CONTROL ESTADSTICO DE PROCESOS

INDICE

1. INTRODUCCIN

2. GRFICOS DE CONTROL POR VARIABLE

(a) INTRODUCCIN
i. TOLERANCIA E INDICE DE CAPACIDAD
ii. PRESENCIA DE CAUSAS ASIGNABLES
iii. GRFICO DE MEDIAS Y RANGOS
(b) GRFICO DE X y R ( S)( , conocidas)
i. GRAFICO DE MEDIAS
ii. GRAFICO DE RANGOS
iii. GRAFICO DE DESVIACIONES
iv. SENSIBILIDAD DEL GRFICO DE MEDIAS
v. TAMAO DE LA MUESTRA
(c) GRFICO DE X y R ( S)( , desconocidas)
(d) ESTUDIO INICIAL (Capacidad del proceso)
(e) INTERPRETACIN DE GRFICOS DE CONTROL.
(f) GRFICO DE MEDIAS MOVILES

3. GRFICO DE CONTROL POR ATRIBUTOS (o por no de defectos)

4. GRFICOS DE CONTROL POR No DE DEFECTOS

5. ANEXO 1: LIMITES DE GRFICOS DE CONTROL

6. ANEXO 2: FACTORES DE GRFICOS DE CONTROL

7. ANEXO 3: INDICES DE CAPACIDAD

1
1 Introduccin
En el capitulo anterior (control de recepcin o control de producto terminado) hemos
visto herramientas estadsticas utilizadas para el control de la calidad de producto
terminado. Este captulo esta destinado a presentar tcnicas estadsticas utilizadas
para realizar un seguimiento en tiempo real, de la calidad de un proceso productivo.
Estas tcnicas son conocidas como Control Estadstico de Procesos, o control de
proceso en linea.
El control de calidad en linea o control estadstico de procesos produce mayores
beneficios:

Al vigilar continuamente el funcionamiento del proceso reduce la fabricacin

de productos defectuosos.

El control de producto terminado tiene poca capacidad de generar informacin

util para ajustar y mejorar el proceso. Mediante el control estadstico de
proceso podemos saber en que momento se empezo a desajustar el proceso,
por lo que se puede analizar las circustancias que llevaron al desajuste para
que no vuelvan a ocurrir.

La herramienta ms utilizada dentro del control estadstico de procesos son los

grficos de control.
Los grficos de control los podemos clasificar:

1. Grficos de control por variables.

2. Grficos de control por atributos.

3. Grficos de control por el nmero de defectos.

1.1 Causas de variabilidad de un proceso

Uno de los axiomas fundamentales de fabricacin es que nunca dos objetos pueden
fabricarse exactamente iguales, producimos con cierta variabilidad.
Cada proceso est sujeto a la influencia de muchos factores (muchos de los cuales
no podemos controlara) y por lo tanto, hay variabilidad en el resultado final del
proceso.
Ejemplo 1:
Medicin de la longitud de un cilindro de un modelo concreto, llammosle C,
producido por una mquina determinada, digamos M. Cada vez que midamos un
cilindro del mismo modelo y procedente de esa mquina estaremos repitiendo este
experimento. En el experimento definido en este ejemplo son dos los factores cuya
influencia mantenemos constante: modelo de cilindro y mquina. Hay, por contra,
infinidad de factores que en dicho experimento no controlamos. Por ejemplo, la

2
presin con que dicha mquina corta el cilindro no ser siempre exactamente igual.
La estructura microscpica de la aleaccin metlica no ser la misma. Las vibra-
ciones que se produzcan durante el proceso sern tambin irrepetibles. La persona
que se encargue de la manipulacin de dicho proceso puede cambiar. El desgaste
de las piezas de la mquina que intervienen en el corte ser un factor que tendr
una influencia en la longitud final. En este ejemplo, aunque los cilindros sean apa-
rentemente idnticos las repeticiones del experimento proporcionarn, con mucha
probabilidad, longitudes diferentes. Las diferencias observadas en cada repeticin
son debidas al resto de los factores que no se controlan.
Ejemplo 2:
Resultado de un juego de azar, como el resultado del lanzamiento de un dado,
lanzamiento de una moneda, giro de una ruleta o la extraccin de una carta. Cada
vez que repitamos el experimento puede salir un resultado diferente, aunque el factor
que se controla se mantenga constante: mismo dado, moneda, mesa de juego, baraja
e incluso misma persona que participa en la accin. Los factores que no se controlan
son, en realidad, muy pocos: el movimiento de la mano de la persona que ejecuta
el experimento; pero el movimiento es tan complejo que es prcticamente imposible
repetirlo ni hacerlo de manera premeditada para conseguir un resultado prefijado.
Un esquema util para resumir los diferentes factores que afectan a un proceso es
el de las 6M.

Materia prima



Metodos de produccin

Mano de obra
Producto Final

Mquinas



Medio Ambiente

Mediccin

En la prctica siempre habr factores que no podremos controlar, por lo que el

producto final tendr una calidad variable. Por tanto, cuando se habla de controlar
la calidad nos estamos refiriendo a controlar la variabilidad de esa calidad. Aunque
no se puede dar una relacin exhaustiva de las causas que provocan la variabilidad,
es interesante hacer una clasificacin entre causas asignables a factores concretos (y
controlables) y causas no asignables. No obstante, la frontera entre ambas no estar,
en general, perfectamente definida.

1. Causas no asignable o naturales: causas cuyos efectos individuales son pe-

queos y dificiles de eliminar, producen una variabilidad estable y predecible,
por ejemplo:

Proceso: la imprecisin de las herramientas, la vibracin de las mquinas,

fluctuaciones hidrulicas y elctricas,...

3
 Materiales: cambios de materia prima, espesor, resistencia,...
Ambiente: diferencias en las condiciones atmosfricas, limpieza, ilumina-
cin,...
Personas: diferencia en el estado fsico, experiencia, motivacin,...
...

2. Causas asignables: causas que actan en determinados momentos produciendo

gran variabilidad, sus efectos son predecibles y definidos. Sus efectos son
eliminados cuando se elimina la causa, por ejemplo:

desajuste de la mquina
defecto de la materia prima
operario no cualificado
...

