 Por tanto estimando los parámetros del proceso se tiene:   x  media de medias   R 77. C pk   200  264.94 Página 235 .094 C4 para n = 5 tiene el valor 0.

Stat > Basic statistics > Normalita Test 4.05 Otra opción por medio de una gráfica de probabilidad normal.6 y Desviación estándar S = 32.12 Datos normales – Pvalue mayor a 0.984 6  1.117 Por lo tanto el proceso es capaz de cumplir con especificaciones.06 Estándar deviation Considerando Límites de especificaciones LIE = 200 y LSE = 330 Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue: 3. C pk  El Cp  El 105  100 3  1.02 con 1. 6.05 para que los datos se distribuyan normalmente Fig.492 105  85  2. se tiene: Página 236 . Capacidad de procesos con Minitab: normales y no normales Generar 100 datos aleatorios en Minitab con Media = 264.02 OK Mean 264.Si el límite de especificación es: LIE = 85 y el LSE = 105.117  1. Generate 100 Store in columns C1 32. Calc > Random data > Normal 2. Variable C1 Seleccionar Ryan Joiner test OK El P value debe ser mayor a 0.

13 Datos normales – Pvalue mayor a 0. Graph > Probability plot > Normal 6. Fig. determinar la capacidad con: Stat > Quality tools > Capability análisis > Normal Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330 Estimate R-bar OK Los resultados se muestran a continuación: Página 237 . Distribution Normal OK Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la distribución.5.05 Determinación de la capacidad del proceso Una vez comprobada la normalidad de los datos. Graph Variable C1 7. 6.

con esta se determinan los índices de capacidad potencial Cp y real Cpk.14 Capacidad del proceso Interpretación: La desviación estándar Within se determina en base al Rango medio y d2 (1.128 para n = 2). Opción Six Pack Para mostrar toda la información relevante: Determinar la capacidad con: Stat > Quality tools > Capability Six Pack > Normal Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330 Estimate R-bar OK Los resultados se muestran a continuación: Página 238 . La desviación estándar Overall se determina con la desviación estándar de todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n – 3). con esta desviación estándar se determinan los índices de desempeño Pp y Ppk así como el desempeño Overall. 6.Fig. no importando si el proceso está en control o no. en este último caso los valores no tienen significado práctico. lo cual es adecuado para un proceso en control o normal.

15 Resultados de capacidad del proceso Six Pack En este caso de la gráfica de probabilidad normal.5 Determinar la capacidad con: Stat > Quality tools > Capability análisis > NoNormal Página 239 . El límite superior de especificación (USL) = 3. Ejemplo en Minitab En una compañía se manufacturan losetas para piso. Generar 100 datos aleatorios en Minitab con Factor de forma = 1. el problema que se tiene es referente a la deformación en las mismas. los datos siguen una distribución normal. Factor de escala = 1 con Calc > Random data > Weibull Generate 100 Store in columns C1 Threshold parameter 0 OK Shape parameter 1. Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de capacidad de procesos es mediante la distribución Weibull.2 Scale parameter 1 Considerando Límites de especificaciones LIE = 0 y LSE = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e interprete los resultados. Se toman 100 mediciones durante 10 días.Figura 6. Capacidad de procesos no normales.

33 También observamos que PPM > USL 3.Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3. Lo cual quiere decir que en algunos casos la deformación será mayor a 3. se refieren a la capacidad del proceso a largo plazo. Sin embargo observamos que algunos datos caen fuera del límite superior de especificación.795 PPM estarán fuera de los límites de especificaciones.5 Estimate R-bar OK Los resultados se muestran a continuación: El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y los datos. 6.85<. También se cuenta con la opción Six Pack para esta opción.16 Determinación de la capacidad del proceso por Weibull . Análisis de capacidad con experimentos diseñados El diseño de experimentos es un método sistemático para variar el nivel de los parámetros controlables del proceso y analizar sus efectos en los resultados 33 Los índices Pp y Ppk son similares a los índices Cp y Cpk .1. Fig.Datos no normales El índice Ppk y Ppu33 = 0.795 lo cual significa que aproximadamente 3.85 lo cual nos dice que el desempeño del proceso no es capaz ya que 0. ya que la curva muestra buen ajuste.5 mm. Página 240 .

6.5 1 12 18 19 18.5 1 6 23 21 22 2 7 22 21 21.16 Cartas X-R del estudio Página 241 .finales o productos.5 1 20 19 19 19 0 Figura 6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN Error rror del equipo de medición En cualquier problema que involucre mediciones.medición (6. o sea: 2 2  total   2producto   equipo .5 1 8 19 17 18 2 9 24 23 23.5 1 16 26 26 26 0 17 20 20 20 0 18 19 21 20 2 19 25 26 25.5 1 2 24 23 23.5 1 10 25 23 24 2 11 21 20 20. De esta forma se puede determinar el nivel de los parámetros que optimizan el proceso.13) Ejemplo 6.5 1 4 27 27 27 0 5 19 18 18. de la variabilidad total parte de la variabilidad observada es debida al producto mismo y parte es debida a la variación del equipo de medición.5 1 13 23 25 24 2 14 24 24 24 0 15 29 30 29.8 Tomando 20 partes y evaluándolas 2 veces por un mismo operador con el mismo instrumento de medición. se obtienen los resultados mostrados a continuación: OP1IN OP1I XPARTS 1 N2 media Rango 1 21 20 20.5 1 3 20 21 20.

17 Cartas de control X-R de las mediciones del operador en sus dos intentos Notar que la carta X indica muchos puntos fuera de control. La desviación estándar del error de medición. Si hubiera puntos fuera de control..3 LCL=20. de tal forma que 2. denominado P/T.Xbar-R Chart of C1.42 20 1 1 1 3 5 1 1 1 7 1 9 11 Sample 13 15 17 19 UCL=3.66 de error de medición se puede asignar al error del instrumento de medición.18 __ X=22. En este caso la carta R está en control. indica que el operador tiene dificultad para utilizar el instrumento..128 Como la distribución del error de medición es aproximadamente normal. La carta R representa las diferencias entre mediciones de la misma unidad con el mismo instrumento. C2 30 1 Sample Mean 1 1 1 25 UCL=24.267 Sample Range 3 2 _ R=1 1 0 LCL=0 1 3 5 7 9 11 Sample 13 15 17 19 Figura 6.0   0. 6instrumento = 6 (0. lo cual es normal ya que se espera que el instrumento distinga las diferentes unidades de producto. entonces 6instrumento es un buen estimador de la capacidad del instrumento de medición. Es usual comparar la capacidad del instrumento de medición contra el rango de las especificaciones (LSE – LIE).887 d 2 1.32.. como sigue: Página 242 . . En este caso.887) = 5. instrumento puede estimarse como:  instrumento  R 1. indicando que el operador no tiene dificultad para realizar las mediciones en forma consistente.

15) Para el ejemplo se tiene: Página 243 .32    0.167 StDev 3.887) 5. Basado en su precisión debe ser al menos de 0. La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del instrumento de medición.045 La variabilidad del instrumento de medición también puede expresarse como un porcentaje de la variabilidad de la característica del producto como sigue:  instrumento x100  producto (6.172 SE Mean 0. Por tanto.097 T 60  5 55 Los valores de P/T menores a 0.300 21.1 de la tolerancia de la característica evaluada.1 implican una capacidad adecuada del instrumento de medición.P 6 instrumento  T LSE  LIE (6.2748 Por tanto la desviación estándar de la característica del producto es:  = 3.0615  2 producto  2 total 2   instrument o = 10.7867 = 9.500 TrMean 22. 2  total  S2 2 2  2producto   total   instrument o De los datos del ejemplo se tiene: Variable OP1IN1 N 40 Mean Median 22.502 2  total  S2 = 3.14) Para el caso del ejemplo se tiene: P 6(0.0615 – 0.17 x 3.17 = 10.

6. instrumento x100  producto = 0.887 x100  29. PARTS OP1IN1 1 21 2 24 3 20 4 27 5 19 6 23 7 22 8 19 9 24 10 25 11 21 12 18 13 23 14 24 15 29 16 26 17 20 18 19 19 25 20 19 PARTS OP1IN1 OP3IN1 1 21 20 2 24 23 3 20 21 4 27 27 OP1I RANGO N2 1 20 1 23 1 21 1 27 0 18 1 21 2 21 1 17 2 23 1 23 2 20 1 19 1 25 2 24 0 30 1 26 0 20 0 21 2 26 1 19 0 OP1IN2 OP3IN2 1 20 1 24 1 19 0 28 OP2IN1 20 24 19 28 19 24 22 18 25 26 20 17 25 23 30 25 19 19 25 18 RANGO1 RANGO3 20 0 24 0 21 2 26 2 RANGO OP2IN2 2 OP3IN1 20 0 19 24 0 23 21 2 20 26 2 27 18 1 18 21 3 23 24 2 22 20 2 19 23 2 24 25 1 24 20 0 21 19 2 18 25 0 25 25 2 24 28 2 31 26 1 25 20 1 20 19 0 21 24 1 25 17 1 19 OP2IN1 OP2IN2 19 23 20 27 Página 244 21 24 22 28 2 1 2 1 RANGO OP3IN2 3 21 2 24 1 22 2 28 1 21 3 22 1 20 2 18 1 24 0 25 1 20 1 19 1 25 0 25 1 30 1 27 2 20 0 23 2 25 0 17 2 RANGO2 .9 Se tienen los datos de mediciones de 20 partes por 3 operadores. medición   repetibilidad   reproducibilidad (6.13% 3.16) Ejemplo 6.2 Rrepetibilidad y reproducibilidad (R&R) Se pueden determinar los componentes del error debidos a diferentes operadores (repetibilidad) y debidos al instrumento de medición en sí (reproducibilidad). haciendo 2 intentos cada uno como sigue. 2 2 2  error .045 6.

0  1. Del ejemplo.02 d 2 1. x 3 ) x min  min( x 1 .19 Por tanto la variabilidad total del error de medición es: Página 245 . por tanto: xmax = 22. x 3 ) R x  x max  x min  reproducibilidad  R x d2 considerando el número de operadores.15   1. x max  max( x 1 .28 y Rx=0.693.60.20)  1. xmin =22.32/1. y reproducibilidad = 0.32. d 2 =1. es decir.128 tomando d2 para n=2 lecturas La reproducibilidad es causada por diferencias entre los 3 operadores.5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 19 23 22 19 24 25 21 18 23 24 29 26 20 19 25 19 18 21 21 17 23 23 20 19 25 24 30 26 20 21 26 19 1 2 1 2 1 2 1 1 2 0 1 0 0 2 1 0 19 24 22 18 25 26 20 17 25 23 30 25 19 19 25 18 18 21 24 20 23 25 20 19 25 25 28 26 20 19 24 17 1 3 2 2 2 1 0 2 0 2 2 1 1 0 1 1 18 23 22 19 24 24 21 18 25 24 31 25 20 21 25 19 21 22 20 18 24 25 20 19 25 25 30 27 20 23 25 17 3 1 2 1 0 1 1 1 0 1 1 2 0 2 0 2 La media de los rangos medios para cada operador es: 1 1 R  ( R 1  R 2  R 3 )  (1. x 2 .693 = 0. x 2 .25  1.15 3 3 por tanto la desviación estándar de la repetibilidad es:  repetibilidad  R 1. se tiene que para 3 operadores.

