Normal Distribution Control Chart Capability Index Univariate

Normal Distribution-Control Chart Shewhart Ewma Cusum - Index Capability Univariate
CONTROL CHART - INDEX CAPABILITY UNIVARIATE
PhD Roberto José Herrera Acosta
Programa de Ingeniería Industrial

Universidad del Atlántico
10 de junio de 2020
PhD Herrera Acosta Roberto José Normal Distribution-Control Chart Shewhart Ewma Cusum - Index Capability Univariate
Normal Distribution-Control Chart Shewhart Ewma Cusum - Index Capability Univariate
1 Normal distribution tables, Finding the Z score, Central limit theorem, control charts Shewhart, Ewma,
Cusum univariate, Cusum univariate Herrera, the foundation of process capability, Natural Tolerance
limits, cp – process capability index univariate, cpk, pp – No parametric capability index, new
proposals Herrera
Normal distribution tables, Finding the Z score, Central limit theorem
Control Charts Univariate
Capability an index capability univariate
Normal Distribution-Control
Normal Chart
distribution tables, Shewhart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Capability Univariate
control charts Shewhart, Ewma, Cusum univariate, Cusum univariate Herrera, the foundation of process capability,
Natural Tolerance limits, cp – process capability index univariate, cpk, pp – No parametric capability index, new proposals Herrera
Sección 1 Normal distribution tables, Finding the Z score, Central limit

theorem, control charts Shewhart, Ewma, Cusum univariate, Cusum
univariate Herrera, the foundation of process capability, Natural Tolerance
limits, cp – process capability index univariate, cpk, pp – No parametric
capability index, new proposals Herrera
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Normal distribution
Canavos G. (1998) indica que entre las estadísticas más importantes, en ingeniería ocurre, es la media de
un conjunto de variables aleatorias o características de calidad independientes e identicamente distribui-
das. Una muesta aleatoria representada como X1 , X2 , ..., Xn consiste de n variables aleatorias IIDD tales
que E(X ) = µ y Var(X ) = σ 2 , para toda i = 1, 2, ..., n. La estadística de la medida de localización es
definida como media es,
X1 + X2 + ... + Xn
X̄ =
n
entonces el valor esperado y la varianza de X̄ son,
n
X 1
E(X̄ ) = µ = n(µ/n) = µ
i=1
n
n
1 2
σ = n(σ 2 /n2 ) = σ 2 /n
X
Var(X̄ ) = 2
i=1
n
donde µ y σ 2 son la media y la varianza de la distribucíon de la población a partir de la cual se obtiene

√
la muestra, por lo que d.e.(X̄ ) = σ 2 / n es la desviación estándar o error estándar de la media X̄ ,
a medida que el tamaño de la muestra crece la estimación de la media poblacional es precisa, por que
disminuye el error de estimación de la media muestral
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Canavos G. (1998)presenta un problema de un proceso que cuenta con una máquina de llenado para
vaciar 500 gramos de un producto alimenticio en cajas de cartón. La cantidad de alimento en cada caja
es una variable aleatoria normalmente distribuida con media 500 gramos y desviacion estandar igual
20 gramos. La verificación de este peso promedio, un ingeniero toma una muestra de 25 unidades en
forma sistemática, pesando el contenido de éstas. La decisión de detener el proceso, se presenta cuando
el promedio muestral este por encima de 510 gramos o menor a 490 gramos. ¿Cuál es la medida de
probabilidad de detener el proceso?
P(Deterelproceso) = 1 − P(490 < X̄ < 510)

490 − 500 510 − 500

=1−P < X̄ <
4 4
= 1 − P(−2.5 < X̄ < 2.5)
= 0.0124
es decir, la medida de probabilidad de detener el proceso es de 0.0124.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Una muesta aleatoria representada como X1 , X2 , ..., Xn consiste de n variables aleatorias independientes
exponencialmente distribuidas tales que los valores esperados,
n
X 1
E(X̄ ) = θ = n(θ/n) = θ
i=1
n
n
1 2
θ = n(θ2 /n2 ) = θ2 /n
X
Var(X̄ ) = 2
i=1
n
donde θ y θ2 son la media y la varianza respectivamente de la variable aleatoria con distribución exponen-
cial. En muestras grandes la distribución gama con parámetro de forma α con valores apreciable,puede
aproximarse a una normal de la forma,
X̄ − θ
Z = θ
√
n
es, en forma aproximada N(0, 1).
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En general una muestra X1 , X2 , ..., Xn de variables aleatorias IID con una distribución de probabilidad no
especificada y con media µ y una varianza σ 2 finita. El promedio muestral X̄ = X1 + X2 + ... + Xn /n
tiene una distribución con media µ y varianza σ 2 /n que tiende a una distribución normal conforme
√
n tiende a infinito, la variable aleatoria (X̄ − µ)/(σ/ n) tiene como límite una distribución normal
estándar; esta última afirmación es denonimada Teorema del límite central. Esto indica que la variable
aleatoria
X̄ − µ
Z = µ
√
n
es utilizada para inferencias acerca de mu cuando conocida la varianza poblacional σ 2 . La variable Z es

N(0, 1) cuando el muestreo es aplicada a una población con una distribución normal y es, aproximada,
para cualquier otro modelo condicionadao a muestras n grandes.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Generalidades de las Cartas de Control
Introduccíon a las cartas de control
Es un diagrama en donde se realiza el seguimiento de un estadístico de control o variable aleatoria a

través del tiempo en intervalos equidistantes (o no equidistantes), de una(s) característica(s) de calidad
para el caso univariado o el caso multivariado; con el objeto de detectar la existencia de comportamientos
no aleatorios, sus causas y posibles soluciones.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El estadístico de Control
El estaístico de control, es evaluado a partir de muestras con variables aleatorias provenientes de distintas
fuentes cuantitativas o cualitativas:
1 Variables continuas: medidas físicas, tales es el caso, peso, temperatura, concentración, tiempo,
volumen, densidad, diámetro.
2 Variables discretas: la númeración es realizada en variables de conteo, por ejemplo, número de
unidades no conformes, número de fallas o no conformidades, defectos, gravedad de la anomalía.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estadisticos de control Shewhart
Montgomery(2001) muestra el cálculo de los estadísiticos de control de las cartas de control R, X̄ , S 2 , S,

conocidas como las cartas tradicionales de Shewhart.
R = ValorMax − ValorMin
Pn
i=1 xi
X̄ =
n
n
S2 = (Xi − X̄ )2 /n − 1
X
i=1
v
u n
(Xi − X̄ )2 /n − 1
uX
S=t
i=1
(np)
p̂ =
n
c
û =
n
donde n es el tamaño del subgrupo seleccionados en el proceso a intervalos fijos (equidistantes) o no
equidistantes.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Tamaño de la muestra o subgrupo
Vargas (2011) presenta dos riesgos en el proceso de muestreo,

Riesgo de tipo I: El riesgo de que una muestra extrema conduzca a tomar una acción, cuando no
ha ocurrido cambio en el proceso.
Riesgo de tipo II: El riesgo de que una muestra caiga dentro de los límites de control, aunque un
cambio real haya ocurrido en el proceso.
estos riesgos son relacionados cuando se prueba una hipótesis sobre algún parámetro de la población.
En el caso del error de tipo I ocurre cuando por razones puramente aleatorias, debidas al proceso de
selección de la muestra, se rechaza una hipótesis nula que es correcta. El error de tipo II ocurre cuando
la muestra no ofrece evidencias para rechazar la hipótesis nula, a pesar de que esta en la realidad debería
ser rechazada. En el diseño de una carta de control se debe establecer un compromiso que tenga en
cuenta estos dos tipos de riesgos. Cuando un punto cae por fuera de los límites de control debido
solamente a causas aleatorias se dice que se ha presentado una falsa alarma. Es deseable diseñar cartas
que produzcan ratas bajas de falsas alarmas debido a los costos econ¶omicos que estos casos puedan
tener para una Industria.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Es una gráfica propuesta por el ing. W. A. Sewhart de los laboratorios de la Bell Telephone en los
años veinte. está constituida por una línea central (determinada por una medida de localización o una
medida de variabilidad promedio) y una o más líneas a ciertas desviaciones de la línea central, llamadas
comúnmente limites de control; que representan el estado de un proceso.
Variabilidad
Este tipo de método estadístico permite diferenciar las diversas causas de variabilidad en un proceso: las
aleatorias o fortuitas (comunes) y las asignables o especiales.
1 Variabilidad Aleatoria: Causadas por eventos naturales del proceso.
2 Variabilidad Asignable: Es causada por factores ajenos a las condiciones naturales de un proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Variabilidad
La variación ocurre en todos los procesos, ya sean fenómenos naturales o invenciones humanas. Existen
dos clases de variación: (a) la variación aleatoria (que es natural en el proceso) (b) la variación no
aleatoria o asignable (resultado de una causa atribuible específica). La primera es predecible (proceso
con estabilidad estadística o bajo control), sin embargo la segunda implica una estimación sesgada de los
parámetros, estandp en fase I o en la fase II, la ocurrencia de un estado fuera de control.
Una carta de control muestra la variación de un proceso (la variabilidad aleatoria y no aleatoria) y
es utilizada para monitorizar un estadístico a través del tiempo, con el propósito de mantenerlo en
estabilidad estadística o bajo control.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control
Cómo interpretar las cartas de control: (a) inicialmente las cartas de control permiten identificar varia-
ciones no aleatorias, indicada normalmente con un punto del gráfico fuera de los límites del control
o estando dentro de los límites, presenta un comportamiento no natural dentro, denominado señal de
alarma. Los casos o situaciones que pueden indicar un estado no aleatorio o fuera de control, señal
de alarma, estando dentro de los límites de control establecidos son: Cambios repentinos de la medida
de localización, tendencias del estadístico, oscilaciones alternadas muy amplias, mezclas de productos o
metodologías no estandarizadas
Cuando se presenta un hecho no aleatorio, fuera de control, los responsables del proceso deben encontrar
una causa atribuible, respondiendo a la pregunta ¿qué ha cambiado en el proceso para producir este
hecho?
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control
El paso a seguir es, realizar las correcciones pertinentes para que este hecho no se presente.Eliminar
la señal de alarma, en la fase I, una vez encontrado la causa atribuible. Por otra parte en el monitreo
en línea, fase II, una señal de alarma, implica un estado fuera de control, es pertinebte las correcciones
inmediatas, establecer metodología de mejoramiento más estrictas.
Estas variabilidades generalmente son causadas por:

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Elementos
Una carta de control consta de los siguientes elementos:
UCL = T̄ + LσT
LC = T̄
LCL = T̄ − LσT
Limite de Control Superior UCL, límite Central de Control LC y límite Inferior de Control LCL. La caracte-
rística de los límites de control superior e inferior se encuentra a una distancia de 3σ que representan
como medida de probabilidad el 0.9973, es decir 99.73 % de que un subgrupo, estadístico de control,
este dentro de los límites de control. Esta condición de los límites de control son medidas de la siguiente
forma:
P(−3 6 Z 6 3) = P(Z 6 3) − P(Z 6 −3) = 0.998650 − 0.00134 = 0.9973
Un límite de control es un intervalo de confianza con una probabilidad de 0.9973 de esta forma, los
límites de control se definen:
h σ σ i
P X̄ + L √ < µ < X̄ + L √ = 1 − α
n n
notese que el valor de la constante L = 3, con el propósito de garantizar la confiabilidad del 99.73 %
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Fases en la construcción de las cartas de control
Un subgrupo es formado por una muestra racional de observaciones, cuyas condiciones dentro del
subgrupo debe tener la menor variabilidad posible y entre subgrupos la mayor. Un proceso que se
encuentra en estabilizado (fase I) o en control (fase II) es aquel que posea variabilidades aleatorias o
naturales dentro de los límites establecidos.
Fase I Estimación de los parámetros del proceso
1 Escojer la varable aleatoria o características de calidad del producto o servicio
2 Definir el subgrupo o tamaño de la muestra, de manera que el estadístico de control cumpla con el
supuesto de normalidad, Binomial, Poisson, algunos autores recomiendan en caso de las variables
continuas, seleccionar tamaños de subgrupo de 4 o más observaciones garantizando de esta
manera que el estadístico de control posea una distribución normal (teorema del límite central)
3 Calcular los límites de ensayos (históricos) o naturales evaluados con los datos e información
preliminar, (algunos autores recomiendasn mínimo 6 meses de información del procceso)
4 Depuración o limpieza de señales de alarma, hasta eontrar la estabilización estadística del
estad´sitico de control de la característica de calidad monitoreada
5 Estimación de los parámetros del proceso µ y σ, en las variables aleatorias continuas, basado en
la normalidad del estadístico, p en la distribución Binomial y λ en la distribución de Poisson.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Fase II control de procesos

1 Calcular los límites estándar del proceso basado en los parámetros obtenidos en la fase I, una vez
obtenido los parámetros del proceso en la fase I
2 Control en línea de la nueva informacción seleccionada del proceso; tomando como referente estos
límites estandarizados.
Los objetivos que se obtiene en estas fases:
Mejoramiento continuo del proceso

Identificación de parámetros del proceso y ajuste posterior del proceso
Evaluar medidas de probabilidad
Capacidad del proceso para cumplir con las especificaciones de diseño
En la carta de control presenta el seguimiento a través del tiempo de una medida de localización o una
medida de variabilidad; tanto en el campo univariado como en el multivariado. Un proceso se considera
estadísticamente estable (bajo control), en la medida de localización como la de la variabilidad, cuando los
puntos (subgrupos) representados por algunos de los estadisticos se ubican entre los límites de control
o no presenta aleatoriedad en su comportamiento.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,


Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,


Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,


Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estados no aleatorios
Mezcla
Existen diversos comportamientos que nos indican un estado fuera de control. Entre estos encontramos:
(1) Mezcla, es la sospecha de que en el proceso existen dos o más poblaciones de un mismo factor, cuyo
comportamiento es totalmente diferente uno de otro.
Materia prima
Operario
Equipo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Mezcla
Materia prima
Operario
Equipo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Mezcla
Materia prima
Operario
Equipo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El comportamiento del estado o comportamoiento tipo mezcla, es presentado en la figura inferior,
Figura: Estado no aleatorio Mezcla
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Tendencia
La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

una carta de la medida de localización (promedio) se considera un estado fuera de control; por otro
lado si la carta es de la medida de variabilidad (rango, desviación, varianza) una tendencia descendente
se considera un estado de mejoramiento del proceso. Este comportamiento de tendencia es causada
generalmente por:
Desajuste de equipo
Desgaste de una pieza
Descuido del operario
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Tendencia

generalmente por:
Desajuste de equipo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Tendencia

generalmente por:
Desajuste de equipo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
la tendencia es un estado no aleatorio no deseado, cuando es evaluado en las cartas de control por
variables, especificamente el la carta de promedio.
Figura: Estado no aleatorio Tendencia
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cambio de Nivel
El cambio de nivel, es un cambio repentino de las condiciones del proceso. En la carta de control de
la medida de variabilidad, un cambio de nivel descendente, implica un mejoramiento significativo de la
dispersión del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cambio de Nivel
Materia prima.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cambio de Nivel
Materia prima.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El cambio de nivel indica una modificación repentina del proceso, es decir evidencia errores en la
planeación de mejoramiento.
Figura: Estado no aleatorio Cambio de Nivel
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ciclo
En el ciclo se observa una periocidad en el comportamiento del proceso, esto se debe algunas veces a
la rotación de ciertos factores del proceso. Es el caso de operadores en diferentes horario de trabajo, se
espera que la jornada nocturna genere menos producción que las previstas en las jornadas diurnas:
Equipo
Operario
Materia prima
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ciclo
Equipo
Operario
Materia prima
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ciclo
Equipo
Operario
Materia prima
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El ciclo generalmente se presenta en cuando se realizan modificaciones extremas de metodologías, o

materias primas, por ejemplo el cambio de turno en una empresa de producción.
Figura: Estado no aleatorio Ciclo
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ruiz A. y Rojas F (2006) muestra una tabla que incluyen algunas reglas utilizadas frecuentemente para
analizarlas las cartas de control de la medias y establecer si el proceso se encuentra estable o fuera de
control.
Figura: Reglas de estados no aleatorios
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Reglas 1, 2, 3, 3, 4, 4l, 4ll y 7. Si el gráfico de medias presenta alguna de estas indicaciones y el

gráfico S o R no presenta anomalías, lo más probable es que el proceso se encuentre desplazado.
Si el gráfico S o R presenta también indicaciones, entonces es proceso ha aumentado la
variabilidad y posiblemente también se ha desplazado.
Reglas 5, 6, 6l, 6ll. Lo más probable es que el proceso esté desplazándose.
Regla 7. Si el gráfico S o R no presenta anomalías, lo más probable es que el proceso sea muy
inestable en cuanto a sucentrado. Si el gráfico S o R presenta también indicaciones,entonces es
probable que el proceso haya aumentado la variabilidad.
Regla 8. que Puede ser síntoma de que se ha reducido la variabilidad del proceso si el gráfico S o
R también muestra una reducción de la variabilidad muestral. Si el gráfico S o R no muestra una
reducción de la variabilidad muestral, puede ocurrir que se estén mezclando dos poblaciones
distintas, siendo la distribución resultante bimodal (dos jorobas).
Regla 9. Es síntoma de inestabilidad del proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de Control Shewhart para la medida de variabilidad R
Límites de control para la carta R
Montgomery(2001) presenta los límites de control para la medida de variabilidad R, asumiendo que los
subgrupos seleccionados provienen de una muestra, conformada por variables aleatorias independientes
e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda i = 1, 2, 3, ..., n.
p p
Var(R) h V (R) i d3
UCL = R̄ + 3b
σR = R̄ + 3 R̄ = R̄ 1 + 3 = 1+3 R̄
E(R) E(R) d2
CL = R̄
p p
Var(R) h V (R) i d3
LCL = R̄ − 3b
σR = R̄ − 3 R̄ = R̄ 1 − 3 = 1−3 R̄
E(R) E(R) d2
simplificando
UCL = D4 R̄
CL = R̄
LCL = D3 R̄
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control para la carta X̄
En cuanto a los límites de control para la medida de localización en este caso el promedio muestral
X̄ , asumiendo que los subgrupos seleccionados provienen de una muestra, conformada por variables
aleatorias independientes e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda
i = 1, 2, 3, ..., n.
R̄ 1
p
Var(R)
σ = X̄¯ + 3
UCL = X̄¯ + 3b R̄ = X̄¯ + 3 √
E(R) d2 n
CL = X̄¯
R̄ 1
p
Var(R)
LCL = X̄¯ − 3b
σX = X̄¯ − 3 R̄ = X̄¯ − 3 √
E(R) d2 n
simplificando
UCL = X̄¯ + A2 R̄
CL = X̄¯
LCL == X̄¯ − A2 R̄
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Figura: Coeficientes de las cartas de control
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Constantes de las Cartas de Control
Montgomery(2001) presenta las ecuaciones para cada una de estas constantes, en función, para la el valor
de c4 , del modelo de la distribución gama,
3
A= √
n
3
A1 = √
c2 n
3
A2 = √
d2 n
3
A3 = √
c4 n
D1 = d2 − 3d3
D2 = d2 + 3d3
d3
D3 = 1 − 3
d2
d3
D4 = 1 + 3
d2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Entre otras constantes .

s
c2 =
σ
n
r
c4 = c2
n−1
R̄
d2 =
σ
d3 = σw
donde s
2 τ ( n2 )
c4 =
n − 1 τ ( n−1
2
)
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Caso de Estudio
Caso de Estudio: componentes de un medicamento
Los datos son obtenidos del porcentaje de un componente esencial en las condiciones físico-químicas
de un medicamento comercial. el tamaño del subgrupo n es tres (3) observaciobes, con una cantidad de
subgrupos m de nueve (9). Construya una carta de control X̄ y R.
Subgrupo x1 x2 x3 x R
1 60 52 55 55.66 8.0
2 50 67 58 58.33 17.0
3 56 60 55 57.00 5.0
4 58 64 58 60.00 6.0
5 57 65 52 58.00 13.0
6 51 58 49 52.66 9.0
7 61 69 52 60.66 17.0
8 65 55 50 56.66 15.0
9 52 60 57 56.33 8.0
el promedio de promedio X̄¯ y el rango promedio R̄, es determinado en primera medida, con el próposito
de obtener los límites históricos.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cálculo del estadístico de control, para la medida de variabilidad
En el ejercicio anterior se obtuvo los límites de control inicial o históricos, (se recomienda obtener la
información durante mínimo de cuatro a seis meses) para posteriormente identificar los límites estándar
del proceso, estos valores naturales se obtienen una vez identificado los puntos por fuera de los límites
de control o si existen algún estado no aleatorio del proceso, tales como tendencias, cambio de nivel,
ciclo en el proceso.
P9
i=1 Ri 98
R̄ = = = 10.8889
9 9
el rango promedio que es una medida de probabilidad, posee un valor de 10.8889, permite posteriormente
estimar el valor de la varianza muestral σ 2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cálculo de los límites histórico de control para R