El control estadstico de procesos consiste en observar peridicamente el proceso

y descubrir mediante grficos cuando en el proceso estn actuando causas asignables,
con objeto de descubrirlas y eliminarlas del proceso.
Cuando en el proceso slo actan causas no asignables se dice que el proceso
est bajo control.(Cuando en el proceso actun causas asignable se dice que el
proceso est fuera de control)

4
2 Grficos de Control por variables
2.1 Introduccin

Suponemos que la variable de calidad del proceso es una variable continua.

Supongamos que cuando el proceso est bajo control la variable de calidad, X,
se distribuye normalmente

X ; N(, )

2.1.1 Intervalo de tolerancia e indice de capacidad

El intervalo de tolerancia es un conjunto de valores de X que se consideran admisibles
o aceptables.

intervalo de tolerancia = (LT1 , LT2 )

Suele ser definido por el cliente o en ocasiones por el diseador del producto
(suele representase por un valor objetivo y un error aceptable L; L.)
Ejemplo:
Supongamos que producimos piezas metalicas y una variable de calidad es el
dimetro de las piezas. Cuando el proceso est bajo control el dimetro de las
piezas se distribuye

X ; N(4.9, 0.1)

El cliente establece un intervalo de tolerancia entre 4.7 y 5.2

Qu proporcin de defectuosos producimos cuando el proceso est bajo control?
P(defectuosos)=1-P(4.7 X 5.2) = 1 P (2 Z 3) = 0.024

400
frecuencia

300

200

100

0
4,5 4,7 4,9 5,1 5,3

capacidad del proceso

La proporcin de defectuosos en estado de control indica la adecuacin para la
fabricacin de productos con especificaciones o tolerancias definidas.

Definicin Indice de capacidad

5
 Cuando la media de la produccin est centrada en el centro del intervalo de
tolerancia ( = ), el indice de capacidad indica la adecuacin de la fabricacin de
productos.
LT2 LT1
Cp =
6
observacin:

Si Cp < 1 Se producen ms del 3 por mil de artculos defectuosos.

Si Cp > 1 Se producen menos del 3 por mil de artculos defectuosos.

Ver anexo (Indices de capacidad)

2.1.2 Presencia de causas asignables

La presencia de una causa asignable produce un cambio en la media o en la varianza
del proceso,o en ambas, lo que supone un aumento de la proporcin de artculos
defectuosos.
Ejemplo:
Supongamos que la variable de calidad cuando el proceso esta bajo control se
distribuye ;X ; N(17, 2)
El cliente especifica un intervalo de tolerancia (10,24)
En los grficos siguientes mostramos la proporcin de defectuosos cuando en el
proceso varia la media, o la varianza, o ambas

6
 Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 20,2

density
0.12

0.08

0.04

0
0 5 10 15 20 25 30
x

Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 17,5
density

0.12

0.08

0.04

0
-8 2 12 22 32 42
x

Normal Distribution
0.2 Mean,Std. dev.
17,2
0.16 20,5
density

0.12

0.08

0.04

0
-5 5 15 25 35 45
x

Los grficos de control por variables permiten detectar la presencia de causas

asignables en el proceso.

7
2.1.3 Grficos de Medias y Rangos (o desviaciones)
El objetivo de los grficos de control por variables es controlar el proceso para que no
se vaya de control, es decir, controlar el proceso para detectar la presencia de causas
asignables. Para ello se toman muestras del proceso peridicamente y se representa,
en dos diferentes grficos:

la media muestral .

el rango muestral (o la desviacin tpica muestral).

Grfico de medias
74.02
LCS=74.0134
LC= 74.00
74.01
LCI=73.9866
74

73.99

73.98
0 5 10 15 20 25
N de muestra

grfico de rangos
0.05
LCS=0.04918
0.04 LC=0.02326
LCI=0
0.03

0.02

0.01

0
0 5 10 15 20 25
N de muestra

Si la media muestral o el rango muestral (o la desviacin) se sale de los grficos

(cuando un punto se sle de los lmites establecidos por las lneas gruesas)entonces
tenemos una evidencia estadstica de que la media o la variabilidad del proceso han
cambiado, es decir, el proceso est fuera de control.
En los grficos de medias detectamos cambios en la media o variabilidad del
proceso.
En los grficos de rangos (o de desviaciones) detectamos cambios en la variabi-
lidad del proceso.

8
2.2 Grficos de X y R ( S) (, conocidas)
2.2.1 Grfico de medias
Supongamos que cuando el proceso esta bajo control

X ; N(, )

Entonces

X ; N(, )
n
As

p( 3 X + 3 ) = 0.997
n n
Si observamos una media y no est dentro de ese intervalo puede deberse a:

El proceso est bajo control y hallamos extraido una muestra cuya media est
fuera de ese intervalo.
El proceso est fuera de control.

La primera razn es poco probable, slo el 3 por mil de las muestras tienen
media muestral fuera de ese intervalo, luego suponemos que el proceso est fuera de
control, es decir, ha cambiado la media o la varianza, o ambas.
Si para una muestra su media no pertenece al intervalo ( 3 n , + 3 n )
tenemos evidencia estadstica de que el proceso est fuera de control.

Grfico de control de medias

LCS (limite de control superior) = + 3 n
LC (linea central) =
LCI (limite de control inferior) = 3 n

2.2.2 Grfico de Rangos

Supongamos que

X ; N(, )

R=rango muestral=Xmax Xmin es un estimador sesgado de la desviacin tpica

E(R) = d2
V ar(R) = d23 2

9
 donde d2 y d3 son constantes que dependen del tamao de la muestra y su valor
est tabulado (ANEXO 2)
Y su distribucin es aproximadamente normal, luego si el rango muestral est
fuera del intervalo

(d2 3d3 , d2 + 3d3 ) = (D1 , D2 )

hay evidencia estadstica de que la varianza del proceso ha variado.