68 94.5225 9.83 30.07898 3.02096 1.51 28. REYES 5 Source Variance %Contribution (of Variance) Total Gage R&R Repeatability Reproducibility Part-to-Part Total Variation 1.medición = 1.24384 5.192 = 1.00 9.01950 0.09 100.4801 10.0424 1.0030 9.43 1.00 Source StdDev (SD) Study Var (5. la capacidad del sistema de medición se reduce. medición   repetibilidad   reproducibilidad = 1.11 Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas siguientes (tomando 5. Es necesario entrenar al operador en el uso del instrumento de medición y en todo caso a encontrar otro equipo de medición.XBar/R Method Gage R&R for OP1IN1 Gage name: Date of study: Reported by: Tolerance: Misc: DISPOSITIVO DE PRUEBA 20 JULIO 2000 P.04 La relación P/T = 6 (1.2579 5.2 2 2  instrument .7058 31. Página 246 .03 90.56 9.91 9.04) / (60-5) = 0.05449 3.2504 0.88 0.37 Number of distinct categories = 4 De esta forma cuando se toman en cuenta ambas la repetibilidad y la reproducibilidad.15 sigmas): Gage R&R Study .92 100.022 + 0.0394 0.15*SD) %Study Var (%SV) %Tolerance (SV/Toler) Total Gage R&R Repeatability Reproducibility Part-to-Part Total Variation 1.8568 16.55 0.2806 15.47 31.08 instrumento.

Cuando sucede lo mencionado anteriormente tenemos un sistema de medición deficiente que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en realidad es satisfactorio. y en los análisis y conclusiones de los estudios de capacidad de los procesos. se puede caer en el riesgo de rechazar artículos que están en buen estado o aceptar artículos que están en mal estado. Lo anterior puede tener como consecuencia gastos innecesarios de reproceso al reparar un proceso de manufactura o de servicios. entre promedios de las mediciones hechas por diferentes operadores que utilizan un mismo instrumento de medición cuando miden las mismas características en una misma parte. cuando la principal fuente de variación se deriva del sistema de medición. Cuando los operadores no miden una pieza de manera consistente.3 R&R Capacidad de los sistemas de medición . Posibles Fuentes de la Variación del Proceso Variación del proceso Variación proceso.AIAG En muchas ocasiones las organizaciones no consideran el impacto de no tener sistemas de medición de calidad.6. el hecho de que las mediciones no sean exactas puede llevar a cometer errores en el cálculo. Por otro lado si los instrumentos de medición no están calibrados correctamente también se pueden cometer errores. real Variación deldel proceso. real Variación dentro de la muestra Repetibilidad Variación de la medición Variación originada Equipo de mediciòn por el calibrador Reproducibilidad Estabilidad Linealidad Sesgo Calibración Figura 6.6. O p e ra d o r -B O p e ra d o r -C Página 247 O p e ra d o r -A R e p r o d u c ib i l id a d .18 Diagrama de variabilidad observada en el proceso Definiciones Reproducibilidad: Es la variación.

20 Evaluación de la repetibilidad R E P E T I B IL I D A D Valor verdadero: Valor correcto teórico / estándares NIST 34 Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona Exactitud : Es la diferencia entre el promedio del número de medidas y el valor verdadero.En México se tiene el CENEAM o el Centro Nacional de Metrología Página 248 .19 Evaluación de la reproducibilidad Repetibilidad: es la variación de las mediciones obtenidas con un instrumento de medición. Figura 6.Figura 6. Resolución: La medición que tiene exactitud y precisión. 34 ·En EUA se tiene el NIST (National Institute of Standards ando Technology). cuando es utilizado varias veces por un operador. al mismo tiempo que mide las mismas características en una misma parte.

Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición. durante un período de tiempo prolongado.22 Evaluación de la estabilidad T i e m p o 1 Linealidad: diferencia en los valores de la escala. cuando se mide una sola de sus características.21 Evaluación de la precisión y exactitud . Página 249 . T i e m p o 2 Figura 6. a través del rango de operación esperado del instrumento de medición. hechas sobre el mismo patrón o sobre las mismas partes.Exacto y preciso (resolución) Exacto pero no preciso Preciso pero no exacto Figura 6.

para características no críticas. algunas de las variaciones observadas son debidas al proceso y otras son debidas al error o variación en Página 250 . reportar o eliminar por medio del ajuste. su resolución debe ser al menos 1/10 de la variabilidad del proceso. Importante: para que el equipo de medición tenga una discriminación adecuada en la evaluación de las partes. <10% Aceptable 10-30%.  V a lo r V e rd a d e ro S e s g o Figura 6.Valor verdadero Valor verdadero Sesgo Menor Sesgo mayor (rango inferior) (rango superior) Rango de Operación del equipo Figura 6. Puede ser aceptable. cualquier variación en la exactitud del instrumento.24 Evaluación de la exactitud o sesgo Calibración: Es la comparación de un estándar de medición con exactitud conocida con otro instrumento para detectar. >30%. ¡Inaceptable! En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como máximo. En cualquier problema que involucre mediciones. Error sistemático o desviación.23 Evaluación de la linealidad Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero.

19 = 0.00 0.45 0.10 0.Se calcula el rango de la medición de cada parte y al final el rango promedio. La variación total es expresada de la siguiente manera:  2 total   2 proceso   2 error mediciòn Estudios R&R .07 / 1.4% Por tanto el sistema de medición requiere mejora Figura 6.05 0.Método Corto del Rango Es un método que proporciona un valor aproximado del error R&R sin que muestre las diferencias entre errores por el equipo y por los operadores.Se usan dos evaluadores y cinco partes.80 0.50 0.55 0.75 0.07 GRR = Rmedio / d2* = 0. La desviación estándar de R&R se aproxima con la formula de rango medio entre d2*.10 Rango medio = 0.25 Método corto del rango Página 251 .0588 Desv.05 1.los sistemas de medición. Proceso ) = 81.95 0.60 0. Estándar del proceso = 0.85 0. El % de R&R se calcula comparando la desv. Cada evaluador mide cada parte una sola vez.0722 %GRR = 100 (GRR / Desv.B 0.05 0. Est. Estándar de R&R con la del proceso Partes 1 2 3 4 5 Evaluador A Evaluador B Rango A.35/5 = 0.70 0.

Rango Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la Repetibilidad. Repita los pasos 3-4 hasta completar el número requerido de ensayos Determine las estadísticas del estudio R&R Repetibilidad Reproducibilidad % R&R Desviaciones estándar de cada uno de los conceptos mencionados Análisis del porcentaje de tolerancia Analice los resultados y determine las acciones a seguir si las hay. Las partes deben seleccionarse al azar. Página 252 . Haga que el primer operador mida todas las muestras una sola vez. Método de Promedios. La resolución del equipo de medición debe ser de al menos el 10% del rango de tolerancia o del rango de variación del proceso. Haga que el segundo operador mida todas las muestras una sola vez. cubriendo el rango total del proceso.Estudio de R&R Método largo • Generalmente intervienen de dos a tres operadores • Generalmente se toman 10 unidades • Cada unidad es medida por cada operador. Es importante que dichas partes sean representativas del proceso total (80% de la variación) 10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de medición a menos que se cumpla el punto anterior. Continúe hasta que todos los operadores hayan medido las muestras una sola vez (Este es el ensayo 1). siguiendo un orden al azar. Marque cada pieza con un número de identificación que no pueda ver la persona que realiza la medición. 2 ó 3 veces. Los cálculos son más fáciles de realizar. Procedimiento para realizar un estudio de R&R Asegúrese de que el equipo de medición haya sido calibrado. siguiendo un orden al azar. Métodos de estudio del error R&R: I.

Calcula las varianzas en forma más precisa. Método ANOVA Permite separar en el sistema de medición lo referente a la Reproducibilidad y a la Repetibilidad.II. El Método ANOVA es más preciso Cálculos con Excel o manual: Introducir los datos en la hoja de colección de datos siguiente por cada operador y hacer los cálculos indicados en la zona gris: Página 253 . También proporciona información acerca de las interacciones de un operador y otro en cuanto a la parte. Los cálculos numéricos requieren de una computadora.

Página 254 .

Página 255 .

Página 256 .

Página 257 .

004290417 X LS LICX Figura 6.Una vez colectados los datos proceder a realizar la carta de rango R y observar que esté en control.004717 LICX = 0. de otra forma repetir las mediciones para ese operador y parte específica errónea.26 Comportamiento de la carta de control de medias para el ejemplo Se procede posteriormente a determinar los errores o variabilidad del sistema de medición con la hoja de trabajo siguiente.005143 X = 0.26 Comportamiento de la carta de control de rangos para el ejemplo Ahora revisar la carta X media. calculando los campos con sombra gris: Página 258 . debe tener al menos el 50% de puntos fuera de control indicando que identifica las variaciones en las diferentes partes presentadas: LSCX = 0. Figura 6.

27 Gráfica que muestra el comportamiento de las mediciones de los operadores Método X Barra .Interpretación de los resultados 1. cada parte es medida dos veces por tres operadores. 2. Ejemplo 2 (MINITAB) Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue: Figura 6. Página 259 . si el equipo se usa para control del proceso. Realice un estudio R&R mediante el método Xbar-R. El porcentaje de error R&R no debe exceder del 10%.R Se seleccionan 10 muestras de un proceso de manufactura. El número de categorías debe ser de al menos 4 indicando que el equipo distingue las partes que son diferentes. la referencia es la variación total del proceso. si el equipo se usa para liberar producto terminado la referencia es la tolerancia del cliente.

0045 0.OPERAD OR Muestra A.004 0.0040 6 0.0045 0.0045 0.005 0.0050 0.0050 7 0.0050 5 0.0045 0.0040 0.0465 0.0050 0.0055 0.0045 0.0050 0.0045 0.0050 0.colum colum colum na 6 na 7 na 9 2do 3er 1er Intento Intento Intento 1 0.0055 0.0460 colum na 10 2do Intento colum na 11 3er Intento Capture los datos en la hoja de trabajo de Minitab en tres columnas C1.0045 0.0500 0.0045 0.0045 0.0485 0.0045 0.0045 0.0475 0.005 0.0050 0.0045 0.0055 0.0045 3 0.0055 0. C2.0050 0.0050 0.0045 0.0045 0.0045 0.0050 0.0040 0.0470 0.0045 0.0050 0.0045 0.005 0.0055 0.0465 0.005 0.0045 0.0055 0.0040 0.0055 0.0040 0.0045 0.0045 0.005 0.005 0.006 0.0045 0.0045 0.0060 0.0045 0.0045 0.0045 0.0055 0.0050 0.0045 0.0045 0.0040 0.0040 0.0040 4 0.0045 0.0045 0.0045 0.0050 0.0045 Partes 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 Operador es 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Página 260 Medici ón 0.0045 0.0455 0.005 0.0045 0.0050 0.0060 0.0050 0.004 0.004 0.0045 0.0050 0.0045 0.0050 0.0050 0.colum colum colum na 2 na 3 na 5 2do 3er 1er Intento Intento Intento C.0045 0.0055 0.0050 0.0050 0. C3 Partes 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 Operador es 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Medici ón 0.0045 2 0.0045 0.0045 Partes 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 Operador es 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 Medición 0.colum na 1 1er Intento B.006 0.0045 0.005 0.005 0.005 0.0045 0.0050 0.0045 0.0045 0.0055 0.0045 0.0045 0.0040 0.0045 0.0045 0.0050 0.0050 0.0050 0.0055 0.0045 0.0045 0.005 0.0050 9 0.0045 10 0.0045 0.0050 8 0.0045 0.0050 0.0045 0.0045 .005 0.0045 0.005 0.0045 0.0040 0.0050 0.0045 0.0050 0.005 0.0050 0.0050 0.0045 0.0045 0.0045 0.0470 0.0045 Totales 0.