Los límites de control histórico, en fase I, están definida por las siguientes ecuaciones:
UCLR = (2.575)10.8889 = 28.0307

CLR = 10.8889
LCLR = (0.0)10.8889 = 0.0
Figura: Diagrama de Control del rango R
en este caso se observa cierta estabilización estadística den la medida de variabilidad, en este caso el
rango.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cálculo del estadístico X̄

El promedio del estadístico de control para la medida de localización, en este caso de estudio, es de,
P9
i=1 X̄i 515.3337
X̄¯ = = = 57.2593
9 9
Por tanto, los límites de control en la fase I para esta medida, están definida de la siguiente manera,
UCL = 57.2593 + 1.023(10.8889) = 68.3993

LC = 57.2593
LCL = 57.2593 − 1.023(10.8889) = 46.1192
La constante A2 = 1.023 según lo observado en la tabla de los coeficientes de control, para un tamaño
de muestra n = 3.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El diagrama de control para la medida de localización, presenta el siguiente esquema,
Figura: Diagrama de Control del promedio X̄
La carta de control muestra, al igual que la carta de control del rango, una estabilización estadística en
la medida de variabilidad.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Recalcular los límites de control para R y X̄
En la fase I cuando se realiza monitoreo de la característica de calidasd, para verificar estados no

aleatorios, la primera carta de control recomenda en el análisis es, la carta de la medida de variabilidad,
en este caso, la carta de control R. Por supuesto, si la información histórica no presenta estas condiciones
de inestabilidad estadística, los límites iniciales o históricos permitirán obtener los parámetros del proceso.
Porque eventos contrarios, alta variabilidad en la información de esta característica, no es factible un

análisis en la carta de control de la medida de localización, la carta X̄ debe ser construida, una vez
estabilizada la variabilidad en la medida de dispersión (observe los límites de control de la carta de la
medida localización, depende de la variabilidad del proceso, en el ejemplo lo representa el rango R o
recorrido).
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Recalcular los límites de control para R y X̄

La existencia de puntos fuera de fuera de los límites o señalaes de alarma, en esta fase inicial, implica
como primer paso, recalcular el promedio y el rango promedio de los estadísticos de control, una vez
eliminado el subgrupo en estas condiciones, de la siguiente forma,
Pm
¯
i=1 X̄i − Xd
X¯0 =
m − md
Pm
¯
i=1 R̄i − Rd
R¯0 =
m − md
donde m es el número de subgrupos, seleccionados en la fase I, md es el número de subrupos elimi-

nados, una vez verificada el factor o causa que genero este comportamiento no aleatorio, establecer las
correcciones o acciones para imposibilitar un evento similar. El segundo paso es determinar los límites de
control históricos o de ensayo recalculados, presentar los estadísticos de control restantes en el diagrama,
con el propósito de observar la existencia o no de estabilidad estadística.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Parámetros del proceso
Los parámetros de la característica de calidad, son estimados mediante a partir de los estadísticos
evaluados en la fase I, donde las observaciones del subgrupo o muestra seleccionada son consideradas
idenpendientes e identicamente distribuidas, en este caso la distribución asumida es la normal.
E(R̄) R¯0
σ̂ = =
d2 d2
µ̂ = E(X̄¯) = X¯0
donde d2 es una constante que depende del tamaño del subgrupo.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Parámetros del proceso y límites estándar

En el ejemplo antes mencionado, los parámetros evaluados son los siguientes:
R̄ 10.88
σ̂ = = = 6.43171
d2 1.693
µ̂ = X¯0 = 57.2593
donde el valor de la constantes d2 = 1.693 es obtenido para un tamaño de subgrupo n = 3.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Fase II o control en línea
Límites de control estándar para la carte de media y rango, Fase II

Los límites de control en la fase II, son denominados límites estándar, no pueden ser modificados en
esta fase, salvo existan cambios significativos en el proeso, en este caso es un nuevo proceso, lo cual
induce a comenzar en la fase I. En el caso del rango los límites de control estándar son presentados de
la siguiente forma,
UCL = (d2 + 3d3 )σ

CL = d2 σ
LCL = (d2 − 3d3 )σ
simplificando
UCL = D2 σ
CL = d2 σ
LCL = D1 σ
Los valores D2 y D1 son constantes que dependen del tamaño de la muestra n del subgrupo, el valor de
la desvición estándar es estimado mediante σ = R̄/d2 .
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites estándar de las Cartas de Control R

Los límites estándar para la medida de variabilidad, en este caso el rango R, para el caso de estudio
evaluado presenta los siguientes resultados,
UCL = D2 σ = (4.358)(6.43) = 28.02

CL = R¯0 = 10.88
LCL = D1 σ = (0.0)(6.43) = 0.0
donde los valores D2 = 4.0358 y D1 = 0.0, son obtenidos de la tabla de constantes, sujeto al tamaño
del subgrupo n.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control estándar para X̄

La formulación para los límites de control en la fase II, o límites estándar:
UCL = µ + Aσ
CL = µ
LCL = µ − Aσ
La formulación de los límites de control estándar para la medida de localozación, en este caso el
promedio X̄ , en el caso de estudio es,
UCL = 57.2593 + 1.732(6.431) = 68.39

Cl = 57.2593
LCL = 57.2593 − 1.732(6.431) = 46.12
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Datos para control en línea
Control en línea
La siguiente tabla muestra la información de la característica de calidad monitoreada en el proceso, en

un tiempo a posteriori, el ingeniero debe someter a control, con el propósito de indentifica si existe un
estado fuera de control.
Número del subgrupo x1 x2 x3 X̄ R
1 55 50 48 51.0 7.0
2 51 52 53 52.0 2.0
3 58 57 60 58.3 3.0
4 54 61 65 60.0 11.0
5 54 55 50 53.0 5.0
En esta tabla, el interes es contrastar los estadísticos de control, con respecto a los límites de control
estándar evaluados en la fase II.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Monitoreo en línea de la medida de variabilidad
Como se recordará los límites de control estándar para la medida de variabilidad, el rango en este caso,
son UCL = 28.02, CL = 10.88 y LCL = 0.0
Figura: Diagrama de Control del rango R fase II
Es observado en la información en línea o control en línea, un comportamiento aparentemente no

aleatorio, donde la mayoría de los puntos están debajo del promedio histótico. Lo que induce a concluir,
en este proceso la medida de variabilidad presenta valores reducidos con respecto a los históricos, lo que
implica, en este caso en particular, una mejora en la estabilidad del proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Monitoreo en línea de la medida de localización
En cuanto a la carta de control de la medida de variabilidad, los límites de control estándar para el
promedio arrojó los siguientes resultados: UCL = 68.39, Cl = 57.2593 y LCL = 46.12.
Figura: Diagrama de Control del promedio Fase II
La siguiente figura, muestra el comportamiento de la carta de control para la medida de localización,

en ella se manifiesta un estado fuera de control del promedio, evidenciándose en la que la mayoría de
los puntos graficados, se encuentran por debajo del promedio histórico, implicando una disminución del
promedio, generada por alguna casusa asignable.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTAS DE CONTROL SHEWHART X R EN R-PROJECT
library(qcc)
datos<-read.table("clipboard")
attach(datos)
windows()
qcc(data=datos[1:10,1:3], type="xbar", main="Carta de Control de promedio")
qcc(data=datos[1:10,1:3], type="R", main="Carta de Control del rango")
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de control x̄, S y S 2 : Límites de Control Históricos de los diagramas x̄ y S, fase I
Introducción
La carta S, permite realizar el seguimiento a la desviación estandar del proceso. Es una carta en donde
el criterio de normalidad no se cumple, pero es conveniente recordar la aplicación de dos estadísticos
para evaluar la desviación:
sP
n
i=1 (xi − x̄)2
s=
n
para procesos normales, la esperanza matemática de la varianza muestral es:
n−1 2
E(s2 ) = σ
n
es un estimador sesgado de la varianza poblacional σ 2 . En este caso es seleccionada como varianza
muestral el estimador insesgado definido como:
sP
n 2
∗ i=1 (xi − x̄)
s =
n−1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El error cuadrático medio ECM de la s2 es inferior a la varianza s∗2 . Los valores eperados y la varianza
de ambos estadísticos son los siguientes,
2(n − 1) 4
Var(s2 ) = σ
n2
2
Var(s∗2 ) = σ4
n−1
el valor esperado
2 τ (n/2)
r
E(s) = σ = c2 σ
n τ [(n − 1)/2]
s
∗ 2 τ (n/2)
E(s ) = σ = c4 σ
n − 1 τ [(n − 1)/2]
ambos estadísticos son estimadores sesgados de sigma,
1
r
σs = σ 1 − c22 −
n
q
σs ∗ = σ 1 − c42
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En la cartas S los límites de control obtenidos en la fase I, históricos o naturales para la medida de
variabilidad, está dado, asumiendo insesgamiento en la desviación muestral, por:
3
q
UCL = E(S) + 3σs∗ = S¯∗ + 1 − c42
c4
CL = S¯∗
3
q
LCL = E(S) − 3σs∗ = S¯∗ − 1 − c42
c4
simplificando
UCL = B4 S¯∗
CL = S¯∗
LCL = B3 S¯∗
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los límites de control histórico o naturales para la medida de localización,X̄ , son determinados mediante
las siguientes formulaciones,
3S¯∗
UCL = X̄¯ + √
c4 n
LC = X̄¯
3S¯∗
LCL = X̄¯ − √
c4 n
simplificando
UCL = X̄¯ + A3 S¯∗

LC = X̄¯
LCL = X̄¯ − A3 S¯∗
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estimación de los parámetros en las cartas de control X̄ y S