Grfico de control de rangos

LCS = D2
LC = d2
LCI = D1
qP
2.2.3 Grfico de desviaciones tpicas corregida (Sb = (xi x)2
n1
)
Supongamos que

X ; N(, )

b
S=desviacin tipica corregida muestrales un estimador sesgado de la desviacin
tpica

b = c4
E(S)
b = 2 (1 c2 )
V ar(S) 4

donde c2 es una constante que dependen del tamao de la muestra y su valor

est tabulado(ANEXO 2)
Se puede demostrar que si la desviacin tpica muestral est fuera del intervalo
q q
(c4 3 1 c4 , c4 + 3 1 c24 ) = (B5 , B6 )
2

hay evidencia estadstica de que la varianza del proceso ha variado.

Grfico de control de desviaciones

LCS = B6
LC = c4
LCI = B5

10
 Ejemplo:
Se fabrican anillos de pistn para motor de automovil mediante u proceso de
forjado. Se desea controlar el diametro de stos por medio de grficos de medias y
rangos. Se toman muestras de tamao 5 cada media hora, los datos aparecen en la
siguiente tabla. Cuando el proceso est bajo control el dimetro de los anillos se
distribuye

X ; N (74, 0.01)

N de muestra Media Rango N de muestra Media Rango

1 74.01 0.038 14 73.99 0.039
2 74.001 0.019 15 74.006 0.016
3 74.008 0.036 16 73.997 0.021
4 74.003 0.022 17 74.001 0.026
5 74.003 0.026 18 74.007 0.018
6 73.996 0.024 19 73.998 0.021
7 74 0.012 20 74.009 0.02
8 73.997 0.03 21 74 0.033
9 74.004 0.014 22 74.002 0.019
10 73.998 0.017 23 74.002 0.025
11 73.994 0.008 24 74.005 0.022
12 74.001 0.011 25 73.998 0.035
13 73.998 0.029
Los graficos de control de medias y rangos

grafico de medias grfico de rango

LCS = 74 + 3 0.01
= 74.0134
5
LCS = D2 = 4.918 0.01
LC = 74 LC = d2 = 2.326 0.01
LCI = 74 3 0.01
= 73.9866
5
LCI = D1 = 0 0.01

11
 X-bar Chart for medias
74.02
UCL = 74.01
Centerline = 74.00
74.01
LCL = 73.99

X-bar
74

73.99

73.98
0 5 10 15 20 25
Subgroup

Range Chart for rangos

0.05
UCL = 0.05
0.04 Centerline = 0.02
LCL = 0.00
Range

0.03

0.02

0.01

0
0 5 10 15 20 25
Subgroup

Como podemos observar ningn punto se sale de los grficos por lo que supone-
mos que el proceso se encuentra bajo control.

12
2.2.4 Sensibilidad del grfico X
Hemos definido, en el apartado anterior, el grfico de control para las medias (su-
puesto conocido la media y la varianza del proceso en estado de control)

LCS = + 3
n
LC =

LCI = 3
n
Esta regla se denomina de los 3 sigma y es comn a todos los grficos de control
estndares.
Con el grfico de medias as definido podemos cometer dos errores, representados
en la siguiente tabla

decisin
bajo control fuera de control
bajo control - Error I
fuera de control Error II -
Error I: decimos que los parmetros del proceso han cambiado cuando en realidad
no se han modificado, falsa alarma.
Error II: decimos que el proceso no ha cambiado cuando en realidad si se ha
modificado.
Al establecer los limites 3 sigma podemos calcular la probabilidad de falsa alarma,
es decir la probabilidad del error I
p(errorI) = p(decir que esta fuera de control / esta bajo control)=

= 1 p( 3 X + 3 / X ; N(, ) =
n n
= 0.003
Si se quiere reducir la probabilidad de falsa alarma se puede aumentar el intervalo
ms all de 3 sigma, dando un valor K>3, los lmites se establecen en

K
n
Lgicamente esto presenta un inconveniente, que es: si el proceso cambia y sale
fuera de su estado de control, la probabilidad de que los puntos caigan dentro de los
limites, y por tanto, equivocarse aceptando que el proceso est bajo control, tambin
es mayor.
ejercicio:
Calcular la probabilidad de detectar un cambio de dos unidades en la media
utilizando grficos de control 3 sigma y 2 sigmas. Supn que el tamao muestral es
4

13
2.2.5 Tamao muestral
Habitualmente el tamao muestral est entre 4 y 10, siendo muy habitual en la
industria tomar muestras de tamao 4 o 5. Cuanto mayor sea el tamao muestral
ms probabilidad de detectar cambios pequeos en el proceso.
Ejercicio
Calcular, la probabilidad de detectar un cambio en la media del proceso de 2
desviaciones tpicas ( = + 2) cuando el tamao muestral es 2 y 4

Frecuencia de muestreo: consiste en determinar cada cuanto tiempo se toman las

muestras. Depende fundamentalmente del coste de inspeccin, del coste de producir
artculos defectuosos, de la probabilidad de cambio en el estado de control del proceso
y, tambin, del indice de capacidad del proceso.

14
2.3 Grficos de X y R ( S) (, desconocidas)
Cuando el proceso lleva funcionando un periodo largo (aos) es aceptable suponer
conocidos los valores de , , en otras ocasiones esto no es as y los valores de
los parmetros del proceso en situacin de control deben estimarse con los datos
disponibles. Vamos a suponer que se dispone de K muestras, cada una de tamao
n, que se han tomado todas ellas con el proceso bajo control y durante un periodo
suficientemente largo en el cual han intervenido todas las fuentes de variabilidad
natural.
N muestra observaciones media rango desviacin
1 x11 , ...., x1n x1 R1 Sb1
2 x21 , ...., x2n x2 R2 Sb2
.. .. .. .. ..
. . . . .
k xk1 , ...., xkn xk Rk Sbk

1. Estimacin
x1 + ... + xk
b = x=

k
R R1 + R2 + ... + Rk
b =
= (utilizando los rangos)
d2 k d2
cT
S Sb1 + Sb2 + ... + S
ck
b =
= (utilizando los desviaciones corregidas)
c4 k c4
2. Grficos de control, utilizando las estimaciones
Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de y conocidos obtenemos:
Si utilizo rangos
grfico de medias grfico de rangos
LCS = x + 3 d2Rn LCS = R + 3d3 dR2 = R(1 + 3 dd32 ) = D4 R
LC = x LC = R
LCI = x 3 d2Rn LCI = R 3d3 dR2 = R(1 3 dd32 ) = D3 R