005 0.005 0.0045 0.15 Process tolerante 0.0001384 0.0000001 59.0045 0.52 0.0045 0.0045 0.0045 0.0045 0.0055 0.6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0.65 6.0000001 100.005 0.004 0.19 Number of Distinct Categories = 1 Análisis de los resultados: El error de R&R vs tolerancia es 21.0045 0.004 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 0.0045 0.0003867 Study Var (5.00 %Tolerance (SV/Toler) 21.005 0.0012675 0.0045 0.00 Source Total Gage R&R Repeatability Reproducibility Part-To-Part Total Variation StdDev (SD) 0. C3 (Medición) Método de Análisis X Bar and R En Options Seleccionar: Study variation 5.005 0.0045 0.005 0.XBar/R Method Source Total Gage R&R Repeatability Reproducibility Part-To-Part Total Variation %Contribution VarComp (of VarComp) 0.005 0.0000269 0.0045 0.005 0.005 0.0019913 %Study Var (%SV) 64.004 0.0002970 0.005 0.005 0.006 Los resultados se muestran a continuación: Gage R&R Study .004 0.0012750 0.0045 0.03 63.0000001 41.0045 0.005 0.005 0.0002461 0.004 0.005 0. Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4 indicando que el instrumento discrimina las diversas partes diferentes.00 0.0000001 40.25% y vs variación total del proceso es 64.0045 0.12 2.03% lo que hace que el equipo de medición no sea adecuado para la medición.004 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0.0000000 0.25 21. Página 261 .0045 0.49 33.00 0.0045 0.0045 0.005 0.15 * SD) 0.005 0.0015295 0.0045 0. C2 (operador).81 100.005 0.0045 Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R (Crossed) Seleccione C1 (parte).48 0.0002476 0.0045 0.95 76.004 0.31 25.

004290 1 0.0040 1 2 3 4 5 6 Partes 7 8 9 10 Figura 6.0000001 Página 262 F 12.0000002 0.0000010 0.15 Process tolerante 0. lo cual debería ser al menos el 50%.004 Xbar Chart by Operadores 1 5 6 Partes Datos by Operadores UCL=0.0000 LCL=0 1 9 10 2 Operadores 3 Operadores UCL=0.0045 LCL=0.0000063 MS 0.004 Gage R&R Repeat Reprod 1 Part-to-Part 2 3 R Chart by Operadores Sample Range 1 2 3 0.000417 0.0000086 0. C2 (operador). indicando que el equipo no discrimina las diferentes partes.006 0.005 40 0 0. La gráfica X barra sólo presenta 5 de 30 puntos fuera de control.0045 0.7398 P 0.001073 0.004717 Average Sample Mean 2 7 0.0050 2 3 0.25 Los resultados se muestran a continuación: Gage R&R Study .ANOVA Method Two-Way ANOVA Table With Interaction Source Partes Operadores Partes * Operadores Repeatability DF 9 2 18 60 SS 0.27 Resultados del estudio R&R por el método de Xbarra-R La gráfica R se mantiene en control indicando que las mediciones se realizaron en forma adecuada.0005 _ R=0.2885 0.006 Alfa to remove interaction 0.0050 8 Operadores * Partes I nteraction 3 _ X=0.0040 0.005143 0.757 .0000014 0.000 0.005 0.006 % Contribution % Study Var % Tolerance 0.0000001 0. Ejemplo 3: por el Método de ANOVA se tiene: Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R (Crossed) Seleccione C1 (parte).9605 0.0000001 0.Gage R&R (Xbar/ R) for Datos Reported by: Tolerance: Misc: Gage name: Date of study: Components of Variation Datos by Partes Percent 80 0.401 0. C3 (Medición) Método de Análisis ANOVA En Options Seleccionar: Staudy variation 5.0010 4 0.

0000002 0.000 0.00 Study Var %Study Var StdDev (SD) (5.0000086 0.0000001 0.04 Repeatability 27.00 Operadores 0.36 0. y los errores de R&R indican que equipo de medición no es adecuado.88 %Contribution (of VarComp) 50.0000001 0.54 Total Variation 37.0000000 0.0000165 Los operadores y la interacción no fueron significativos.0000000 0.00 Part-To-Part 26.36 0.67145 0.0000001 0. sólo las partes Two-Way ANOVA Table Without Interaction Source Partes Operadores Repeatability Total DF 9 2 78 89 SS 0.0000000 0.0016222 71.07 100.15 * SD) (%SV) 0. Página 263 .0022731 100.93 0.0003092 0.0015923 70.0004414 0.0000000 0.473 Gage R&R %Tolerance Source (SV/Toler) Total Gage R&R 27.00 0.00 Number of Distinct Categories = 1 La interacción no es significativa.00 0.75592 P 0.0000001 F 9.0000000 0.0003150 0.0000165 Source Total Gage R&R Repeatability Reproducibility Operadores Part-To-Part Total Variation VarComp 0.0000077 0.00 49.0003150 0.Total 89 0.00 0.0000001 0.0000000 0.05 0.04 Reproducibility 0. ni el número de categorías.0016222 71.0000002 MS 0.0000010 0.93 50.

los niveles en un estudio de gustación de comida que puede incluir dulce.0000 LCL=0 1 8 9 10 2 Operadores 3 Operadores * Partes I nteraction 3 Operadores UCL=0.004 Gage R&R Repeat Reprod 1 Part-to-Part 2 3 R Chart by Operadores Sample Range 1 2 3 0.28 Resultados del estudio R&R por el método de ANOVA Las conclusiones son similares que con el método de X barra – R. Las mediciones son calificaciones subjetivas de la gente en vez de mediciones físicas.006 % Study Var % Tolerance 40 0 0.005143 _ X=0.0005 _ R=0.004290 Average Sample Mean 0.000417 0. la utilidad de la evaluación es limitada. más de un evaluador debe calificar la medición de respuesta. Los datos ordinales son variables categóricas que tienen tres o más niveles con ordenamiento natural. Los datos pueden ser texto o numéricos. Estudios de R&R por atributos Ejemplo 4. tales como: en desacuerdo total.0040 1 2 3 4 5 6 Partes 7 8 9 10 Figura 6. Las calificaciones asignadas pueden ser Nominales u ordinales.0040 0. Calificaciones de color.004717 0.0050 2 7 0.001073 0. Para obtener clasificaciones significativas. Algunos ejemplos incluyen: Calificaciones de desempeño de los automóviles Clasificación de calidad de las fibras como “buena” o “mala”. En estos casos la característica de calidad es difícil de definir y evaluar.0010 4 1 0. existe la posibilidad de que las apreciaciones sean exactas. Se utiliza el análisis de acuerdo por atributos para evaluar las calificaciones nominales u ordinales proporcionadas por varios evaluadores.005 0.004 Xbar Chart by Operadores 1 5 6 Partes Datos by Operadores UCL=0. aroma y gusto del vino en una escala de 1 a 10. Si hay discrepancias.0050 2 3 0. Comparación pasa no pasa Página 264 .006 0. Los datos nominales son variables categóricas que tienen dos o más niveles sin orden natural. Ejemplo 4. salado o picoso. de acuerdo. en desacuerdo. neutral.005 0. Por ejemplo.0045 LCL=0. Si los evaluadores están de acuerdo. y completamente de acuerdo.Gage R&R (ANOVA) for Datos Reported by: Tolerance: Misc: Gage name: Date of study: Components of Variation Percent 80 Datos by Partes % Contribution 0.0045 0.

Un inspector “experto” realiza una evaluación de cada parte. 1. 2. 3. 6 En Known standard/attribute. Estas unidades deben representar el espectro completo de la variación del proceso (buenas.xls para cuantificar la efectividad del sistema de medición. independientemente y en orden aleatorio. Cada persona evaluará las unidades. Sistema de Medición de Atributos Pasa no pasa –Instrucciones en Minitab 1 Usar los datos anteriores. erroneas y en límites). 4. Ingresa los datos en el archivo Attribute Gage R&R. La efectividad de la discriminación es la habilidad del sistema de medición de atributos para discriminar a los buenos de los malos. 2. con Persona 1A .Persona 2B. Selecciona un mínimo de 20 unidades del proceso.Un sistema de medición de atributos compara cada parte con un estándar y acepta la parte si el estándar se cumple. clasificándola como “Buena” o “No Buena”. poner Atributo 7 no Checar Categories of the attribute data are ordered y poner OK Los resultados se muestran a continuación: Página 265 . 2. 4 En Number of appraisers. 3 En Multiple columns. y las definirá como “Buenas” o “No Buenas”. 5 En Number of trials. 2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.

29 Resultados del estudio de R&R comparativo por atributos Página 266 .Figura 6.

% de Efectividad de Selección es la medida de el acuerdo que existe entre los operadores. % de Efectividad de Selección vs. la siguiente guía se usa frecuentemente: Página 267 .Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador Interpretación de Resultados % del Evaluador es la consistencia de una persona. % Evaluador vs Atributo es la medida de el acuerdo que hay entre la evaluación del operador y la del “experto”. Aunque el 100% es el resultado que deseamos obtener. en un estudio de repetibilidad y reproducibilidad de atributos. el Atributo es una medida general de la consistencia entre los operadores y el acuerdo con el “experto”.

Seleccionar Stat > Quality Tools > Attribute Agreement Analysis. -1. Una empresa está entrenando a cinco evaluadores para la porción escrita de un examen estándar de doceavo grado. Checar Categories of the attribute data are ordered y poner OK El contenido del archivo es como sigue: Sampl Attribu Appraiser e Rating te Simpson 1 2 2 Montgomery 1 2 2 Holmes 1 2 2 Duncan Hayes Simpson Montgomery Holmes 1 1 2 2 2 1 2 -1 -1 -1 2 2 -1 -1 -1 Duncan Hayes Simpson Montgomery Holmes 2 2 3 3 3 -2 -1 1 0 0 -1 -1 0 0 0 Duncan Hayes Simpson Montgomery Holmes 3 3 4 4 4 0 0 -2 -2 -2 0 0 -2 -2 -2 Duncan Hayes Simpson Montgomery Holmes Duncan 4 4 5 5 5 5 -2 -2 0 0 0 -1 -2 -2 0 0 0 0 Appraiser Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes Simpson Montgomer Página 268 Sampl e 8 8 9 Rating 0 0 -1 Attribu te 0 0 -1 9 9 9 9 10 -1 -1 -2 -1 1 -1 -1 -1 -1 1 10 10 10 10 11 1 1 0 2 -2 1 1 1 1 -2 11 11 11 11 12 -2 -2 -2 -1 0 -2 -2 -2 -2 0 12 12 12 12 13 13 0 0 -1 0 2 2 0 0 0 0 2 2 . En Samples. Se requiere determinar la habilidad de los evaluadores para calificar el examen de forma que sea consistente con los estándares. Cada uno de los evaluadores califica 15 exámenes en una escala de cinco puntos (-2. poner Sample. En Appraisers. En Attribute column.Ejemplo 5.MTW. poner Appraiser. En Known standard/attribute. poner Attribute. 1. 2): 1 2 3 4 5 6 7 Abrir el archivo File > Openworksheet > ESSAY. 0. poner Rating.

93258  0.71) Página 269 .73) Hayes                15         13    86. Kendall's Correlation Coefficient Appraiser      Coef   SE Coef        Z       P Duncan      0.54.00  (81.83) # Matched: Appraiser's assessment across trials agrees with the  known standard.89779  0.  99.90.00000  0.0000 Holmes      1.14667  0.33  (68.192450  5.0000 Montgomery  1.59.  98.05.93955  0. 67.96014  0.34.192450  4.67  (59.61554  0.79636  0.90.192450  4.00) Montgomery           15         15   100. 100.Hayes Simpson Montgomery Holmes 5 6 6 6 0 1 1 1 0 1 1 1 Duncan Hayes Simpson Montgomery Holmes 6 6 7 7 7 1 1 2 2 2 1 1 2 2 2 Duncan Hayes Simpson Montgomery Holmes 7 7 8 8 8 1 2 0 0 0 2 2 0 0 0 y Holmes Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes Simpson Montgomer y Holmes Duncan Hayes 13 13 13 14 2 2 2 -1 2 2 2 -1 14 14 14 14 15 -1 -1 -1 -1 1 -1 -1 -1 -1 1 15 15 15 15 1 1 1 1 1 1 1 1 Los resultados del análisis se muestran a ontinuación: Gage R&R for Datos  Assessment Agreement Appraiser   # Inspected  # Matched  Percent      95 % CI Duncan               15          8    53.0000 Simpson     0.00  (16.00  (81.14667  0.34) Holmes               15         15   100.192450  5.0000   Between Appraisers  Assessment Agreement # Inspected  # Matched  Percent      95 % CI          15          6    40.192450  4.00000  0.00) Simpson              15         14    93. 100.  78.33  (26.0000 Hayes       0.