Los parámetros de la carta de control para la medida de variabilidad y la medida de localización, se
estiman mediante las siguiente formulaciones:
E(S¯∗ ) S¯∗
σ̂ = = 0
c4 c4
µ̂ = E(X̄ ) = X¯0
donde c4 es una constante que depende del tamaño del subgrupo n. Es de anotar, que las estimaciones
de los parámetros tanto de las cartas de rango y desviación estándar son valores similares, pero no
iguales.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
límites de control estándar para la medida de variabilidad, S

En la fase II la formulación aplicada para evaluar los límites estándae para la desviación estándar y la
media del proceso, se determinan mediante,
q q
UCL = c4 σ + 3σS = c4 σ + 3σ 1 − c42 = σ c4 + 1 − c42
CL = c4 σ
q q
LCL = c4 σ − 3σS = c4 σ − 3σ 1 − c42 = σ c4 − 1 − c42
simplificando, los límites estándar para la desviación
UCL = B6 σ
CL = c4 σ
LCL = B5 σ
donde B6 , c4 y B5 son constantes que dependen del tamaño de la muestra n.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control estándar para la medida de localización, X̄

En cuanto a la medida de localización, las expresiones de los límites estándar de control de la medida
de localización, fase II, se determinan mediante.
3
UCL = µ + √ σ = µ + Aσ
n
CL = µ
3
LCL = µ − √ σ = µ − Aσ
n
donde A es una constante que depende del tamaño del subgrupo n. Estos límites de control, son los
mismos definidos en la carta de control de la media, cuando la medida de variabilidad aplicada es el
rango.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
sea Ei el evento que la i-esima media muestral X̄i o exceda a LCS o es menor que LCI entonces,
P(Ei ) = P(X̄i > LCS) + P(X̄i < LCL) = 0.0027
los promedios X̄i y X̄j son considerados independientes para todo i 6= j, entonces Ei y Ej son eventos
independientes, por lo que la secuencia de los eventos Eis sigue un proceso de Bernoulli. En el caso de
los límites de control para la medida de localización de la carta X̄ , S, donde la esperanza matemática es,
E(Si ) = c4 σ
Var(Si ) = E(Si ) − [E(Si )]2 = σ 2 (1 − c42 )
donde X̄¯ es una variable aleatoria normal y considerando a S̄ aproximadamente normal, para valores
ˆ es una combinación lineal de X̄¯ y S̄, es también aproximada-
grandes de n,e independientes; además LCL
mente normal. Es decir la evaluación de los valores esperados de la media y la desviación estándar para
este límite de control, son
σ
ˆ = µ + 3√
E(LCS)
n
s
9(1 − c42 )
ˆ = √σ
Sd(LCS) 1+
mn c42
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En este contexto, sea Fi un evento de señal de alarma para la media X̄i , es decir que el estadístico
de control exceda LCSˆ o menor que LCL,ˆ entonces para un proceso bajo la distribución normal con
parámetros µ y σ 2 , la medida de probabilidad de Ci es,
ˆ + P(X̄i < LCL)
P(Ci ) = P(X̄i > LCS) ˆ
es claro que tanto X̄ como LCS

ˆ están distribuidos normalmente, entonces la diferencia de estos, están
distribuido aproximadamente normal con media y varianza conocida,
ˆ = µ − µ − √3 σ = √3 σ
E(X̄i − LCS)
n n
2 2 1 9(1 − c42 )

σ σ
ˆ =
Var(X̄i − LCS) + 1+ 2
n n m c4
estandarizando las diferencias

 
3
 
ˆ > 0) = 1 − φ  s
 
P(X̄i − LCS 
9(1−c42 ) 
 
1
1+ 1+

m c42
donde φ[] es la función de distribución normal estándar
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
la señal de alarma es igualmente probable en ambos limites de control, por lo que,

ˆ > 0) = P(X̄i − LCL
P(X̄i − LCS ˆ < 0)
siendo eventos mutuamente excluyenres, entonces,

  
3
  
P(Ci ) = 2 ×  1
  
− φ s 
9(1−c42 ) 
  
1
1+ 1+
 
m c42
esta medida de probabilidad depende de los valores m y n, es decir de la cantidad de subgrupos, así
como su tamaño. En el caso de valores de m = 20 y n = 4, tenemos que,
  
3
P(Ci ) = 2 × 
1 − φ  r
  
 
9(1−0.9212 )
h i 
1
1+ 20
1+ 0.9212
donde c4 = 0.921 para un tamaño de subgrupo de cuatro.
P(Ci ) = 2 × [1 − φ(2.821)] = 0.0024
la medida de probabilidad de una señal de alarma en una carta Shewhart para el promedio con tamaño
de subrupo n = 4 y m = 20 es de 0.0024, limitada para estimaciones de los límites de control LCS
ˆ y
ˆ
LCL
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Caso de Estudio
Caso de Estudio:Empresa de fabricación de tuberías sanitarias
A continuacion, es presentado 10 subgrupos, la característica de calidad son los valores de los diámetros
obtenidos en la fabricación de tuberías sanitarias, el tamaño del subgrupo es de n = 4. El propósito
del responsable del área de calidad, es monitorear esta característica de calidad, através de la cartas de
control X̄ y S.
Figura: Diametros tubería sanitsria
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La información recabada en el proceso, a largo de cuatro meses de monitoreo continuo, los datos son
presentados a continuación,
Subgrupo x1 x2 x3 x4 x S
1 51.10 60.70 46.43 64.59 55,7108 8,38867
2 47.83 47.43 66.93 63.57 56,4462 10,2688
3 60.48 56.41 52.18 68.60 59,4228 6,99779
4 53.64 62.79 58.75 54.30 57,3759 4,26716
5 57.79 60.89 57.67 56.83 58,3029 1,78300
6 62.25 53.51 59.08 50.85 56,4277 5,18139
7 49.50 50.16 62.34 58.02 55,0094 6,23457
8 64.51 56.53 56.29 63.61 60,2416 4,43251
9 50.43 65.32 52.27 55.59 55,9000 6,63299
10 60.72 50.42 56.86 68.34 59,0995 7,49286
Es claro, en cada uno de los subgrupos están presentes cuatro observaciones, n = 4. La información
recaudada, en el tiempo, es de diez subgrupos, cantidad de subgrupos, m = 10, otros autores lo
representan como g = 10.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control históricos

los cálculos de la desviación promedio y el promedio de promedio son
P10
61.67
i=1 Si
S̄ = = 6.167
=
m 10
P9
i=1 X̄i 573.8
X̄¯ = = = 57.38
m 10
Los límites control históricos para la desviación S son:
UCL = B4 S¯∗ = (2, 26)(6.167) = 13.98

CL = S̄ = 6.167
LCL = B3 S¯∗ = (0.0)(6.167) = 0.0
en la tabla de constantes los valores para un tamaño de muestra n = 4 es B4 = 2.26 y B3 = 0.0
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La carta de control de la desviación estándar, muestra, según el diagrama inferior, un comportamiento

que sugiere una estabilidad estadística de los puntos o estadísticos de control.
Figura: Carta de Control de la desviación estándar S
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control para X̄

El cálculo de los límites de control de la media en la fase I, con constante A3 = 1.628 para un tamaño
de subrupo n = 4, son evaludos en las siguientes ecuaciones,
UCL = 57.389 + 1.628(6.167) = 67.44

LC = 57.389
LCL = 57.389 − 1.628(6.167) = 47.35
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
la carta de control de la medida de localización, la media X̄ es,
Figura: Carta de Control para el promedio
Este diagrama muestra una estabilidad estadística en esta medida de localización, por tanto, el paso final
es estimar los parámetros del proceso, existe estabilidad estadística en ambas medidas.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estimaciones de los parámetros
Una vez estabilizado estadísticamente el proceso tanto en la medida de localización, como en la medida
de variabilidad; se estiman los parámetros:
E(S¯∗ ) S¯0 6.167

σ̂ = = = = 6.696
c4 c4 0.921
µ̂ = E(X¯0 ) = X¯0 = 57.389
en este caso los valores de la constante para un tamaño del subgrupo n = 4, es c4 = 0.921. Por
tanto el siguiente paso es evaluar los límites estándar del proceso, con el propósito de realizar: (1)control,
(2) mejoramiento continuo, (3) evaluar medidas de probabilidad para ciertos valores del proceso, (4)
determinar la capacidad de cumplir con las especificaciones de diseño.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Datos para control o control en línea

Basado en la información anterior: los límites estándar del promedio X̄ y la desviación estándar S;
realice control con la información que se presenta en la siguiente tabla.
Número del subgrupo x1 x2 x3 x4 x S

1 53.10 62.50 56.33 64.59 59.13 5,334
2 57.83 57.73 65.13 62.77 60.865 3.6908
3 62.58 57.11 55.88 62.40 59.4925 3.498
4 51.54 63.59 52.45 52.50 55.02 5.7303
5 52.49 63.69 55.87 54.23 57.32 5.028
Es importante resaltar, en esta fase, solo es presentado los estadísticos en los límites estándar evaluados.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los cálculos de los límites estándar para la desviación estándar S, en el ejercicio de referencia son
evaluados con base en la estimación de la desviación estánar obtenida en el paso anterior σ = 6.696,
UCL = 2.088(6.696) = 13.98

CL = 6.696
LCL = 0.00(6.696) = 0.00
En cuanto a los límites estándar de la media µ = 57.389 los cálculos son los siguientes, seleccionando
la constante A = 1.50, para un tamaño de subrupo n = 4:
UCL = 57.38 + 1.500(6.696) = 67.42

CL = 57.38
LCL = 57.38 − 1.500(6.696) = 47.33
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
como la distribución S no es simétrica, puede construirse una carta con límites de probabilidad en lugar
de los límites a tres sigmas, asumiendo una distribución chi-cuadrado con n − 1 grados de libertad,
apartir del intervalo,
(n − 1)S 2

P χ2(α/2,n−1) ≤ ≤ χ 2
=1−α
σ2 (1−α/2,n−1)
donde χ2(α/2,n−1) y χ2(1−α/2,n−1) denotan los percentiles α/2 y 1 − α/2, respectivamente con n − 1
grados de libertad.
 s s
χ2(α/2,n−1) χ2(1−α/2,n−1)