Si utilizo desviaciones
grfico de medias grfico de desviaciones
p 2
c c 1c
LCS = x + 3 c4ST n LCS = S cT + 3 ST 2 cT = B4 S
1 c4 = (1 + 3 c4 4 )S cT
c4
LC = x LC = ScT
p 2
c Sc 1c4
LCI = x 3 c4ST n c
LCI = ST 3 T 2
1 c4 = (1 3 cT = B3 S
)S cT
c4 c4

15
2.4 ESTUDIO INICIAL (determinacin de la capacidad del
proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:

1. Se toman k muestras (k entre 20 o 30) de tamao n (n entre 4 o 5).

2. Se estiman los parmetros

x1 + ... + xk
b = x=

k
R R1 + R2 + ... + Rk
b =
= (utilizando los rangos)
d2 k d2
cT
S Sb1 + Sb2 + ... + S
ck
b =
= (utilizando los desviaciones corregidas)
c4 k c4

3. Se construyen los graficos de control

4. Representar los rango (o desviaciones corregidas) observados en el grficos de

rangos (o desviaciones corregidas) construido en el paso 3.
Si algn punto se encuentra fuera de los limites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones de
los parmetros con el conjunto modificado de muestras. Si todos los puntos
estn dentro del grfico de control ir al paso siguiente

5. Representar las medias en el grfico de medias construido en el paso 3.

Si algn punto se encuentra fuera de los limites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones de
los parmetros con el conjunto modificado de muestras. Si todos los puntos
estn dentro del grfico de control ir al paso siguiente.

6. Con las observaciones restantes, estimar los parmetros y contrastar la nor-

malidad de las observaciones.

ejemplo:
Supongamos que fabricamos anillos de pistn. Queremos determinar la capaci-
dad de nuestro proceso. Se toman 40 muestras de tamao 5 obteniendo los datos
presentados en la siguiente tabla.

16
N muestra Media Rango N muestra Media Rango
1 74.01 0.038 21 74 0.033
2 74.001 0.019 22 74.002 0.019
3 74.008 0.036 23 74.002 0.025
4 74.003 0.022 24 74.005 0.022
5 74.003 0.026 25 73.998 0.035
6 73.996 0.024 26 74.009 0.044
7 74 0.012 27 74.002 0.025
8 73.997 0.03 28 73.992 0.015
9 74.004 0.014 29 74.004 0.019
10 73.998 0.017 30 73.997 0.017
11 73.994 0.008 31 74.007 0.026
12 74.001 0.011 32 74.006 0.023
13 73.998 0.029 33 73.998 0.014
14 73.99 0.039 34 74.011 0.025
15 74.006 0.016 35 74.013 0.03
16 73.997 0.021 36 74.004 0.034
17 74.001 0.026 37 74.017 0.019
18 74.007 0.018 38 74.02 0.025
19 73.998 0.021 39 74.023 0.023
20 74.009 0.02 40 74.015 0.029

Pasos, para determinar la capacidad del proceso:

1. Estimacin de parmetros

b = x = 74.0037

R
b =
= 0.0101999
d2

2. Graficos de control

17
 Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00

Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup

X-bar Chart for media2

74.03
UCL = 74.02
74.02 Centerline = 74.00
LCL = 73.99
X-bar

74.01

74

73.99

73.98
0 10 20 30 40
Subgroup

Observamos que hay dos puntos fuera de el grfico de medias, correspondientes

a las muestras 38 y 39. Eliminamos estas muestras y volvemos a estimar los
parmetros

b = x = 74.0027

R
b =
= 0.0101937
d2

volvemos a representar los grficos utilizando estas estimaciones

18
 Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00

Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup

X-bar Chart for media2

74.03
UCL = 74.02
74.02 Centerline = 74.00
LCL = 73.99
X-bar

74.01

74

73.99

73.98
0 10 20 30 40
Subgroup

Observando que hay un punto fuera del grfico de medias, correspondiente a

la muestra 37, por lo tanto, eliminamos esta muestra y volvemos a estimar los
parmetros

b = x = 74.0023

R
b =
= 0.0102484
d2

Volvemos a representar los grficos de control utilizando estas nuevas estima-

ciones, obteniendo:

19
 Range Chart for rango2
0.06
UCL = 0.05
0.05 Centerline = 0.02
0.04 LCL = 0.00

Range
0.03
0.02
0.01
0
0 10 20 30 40
Subgroup

X-bar Chart for media2

74.03
UCL = 74.02
74.02 Centerline = 74.00
LCL = 73.99
X-bar

74.01

74

73.99

73.98
0 10 20 30 40
Subgroup

Ahora no hay ningn punto fuera del grfico entonces las estimaciones de los
parmetros del proceso en situacin de control son las obtenidas en ltimo
lugar.

20
2.5 Interpretacin de los grficos de control
Lo que se debe esperar en un grfico de control es una distribucin de puntos alea-
toria alrededor de la linea central.(patrn no aleatorio o natural) , por ejemplo:
X-bar Chart for medias
74.02
UCL = 74.01
Centerline = 74.00
74.01
LCL = 73.99
X-bar

74

73.99

73.98
0 5 10 15 20 25
Subgroup

El objetivo principal del grfico de control es determinar cuando un proceso est

fuera de control de manera que es necesaria la accin de ajuste. La regla principal
es tomar como indicacin de falta de control cuando un punto se sale fuera de los
limites. A esta regla se le suele aadir alguna que aumentan la sensibilidad del
grfico en la identificacin de seales de la evolucin del proceso no sigue un patrn
natural. Para definir estas reglas entre los limites de control se aaden lineas de
aviso equiespaciadas, a distancia de una desviacin tpica.
Grfico de medias
74.02
LCS=74.0134
LC= 74.00
74.01
LCI=73.9866
74