847348  0.796066  0. Fleiss' Kappa Statistics Response     Kappa   SE Kappa        Z   P(vs > 0) ­2        0.0000 2         0. 67.0000 * NOTE * Single trial within each appraiser.680398  0.0207     0.0816497   9.3822     0.850932  0.0000 Kendall's Correlation Coefficient     Coef    SE Coef        Z       P 0.0816497   7.802932  0.115470   6.707602  0.3210     0.115470   7.0860663  11.0816497   8.0816497   7.3383     0.3331     0.966317   67.0000 Kendall's Coefficient of Concordance     Coef  Chi ­ Sq  DF       P 0. No percentage of  assessment agreement within appraiser is plotted.831455  0.0000 Overall   0.0412331  16.6663     0.# Matched: All appraisers' assessments agree with each other.00  (16.8687     0.958102  0.71) # Matched: All appraisers' assessments agree with the known  standard.0816497   8.0000 ­1        0.115470   7.0000 0         0.3693     0.602754  0.1136     0.9536     0.34.0000 Overall   0. Fleiss' Kappa Statistics Response     Kappa  SE Kappa        Z  P(vs > 0) ­2        0.736534  0.0000 0         0.842593  0.6422  14  0.1100  0.0000 ­1        0.0000  All Appraisers vs Standard  Assessment Agreement # Inspected  # Matched  Percent      95 % CI          15          6    40.8941     0.642479  0.0000 1         0.115470   6.0000 2         0. Página 270 .115470   7.672965  0.058911  14.2971     0.0000 1         0.

El coeficiente de Kendall entre evaluadores es 0.958192 (p = 0.0).31 Resultados del estudio de R&R por atributos Interpretación de resultados Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar. En general estos estadísticos sugieren buen acuerdo. Hayes y Simpson requieren entrenamiento adicional.Date of study: Reported by: Name of product: Misc: Assessment Agreement Appraiser vs Standard 100 95. Se puede concluir que Duncan.966317 (p = 0. Estándar proporciona una vista gráfica de cada uno de los evaluadores vs el estándar.0).0%  CI Percent Percent 80 60 40 20 0 Duncan Hayes Holmes Appraiser Montgomery Simpson Figura 6. para todos los evaluadores vs estándar es 0. Los estadísticos de Kappa y Kendall también se incluyen en cada una de las tablas. La gráfica de Evaluadores vs. Método sencillo Tomar 50 piezas. Entre evaluadores y Todos los evaluadores vs estándar. los dispositivos o gages “pasa. pudiendo comparar fácilmente la determinación de acuerdos para los cinco evaluadores. 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%. no pasa” no son confiables Página 271 . Sin embargo la observación del desempeño de Duncan y Haues indica que no se apegan al estándar.

7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha
estado siendo desplazado por métodos preventivos como el CEP y el diseño de
experimentos.
Si se recibe un lote de un proveedor, se toma una muestra y se evalúan
algunas de las características del producto, en base a los resultados se toma
una decisión sobre la disposición del lote, ya sea aceptados para su uso en
producción, o rechazados para que el proveedor tome acciones.

Fig. 7.1 Proceso de inspección por muestreo
Hay 3 aspectos importantes del muestreo:
Su propósito es calificar los lotes, no estimar los parámetros del lote.
No proporcionan un mecanismo de control de calidad, simplemente aceptan o
rechazan lotes.
Sirven como herramienta de auditoría para segurar que la calidad de un lote
esté de acuerdo a especificaciones.
Existen 3 alternativas para calificar un lote:
Aceptar sin inspección. Con proveedores confiables.
Inspeccionar al 100%, separando los productos defectuosos.
Realizar un muestreo de aceptación.
La aceptación por muestreo es más util en las situaciones siguientes:
Cuando las pruebas son destructivas.
Cuando el costo de la inspección 100% es muy alto.
Cuando la inspección 100% es muy tardada.
Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
Cuando hay riesgo de generar problemas legales por productos críticos.

Página 272

VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspección por muestreo, se tienen las ventajas siguientes:
Es más barato, requiriendo menos inspección.
Existe un menor manejo de producto o menor daño.
Se aplica a pruebas destructivas.
El rechazar un lote completo en lugar de sólo las partes defectivas, motiva al
proveedor a mejorar su calidad.
El muestreo de aceptación también presenta varias desventajas:
Existe el riesgo de “aceptar” lotes malos y de “rechazar” lotes buenos.
La información que se genera respecto al producto o proceso es poca.
El muestreo de aceptación requiere documentación y planeación, no así la
inspección 100%.
TIPOS DE PLANES DE MUESTREO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables
y atributos. Una característica se expresa en variables si se puede medir, o en
atributos si se califica como “pasa no pasa”.
Un plan de muestreo simple es un procedimiento de calificación de lotes,
donde se toma una muestra aleatoria de n partes y la disposición del lote es
determinada dependiendo de los resultados de la muestra, aceptándose si se
encuentran hasta c productos defectivos.
Un plan de muestreo doble implica que después de tomar una muestra e
inspeccionar, se toma una decisión de (1) rechazar, (2) aceptar o (3) tomar una
segunda muestra, si esto sucede, se combina la información de la primera y de
la segunda para tomar una decisión.
Un plan de muestreo múltiple es una extensión del doble, en el cual más de
dos muestras pueden ser necesarias antes de tomar una decisión. Los tamaños
de estas muestras son más pequeños que en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote después de un cierto número
de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares
con cualquiera de las modalidades anteriores.
FORMACIÓN DE LOTES
Para inspección de lotes, estos deben cumplir las características siguientes:
Deben ser homogéneos, las unidades deben ser producidas por las mismas
corridas de producción, en condiciones similares. Es difícil tomar acciones
correctivas para lotes mezclados.

Página 273

Lotes grandes son preferibles a lotes pequeños, dado que la inspección es más
eficiente.
Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de daño
y permitir la selección de muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes
de las capas superiores, sino de preferencia numerar las partes con un número
y seleccionar con tablas de números aleatorios o también se puede estratificar
el lote.
GUÍA DE APLICACIÓN DE PLANES DE MUESTREO
Un plan de aceptación es el establecimiento del tamaño de muestra a ser
usado y el criterio de aceptación o rechazo para calificar lotes individuales.
Un esquema de aceptación es un conjunto de procedimientos de planes de
aceptación en los cuales se relacionan los tamaños de lote, tamaño de
muestra, criterio de aceptación o rechazo, la cantidad de inspección 100% y de
muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los
procedimientos de muestreo de aceptación son:
Objetivos

Procedimiento
por atributos

1. Asegurar niveles de calidad
Para el consumidor y productor
curva OC

Procedimiento
por Variables

Plan específico
en base a curva OC

Plan específico
en base a

2. Mantener la calidad en el
objetivo

Sistema de AQL
MIL-STD-105E

3. Asegurar el nivel de
calidad de salida

Sistema de AOQL Sistema de AOQL
de Dodge-Romig

6. Asegura la calidad no
con
menor que el objetivo

Planes LTPD de
de Dodge-Romig

Sistema de AQL
MIL-STD-414

Planes LTPD
prueba de hipótesis.

Los clientes están enfocados a mejorar la calidad de sus proveedores,
seleccionando a los mejores y trabajando en forma cercana para reducir su
variabilidad, con técnicas de control estadístico del proceso. El muestreo de
aceptación se utiliza mientras se mejora la calidad con el proveedor.
7.2 MUESTREO SIMPLE POR ATRIBUTOS
Muestreo aleatorio simple

Página 274

Un plan de muestreo simple se define por su tamaño de muestra n y el número
de aceptación c. El tamaño del lote se especifica como N.
Por ejemplo si se tiene el plan:
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspección, si el número de productos defectivos observados en la muestra d
es menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
La curva OC
La curva característica de operación (OC) muestra la probabilidad de aceptar el
lote (Pa o  en el eje Y), versus la fracción defectiva media en el lote (p en el
eje X), mostrando la potencia de discriminación del plan de muestreo.

Fig. 7.2 Curva característica de operación y plan de muestreo
La curva característica de operación se obtiene graficando p versus la
probabilidad binomial de encontrar y aceptar a lo más c defectivos o sea:
c

n!
p d (1  p ) n  d
d  0 d !( n  d )!

Pa  P{d  c)  

(7.1)
Esto mismo se puede aproximar por la distribución de Poisson para efectos
prácticos.
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución
binomial acumulada (opción VERDADERA en Excel) se muestra a continuación:

Binomial=distr.binom(c, n, p, 1) ó Poisson=Poisson(c, n*p, 1)

Página 275

Fig. 7.3 Cálculo de la Curva característica de operación OC
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de
aceptación es de 0.74. Significa que de cada 100 lotes recibidos, se aceptarán
74 y se rechazarán 26.
A continuación se muestran algunas variaciones de la curva característica de
operación variando tanto como el criterio de aceptación c manteniendo n
constante y después manteniendo c como constante y variando n.
Manteniendo n constante y variando c se tiene:
n=
n=
n = 89,
p
89
89, c
c=0
c=1
=2
0.01
0.64
0.93 0.99
0.01
0.41
0.78 0.94
0.02
0.17
0.47 0.74
0.03
0.07
0.25 0.50
0.04
0.03
0.12 0.30
0.05
0.01
0.06 0.17
0.06
0.00
0.03 0.09
0.07
0.00
0.01 0.05
0.08
0.00
0.01 0.02
0.09
0.00
0.00 0.01

Página 276

Pa

c=0, 1,
2

P (fracción defectiva en el lote)
Figura 7.4 Curvas características de operación diversas para n = 89 y c =
variable
Para el caso en que lo que se varíe sea n se tiene:

n = 50,
p
c=2
0.9979
0.005 44
0.9861
0.01
83
0.9215
0.02
72
0.8107
0.03
98
0.6767
0.04
14
0.5405
0.05
33
0.4162
0.06
46
0.3107
0.07
89
0.2259
0.08
74
0.1605
0.09
4

n=
100,
c=2
0.985
9
0.920
6
0.676
7
0.419
8
0.232
1
0.118
3
0.056
6
0.025
8
0.011
3
0.004
8

n=
200, c
=2
0.9201
61
0.6766
79
0.2351
48
0.0592
91
0.0124
89
0.0023
36
0.0004
6.40E05
9.66E06
1.39E06

Pa
n=50, 100,
200 2

p (fracción defectiva en el lote)

Figura 7.5 Curvas características de operación diversas para n = variable y c
=2

Página 277

Puntos específicos en la curva OC Un consumidor frecuentemente fija de común acuerdo con su proveedor. La curva OC tipo B utiliza la distribución binomial o de Poisson cuando n/N < 0. DISEÑO DE UN PLAN DE MUESTREO EN BASE A CURVA OC En este método se especifican 2 puntos por los que debe pasar la curva OC. uno de ellos tiene coordenadas (p1. Inspección rectificadora Los programas de aceptación por muestreo normalmente requieren acción correctiva cuando los lotes son rechazados. normalmente esta fracción defectiva corresponde a una probabilidad de aceptación del 10% o rechazo del 90% de las veces. y con otra línea recta se hace coincidir p2 en el eje vertical izquierdo con  en el eje vertical derecho.95). con p1 > p2 . de tal forma que el proveedor los selecciona al 100% remplazando los artículos defectivos por buenos. En el nomograma se hacen coincidir con una línea recta el valor de p 1 en el eje vertical izquierdo con 1- en el eje vertical derecho. los puntos correspondientes en la curva OC se denominan riesgo del productor (1-) y riego del consumidor . que representa el nivel más pobre de calidad que el consumidor considera aceptable como promedio. Cuando p1 es igual al AQL y p2 es el LTPD. Por otra parte el consumidor quiere rechazar los lotes en la mayoría de los casos cuando tengan una fracción defectiva de a lo más un porcentaje defectivo tolerable en el lote (LTPD). Esta actividad se denomina inspección rectificadora por su impacto en la calidad de salida final hacia la planta. se utiliza cuando n/N >=0. Se utiliza el nomograma Binomial para encontrar los valores de n y c para el plan. ). sin embargo en los niveles donde n/N=0. normalmente es la fracción defectiva que tiene un 95% de ser aceptada ( = 0. La curva OC tipo A utilizando la distribución hipergeométrica se construye cuando se tiene un lote aislado de tamaño finito. CURVAS OC TIPO A y B.10. En el punto de cruce se encuentra el valor de n y de c del plan de muestreo simple. 1-) y el otro (p2 .1 ambas curvas A o B son muy parecidas. Página 278 . un nivel de calidad aceptable (AQL).1. También se el denomina Nivel de Calidad Rechazable. Ver nomograma y ejemplo en la página siguiente.