P σ ≤S≤σ =1−α
n−1 n−1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los límites se pueden construir de la siguiente forma

s
χ2(1−α/2,n−1)
UCL = σ
n−1
s
2
χ(α/2,n−1)
LCL = σ
n−1
estimando la desviación σ̂ = S̄/c4 , los límites de probabilidad quedan definidos de la siguiente manera,
s
S̄ χ2(1−α/2,n−1)
UCL =
c4 n−1
s
2
χ(α/2,n−1)
S̄
LCL =
c4 n−1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de control para X̄ y S 2
Introducción
La carta de control para la medida de variabilidad es más robusta, que la carta de control de la desviación
estándar. En lugar de usar la carta R o la carta S para monitorear la variabilidad de una característica de
calidad, se puecle usar la varianza muestral de cada subgrupo y presentarla en una carta S 2 . Asumiendo
una característica de calidad X con distribución normal con media µ y varianza σ 2 , es conocido, que el
estadístico (n − 1)S 2 /σ 2 posee una distribución chi-cuadrado con n − 1 grados de libertad, apartir del
intervalo de confianza es definido los límites de control,
(n − 1)S 2

P χ2(α/2,n−1) ≤ ≤ χ 2
=1−α
σ2 (1−α/2,n−1)
donde χ2(α/2,n−1) y χ2(1−α/2,n−1) denotan los percentiles α/2 y 1 − α/2, respectivamente de una
distribución chi-cuadrado con n − 1 grados de libertad.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los límites de control de S 2 no pueden calcularse en términos de un múltiplo de la desviación típica de

dicho estadístico, puesto que su distribución no es simetrica. Sin embargo, pueden calcular los límites
probabilísticos para S 2 tendiendo en cuenta que,
S̄ 2 χ21− α S̄ 2 χ2α
 
2 2 2 
P  ≤S ≤ =1−α
n−1 n−1
es decir, utilizando las estimaciones anteriores de S 2 se obtiene los límites de control, como medida de
probabilidad
S̄ 2 χ21− α
2
UCL =
n−1
LC = S̄ 2
S̄ 2 χ2α
2
LCL =
n−1
donde los valores de los percentiles para χ21− α , χ2α pertenecen a la distribución chi-cuadrado con
2 2
n − 1 grados de libertad.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En fase II, los límites estándar para esta medida,
σ 2 χ21− α
2
UCL =
n−1
LC = c42 σ 2
σ 2 χ2α
2
LCL =
n−1
estimando el valor de la desviación estándar como σ = S̄/c4 ,
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los límites de control en la medida de localización, en fase I, posee las siguientes ecuaciones,
s
S̄ 2
UCL = X̄ + 3
n
LC = X̄
s
S̄ 2
LCL = X̄ − 3
n
siendo σ desconocida, la variabilidad se aproxima en términos de la media de las cuasivarianzas

muestrales de las m muestras piloto Pm 2
j=1 Sj
S̄ 2 =
m
una vez conocido el parámetro σ, los límites de control para la media en la fase II, se estiman mediante,
s
σ2
UCL = µ + 3
n
LC = µ
s
σ2
LCL = µ − 3
n
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En la tabla es presentada la temperatura de la puesrta de entrada de un cuarto de curado, horno, en la

fabricación de baterías para automovil, es seleccionado cuatro observaciones por subgrupo n = 4, en
un período de seis meses, la cantidad de subgrupos en el registro del proceso es de m = 10. El interés
es monitorear esta característica de calidad, mediante la carta X̄ y S,
Subgrupo x1 x2 x3 x4 X̄ S2
1 103.696 98.5777 103.712 102.761 102.229 6.059
2 103.978 103.982 107.437 96.730 104.540 4.061
3 101.184 101.357 98.576 102.126 99.461 4.061
4 102.744 97.703 101.239 103.06 100.953 5.074
5 99.655 100.781 103.00 95.570 101.625 2.850
6 95.570 104.299 105.246 104.264 102.345 20.603
7 97.247 102.562 100.491 109.664 102.491 27.651
8 98.694 98.088 103.362 102.893 100.259 12.136
9 103.977 103.907 97.519 104.486 102.472 10.970
10 100.273 100.011 94.063 99.295 98.410 8.5696
Suma total 1014.479 102.911
2
Pm
la suma de los estadísticos de control
P para la medida de variabilidad es i=1 Si = 102.911, esta suma
para la meduda de localización es m i=1 X̄i = 1014.479.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Figura: Horno de curado
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
el promedio de los estadísticos de control, en su orden,

P10 2
i=1 S i 102.911
S̄ 2 = = = 10.2911
m 10
P9
i=1 X̄i 1014.479
X̄¯ = = = 101.479
m 10
Los resultados de los límites de control de la varianza en la fase I, es
S̄ 2 χ21− α 10.2911 × χ20.99865 10.2911(15.630)
2
UCL = = = = 53.6184
n−1 4−1 3
LC = S̄ 2 = 10.291
S̄ 2 χ2α 10.2911 × χ20.00135 10.2911(0.0355)
2
LCL = = = = 0.1019
n−1 4−1 3
los límites de control de la medida de localización en esta fase son,
s
S̄ 2 10.2911
r
UCL = X̄ + 3 = 101.479 + 3 = 106.331
n 4
LC = X̄ = 101.479
s
S̄ 2 10.2911
r
LCL = X̄ − 3 = 101.479 − 3 = 96.626
n 4
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
las cartas de control histórica en la medida de localización y variabilidad de la temperatura de entrada

del cuarto de curado son,
Figura: Monitoreo en línea de la temperatura de entrada zona de curado
las cartas de control, muestra un comportamiento aleatorio en ambas medidas, es decir, existe una
estabilidad estadística en el proceso
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
la estimacion de la desviación estándar del promedio del proceso, es realizada con corrección no
sesgada, Pm
j=1 nj Sj 30.160
S̄ = Pm = = 3.016
j=1 n j 10
el valor obtenido realizando la corrección
S̄ 3.016
σ̂ = = = 3.273
c4 0.9213
µ̂ = X̄¯ = 101.479
obteniendo los límites de control estándar para la varianza,
σ 2 χ21− α 3.2732 × (15.630)

2
UCL = = = 55.812
n−1 3
LC = σ 2 = 10.712
σ 2 χ2α 3.2732 × (0.0355)
2
LCL = = = 0.126
n−1 3
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
para la media
s s
σ2 3.2732
UCL = µ + 3 = 101.479 + 3 = 106.38
n 4
LC = µ = 101.479
s s
σ2 3.2732
LCL = µ − 3 = 101.479 − 3 = 96.569
n 4
los datos en línea son los siguientes,

Subgrupo x1 x2 x3 x4 X̄ S2
1 100.382 101.979 101.050 99.999 100.853 0.752
2 97.884 100.883 96.508 101.240 99.129 5.315
3 100.706 100.707 101.299 95.983 99.673 6.130
4 99.593 98.617 98.923 100.644 99.444 0.805
estos estadísticos de control deben ser presentados en los límites de control estándar de la medida de
localización y de variabilidad.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
las cartas de control en línea, para la medida de localización y variabilidad son,
Figura: Monitoreo en línea de la temperatura de entrada zona de curado
ooservando un comportamiento en donde ambos estadísticos de control, presentan una disminución con
respecto al comportamiento histórico. En el caso de la medida de variabilidad, el proceso presenta una
disminución de la muisma, mejora la estabilidad; pero la medida de localización sin duda posee un estado
fuera de control, debe realizarse acciones para su corrección inmediata.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTAS DE CONTROL EN R
library(qcc)
attach(datos)
windows()
### CARTA DE CONTROL SHEWHART X S
qcc(data=datos[1:10,1:3], type="S", main="Carta de Control de la desviación")
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de Control para observaciones individuales MR
Introducción
Es una carta, donde es seleccionado por subgrupo una observación de la característica de calidad de
interés; se elabora un diagrama de promedio para monitorear cada una de las observaciones, en el caso
del monitoreo de la variabilidad se selecciona el rango móvil (MR). Es importante señalar que esta carta
es sensible a la suposición de normalidad.
Pm
i=1 Xi
X̄ =
m
El rango móvil y su promedio son determinados por las siguientes expresiones:
MR = |Xi − X1−i |
n
X
¯ =
MR |Xi − X1−i |/n − 1
i=1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Limites históricos de la carta de observaciones individuales, fase I

Los límites historicos para el rango móvil MR se presenta en las siguientes ecuaciones, tomando como
tamaño del subgrupo n = 2:.
¯
UCL = D4 (2)MR
¯
CL = MR
¯
LCL = D3 (2)MR
Los límites de control, Vargas (2009), para la medida de localización en este caso la media X̄ están
definidos como:
¯
UCL = X̄ + A2 (2)MR
CL = X̄
¯
LCL = X̄ − A2 (2)MR
Los parámetros estimados en esta carta se determinan mediante,

¯
MR
¯ =
E(MR) =σ
d2 (2)
E(X̄ ) = µ
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Limites estándar de la carta de observaciones individuales, fase II

Los límites estándar para el promedio X̄ y rango móvil MR, una vez estimados los parámetros del
proceso, tomando subgrupos de tamaño n = 2:.
UCL = µ + A(2)σ
CL = µ
LCL = µ − A(2)σ
Montgomery (1987) propone una modificación de los anteriores formulaciones utilizando las siguientes
proposiciones.
¯
MR
UCl = µ + 3
d2
CLµ
¯
MR
LCl = µ − 3
d2
Los límites de control para la medida de variabilidad donde el rango móvil, su promedio esta definido
como:
UCL = D2 (2)σ
CL = d2 (2)σ
LCL = D1 (2)σ
es claro que cuando se determina el rango, seleccionando tres o más observaciones; las constantes
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Caso de Estudio
Caso de Estudio: Empresa de pastas alimenticias
En una empresa arrocera, el objetivo es realice un monitoreo al peso de las bolsas de arroz de 55
libras, aplicando carta de control de observaciones individuales, solo es tomado una bolsa de arroz en
un intervalo de tiempo dado, es asumido un control efectivo de esta característica en este producto
alimenticio.
Figura: Llenado y empaquetado de arroz
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La información suministrada por el encargado de calidad, a lo largo de los cuatro meses, es presentada
en la siguiente tabla, unidades en libras.
Número del subgrupo x MR
1 51.10
2 47.83 3.27
3 60.48 12.65
4 53.64 6.84
5 57.79 4.15
6 62.25 4.46
7 49.50 12.75
8 64.51 15.01
9 50.43 14.08
10 60.72 10.29
P9
83.6
i=1 MRi
¯ =
MR = 9.277=
99
P10
i=1 Xi 558.22
X̄ = = = 55.825
10 10
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites históricos del ejerccicio propuesto, fase I