73.99

73.98
0 5 10 15 20 25
N de muestra

Regla 1: el proceso est fuera de control si un puntos se sale de los limites de

control.
Regla 2: (2 de 3): un proceso se considera fuera de control si de tres puntos
consecutivos, dos estn a ms alla de la lnea de aviso de 2.
Regla 3: (4 de 5): un proceso se considera fuera de control si de cinco puntos
consecutivos, cuatro estn a ms alla de la lnea de aviso de .
Regla 4: (racha) el proceso est fuera de control si ocho o ms puntos consecutivos
estan en una mitad del grafico.
Regla 5: (tendencia): Ocho puntos consecutivos o ms en ascenso ( o descenso)

21
2.6 GRFICOS DE MEDIAS MOVILES
El grfico de control es relativamente insensible a pequeos cambios en la media del
proceso. Se ha sugerido diversas modificaciones y criterios suplementarios con el fin
de mejorar su capacidad para detectar cambios pequeos.
Supongamos que se obtienen muestras de tamao n, y sean (x1 , ...., xt , ...) sus
medias muestrales correspondientes. La media movil de alcance w en el momento t
se define como
xt + xt1 + .... + xtw+1
Mt =
w
(es decir, en el momento t se suprime la media muestral ms antigua y se aade
la ms reciente. Como utilizamos mas observaciones es ms facil detectar pequeos
cambios en el sistema)
Como

E(Mt ) =
1 2
V ar(Mt ) =
w n
el grfico de control de medias moviles tiene limites de control

LCS = + 3
wn
LC =

LCI = 3
wn

representando el limite de control para el primer ejemplo del dimetro de los

pistones, utilizando amplitud 3:

Grfico de medias moviles

74.02
UCL = 74.01
Centerline = 74.00
74.01
LCL = 73.99
MA

74

73.99

73.98
0 5 10 15 20 25
n de muestra

22
3 Grficos de control por atributos
Muchas caractersticas de callidad no se pueden representar en forma conveniente
por nmeros. En tales ocasiones, cada artculo o producto es inspeccionado y suele
clasificarse como conforme o disconforme con las especificaciones para tal caracte-
rstica de calidad (defectuoso o no defectuoso).

Si el proceso de producin est en control estadstico. Sea X una variable alea-

toria que indica si un artculo producido es o no defectuoso.

1 si el artculo es defectuoso
X=
0 si el artculo no es defectuoso

Si el proceso de producin est bajo contro estadstico ( no actan causas asig-

nables) entonces

X ; bernoulli(p)

(p es la proporcin de articulos defectuosos cuando el proceso est bajo control)

Defino, la capacidad del proceso como 1-p

Si en el proceso de producin intervienene causas asignables la proporcin de

elementos defectuosos aumenta. El objetivo de los grficos de control por atributos
es detectar rapidamente la presencia de causas asignables en el proceso.
Se toman muestras en periodos regulares de tiempo y las voy representando en
el grfico de control por atributos, este grfico puede ser de dos formas:

1. Grfico de nmero de defectos en la muestra de tamao n , grafico NP( si

represento el nmero de defectos)

2. Grfico de proporcin de defectos en la muestra, grafico P (si represento la

proporcin de defectos en la muestra)

3.1 Grfico NP (p conocida)

Grafico de control por atributos utilizando el nmero de defectuosos en la muestra
Sea r el nmero de defectuosos en la muestra

r ; b(n, p) cuando el proceso est bajo control

p
r;N (np, np(1 p) cuando el proceso est bajo control y n es grande

Luego
p p
p(np 3 np(1 p) r np + 3 np(1 p)) = 0.997 si el proceso est bajo control

as

23
 grfico de control por
p atributos NP
LCS = np + 3 np(1 p)
LC =p np
LCI = np 3 np(1 p)

ejemplo
Se envasa jugo de naranja en botes de cartn. Se considera que el bote es
disconforme si al llenarlo gotea. Se sabe que la proporcin de botes defectuosos es
0.23.
Para controlar el proceso se establece un control por atributos, tomando muestras
de tamao 50 cada hora.
Las muestra observadas en las ltimas 30 horas presentan los siguientes resulta-
dos.
n muestra n defectuosos n muestra n defectuosos
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
El grfico de control por nmero de defectos

p
LCS = np + 3 np(1 p) = 50 0.23 + 3 50 0.23 0.77 = 20.43
LC = np = 50 0.23 = 11.5
p
LCI = np 3 np(1 p) = 50 0.23 3 50 0.23 0.77 = 2.57

24
 Grfico de control por n de atributos
24
UCL = 20.43
20 Centerline = 11
16 LCL = 2.57
np

12
8
4
0
0 5 10 15 20 25 30
n muestra

3.1.1 Grfico NP (p desconocida)

De forma analoga a procedimiento estudiado en el apartado2.3. Se toman k muestras
de tamao n (suponemos que son tomadas cuando el proceso est bajo control)

1. Estimamos p utilizando las k muestras

r1 + r2 + ... + rk
pb =
kn

2. Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de p conocida obtenemos:

grfico de control
p por atributos NP
LCS = nb p(1 pb)
p + 3 nb
LC = nbp p
LCI = nb p(1 pb)
p 3 nb

3.1.2 Estudio inicial (capacidad del proceso)

En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:

1. Se toman k muestras (k almenos 25) de tamao n (n mayor que 50).

25
2. Se estiman los parmetros
r1 + r2 + ... + rk
pb =
kn
3. Se construyen el grfico de control
4. Representar en el grfico el nmero de defectuosos en cada muestra
Si algn punto se encuentra fuera de los limites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones de
los parmetros con el conjunto modificado de muestras. Si todos los puntos
estn dentro del grfico de control ir al paso siguiente
5. Al encontrarse todas las muestras dentro del grfico suponemos que todas han
sido tomadas cuando el proceso estaba bajo control. De esta forma estimamos
la capacidad del proceso como 1 pb

Ejemplo: Determinacin de la capacidad del proceso.