6 Inspección rectificadora (las piezas malas son reemplazadas y reintegradas al lote) Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 . Pa = 0. AOQ  Pa p ( N  n) N (7.01.0093 N 10000 AOQ  0.9397. algunos lotes serán aceptados y otros serán rechazados. Cuando N es grande respecto al tamaño de muestra n. denominada calidad promedio de salida AOQ. Como en la curva característica de operación (para n=89. contienen un núemro esperado de defectivos igual a Pap(N-n) con la cual se puede expresar una fracción defectiva media AOQ como sigue. en lotes de tamaño N se tiene: n artículos de la muestra no contienen defectivos.1 Suponiendo que N=10. c=2) cuando p=0.93% en lugar del 1% entrante. AOQ  Pa p (7. Los lotes rechazados serán seleccionados al 100% por el proveedor remplazando los artículos defectuosos por buenos después se integran a los lotes que ingresan a la planta obteniéndose una fracción defectiva p1 menor a la original.000.01. se tiene. c=2 y que la calidad de entrada p=0. después de la actividad de inspección bajo un plan de muestreo.3) La curva de AOQ versus p se muestra a continuación: Página 279 . N-n artículos los cuales si el lote se rechazó no contenían defectivos.Fig. 7. N-n artículos los cuales si el lote se acepta contienen p(N-n) defectivos. Así los lotes después del proceso rectificador.9397)(0. entonces el AOQ es: AOQ  Pa p ( N  n) (0.2) Ejemplo 7.01)(10000  89)   0.

para n = 89 y c = 2: p Pa ATIN=1000 0 0 0 1 1 1 98 144 329 ATIN=5000 ATIN=10000 140 385 1383 191 687 2700 Página 280 .55% defectivo. que se denomina límite de calidad de salida promedio AOQL el cual es aproximadamente 0.CURVA AOQ n=89.0155 o 1.2 Con N=10000.01.7 Curva de calidad de salida promedio (AOQ) De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la peor fracción defectiva de salida hacia la planta o proceso. c=2 y p=0. Como Pa = 0. c=2 Figura 7. n=89. Las curvas ATI para diferentes tamaños de lote se muestra a continuación. El número promedio de inspección total por lote es ATI.9397 se tiene: ATI = 89 + (1-0-9397)(10000 – 89) = 687 Siendo este el total de piezas que en promedio se inspeccionarán por lote. algunas por el cliente (n) y otras por el proveedor (N-n) en base al plan de muestreo.4) Ejemplo 7. igual a: ATI  n  (1  Pa)( N  n) (7.

El plan se define por los parámetros siguientes: n1 = tamaño de muestra en la primera muestra. n2 = tamaño de muestra en la segunda muestra. Suponiendo que: n1 = 50 c1 = 1 n2 = 100 c2 = 3 Página 281 . Muestreo doble. c2 = criterio de aceptación en la segunda muestra. c1 = criterio de aceptación en la primera muestra. haciendo más eficiente la inspección por muestreo. bajo ciertas circunstancias.8 Curvas de número de muestras inspeccionadas promedio por el cliente y por el proveedor Los planes de Dodge-Romig minimizan el ATI para un AOQL dado. se requiere una segunda muestra para calificar el lote. Al aplicar el plan el número de defectivos observados en la primera muestra es d1 y los defectivos observados en la segunda muestra es d 2. se pueden diseñar curvas CO equivalentes.0 0 0 0 0 0 0 0 0 0 0 0 0 0 546 723 843 916 957 979 990 2552 3506 4155 4549 4770 4887 4947 5060 6985 8295 9089 9536 9772 9892 ATI N=1000 0 N=500 0 N=100 p Figura 7. múltiple y secuencial Estos tipos de muestreo son extensiones del muestreo simple. PLANES DE MUESTREO DOBLE Un plan de muestreo doble es un procedimiento en el cual.

Insp. La inspección recortada si es más económica sin embargo proporciona menos información acerca del lote.5) donde P1 es la probabilidad de tomar una decisión en la primera muestra o sea: P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la primera muestra} Si por el contrario la inspección de los artículos se suspende cuando se encuentra un número de defectivos mayor al criterio de aceptación c 2 y no se inspeccionan todos los artículos. completa n = cte. el método se denomina inspección recortada. rechazándose si d1 >c2=3. Si d1 es igual a 2 o a 3. ASN  n1  n 2 (1  P1 ) (7. se inspecciona y se determina el número de defectivos d 2 . esta se forma con la probabilidad de aceptación en la primera muestra más la probabilidad de aceptación en la segunda muestra ya sea usando la distribución binomial o la de Poisson. el número promedio de artículos inspeccionados por muestra ASN es. ya que si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspección. O sea: Página 282 .En la primera muestra de n=50 artículos. CURVA CARACTERÍSTICA DE OPERACIÓN Del ejemplo anterior. se acepta el lote si el total de defectivos d1 <= c1=1. Se acepta el lote si [d1+d2 <= c2=3] y se rechaza en caso contrario.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspección completa y recortada Por tanto el muestreo doble es más económico que el simple sólo para ciertos valores de p. En ambas muestras la primera y segunda. por eso se denomina inspección completa. el comportamiento de ambos esquemas se muestra a continuación. se toma una segunda muestra de 100 artículos. recortada p Figura 7. la inspección se continua hasta inspeccionar todos los artículos. ASN Insp. si Pa es la probabilidad de aceptación.

06 0.04 0.052 1.000 0.07 0. es frecuentemente necesario diseñar un plan de muestreo doble tomando como referencia las coordenadas de la curva OC (p1.03 0.128 0.428 0.053 Pa Pa total Pa 1ª muestra Pa 2ª muestra p Figura 7.056 0.555 0.060 0.011 0.083 0.8) Fig.736 0.02 0.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble DISEÑO DE PLANES DE MUESTREO DOBLE Como en el caso del muestreo simple. ) ya sea con n1=n2 o con n2 = 2n1.022 1.190 0.001 0.971 1.047 1.08 0.036 0.819 0.976 0.877 0.279 0.126 0.005 0.971 0.194 0.083 0.05 0.908 0.083 0.400 0.004 0. Página 283 . Para lo que se emplean las tablas de Grubbs (ver páginas siguientes). 7. 1-) y (p2.023 0.01 0. Muestra 0.997 0.053 0.046 1.911 0.974 0.09 Pa (1º muestra) Pa(2a.929 0.290 0.000 0.Pa  PaI  PaII (7.611 0.7) P  P (d1  2 n1 ) xP(d 2  1 n 2 )  P(d 1  3 n1 ) xP(d 2  0 n2 ) II a (7.027 0.mues tra) Pa Total En 1a.7 Curva característica de operación bajo muestreo doble p 0.6) P  P (d1  1 n1 ) I a (7.

10) Pa  PaI  PaII donde PLANES DE MUESTREO MÚLTIPLE Un muestreo múltiple es una extensión del doble. se denomina muetreo secuencial de grupo.9) Asumiendo que todos los defectivos son remplazados por artículos buenos en los lotes rechazados. Sin embargo es más complejo de administrar. se acepta el lote. cuya magnitud será determinada por los resultados del proceso de muestreo. la curva de inspección total promedio es. de otra forma se sigue tomando una siguiente muestra. como Página 284 . si el número de defectivos es menor o igual al número de aceptación. Si el tamaño del subgrupo inspeccionado en cada etapa es mayor que uno. la curva AOQ está dada por. ATI  nPaI  ( n1  n 2 ) PaII  N (1  Pa ) (7. MUESTREO SECUENCIAL Es una extensión de los planes anteriores. Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el caso del simple o del doble.INSPECCIÓN RECTIFICADORA Cuando se usa el esquema de inspección rectificadora. se rechaza el lote. donde pueden requerirse más de dos muestras para calificar el lote. con una mejor eficiencia de inspección. si es uno. por ejemplo un plan de 5 etapas es el siguiente: Muestra acumul ada 20 40 60 80 100 Aceptar 0 1 3 5 8 Rechazar 3 4 5 7 9 Al terminar cada etapa de muestreo. aquí se toma una secuencia de muestras del lote. Si en cualquier etapa el número de defectivos acumulado excede el número de rechazo. AOQ  {PaI ( N  n1 )  PaII ( N  n1  n 2 )} p N (7.

una de aceptación y otra de rechazo. =0.05. las ecuaciones de las líneas son: X ACEPTACION   h1  sn (7. p2=0.52 2.01.80066 h1=1.10.22 + 0.626 -1 Xa Xr n Xa Xr 2 2 24 25 -0. basado en Wald (1947). teniendo como dato las coordenadas de la curva OC (p 1.028 Por tanto las ecuaciones de las líneas de aceptación y rechazo son: XA= -1. MUESTREO SECUENCIAL n Xa Xr 1 2 -1.11) X RECHAZO  h2  sn  1   k h1   log    1   h2   log     k  (7.028n Línea de aceptación Línea de rechazo Haciendo una tabla de valores donde el número de aceptación es el entero más próximo menor que o igual a XA y el número de rechazo es el entero más próximo superior que o igual a XR.57 s=0.57 + 0. se denomina muestreo secuencial artículo por artículo.22 h2=1.548 -0.028n XB= 1. =0.192 -1.242 2.es nuestro caso.598 -1 1.164 1. ).27 Página 285 Xa -1 -1 Xr 3 3 .06. se tiene al substituir valores en las ecuaciones anteriores: k = 0. En este caso se tienen 2 líneas.12) p 2 (1  p1 ) p1 (1  p 2 ) k  log  1  p1  1  p2 s  log     k  Ejemplo 7. 1-) y (p2.3 Si p1=0.

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 -1.654 1.774 2.326 2.13 2.072 -0.012 0.884 -0.738 1.212 -0.044 -0.102 2.688 -0.052 -1.1 -0.136 -1.69 2.382 2.632 -0.962 1.158 2.464 -0.856 -0.66 -0.912 -0.604 -0.55 2.718 2.268 -0.716 -0. 44 en este caso.296 -0.128 -0.298 2.466 2.41 2.184 -0.968 -0.934 1.71 1.858 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 En este caso no se puede tomar una decisión de aceptación hasta que hayan transcurrido las suficientes muestras.682 1.24 -0.794 1.822 1.074 2.354 2.016 0.606 2.018 2.04 0.156 -0.744 -0.94 -0.522 2.996 -0.438 2. y no se puede rechazar hasta en la 2ª.108 -1.746 2. que hagan que la línea de aceptación tenga valores positivos en Xa.576 1.766 1.85 1.578 2.772 -0.662 2.634 2.906 1. Muestra.99 2.408 -0.046 2.068 2.828 -0.494 2.878 1.186 2.352 -0.8 -0.324 -0.214 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 -0.024 -0.83 2. Página 286 .08 -1.436 -0.802 2.38 -0.492 -0.