Los límites históricos en el cálculo del rango móvil MR son estimados de la siguiente forma,
¯ = 3.367(9.277) = 34.04
UCL = D4 (2)MR
¯ = 9.277
CL = MR
¯ = 0.0(9.277) = 0.0
LCL = D3 (2)MR
Los límites de control para la medida de localización están definidos como:

¯ = 55.825 + 1.880(9.2779) = 73.265
UCL = X̄ + A2 (2)MR
CL = X̄ = 55.825
¯ = 55.825 − 1.880(9.2779) = 38.384
LCL = X̄ − A2 (2)MR
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de control para observaciones individuales

Las cartas de control de observaciones individuales rango móvil y del promedio, evidencia un
comportamiento aleatorio de las variable, peso monitoreada en el proceso.
Figura: cartas de control para X̄ y MR para los pesos de las bolsas de arroz
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Parámetros ejerccicio propuesto, fase I
Los parámetros estimados en el caso de estudio, peso de las bolsas de arroz, presentan los siguientes
resultados,
¯
MR 9.277
σ̂ = = = 8.22
d2 (2) 1.128
µ̂ = X̄ = 55.825
el peso promedio es de 55.825 libras con una desviación estándar de 8.22. Este peso, en las próximas
herramientas de control, es contrastado con los límtes de específicaciones, valores obtenidos en la etapa
de diseño del producto.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Supóngase, una nueva información en línea o cotrol en línea, valores presentados en la tabla. Evalúe el
comportamiento actual del proceso,
Número del subgrupo x
1 53.0
2 55.0
3 51.0
4 60.0
5 65.0
6 58.0
7 75.0
los límtes estándar evaluados para la medida de localización
9.277
¯
MR
UCl = µ + 3 = 55.82 + 3 = 80.48
d2 1.128
CLµ = 55.825
9.277
¯
MR
LCl = µ − 3 = 555.82 − 3 = 31.16
d2 1.128
mientras en la medida de variabilidad

¯ = 3.686(8.22) = 30.298
UCL = D2 (2)MR
¯ = 9.277
CL = MR
¯ = 0.0(8.22) = 0.0
LCL = D1 (2)MR
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
los estadísticos de control para la medida de localización X y la medida de variabilidad MR son los
siguientes,
Número del subgrupo x MR
1 53.0
2 55.0 2.0
3 51.0 4.0
4 60.0 9.0
5 65.0 5.0
6 58.0 7.0
7 75.0 17.0
estos estadísticos de control son presentados en los valores obtenidos de los límites estándar para
detectar, si es el caso, señales de alarma en el proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de control para observaciones individuales

las cartas de control en línea de la medida de variabilidasd y de localización en su orden son,
Figura: cartas de control para X̄ y MR para los pesos de las bolsas de arroz
muestra claramente un estado fuera de control en la medida de localización, la media, un comportamiento

no aleatorio conocido como tendencia, esto explica un incremento del peso promedio de las bolsas de
arroz; entre tanto es observado una disminución de la medida de variabilidad,exceptuando el último
punto, evidenciado una mejor en la estabilidad del proceso. En este tipo de circunstancias, la acción
es ajustar el peso de las bolsas de arroz, a valores aproximados a la media histórica; sería la respuesta
adecuada.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ejercicio de la Distribución Normal
Evalúe la medida de probabilidad de cumplir con las especificaciones de este poceso, el proceso de
llenado está diseñado para las siguientes especificaciones: USL = 60 y LSL = 50. La información
suministrada indica µ = 55.825 y σ = 8.22. Esta medida de probabilidad es evaluada mediante la
distribución normal estándar de la siguiente forma,
P(50 ≤ X ≤ 60) = P (X ≤ 60) − P (X ≤ 50)

60 − 55.825 50 − 55.825

=P Z ≤ −P Z ≤
8.22 8.22
= P (Z ≤ 0.507) − P (Z ≤ −0.7086)
= 0.6939 − 0.2392 = 0.4547
esta medida de probabilidad, indica un proceso con el 45.47 % de cumplimiento, lo que implica sin
lugar a dudas un ajuste considerable de las condiciones actuales en la fabricación de este productro.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
LA MEDIDA DE PROBABILIDAD EN UN INTERVALO ASUMIENDO NORMALIDAD
especificacion<-pnorm(60,mean=55.825,sd=8.22)-pnorm(50,mean=55.825,sd=8.22)
especificacion
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTA DE CONTROL DE OBSERVACIONES INDIVIDUALES EN R
library(qcr)
x <- c(33.75, 33.05, 34, 33.81, 33.46, 34.02, 33.68, 33.27, 33.49, 33.20, + 33.62, 33.00, 33.54, 33.12, 33.84)
sample <- 1:length(x)
datos<- data.frame(x,sample)
datos.qcd <- qcd(datos)
res.qcs <- qcs.one(datos.qcd)
class(res.qcs)
###[1] "qcs.one" "qcs"
summary(res.qcs)
plot(res.qcs, title = "Control Chart Xbar.one for pistonrings")
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de control EWMA, Exponentially Weighted Moving Average
Introducción
Roberts (1954) propone esta carta de control denominada Exponentially Weighted Moving Average para
obtener una estadística conocida como EWMA para monitorear los estadístico de contrl de un proceso.
En la siguiente formulación presenta que valor del estadístico, que puede ser una variable donde T = X
para observaciones individuales o T = X̄ cuando se seleccionan subgrupos en el proceso. Esta carta de
control es aplicada en procesos en donde la medida de variabilidad es pequeña, por lo que la importancia
de esta carta no es discutible en procesos tecnológicamente avanzados.
Figura: Carta de control EWMA
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estadístico de control EWMA

El estadístico de control para la carta EWMA posee la siguiente notación, similar los modelos
econométricos, en este caso el valor inicial EWMAt−1 es estimado con el parámetro obtendio en la fase I.
EWMAt = λXi + (1 − λ)EWMAt−1
Vargas (2009) generaliza el esquema del estadístio EWMA mediante,
Zt = λXt + (1 − λ)Zt−1
en este caso usualmente el valor de partida Z0 es el valor objetivo. Xt puede ser el valor observado
individualmente del proceso en el tiemo t.
donde λ es un constante de sensibilidad que toma valores desde cero hasta uno, 0 ≤ λ ≤ 1.
Generalmente algunos autores recomiendan valores que se encuentran entre 0.1 a un valor de 0.3.
Existen otras formas de evaluar λ, mediante un proceso iteractivoPde mínimos cuadrados, es decir
definido et = X − Zt , para diferentes valores de λ es calculado tt=1 ei2 , seleccionando el valor de λ
que produzca el menor valor de esta suma de cuadrado.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
los otros valores EWMA son determinados de la siguiente manera
Zt = λXt + (1 − λ)[λXt−1 + (1 − λ)Zt−2 ]

Zt = λXt + λ(1 − λ)Xt−1 + (1 − λ)2 Zt−2
Zt = λXt + λ(1 − λ)Xt−1 + (1 − λ)2 Xt−2 + (1 − λ)3 Xt−3
continuando de esta manera es obtenido

t−1
X
Zt = λ (1 − λ)j Xt−j + (1 − λ)t Z0
j=0
donde los pesos de las observaciones pasadas disminuyen exponencialmente en una serie de tipo
geométrico.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En una muestra con variables Xi , IID con varianzas común σ 2 , se tiene que para el estadistico de
control EWMA,
Var(Zt ) =λ2 [1 + (1 − λ)2 + 1 + (1 − λ)4 + ... + 1 + (1 − λ)2(t−1) ]σ 2

λ2 [1 + (1 − λ)2t ] 2
= σ
1 − (1 − λ)2
λ2 [1 + (1 − λ)2t ] 2
= σ
2−λ
Esta varianza converge rápidamente a su valor asimptótico, es decir cuando t → ∞. En este caso la
varianza del estadístico EWMA es,
λ
σZ2 = σ2
2−λ
un estmativo mediante el error cuadrático medio,
t
1 X 2
σ̂Z2 = e
t − 1 i=1 i
las cartas Shewhart y EWMA construidas simultáneamente, puede usarse la igualdad entre las
desviaciones σ̂Z = σ̂
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control en la carta EWMA
Los límites de control en la carta EWMA, son definidos en el intervalo de confianza, con un nivel de
signiicancia α,
P(T − σZ < θ < T + σZ ) = 1 − α
donde T es el valor o estadístico de control, θ la estimación del parámetro. Los límites de control
asimptóticos para este estadístico es,
1
λ 2
UCL = T + L σ
2−λ
CL = T
1
λ 2
LCL = T − L σ
2−λ
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los límites de control reales del esquema de control EWMA tiene la forma,
21
λ{1 − (1 − λ)2t }

UCL = T + L σ
2−λ
CL = T
21
λ{1 − (1 − λ)2t }

LCL = T − L σ
2−λ
esta formulación evidencia un esquema gráfico, en donde inicialmente los límites de control son variables,
comportamiento exponencial, a medida que aumenta el valor de t estos límites se aproximan a una
constante.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Como el objetivo generalmente es controlar los incrementos o decrementos de la medida de localización

o centramiento del proceso, se determinan los límites superior e inferior mediante las siguientes
notaciones,
1
λ 2
UCL = X̄ + L σ
2−λ
CL = X̄
1
λ 2
UCL = X̄ − L σ
2−λ
donde el valor de λ están sujeto a la sensibilidad de la carta de control, es decir las propiedades que
se desean de un valor de ARL previamente establecido antes de realizar el monitoreo. De tal manera que
L es una constante positiva, que puede tomar por ejemplo el valor de 3.0 para un nivel de significancia
de 0.0027 . Estos límites a pesar de que son fáciles de calcular, son menos visibles a los cambios en las
observaciones iniciales. Para solucionar este inconveniente algunos autores como Montgomery (2001) y
Ryon (2000) sugieren los límites correctos,
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Caso de Estudio: Tiempo de empaque
La siguiente información es tomada del tiempo, en segundos, de una actividad de empaque realizada
en una empresa que fabrica pastas alimenticias. El objetivo es aplicar una carta de control EWMA para
monitorear el promedio como estadístico de control en la fase II. Decide tomar el valor del coeficiente
λ = 0.2 de sensibilidad, donde los parámetros obtenidos en la fase I, son los siguientes: media µ =
147.082 y desviación estándar de σ = 5.316.
Figura: Empresa fabricante de pastas
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los datos para control se presentan en la siguiente tabla,