1 iteracin

1. Se toman 30 muestras de tamao 50.

n muestra n de defec. n muestra n de defec. n muestra n de defec.
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6

2. Estimacin

P
ri 347
pb = = = 0.2313
nk 50 30
3. Grfico de control para el no de defectos

p
LCS = nb
p + 3 nbp(1 pb) = 50 0.2313 + 3 50 0.2313 0.7687 = 20.51
LC = nb
p = 11.57
p
p 3 nb
LCI = nb p(1 pb) = 50 0.2313 3 50 0.2313 0.7687 = 2.62

26
 grafico np
24
UCL = 20.51
20 Centerline = 11.57
16 LCL = 2.62

np
12
8
4
0
0 5 10 15 20 25 30
Subgroup

4. dos muestras se salen del grfico 15 y 23. Se eliminan.

2 Iteracin

1. Se vuelve a estimar p

301
pb = = 0.215
50 28

2. Nuevo grfico

p
LCS = nb
p + 3 nb p(1 pb) = 50 0.215 + 3 50 0.215 0.785 = 19.46
LC = nb
p = 10.5
p
p 3 nb
LCI = nb p(1 pb) = 50 0.215 3 50 0.215 0.785 = 2.04

3. grfico

grafico np
24
UCL = 19.46
20 Centerline = 10.75
16 LCL = 2.04
np

12
8
4
0
0 5 10 15 20 25 30
Subgroup

27
 4. Se sale la muestra 21. La eliminamos.

3 iteracin

1. Nueva estimacin

281
pb = = 0.208
50 27

2. grfico

p
p + 3 nb
LCS = nb p(1 pb) = 50 0.208 + 3 50 0.208 0.792 = 19.02
LC = nb
p = 10.41
p
p 3 nb
LCI = nb p(1 pb) = 50 0.208 3 50 0.208 0.792 = 1.20

3. grfico

grafico np
24
UCL = 19.02
20 Centerline = 10.41
16 LCL = 1.80
np

12
8
4
0
0 5 10 15 20 25 30
Subgroup

4. Todas las muestras estn dentro del grfico por lo que suponemos que todas
han sido tomadas cuando el proceso estaba bajo control

Estimacin de la capacidad del proceso=1 pb = 1 0.208

3.2 Grfico P
Grafico de control por atributos utilizando la proporcin de defectuosos en la muestra
Sea pb el nmero de defectuosos en la muestra
r
p(1 p)
pb;N(p, cuando el proceso est bajo control y n es grande
n

28
 Luego
r r
p(1 p) p(1 p)
p(p 3 pb p + 3 ) = 0.997 si el proceso est bajo control
n n
as

grfico de control por

q atributos P
LCS = p + 3 p(1p)
n
LC = qp
p(1p)
LCI = p 3 n

29
4 Graficos de control por nmero de defectos
4.1 Grafico C
A veces el inters no reside en el nmero de articulos defectuosos sino en el nmero
de defectos en un articulo o unidad de medida o, en general, el nmero de sucesos o
atributos observados por unidad de medida. Por ejemplo, en una pelicula fotogrfica
interesa controlar el nmero de defectos por centimetro cuadrado. En una centralita
interesa controlar el nmero de llamadas por hora o minuto.
Sea D el nmero de defectuosos por unidad de medida. Suponemos que

D ; P () cuando el proceso est bajo control

D;N(, )

Luego

p( 3 D + 3 ) = 0.997 si el proceso est bajo control

as

grfico C
LCS = + 3
LC = p
LCI = 3

4.1.1 Grfico C ( desconocida)

Se toman k muestras (suponemos que son tomadas cuando el proceso est bajo
control)

1. Estimamos utilizando las k muestras

b = d1 + d2 + ... + dk

k

2. Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de conocida obtenemos:

grfico de control
p por atributos NP
LCS = b+3 b
LC = b
p
LCI = b3 b

30
4.1.2 Estudio inicial (capacidad del proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:

1. Se toman k muestras (k almenos 25).

2. Se estiman los parmetros

b = d1 + d2 + ... + dk

k

3. Se construyen el grfico de control

4. Representar en el grfico el nmero de defectuosos en cada muestra

Si algn punto se encuentra fuera de los limites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones de
los parmetros con el conjunto modificado de muestras. Si todos los puntos
estn dentro del grfico de control ir al paso siguiente

5. Al encontrarse todas las muestras dentro del grfico suponemos que todas han
sido tomadas cuando el proceso estaba bajo control. De esta forma estimamos
la capacidad del proceso como b

Ejemplo: Determinacin de la capacidad del proceso.

El director de un banco esta interesado en analizar el nmero de clientes atendi-
dos en una hora. Para estimar la capacidad del proceso observa los clientes atendidos
en 26 horas (seleccionadas de forma aleatora). Los datos son presentados en la si-
guiente tabla
1 iteracin

1. Los clientes atendidos durante estas 26 horas

observacin n de clientes observacin n de clientes observacin n de clientes
1 21 11 20 21 30
2 24 12 24 22 24
3 16 13 16 23 16
4 12 14 19 24 19
5 15 15 10 25 17
6 5 16 17 26 15
7 28 17 13
8 20 18 22
9 31 19 18
10 25 20 39

31
2. Estimacin

P
b= di 516
= = 19.85
k 26

3. Grfico de control para el no de sucesos

p
b+3
LCS = b = 19.85 + 3 19.85 = 33.22
LC = b
= 19.85
p
LCI = b
+3 b = 19.85 3 19.85 = 6.48

c Chart for Grafico C

40
UCL = 33,21
Centerline = 19,85
30
LCL = 6,48
c

20

10

0
0 5 10 15 20 25 30
Observation

4. dos muestras se salen del grfico 6 y 0. Se eliminan.