) y el punto medio de la curva en p=s y Pa = h2 /(h1+h2). 1-). A  log  1 B  log 1    p2   1  p2   (1  p) log   p1   1  p1 C  p log  (7.11 Comportamiento del muestreo secuencial CURVA OC y ASN Para esta curva se incluyen 3 puntos.13)    INSPECCIÓN RECTIFICADORA La calidad media de salida AOQ  Pap y el número promedio de muestras inspeccionadas total es:  A   (1  Pa ) N  C ATI  Pa  (7.No.14) Página 287 . Las muestras inspeccionadas promedio son: B  A   (1  Pa ) C  C ASN  Pa  Donde. 7. (p2. de defectos acumula 3 2 1 0 -1 Línea de aceptació 20 40 60 Línea de Rechazo Número de Fig. (p1.

el nivel III requiere alrededor del doble de inspección del nivel II. un nivel de inspección y un tamaño de lote dado. negociado entre cliente y proveedor. Inspección reducida.1% y 10%). En 1989 se liberó la versión E. Página 288 . Para un AQL específico.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4. ISO 2859) Descripción de la norma Esta norma se desarrolló durante la segunda guerra mundial emitiéndose en 1950 con la versión A. los noveles pequeños de AQL se pueden utilizar tanto para controlar fracción defectiva como defectos por unidad. reduciendo los tamaños de muestra. el nivel I requiere alrededor de la mitad de la inspección del nivel II y se usa cuando se requiere menos discriminación. S-1. S-2.4 y en 1973 fue adoptada por la ISO como la norma ISO 2859. donde el nivel II se considera normal. También proporciona un mecanismo de cambio de cambio a inspección estricta o reducida como se ilustra en la figura y se describe a continuación. El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0. S-3 y S-4. Muestreo doble. Muestreo múltiple En cada uno de los casos se prevén los siguientes tipos de inspecciones: Inspección normal. y se usa cuando se requiere más discriminación. 2. La versión D se publicó en 1963 y en 1971 fue adoptada por la ANSI con pequeños cambios como la Z1. el estándar MIL-STD-105E proporciona un plan de muestreo normal que se utilizará conforme el proveedor produzca productos con calidad AQL o mejor. Inspección estricta. Cuando se tiene inspección normal. Se proporcionan tres niveles de inspección. Los valores típicos de AQL para defectos mayores es de 1%. Cuando se utiliza para planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000 defectos por cada 100 unidades. estos usan tamaños de muestra muy pequeños y sólo deben usarse cuando los riesgos grandes del muestreo sean aceptables. la inspección estricta se instituye cuando cuándo dos de cinco lotes consecutivos han sido rechazados.7.5% para defectos menores y 0% para defectos críticos. El tamaño de muestra en el estándar está determinado por el tamaño del lote y por la selección del nivel de inspección. Normal a estricta. La norma proporciona tres tipos de muestreo (con curvas OC equivalentes): Muestreo simple. se pasa a estricta cuando se observa mala calidad del proveedor y se usa la reducida cuando la calidad del proveedor es buena. Se inicia con la inspección normal. Hay también cuatro niveles especiales de inspección.

La inspección reducida se considera adecuada por la función responsable de la inspección por muestreo. Reducida a normal. Cuando se tiene inspección estricta. la inspección normal se instituye cuando se cumple cualquiera de las condiciones siguientes: Un lote es rechazado. El número total de defectivos en las muestras de los diez lotes precedentes es menor o igual a el número límite aplicable del estándar. Cuando el procedimiento de muestreo termina sin decisión de aceptación o rechazo. la inspección normal se instituye cuando cinco lotes consecutivos son aceptados.12 Reglas de cambio de planes de inspección Página 289 . Cuando diez lotes se acepten con inspección estricta y el proveedor tome acciones para mejorar su calidad. La producción de lotes ha sido continua sin interrupciones mayores. el lote se acepta pero se cambia a inspección normal en el próximo lote. La producción es irregular o se retarda en entregas. la inspección reducida se instituye cuando se cumple con todas las condiciones siguientes: Diez lotes consecutivos han sido aceptados con inspección normal. Otras condiciones que fuercen a cambiar a la inspección normal. Cuando se tiene inspección reducida. Fig. La Inspección se descontinúa. 7. Normal a reducida. Cuando se tiene inspección normal.Estricta a normal.

La flecha descendente cambia la c. reducido y estricto PROCEDIMIENTO Los pasos a seguir para el uso de las normas es el siguiente: Negociación del AQL (cliente – proveedor).13 Comparación entre los planes normal. estricta (mismas que n1 y n2. c2r=3. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se encuentran en el apéndice).4 Si N= 2. Uso de la tablas para inspección reducida y estricta. c1a=0. Determinación del tamaño del lote. La tabla II-A para inspección normal indica el plan de muestreo n=125 y c=2. c2r=4). Ejemplo 7. 7. c1a=0. la letra de código y el tamaño de muestra. Consultar la tabla 1 (ver apéndice) y localizar la letra código correspondiente al tamaño del lote y el nivel de inspección. cir=2. III-B y III-C se obtienen los planes de inspección normal (n 1= n2=80. lo mismo para la ascendente. múltiple). Por ejemplo. c2a=1. c=1. cir=3. Página 290 . La tabla II-B para inspección estricta indica el plan de muestreo n= 125.000 y AQL= 0. la letra código es K y de las III-A. cuando se requieran hacer cambios. c2a=3). Decisión del nivel de inspección. doble. un AQL de 1.Fig.5% y letra F será cambiado a letra G con tamaño de muestra 32 en lugar de 20. . c2r=2) y reducida (n1= n2=32. c1a= c2a=0. Decisión en cuanto al procedimiento de muestreo a utilizar (simple. Para el caso de muestreo doble con los datos anteriores.65% usando el nivel II de inspección: La tabla I indica la letra código K.

la parte restante de la curva depende de la selección del nivel de inspección. 50. difiriendo en que: Se usa el término “No conforme” o “no conformancia” o “porcentaje no conforme”. 32. Página 291 . Si se grafica el tamaño medio del rango de lotes contra el logaritmo del tamaño de muestra se obtiene una recta hasta n=80 y después una recta con una pequeña pendiente. como el AOQL.1 y Pa = 0. 5.95. también se proporcionan curvas para el ASN y datos del AOQL.DISCUSIÓN Todas las curvas OC son tipo B. El estándar MIL-STD-105E está orientado al AQL. 125.4 o ISO 2859 es la contraparte del estándar MILSTD-105E. curvas de ASN y OC. Cambian ligeramente las reglas de cambio agregándose una opción para inspección reducida sin el uso de números límite. Se agregan varias tablas que muestran el desempeño de los planes. Se proporciona un esquema ilustrando las reglas de cambio en inspección. fracciones defectivas para Pa = 0. 500. 800. se enfoca al lado de riesgo del productor de la curva OC. 1250 y 2000. Los tamaños de muestra seleccionados son 2. 20. 200. 315. 13. Hay una descripción detallada de los planes de muestreo simples. 8. 80. 3. Como la razón de N a n es decreciente conforme aumenta N se economiza en la inspección. El estándar civil ANSI/ASQC Z1.

Página 292 .

.14 Tablas de muestreo simple por atributos Página 293 . Figura 7.

Para esto se utilizan los planes de Dodge-Romig principalmente para inspección de sub-ensambles.000 10. Son útiles cuando el rechazo medio del proceso es bajo (alrededor de 100 ppm).995)100  0.7.00% 100.000 1. por tanto la probabilidad de que el equipo trabaje es de: P ( función _ adecuada )  (0.ROMIG (1920) Desarrollaron dos tipos de planes usando inspección rectificadora: Planes para el porcentaje defectuoso tolerable en el lote LTPD y Los que proporcionan un límite de la calidad máxima promedio de salida AOQL especificado.10% 0.01% 0. La tabla siguiente muestra la fracción defectiva en ppm dependiendo del AQL “aceptable”.5% .00% 0.5 Un equipo que tiene 100 componentes y que sus componentes tienen en promedio un AQL = 0. Los planes anteriores basados en AQL no son adecuados para el caso del ensamble de productos complejos. aun cuando el AQL sea muy bajo.6058 Por tanto es obvio que se requieran planes de protección del LTPD. Página 294 . 5 PLANES DE MUESTREO DE DODGE. AQL ppm 10% 1% 0. Para ambos se tiene una tabla de muestreo doble y simple.000 100 10 1 Ejemplo 7. Los planes de Dodge-Romig de AOQL y LTPD están diseñados para minimizar la inspección total promedio (ATI).

5%. 7% y 10% en cada una se especifican seis valores para medias de proceso. el AOQL=0. Planes de LTPD Se diseñaron de tal forma que la probabilidad de aceptación del LTPD sea 0.1%.5 De la tabla para AQOL=3%.9957)(5000-65)=86. De la tabla 13.22.28%. con las causas especiales eliminadas y el proveedor haya tomado acciones para prevenir su reincidencia. c=3. De esta forma se inspeccionarán 86 partes del lote en promedio.3% defectuoso. 1%. 3%.6 Suponiendo N=5.25% de productos no conformes y el LTPD=1%. 0. si los lotes rechazados son seleccionados al 100% y los artículos defectuosos se reemplazan por artículos buenos. AOQL= 3% y la fracción disconforme del proveedor del 1%.5%. Ejemplo 7. LTPD=10.Planes de AOQL Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1.23.21 se obtiene n=65. 4%.3%. la inspección 100% es mejor económicamente. 5% 7% y 10%.75%. el plan obtenido es n=770 y c=4. 1. 0. 5%. De la tabla 13. Se puede estimar la fracción defectiva promedio del proceso por medio de carta de control p para los primeros 25 lotes del proveedor.9957.000. Da una seguridad del 90% de que serán rechazados los lotes que tengan desde un 10.25%. Cuando el promedio del proceso es mayor que la mitad del LTPD. Ejemplo 7. ESTIMACIÓN DEL PROMEDIO DEL PROCESO La utilización de los planes de Dodge-Romig depende del conocimiento de la fracción promedio no conforme del proveedor. 1%. 2%. se tiene: ASN= n + (1-Pa)(N-n)= 65 +(1-0.000 con fracción promedio de defectivos del proveedor de 0.5%. Página 295 . para N= 5. Se tienen planes para muestreo simple y doble. 3%. Se proporcionan tablas para valores de LTPD de 0. 4%. 2. Suponiendo que los lotes recibidos tengan un promedio de 1% de defectivo y la probabilidad de aceptación sea Pa=0.

Cuando la inspección es del tipo destructivo. p2 = 0.  = 0.8. Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos. el tamaño de muestra requerido en el caso de muestreo por atributos es muy grande y por variables muy pequeño. considerando una p1 = 0. Cuando los AQLs son muy pequeños (del orden de ppm). Una comparación entre los diferentes tipos de muestreo se da a continuación. Los planes especifican el número de artículos a muestrear en los cuales se hacen mediciones en la característica de calidad seleccionada. Si la distribución no es normal se puede diseñar un plan si se puede determinar la fracción defectiva a partir de la media y la desviación estándar de esa distribución. Se debe conocer la distribución de la característica de calidad. MUESTREO DE ACEPTACIÓN POR VARIABLES Ventajas y desventajas La principal ventaja del muestreo por variables es que se puede obtener la misma curva característica de operación con tamaño de muestra menor que el que requeriría un plan por atributos.08. los planes por variables si se aplican son más económicos.10: Página 296 . la cual debe ser normal ya que de otra forma se pueden cometer errores en la aplicación del plan de muestreo por variables.05 y  = 0. y el criterio de aceptación de esos lotes. Otra ventaja es que los datos por variables proporcionan más información del proceso que los atributos. Esto es más crítico cuando las fracciones defectivas son muy pequeñas. En la figura de la página siguiente se muestran las diferencias para varias distribuciones. a pesar de que el tamaño de muestra sea menor y que es necesario un plan de muestreo para cada característica importante del producto.01.