Subgrupo Tiempo
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 14.7083
S = 0.37804
En este caso,es observado una sola observación por subgrupo, lo que indica que esta carta de control
es construida con una EWMA de observaciones individuales.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control EWMA caso de estudio

Como se indico anteriormente, los parámetros son conocidos por lo que los cálculos de los límites de
control en la fase II, son los siguientes,
1
0.2

2
UCL = 147.082 + 3 × 5.316 = 149.459
2 − 0.2
CL = 147.082
1
0.2

2
LCL = 147.082 − 3 × 5.316 = 144.704
2 − 0.2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Estadísticos EWMA caso de estudio
El cálculo de los estadísticos de control para cada uno de los subgrupos se presentan a continuación. Se
observa que el valor de inicio para el estadístico de control EWMAt−1 es el promedio µ.
Z1 = (1 − 0.2) × 147.082 + (0.2 × 146.116) = 146.889

Z2 = (1 − 0.2) × 146.889 + (0.2 × 148.443) = 147.200
... = ...
... = ...
... = ...
Z9 = (1 − 0.2) × 146.855 + (0.2 × 144.366) = 146.357
Z10 = (1 − 0.2) × 146.357 + (0.2 × 152.640) = 147.614
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los estadísticos EWMA obtenidos en cada subgrupo se presenta en la siguiente tabla,

Subgrupo Zt
1 146.889
2 147.200
3 146.060
4 147.324
5 146.468
6 147.166
7 146.763
8 146.855
9 146.357
10 147.614
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En la carta de control, como se muestra en la siguiente figura, los estadístico de control monitoreados
poseen un comportamiento que se puede asumir como aleatorio. Lo que induce a afirmar que el proceso
se encuentra bajo control estadístico.
Figura: Carta de control EWMA
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Sea un proceso bajo control en t = 0, donde λ = 0.5, tiene valor objetivo de 50, es decir se asume
Z0 = 50 y una varianza σ 2 = 2.0. La tabla muestra los valores EWMA para los primeros cinco datos,
Vargas (2009).
Subgrupo Xi Zt
1 52.00 51.00
2 47.00 49.00
3 53.00 51.00
4 49.30 50.15
5 50.10 50.13
los primeros tres valores son calculados de la siguiente forma,
Zi =(0.5)(52.00) + (1 − 0.5)(50.00) = 51.00

Z2 =(0.5)(47.00) + (1 − 0.5)(51.00) = 49.00
Z3 =(0.5)(49.00) + (1 − 0.5)(50.00) = 49.50
estos estadísticos son presentados en los límites de control
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
1/2
0.5

UCL = 50.00 + 3 (2.0) = 53.46
2 − 0.5
Cl = 50.00
1/2
0.5

UCL = 50.00 − 3 (2.0) = 46.53
2 − 0.5
Figura: Carta EWMA observaciones individuales
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTA DE CONTROL EWMA EN R
library(qcc)
attach(datos)
windows()
ewma(data=datos[1:10,1:3], type="R", main="Carta de Control Ewma")
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTA DE CONTROL FASE I FASE II
library(readxl)
datos<-read_excel("Sodacomercial.xlsx", sheet = 1, skip =0)
library(qcc)
#cartas de control Shewhart
qcc(data=datos[1:10,1:3], type="R", main="Carta de Control del rango")
qcc(data=datos[1:10,1:3], type="S", main="Carta de Control de la desviación")
#cartas de control Ewma y Cusum
ewma(data=datos[1:10,1:3], type="R", main="Carta de Control Ewma")
cusum(data=datos[1:10,1:3], type="R", main="Carta de Control Cusum")
#### CONTROL EN LÍNEA ####
datoscontrol<-read_excel("Sodacomercial.xlsx", sheet = 2, skip =0)

#carta de control Shewhart
qcc(data=datoscontrol[1:10,1:3], type="xbar", main="Carta de Control de promedio", center=101, std.dev=3)
qcc(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control del rango", center=5, std.dev=3)
qcc(data=datoscontrol[1:10,1:3], type="S", main="Carta de Control de la desviación", center=3, std.dev=3)
#carta de control Ewma y Cusum
ewma(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control Ewma", center=101, std.dev=3)
cusum(data=datoscontrol[1:10,1:3], type="R", main="Carta de Control Cusum", center=101, std.dev=3)
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Crowder & Hamilton(1992) pronen los siguinetes estadísticos EWMA para las medidas de variabilidad
aplicando log(St2 ) donde el estadístico St2 es la varianza del i-ésimo subgrupo, los límites de control
están definidos como,
1/2
λ
UCL = c + L d
2−λ
LC = c
1/2
λ
LCL =c − L d
2−λ
donde c y d están definidos como

1 1 2
c = ln(σ 2 ) − − +
n−1 3(n − 1)2 15(n − 1)4
2 2 4 16
d= + + −
n−1 (n − 1)2 3(n − 1)3 15(n − 1)5
la estadística EWMA es calculada,
Zt = λlog(St2 ) + (1 − λ)Zt−1
para valores 0 < λ ≤ 1, t = 1, 2, ... y EWMA0 = c.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El contenido en gramos de un componente utilizado para la producción de un producto para el hogar, es

monitoreado en línea con una varianza conocida de σ 2 = 7.84, con un valor de sensibilidad λ = 0.2.
Subgrupo X1 X2 X3 X̄ Si2
1 103.696 103.978 101.357 103.01 2.07001
2 98.5777 103.982 98.5765 100.379 9.73765
3 103.712 107.437 102.126 104.425 7.43296
4 102.932 96.73 102.744 100.802 12.4447
5 102.761 101.184 97.7039 100.55 6.69538
1 1 2
c = ln(7.84) − − + = 1.484
3−1 3(3 − 1)2 15(3 − 1)4
2 2 4 16
d= + + − = 1.633
3−1 (3 − 1)2 3(3 − 1)3 15(3 − 1)5
los límites de control

1/2
0.2

UCL = 1.484 + 3 1.633 = 2.761
2 − 0.2
LC = 1.484
1/2
0.2

LCL = 1.484 − 3 1.633 = 0.206
2 − 0.2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
los estadísticos EWMA calculados,
Z1 = (0.2)log(2.0700) + (1 − 0.2)(1.484) = 1.250

Z2 = (0.2)log(9.7376) + (1 − 0.2)(1.25) = 1.197
Z3 = (0.2)log(7.4329) + (1 − 0.2)(1.1976) = 1.132
Z4 = (0.2)log(12.4470) + (1 − 0.2)(1.1323) = 1.124
Z5 = (0.2)log(6.6950) + (1 − 0.2)(1.1248) = 1.064
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
en el caso univariado los límites de control

" 1/2 #
λ
UCL = σ02 1 + L
2−λ
LC = c
( " 1/2 #)
λ
LCL =mx 0, σ02 1 + L
2−λ
donde el estadístico EWMA es
St2 = λ(Xt − µ)2 + (1 − λ)St−1

2
para todo t > 2, 0 < λ ≤ 1, y S12 = (X1 − µ)2 . Los valores de L para un ARL bajo control son
calculados usando cadenas de Markov, Acosta, Mejía Pignatelo (20002).
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de control CUSUM Sumas Acumuladas
Introducción
Las carta de control Cusum, Acosta (1998), permiten monitorear la media de un proceso bajo condiciones
normales de diferentes maneras. Por lo general se toma el procedimiento Cusum en donde el seguimiento
de la característica de calidad se realiza en forma bilateral, que consiste en tomar valores de la media µ0
y la desviación estándar σ0 de un proceso, donde n es el tamaño de la muestra o subgrupo a monitorear.
Generalmente se realiza estandarizaciones de la variable o el estadístico de la siguiente forma,
x̄ − µ
Zt = σ0
n
donde x̄ representa la media estimada para cada uno de los subgrupo. Los estadísticos Cusum para t
subgrupo es,
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control de para la carta Cusum

El esquema del estadístico de control Cusum es de la siguiente forma,
+
Ct+ = max[0, T − k + Ct−1 ]
Ct− = min[0, T + k + Ct−1
−
]
Cuando se realiza una estandarización de las observaciones o los estadístico de control T , el valor inicial
o de arranque es C0+ y C0− > 0. Este estadístico de control puede ser una observación, cuando el
subrupo posee un solo dato, o un estadístico cuando se determina una característica de una muestra
seleccionada. Los límites de control de esta carta están definidos como ±Hσ, cuando se monitorea con
los valores reales; si estos se estándarizan los límites de control claramente debe ser ±3.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Límites de control de para el promedio en la carta Cusum

El esquema del estadístico de control Cusum cuando se realiza la estándarización tiene la forma,
+
Ct+ = max[0, Zt − k + Ct−1 ]
Ct− = min[0, Zt + k + Ct−1
−
]
el valor de k = 0.5 es un factor de sensibilidad de la carta Cusum. C0+ , C0− > 0, los valores C + son
usados para detectar incrementos en el estadístico de control, mientras C − permite detectar disminu-
ciones.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
El estadístico T , para el caso de la carta de variabilidad es: Cusum S según Acosta y Mejía el estadístico
es σSn y la estadística de control de la suma acumulada se define como,
0
h S i
Ct+ = max 0, +
− k + Ct−1
σ0
h S i
− −
Ct = min 0, + k + Ct−1
σ0
1.064 σa
donde el valor de la constante de sensibilidad se cálcula de la siguiente froma: k = 2
(1 + σ0
). La
razón σa /σ0 mide el incremento de la variabilidad que se desea evaluar.
Rn
En el caso de la carta Cusum R es σ0
y la estadística de control de la suma acumulada es,
h R i
Ct+ = max 0, +
− k + Ct−1
σ0
h R i
− −
Ct = min 0, + k + Ct−1
σ0
2.326 σa
donde k = 2
(1 + σ0
).
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Datos para observaciones individuales
A continuación se presenta los datos de la actividad del tiempo de empaque, tratada en la carta EWMA,
recuerdese que la media es µ = 147.082 y la desviación estándar es σ = 5.316.
Subgrupo Nitrógeno
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 147.083
S = 0.37804
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Datos para observaciones individuales