2 Iteracin

1. Se vuelve a estimar

P
b= di 472
= = 19.67
k 24

2. Nuevo grfico

p
b
LCS = + 3 b = 19.67 + 3 19.67 = 32.97
LC = b
= 19.67
p
LCI = b
+3 b = 19.67 3 19.67 = 6.37

32
 3. grfico

c Chart for Grafico C

40
UCL = 32,97
Centerline = 19,67
30
LCL = 6,36
c
20

10

0
0 5 10 15 20 25 30
Observation

4. Ninguna observacin se sale entonces la estimacin de la capacidad del proceso

b
= 19.67

4.2 Grfico U
El caso anterior (grafico C) es utilizado cuando se estudia el nmero de sucesos por
unidad de inspeccin. Sin embargo no hay razn para restringir el tamao muestral
a una unidad de inspeccin. En realidad prefeririamos muchas veces utilizar varias
unidades de inspeccin en la muestra.
Si llamamos ci al nmero de defectos (u ocurrencias de cierto suceso) en la
muestra i-sima y ni al tamao de dicha muestra (nmero de metros de cable,
nmero de unidades de tiempo, nmero de cm2 de superficie analizada...). El nmero
de defectos por unidad de medida ser
ci nmero de defectos en ni unidades
ui = =
ni nmero de unidades de la muestra
Suponemos que cuando el proceso esta bajo control

ci ; P (ni ) cuando el proceso est bajo control

si ni es suficientemente grande

r

ui ;N(, )
ni

33
 Luego
r r

p( 3 ui + 3 ) = 0.997 si el proceso est bajo control
ni ni

grfico Uq
LCS = + 3 ni
LC = q

LCI = 3 ni

Observacin: cuando sea desconocida se puede estimar a partir de los datos

de K muestras
P
b ci
= P
ni
Ejemplo:
En una fabrica de acabado de tejidos, se inspeccionan telas teidas para detectar
los defectos en 50 metros cuadrados. Los datos para diez rollos de tela se presentan
el la siguiente tabla
N de unidades
N de rollo inspeccionada N de defectos
1 10 14
2 8 12
3 13 20
4 10 11
5 9,5 7
6 10 10
7 12 21
8 10,5 16
9 12 19
10 12,5 23

la estimacin de
P
b ci 153
= P =
ni 107.5
El grafico U
u Chart for Col_5
3
UCL = 2,51
2,5 Centerline = 1,42
2 LCL = 0,33
u

1,5
1
0,5
0
0 2 4 6 8 10
Subgroup

34
 Apendice A: Resumen de graficos de control

1. CONTROL POR VARIABLES

X ; N (, )

1.1 , CONOCIDAS

1.1.1 GRFICO DE MEDIAS

LCS = + 3
n
LC =

LCI = 3
n

1.1.2 GRFICO DE DESVIACIONES(corregidas) O RANGOS

DESVIACIONES CORREGIDAS
LCS = B6
LC = c4
LCI = B5

RANGOS
LCS = d2 + 3d3 = D2
LC = d2
LCI = d2 3d3 = D1

1
1.2 , DESCONOCIDAS

1.2.1 GRFICO DE MEDIAS (utilizando desviaciones corregidas)

Sc
T
LCS = x+3
c4 n
LC = x
Sc
T
LCI = x3
c4 n

1.2.2 GRFICO DE MEDIAS (utilizando rangos)

R
LCS = x+3
d2 n
LC = x
R
LCI = x3
d2 n

1.2.3 GRFICO DE DESVIACIONES O RANGOS

DESVIACIONES
q p
c Sc 1 c24 c
)ST = B4 Sc
T 2
LCS = ST + 3 1 c4 = (1 + 3 T
c4 c4
LC = Sc
T
p
Sc 1 c24 c
= Sc )ST = B3 Sc
T
LCI T 3 = (1 3 T
c4 c4
RANGOS
d3
LCS = R+3 R = D4 R
d2
LC = R
d3
LCI = R3 R = D3 R
d2

2
2. Graficos de control por atributos

2.1 Grafico NP (utiliza nmero de defectos en la muestra)

p
LCS = np + 3 np(1 p)
LC = np
p
LCI = np 3 np(1 p)

2.2 Grafico p (utiliza la proporcin de defectuosos en la muestra)

r
p(1 p
LCS = p+3 )
n
LC = p
r
p(1 p)
LCI = p3
n
Observacin:
si p es desconocida entonces la estimamos, utilizando k muestras de tamao n
r1 + r2 + ... + rk
pb =
nk
donde ri es el nmero de defectuosos de la i-sima muestra

3
3. Grficos de control por nmero de defectos

3.1 Grfico C (se observa defectos en una unidad de inspeccin)

Ci =numero de defectos en una unidad

LCS = +3
LC =

LCI = 3

3.2 Grfico U (se observan defectos en varias unidades de

inspeccin)
Ui =numero medio de defectos por unidad
r

LCS = +3
ni
LC = r

LCI = 3
ni

4
 ANEXO : INDICES DE CAPACIDAD
Los indices de capacidad comparan la capacidad del procesos con las especificaciones
tcnicas requeridas. La capacidad del proceso (6) es una medida de la dispersin natural
de la variable que mide la calidad del producto o servicio, pero no dice nada de si dicha
calidad se ajusta o no a las especificaciones. Existen algunos analistas que desrecomiendan
la utilizacin de estos ndices. Su principal argumento es que resulta un resumen demasi-
ado simplista de la evolucin del proceso. A continuacin se muestran los ndices ms
utilizados.

1. ndice de Capacidad, Cp
LT S LT I
Cp =
6
Si Cp < 1 Se producen ms del 3 por mil de artculos defectuosos.
Si Cp > 1 Se producen menos del 3 por mil de artculos defectuosos.
Cuando el Cp < 1 se dice que el proceso no es capaz de cumplir las especificaciones.
Actualmente, sin embargo, un ndice de capacidad cercano a uno se considera insuficiente.
Es frecuente utilizar el valor Cp = 4/3 1, 33 como lmite inferior de la calidad que debe
tenerse en la prctica. Esto implica que
LT S LT I 4
= LT S LT I = 8
6 3
por tanto, seran defectuosos aquellos artculos que estn a ms de 4 de la meda; esto
es aproximadamente , 64 piezas por millon (bajo normalidad). Por esta razn se dice que:
Si Cp < 1 el proceso no es capaz.
Si Cp > 1.33 el proceso es capaz
Si 1 Cp 1.33 el proceso es capaz pero requiere un seguimiento muy estricto

2. ndices de capacida unilaterales CpL y CpU

Estos ndices se utilizan cuando los lmites de tolerancia son unilaterales. Por ejemplo,
el tiempo de realizacin de una oferta, la tensin de rotura de un material, la temperatura
mxima que admite un componente electrnico, etc. En estos casos, la tolerancia se mide
desde el valor nominal central hasta el extremo inidicado por la especificacin. Esta canti-
dad se compara con 3. Se utiliza CpL cuando existe una especificacin mnima, pero no
mxima, mientras que CpU se usa cuando se debe cumplir con una especificacin mxima.