Asumiendo que la desviación estándar  del proceso es conocida.  p __ LIE X x Figura 8. límite de especificación superior o ambos. ASN en p1 = 45 ASN en p1 = 41 n=27 n=10 Como se observa. se desea tomar una muestra del lote para determinar si o no el valor de la media es tal que la fracción defectiva p es aceptable. la fracción defectiva p es función de la media del lote  y su desviación estándar . método de s 7. los que controlan la fracción defectuosa del lote y los que controlan un parámetro del proceso tal como la media. Para esto se tienen dos métodos.1 Bases del muestreo por variables Procedimiento 1. Muestreo múltiple por atributos 6. Muestreo simple por variables Sigma conocida n ó ASN n = 67. si la distribución es normal y la desviación estándar es conocida. que definan los valores aceptables de esa característica. Tomando una muestra aleatoria de n artículos del lote y calculando el estadístico Página 297 .Tipo de muestreo 1.1 CONTROL DE LA FRACCIÓN DEFECTIVA Como la característica de calidad es una variable. Considerando una característica de calidad x normalmente distribuida y un límite inferior de especificaciones LIE. Muestreo doble por atributos 3. TIPOS DE PLANES DE MUESTREO Existen dos tipos de planes de muestreo por variables. el costo de muestreo por variables es menor. siempre existirá ya sea un límite de especificación inferior LIE. sigma desconocida. 8. Muestreo simple por atributos 2. Muestreo simple por variables.

59% defectuoso. Página 298 . Ejemplo 8. la media de la muestra estará más alejada del LIE y en consecuencia menor será la fracción defectiva p. en caso contrario la fracción defectiva p es mayor que la aceptable y se rechazará el lote.3263 Procedimiento 2. se aceptará el lote ya que automáticamente la fracción defectiva p es satisfactoria.6449 2. Si hay un valor crítico p que no deba ser excedido con una probabilidad establecida.0537 2. se puede traducir el valor de p en una distancia crítica por decir k para ZLIE.8416 1.0364 1.2816 1.1) ZLIE expresa justamente la distancia entre la media X de la muestra y el límite X inferior de especificación LIE.  =10 y LIE= 82: Z LIE  X  LIE 82  100   1.0359 o sea el 3.8  10 Donde (-1.1 Si =100. Se sigue el mismo procedimiento para el caso de tener un límite superior de especificación unilateral LSE. De esta forma si ZLIE <= k. entre mayor sea su valor.2) Cuando se tiene un solo límite de especificación.8) = 0. la relación entre Z y la fracción defectiva (p) es: p Zs ó Zi 0.Z LIE  X  LIE  (8. Z LSE  LSE  X  (8.6745 0.

si esta fracción estimada p. Para el caso de límites bilaterales se calculan ambos Q LIE y QLSE. excede un valor máximo M.A partir de una muestra sencilla de tamaño n del lote. se rechaza el lote. se calcula Z LIE o QLIE  Z LIE n /( n  1) (más exacto) y se estima la fracción defectiva p como el área bajo la curva normal debajo de ZLIE. de otra forma se acepta. Página 299 .

Después se traza una línea similar que conecta los puntos p2 = 0. Procedimiento 1 Página 300 . se aceptará el lote con una probabilidad del 95% (p 1=0.2 Un embotellador ha establecido que la resistencia mínima para una botella de plástico sea de LIE= 225 psi. Cuando la desviación estándar  es desconocida. si la suma de ambas fracciones defectivas no excede al valor máximo permitido M se acepta el lote. (p2. remplazando en las fórmulas anteriores a  por s. que tiene una curva OC especificada por dos puntos (p 1. Utilizando este nomograma podemos obtener la curva característica de operación CO.95). 1-). 8.06 y Pa=0.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES CON UNA CURVA CO ESPECÍFICA Para diseñar un plan de muestreo por variables usando el procedimiento 1. L.10. Ejemplo 8.QLIE  Q LSE  X  LIE n /( n  1)  LSE  X  (8. se traza una línea que une a el punto 0. = 0. ) donde p1 y p2 son las fracciones defectivas que corresponden a niveles de calidad aceptables y rechazables respectivamente se utiliza un nomograma. cambiando los valores de las fracciones defectivas p y hallando sus probabilidades de aceptación si se mantiene fijo n y k. k=1.01 en la escala de fracción defectivas con el punto 0. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver página siguiente). si a lo más el 1% no pasa el límite.95 en la escala de probabilidad de aceptación. para estimar n y k con sigma conocida y sigma desconocida.06. se puede estimar de la desviación estándar de la muestra s. el embotellador rechazará el lote con una probabilidad de 90% (p 2=0.10). en la intersección de esas líneas se lee. en caso contrario se rechaza el lote. mientras que si el 6% o más están abajo del límite. Para hallar el plan de muestreo por variables n. el método de k.9 y n=40 para  desconocida (siguiendo la línea curveada) o n=15 (bajando una línea perpendicular) para  conocida. k.3) n /( n  1) Se estiman las fracciones defectivas P(QLIE) y P(QLSE) de la tabla mostrada en el apéndice para estimar las fracciones defectivas p I y pS.10 y 1-= 0.

3 TABLAS ASQC Z1.9 40     0. Si se conoce la desviación estándar. reducida y estricta y concordancia en las letras código de los planes para cada AQL) para su uso en la industria dando lugar a las tablas Z1. si pi + ps  M se acepta el lote.030.30. Una vez obtenidas n 40 y k = 1. Se enfoca al AQL (entre 0. 8.020.1% a 10%) con cinco niveles generales de inspección (el normal es el II).3. se acepta el lote. de otra forma se rechaza. se calcula ahora: Z LIE  X  LIE  Si ZI  k = 1. y siendo que es menor que M = 0. Por ejemplo si se toma una muestra de n=40 partes y se observa que la media de la muestra Z LIE  X  255 y s = 15.9): 1 k n 1 1. el valor de ZLIE es: X  LIE 225  225  2 s 15 de las tablas para fracción defectiva al final de este capítulo se obtiene una p = 0. Procedimiento 2. el lote se rechaza.9 se acepta el lote. Para límites bilaterales se obtienen ambas p i y ps en base a Zi y Zs. la n pasa de 40 a 15 con menos costos. Se Página 301 .35 2 2(n  1) 2 2(39) Esto indica que M = 0.Si se desconoce la desviación estándar. se obtiene el valor de M del nomograma de la fig.9 – 1993 Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente fueron homologadas con las tablas MIL-STD-105E (incluyendo inspección normal. si no se cumple lo anterior. al bajar en forma perpendicular en el punto de intersección hacia la escala de n. se toma una muestra aleatoria de n = 40 piezas calculando la media y la desviación estándar s. el nivel III tiene una curva más abrupta que el nivel II. La abscisa se calcula como sigue (con n = 40 y k = 1.9 de la ASQC.9. 14.

Tiene la siguiente organización: Página 302 .pueden usar niveles más bajos (S3 S4) para reducir costos muestrales si se toleran riesgos mayores.

8 de la tabla B-2. Para el caso de inspección reducida k = 1. Planes basados en la desviación estándar de la muestra con sigma del proceso desconocida. en este caso. suponiendo que el nivel de calidad aceptable en este límite es AQL = 1% y que las botellas se embarcan en lotes de N = 100. En la tabla A-2 se identifica el código de letra. B.4 Para el caso del embotellador: Si el límite inferior LIE = 225 psi. USO DE LAS TABLAS Las tablas se encuentran en el apéndice y su uso se ilustra con un ejemplo: Ejemplo 8. C.03.00 negociado entre proveedor y cliente.000. Página 303 . código de letras de tamaño de muestra. Planes basados en la amplitud de la muestra con sigma desconocida (ya descontinuado). con definición de términos. con sigma desconocida se tiene: Procedimiento 1. y curvas OC de los planes. la N: En la tabla B-1 se determina la n y k en este caso con la letra N y AQL= 1.Variabilidad Desconocida Método de S Variabilidad Conocida Especificación Unilateral Procedimiento (Método de k) 1 Especificaciones Bilaterales Procedimiento 2 (Método de M) Procedimiento 2 (Método de M) Fig. Para el caso de inspección severa (escala inferior) k = 2. se obtiene k = 2.2 Organización del muestreo por variables Tienen 4 secciones: A. Descripción general.18. Planes basados en la media de la muestra cuando se conoce la sigma del proceso. 8.

8 = 1. n = 5.52 Suponiendo lecturas 197º.  X= 195 . K . La inspección estricta se usa cuando 2 de 5 lotes han sido rechazados 5. EJEMPLOS TOMADOS DEL ESTANDAR Z1.42%. B5. Un lote de 40 artículos se inspecciona. se rechaza el lote. nivel II. 188º. Plan de muestreo para límite especificación unilateral. calcular X y s. Criterio de aceptación.9-1993 VARIABILIDAD DESCONOCIDA – MÉTODO DE LA DESVIACIÓN ESTÁNDAR B1. 205º y 201º.La tabla B-6 se usa para obtener la desviación estándar máxima que se debe obtener en la muestra con base a la tolerancia. Los planes específicos para este tipo de planes se deben consultar en el estándar. La inspección reducida se usa cuando los 10 lotes anteriores se han aceptado y su fracción defectiva estimada es menor que un límite inferior especificado y la producción es estable. tomando AQL = 1%. Forma 1 De la tabla A2 seleccionar la letra código de función del tamaño del lote y el nivel de inspección. k= 1.5 La máxima temperatura de operación es de 209ºF. 184º. s = 8. De tabla A2.constante de aceptabilidad Obtener mediciones de muestras .Usando la forma 2 Página 304 .59 > k por tanto se acepta el lote. LSE . Nota: Es posible pasar de planes de muestreo con sigma desconocida a planes con X sigma conocida con menor n si se demuestra estabilidad en una gráfica -s para los lotes (al menos para 30).En la tabla B-3 se determina M en el renglón de N y columna de AQL= 1% obteniéndose M= 2. Si el valor de s excede este valor.Límite inferior de especificación. n . X ) / s = (209 – 195) / 8. Para inspección reducida.59 1. Usar tablas B1 (normal y estricta) y B2 (reducida) para obtener el plan. en caso contrario se rechaza.8 ( LSE . de la tabla B-4 se obtiene k = 3. Ejemplo 8.Límite superior de especificación. Comparar (LSE –  X) / s ó ( X– LIE) / s con k. Si es mayor o igual se acepta el lote. Solución. se selecciona la letra D. LIE .tamaño de muestra.05%. 6. De la tabla B1.44%. 4. Para inspección severa M = 1.