N LT I
CpL =
3

1
 LT I N
CpU =
3
Cuando cualquiera de estos dos ndices es menor que 1, el proceso no cumplir las
especificaciones.
Cuando no se conozca el valor nominal del proceso N , se sustituir por la media mues-
tral x.

3. ndice de capacidad recproco Cr

Este ndice es el invero de Cp ,es decir, Cr = 1/Cp . Su interpretacin es la siguiente:
Si Cr > 1, el proceso no es capaz
Si Cr < 0.75, el proceso es capaz
Si 0.75 Cr 1, el proceso es capaz pero precisa de un control estricto

4. Coeficiente K
Este coeficiente es una medida de descentrlizacin del proceso. Se define como
x N
K= 1
2 (LT S LT I)
Si K > 0 el proceso tiene un sesgo hacia valores superiores al nominal (sesgo positivo)
Si K < 0 el proceso tiene un sesgo hacia valores inferiores al nominal (sesgo negativo)

5. Coeficiente n-sigma
Este coeficiente consiste en la expresin de los lmites de tolerancia en funcin de la
desviacin tpica del proceso de forma LT S LT I = 2n. Esta definicin equivale
a
LT S = + n
LT I = n
Por tanto, un ndice de capacidad Cp = 1 equivale a 3 sigma y Cp = 2 equivale a
6 sigma.
Es frecuente interpretar el nivel de calidad n-sigma en terminos de nmero de artculos
defectuosos por millon. Para ello hay dos posibles alternativas:
1. Consiste en emplear estrictamente su significado (suponiendo normalidad). Es decir,
interpretarlo como el no de defectuosos que se producen por milln de oportunidades.
2. Otra interpretacin popularizada por la empresa motorola, consiste en interpretarlo como
el no de DPMO cuando se produce un desajuste ne la media de 1, 5

2
 1 Interpretacin 2 Interpretacin
Defectos por milln de oportunidades,
Defectos por milln de oportunidades
cuando se produce un cambio en la
media de 1,5
Normal Distribution Normal Distribution
0,4 0,4 1.5
0,3 0,3
0.001 DPMO 0.001 DPMO 3.4 DPMO
density

density
0,2 0,2

0,1 0,1

0 0
12 14
LTI 16
18 20
LTS 22 12 14 16
18
+1.5
20 22 24
x x
LTI LTS
6 6
6 6

Nivel DPMO (1 interpretacin) DPMO (2 Interpretacin)

2 45500 308537
3 2700 66807
4 63 6210
5 0.57 233
6 0.002 3.4
Apndice B

Tablas para grficos de control

Grficos de medias Grficos para Rangos Grficos para deviaciones

con dispersin basada en tpicas (corregidas)
Observaciones s : sT : :
R
en la muestra,n c2 c4 d2 D1 D2 D3 D4 B3 B4 B5 B6
2 0.5642 0.7979 1.128 0 3.686 0 3.267 0 3.267 0 2.606
3 0.7236 0.8862 1.693 0 4.358 0 2.575 0 2.568 0 2.276
4 0.7979 0.9213 2.059 0 4.698 0 2.282 0 2.266 0 2.088
5 0.8407 0.9400 2.326 0 4.918 0 2.115 0 2.089 0 1.964
6 0.8686 0.9515 2.534 0 5.078 0 2.004 0.030 1.970 0.029 1.874
7 0.8882 0.9594 2.704 0.204 5.204 0.076 1.924 0.118 1.882 0.113 1.806
8 0.9027 0.9650 2.847 0.388 5.306 0.136 1.864 0.185 1.815 0.179 1.751
9 0.9139 0.9693 2.970 0.547 5.393 0.184 1.816 0.239 1.761 0.232 1.707
10 0.9227 0.9727 3.078 0.687 5.469 0.223 1.777 0.284 1.716 0.276 1.669
11 0.9300 0.9754 3.173 0.811 5.535 0.256 1.744 0.321 1.679 0.313 1.637
12 0.9359 0.9776 3.258 0.922 5.594 0.283 1.717 0.354 1.646 0.346 1.610
13 0.9410 0.9794 3.336 1.025 5.647 0.307 1.693 0.382 1.618 0.374 1.585
14 0.9453 0.9810 3.407 1.118 5.696 0.328 1.672 0.406 1.594 0.399 1.563
15 0.9490 0.9823 3.472 1.203 5.741 0.347 1.653 0.428 1.572 0.421 1.544
16 0.9523 0.9835 3.532 1.282 5.782 0.363 1.637 0.448 1.552 0.440 1.526
17 0.9551 0.9845 3.588 1.356 5.820 0.378 1.622 0.466 1.534 0.458 1.511
18 0.9576 0.9854 3.640 1.424 5.856 0.391 1.608 0.482 1.518 0.475 1.496
19 0.9599 0.9862 3.689 1.487 5.891 0.403 1.597 0.497 1.503 0.490 1.483
20 0.9619 0.9869 3.735 1.549 5.921 0.415 1.585 0.510 1.490 0.504 1.470
21 0.9638 0.9876 3.778 1.605 5.951 0.425 1.575 0.523 1.477 0.516 1.459
22 0.9655 0.9882 3.819 1.659 5.979 0.434 1.566 0.534 1.466 0.528 1.448
23 0.9670 0.9887 3.858 1.710 6.006 0.443 1.557 0.545 1.455 0.539 1.438
24 0.9684 0.9892 3.895 1.759 6.031 0.451 1.548 0.555 1.445 0.549 1.429
25 0.9696 0.9896 3.931 1.806 6.056 0.459 1.541 0.565 1.435 0.559 1.420