Plan de muestreo para doble límite de especificación.8 QI= total es de p = 2.59 . n y M  Porcentaje máximo de no conformes. Pestimada= PI + PS Comparar Pest.7 Se inspecciona un lote de 40 muestras con nivel de inspección II. n = 5 y AQL = 1%.8 De la tabla B3 se obtiene M = 3. X ) / s y QL =(  X – LIE ) /s De tabla B5 encontrar PI y PS en base a QU y QL y el tamaño de muestra n. Nota: Cuando hay diferente AQL para cada límite: Aceptar si PI  MI y PS  MS y P = PI + PS mayor (MS.33% para letra D. Calcular los Indices de Calidad QS = (LSE .8. Obtener el plan n y M de tabla B3 y B4.  X = 195 .59 se obtiene PS = 2.6 De lo anterior.19% Como PS  M se acepta el lote. Ejemplo 8. en caso contrario se rechaza. si es igual o menor se acepta el lote. B8. calculando X y s.8 195  180  8 . AQL= 1% donde de tabla B-3 M = 3. X ) / s QI= ( X – LIE ) / s En tabla B5 entrar con QU o QL para encontrar porcentaje estimado no conforme PS o PI. Si se especifican diferentes AQL´s para cada límite de especificación. en base a nivel de inspección. si es menor o igual se acepta el lote. Con M. Obtener mediciones del muestreo. s = 8. PS = 2. Comparar PS o PI con M .19% (de tabla B-5) 1. De la taba B5 con QS= 1. n = 5. _ X = 195. Si se asigna el mismo AQL a ambos límites.704. PI = 0. s= 8. obtener el porcentaje máximo no conforme para cada límite MI y MS. Determinar la letra código de la tabla A2. Calcular el índice de calidad QS= (LSE .85% 1.32% QS= 209  180  8 . inspección normal y en base a temperaturas de los ejemplos anteriores. Criterio de aceptación. LSE= 209F. considerando LIE= 180F. MI) Ejemplo 8. Obtener mediciones de muestras.66% (de tabla B-5) por tanto la fracción defectiva Página 305 . designar el nivel máximo de porcentaje no conforme por M. se rechaza en caso contrario.Usar tablas B3 ( normal y estricta) y B4 (reducida) y obtener el plan de inspección.

500.7 Comparando (  X – LIE)/  < k y el lote se rechaza.000 psi a) de tabla A2. Ejemplo 8.92% Como PL > M se rechaza el lote.5%. 1.000 .8 Si el AQLS= 1% y AQLI= 2. k = 1.000 psi.Como P < M se acepta el lote. La variabilidad  es conocida con valor 3.000 psi.66% P = 2.000.55% de tabla B3. 96.000.8% PS= 2.000. Obtención en tabla D3 de n.5 Usando la forma 2. X) V /  y QL=(  X – LIE) V /  Usando tabla D5 estimar PS y PI Comparar D= PS + PI  M para aceptabilidad Ejemplo 8.500. 61.756 Determinar PL de tabla D5 con QL= 1. Cálculo de QL =(63. obtener el porcentaje máximo no conforme para cada límite M I y MS.756 es 3. tamaño del lote 500 artículos. AQL = 1.054 respectivamente. PI  MI y P  MI Se acepta el lote. (  X – LIE) /  = 1. el factor v y el porcentaje máximo aceptable M de tabla D3 y D4. Si se asigna el mismo AQL a ambos límites. LIE= 58. D9.000 .000) * 1. De los datos anteriores se obtuvo = 63. VARIABILIDAD CONOCIDA D. 3. 60. Calcular la media de los datos. AQL= 1. D.32% . PI= 0.000. MI=9.000 = 1. N= 500. M y V como 10.63%. 64. Usar tabla D1 y D2 para obtener n y k Ejemplo 8. M y V Calcular QS= (LSE .5%. Calcular los Indices de Calidad QS = (LSE . 68.500. De tabla A-2 se obtiene la letra I. Forma 1. se identifica la letra I y de tabla D1 obtenemos n = 10 Valores de muestra 62.500 62. designar el nivel máximo de porcentaje no conforme por M.9 Se toma un lote de 500 artículos para inspección. Usar tablas D3 y D4 obteniendo n.000.000. nivel II. Plan de muestreo para doble límite de especificación Determinar la letra código de la tabla A2.1 Sólo un límite de especificación. 59.85% Comparando PS  MS . Obtener el plan n. en base a nivel de inspección.000. inspección Normal. MS= 3.  = 3. 65.000.054 / 3. n = 10 . Si se especifican diferentes AQL´s para cada límite de especificación.10 Sea LIE= 58. Obtener mediciones del muestreo en n partes.58. 58.19% . X ) v /  y QL =(  X – LIE ) v /  Página 306 . Cálculo de  X= 63. _ X Inspección nivel II. normal.67 De tabla D1 .

El nivel de inspección es II. Pestimada= PI + PS Ejemplo 8. M = 3. inspección normal con AQL = 1. en caso contrario se rechaza. La inspección reducida es aprobada. II y III.5%.9 e ISO 3951 (1981) Una consideración muy importante en el uso de las normas es que la población de donde se obtienen las muestras debe ser normal. II. En la ISO 3951 y en la Z1. 0. La variabilidad  conocida con valor 3. Los ajustes que se hicieron en la norma ASQC Z1. Como la fracción defectiva total no excede el valor de M = 3. Un lote de 500 artículos se somete a inspección. Los niveles de inspección originales I. NOTA: Comparar Pestimada con M. Es más crítico para pequeños valores de AQL. III.000 y 58.63%. se acepta el lote. si es menor o igual se acepta el lote. Se adoptan las mismas reglas que en la 105E para el paso de inspección normal a severa y viceversa con ligeras modificaciones. Es muy importante realizar pruebas de normalidad en los extremos de la distribución para asegurar que la norma Z1.000 psi. IV y V se denominaron S 3.000 psi respectivamente. I.054. De tabla D-3 se obtuvo n = 10. DISCUSIÓN DE LA NORMA ASQC Z1. v = 1.697% y 0. Se ordenaron las letras código para tener la misma protección que con la MILSTD-105E.9 es aplicable sin modificaciones.459 y 3. La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han sido aceptados y: Página 307 .9 (1980) e ISO 3951 (1981) son: Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-STD105E por atributos.000 De las mediciones de las 10 muestras se obtuvo Los índices QS con QL son respectivamente 2.162 con fracciones estimadas defectuosas 0.9 se eliminaron los AQLS de 0. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de las desviaciones estándar. S4.63% _ X  63. Cambios en las reglas de transferencia.11 La especificación para una colada de acero es de 67.065 y 15%.De tabla D-5 encontrar PI y PS en base a QU y QL y el tamaño de muestra n.9 permite el paso de inspección normal a reducida si: 10 lotes en inspección normal fueron aceptados. La norma Z1. La producción es continua.04.078% de la tabla D-5.

utilizando como sigma el valor promedio estimado en la carta de control estable con al menos 30 subgrupos. Página 308 . Requiriendo la continuación de la carta s o R. Es muy importante una prueba de normalidad a partir de los datos variables de cada lote. La inspección reducida es aprobada. obtener información suficiente y después cambiar a un esquema por variables manteniendo la misma combinación de letra para el AQL.El AQL es un paso menor. El proceso está bajo control estadístico. Su ventaja principal es que se puede iniciar con un esquema de muestreo por atributos con la MIL-STD-105E. La ISO 3951 permite el paso de un método de sigma desconocida a sigma conocida.

4   1.4 ppm tengan una probabilidad de aceptación del 10%. Página 309 . El método general que aquí se emplea es el de prueba de hipótesis.8. rechazo del lote y continuación del muestreo se construyen en forma similar a las de atributos (ver Duncan 1986).645  0 . Se diseña un plan de muestreo con una probabilidad de aceptación del 95% si las emisiones son en promedio de 0. está normalmente distribuida y tiene una probabilidad de 0. se tiene: X Si A es la media muestral debajo de la cual se aceptará el lote.1 n n (8.3 ppm.3 ppm de emisiones de formaldeído en maderas.355 Muestreo secuencial por variables Similar al de atributos graficando la suma acumulada de las mediciones de la característica de calidad. X A  0 .40 ppm tienen una probabilidad de 0.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES ASEGURAMIENTO DE LA MEDIA DEL PROCESO Los planes de muestreo por variables también pueden utilizarse para asegurar la calidad media de un material en lugar de su fracción defectiva.10 de aceptación. X A  0.10 ppm.4 X A  0.1 n n (8. Ejemplo 8. Las líneas para aceptación del lote. entonces.3 X A  0 . y los lotes con un 0. entonces.12 Se considera aceptable un lote si tiene menos de 0.95 de aceptación.282  0 . lo cual se ilustra con un ejemplo.5) resolviendo para X A y n se obtiene: X n= 9 A = 0.4) En forma similar si los lotes que tienen un nivel de emisión de 0.3   1. Si por experiencia se sabe que la desviación estándar es 0.

APÉNDICES Página 310 .

A3 Límites de control para desviaciones estándar S LSCs = B4 S LCs = S LICs = B3 CARTAS I-MR de valores individuales Para los valores individuales n=2 X 3 MR d2 LSCx = __ LCx = X 3 X MR d2 LICx = Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2 CARTAS DE CONTROL PARA ATRIBUTOS Página 311 .A2 R R Límites de control para rangos n=5 LSC = D4 LIC = D3 R R CARTAS Xbarra-S Límites de control para medias X LSCx = LCx = S + A3 X LICx = X S .FORMULAS DE CARTAS DE CONTROL CARTAS DE CONTROL POR VARIABLES CARTAS Xbarra-R Límites de control para medias n =5 X LSC = + A2 X LIC = .

CARTA p Di ni pi  m p  Di i 1 mn m  p i 1 i m __ __ p(1  p ) p 3 n __ LSCp = __ p LCp = __ __ p(1  p ) p 3 n __ LICp = CARTAS np LSC np  np  3 np (1  p) LC np  np LIC np  np  3 np (1  p) CARTAS c c c LSCc = +3 c LCc = c c LICc = -3 CARTAS u u c n Página 312 .

704 8 0.326 6 0.816 2.970 10 0.128 1.078 Página 313 .000 2.282 2.880 0.u Donde representa el número promedio de no conformidades por unidad en un conjunto de datos preliminar LSC u  u  3 u n LC u  u LSC u  u  3 u n TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL Las constantes para límites de control en las cartas X-R son: n A2 D3 D4 d2 2 1.483 0.777 3.059 5 0.308 0.693 0.136 1.115 2.864 2.000 2.223 1.373 0.000 2.419 0.924 2.337 0.577 0.267 1.574 1.184 1.023 0.534 7 0.000 3.729 0.004 2.847 9 0.000 2.076 1.

099 0.618 0.9887 0.466 0.510 1.739 0.815 0.497 1.113 1.716 0.523 1.718 0.789 0.9693 1.455 0.559 1.600 0.663 0.382 1.477 0.399 1.9823 0.179 1.287 0.475 1.490 0.728 0.850 0.466 1.9845 0.9794 0.9862 0.698 0.427 0 2.646 0.539 1.585 14 0.640 0.061 1.516 1.626 0.504 1.089 0 1.633 0.750 0.572 0.445 0.9882 0.528 1.321 1.526 17 0.594 0.518 0.761 0.185 1.565 1.438 24 0.9650 1.964 6 0.470 21 0.619 0.9776 0.483 20 0.284 1.655 0.435 0.544 16 0.970 0.669 11 0.802 0.534 0.927 0.647 0.688 0.9869 0.225 1.9876 0.032 0.239 1.406 1.118 1.511 18 0.9515 1.9892 0.9835 0..9810 0.817 0.030 1.775 0.637 12 0.374 1. 5 0.806 8 0.496 19 0.029 1.000 1.606 0.563 15 0.975 0.182 0.555 1.680 0.9594 1.9727 0.549 1.420 Página 314 .707 10 0.440 1.882 0.832 0.1341.482 1.610 13 0.448 23 0.9754 0.429 25 0.503 0.346 1.679 0.490 1.866 0.552 0.354 1.905 0.612 0.707 0.751 9 0.9896 0.313 1.428 1.763 0.458 1.342 1.Las constantes para límites de control en las cartas X-S son: n c4 A A3 B3 B4 B5 B6 .232 1.9400 1.421 1.949 0.545 1.459 22 0.874 7 0.448 1.9854 0.534 1.276 1.886 0.671 0.

Página 315 .