Los cálculos obtenidos en la estandarización de la variable nitrogeno, son las siguientes,
Subgrupo Nitrógeno z
1 146.116 -0.181
2 148.443 0.256
3 141.500 -1.050
4 152.383 0.997
5 143.040 -0.760
6 149.958 0.541
7 145.151 -0.36
8 147.225 0.026
9 144.366 -0.510
10 152.640 1.045
la estandarización es realizada en la fase II utilizando los parámetros obtenidos en la fase de estabilidad

estadística.
146.116 − 147.082
Z1 = = −0.181
5.31
148.443 − 147.082
Z2 = = 0.256
5.31
... = ...
... = ...
152.640 − 147.082
Z10 = = 1.045
5.31
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cálculo de los estadísticos de control CUSUM
Los valores de estos estadísticos de control Cusum son presentados en el esquema, observese que el
valor inicial o de arranque del estadístico de control es cero.
C1+ = max[0, −0.181 − 0.5 + 0] máx[0, −0.681] = 0.000

C1− = min[0, −0.181 + 0.5 + 0] mı́n[0, 0.319] = 0.000
C2+ = max[0, 0.256 − 0.5 + 0.00] máx[0, −0.244] = 0.000
C2− = min[0, 0.256 + 0.5 + 0.00] mı́n[0, 0.319] = 0.000
... = ...
... = ...
... = ...
C10+ = max[0, 1.045 − 0.5 + 0.00] máx[0, 0.545] = 0.545
C10− = min[0, 1.045 + 0.5 − 0.010] mı́n[0, 1.045] = 0.000
estos estadísticos de control, se presentan sobre los límites de control CUSUM para Hσ, como se trata
de una estandarización es conveniente tomar los valores de−3 y 3 como límites de control.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los cálculos de la variable estandarizada y los estadísticos de control para la carta CUSUM son los
siguientes,
Subgrupo Nitrógeno z C+ C−
1 146.116 -0.181 0 0
2 148.443 0.256 0 0
3 141.500 -1.050 0 -0.55
4 152.383 0.997 0.497 0
5 143.040 -0.760 0 0
6 149.958 0.541 0.041 0
7 145.151 -0.36 0 0
8 147.225 0.026 0 0
9 144.366 -0.510 0 -0.01
10 152.640 1.045 0.545 0
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La carta CUSUM estandarizada que se presenta en la figura, es la carta con los valores el estadístico de
control sin la estandarización. Se puede observar que no existen señales fuera de control, como también
no se observa un comportamiento no aleatorio.
Figura: Carta de control Cusum Promedio
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La carta CUSUM estandarizada posee el siguiente esquema.
Figura: Carta de control Cusum Promedio Estandarizado
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
CARTA DE CONTROL CUSUM EN R
library(qcc)
attach(datos)
windows()
### CARTA DE CONTROL CUSUM
cusum(data=datos[1:9,3:4], type="R", main="Carta de Control Cusum")
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Carta de Control Cusum S con transformación de Castagliola Herrera R. (2009)
Inicialmente se toman muestras del proceso evaluando la varianza muestral S 2 para cada subgrupo
seleccionado. Posteriormente se realiza la transformación propuesta Tt = a + b(lnSt2 + c) tal como
se expuso en la propuesta S 2 Ewma de Castagliola. Una vez obtenida la transformación, se calcula el
estadístico Ct+ . Si este sobrepasa el límite de control superior LCS, se considera que el proceso se
encuentra fuera de control debido a una causa no aleatoria o especial que ha generado un aumentado
en la dispersión del proceso.
La transformación
Tt = A(n) + B(n)ln[St2 + C (n)]
tiene una distribuciónn aproximadamente normal estándar por lo que el primer valor de C0 se define
como,
C0 = E(Vt ) = E(Tt )
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Transformación de la carta de control para S propuesta Herrera
Siendo Tt = a + b ln(S 2 + c), se deduce que,
C0 = E(Tt ) = E[a + b ln(S 2 + c)]
entonces el valor de inicio se toma mediante una expansión de primer orden se deduce el valor de inicio
C0 ≈ a + b ln(σ02 + c)
Se reemplazan los valores a, b y c por A(n) − 2B(n)lnσ02 , B(n) y C (n)σ02 respectivamente, y se obtiene:
C0 ≈ A(n) − 2B(n)lnσ02 + B(n)ln(σ02 + C (n)σ02 )

simplificando,
C0 ≈ A(n) + B(n)ln(1 + C (n))
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Transformación de la carta de control para S
La varianza muestral se define: Pn 2

Xtj − X t
St2
j=1
= ,
n−1
s s
h γ(S 2 ) 2 γ(S 2 ) i 1 h γ(S 2 ) 2 γ(S 2 ) i 1
3 3
w= +1+ − +1− ,
2 2 2 2
entonces hacemos:
B(n) h w 2 (w 2 + 1) i
A(n) = ln
2 Var(S 2 )
1
B(n) = p ,
ln(w 2 + 1)
Var(S 2 )
p
C (n) = − E(S 2 ).
w
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Para una variable aleatoria St2 = σ02 S 2 , siendo S 2 la varianza muestral de n variables aleatorias
independientes con distribución N(µ, σ02 ), el estadístico Tt toma la forma,
Tt = A(n) − 2B(n) ln σ0 + B(n) ln[St2 + C (n)σ02 ]
o equivalentemente,
Tt = a + b ln[St2 + c]
En consecuencia, se tiene que la distribución sólo depende de n de Tt es:

" #
t 1 t−A(n)
B(n)
t−A(n)
B(n)
n − 1 2
fTt = e fG e − C (n)

n B(n) 2 n−1
para t ≥ A(n) + B(n) ln[C (n)]. El valor objetivo Z0 para contruir la estadística de control es Z0 =
E(Tt ) = E[a + b ln(S 2 + c)]. Usando la expansión de primer orden, se deduce Z0 ≈ a + b ln(S 2 + c)
y reemplazando los valores de a, b y c por A(n) − 2B(n) ln σ0 , B(n) y C (n)σ02 se obtiene:
Z0 ≈ A(n) + B(n) ln[1 + C (n)]
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cuadro: Constantes A(n), B(n), C (n), ETt y σTt para diversos valores de n.
A(n) B(n) C (n) ETt σTt n

-0.6627 1.8136 0.6777 0.02472 0.9165 3
-0.7882 2.1089 0.6261 0.01266 0.9502 4
-0.8969 2.3647 0.5979 0.00748 0.9670 5
-0.9940 2.5941 0.5801 0.00485 0.9765 6
-1.0827 2.8042 0.5678 0.00335 0.9825 7
-1.1647 2.9992 0.5588 0.00243 0.9864 8
-1.2413 3.1820 0.5519 0.00182 0.9892 9
-1.3135 3.3548 0.5465 0.00141 0.9912 10
-1.3820 3.5189 0.5421 0.00112 0.9927 11
-1.4473 3.6757 0.5384 0.00090 0.9938 12
-1.5097 3.8260 0.5354 0.00074 0.9947 13
-1.5697 3.9705 0.5327 0.00062 0.9955 14
-1.6275 4.1100 0.5305 0.00052 0.9960 15
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ejercicio Práctico de Transformación de Castagliola propuesta Herrera (2009)
Ejercicio de aplicación
La siguiente información es suministrada del proceso de dosificación del producto hidrocortisona solución
tópica, de laboratorios PROCUM S.A. en la ciudad de Barranquilla.
Figura: Llenado de medicamento
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
A continuación se presenta la información de 20 subgrupos seleccionados aleatoriamente del proceso

en donde la característica de calidad que se toma como referencia es el contenido volumétrico de los
envases de 15 ml. La última columna muestra el estadístico de transformación, evaluado en fase II con
una desviación σ0 = 0.2.
Subgrupo X1 X2 X3 St2 Tt
1 14,91 14,88 14,52 0,047099 0.45809
2 14,92 14,89 14,54 0,0446 0.39678
3 14,91 14,89 14,59 0,032112 0.04957
4 14,93 14,90 14,61 0,031222 0.02180
5 14,62 15,11 14,93 0,061404 0.77836
6 14,66 15,12 14,94 0,053731 0.61336
7 14,66 15,13 14,94 0,055884 0.66133
8 15,06 15,14 14,95 0,009082 -0.8433
9 15,14 15,07 14,96 0,008226 -0.8872
10 14,97 15,08 15,17 0,010020 -0.7971
11 14,97 15,09 15,17 0,010120 -0.7923
12 15,23 14,85 15,01 0,036366 0.17570
13 14,97 14,82 15,18 0,032688 0.06683
14 14,98 14,83 15,19 0,032688 0.06683
15 14,88 15,27 15,21 0,044100 0.38324
16 14,83 14,99 15,22 0,038416 0.23285
17 14,84 15,01 15,22 0,036214 0.17093
18 14,85 15,23 15,01 0,036366 0.17570
19 14,97 14,81 15,18 0,034410 0.11865
20 15,24 14,85 15,02 0,038220 0.22731
Para este tamaño de muestra n = 3, los valores de las contantes de la transformación triparamétrica son
los siguientes: A(n) = −0.6627, B(n) = 1.8136, C(n) = 0.677, aplicando la ecuación la transformación
está dada como Tt = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[St2 + 0.677(0.22 )].
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En las figuras se presenta el monitoreo de la variabilidad del producto Hidrocortisona mediante las cartas
tradicionales de control R, S y S 2 . En la carta R, S y S 2 , se observa un proceso bajo control de la
característica de calidad solució tópica de hidrocortisona, a partir de estas tres cartas se deduce que la
variabilidad se mantiene estable proxima al valor del parámetro establecido, es decir las cartas muestran
un proceso bajo control con respecto a la variabilidad del proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los estadísticos de control para los primeros tres subgrupos, utilizando la transformación de Castagliola
para la varianza, son los siguientes,
T1 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.047099 + 0.677(0.22 )] = 0.45809
T2 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.044600 + 0.677(0.22 )] = 0.39678
.
.
.
T3 = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[0.038220 + 0.677(0.22 )] = 0.22731
los límites de control inferior y superior se encuentran entre −4.13σ y 4.13σ0 , asumiendo una
distribución normal estándar, es decr LCL = −0.826 y UCL = 0.826 respectivamente.
Figura: Carta cusum transformada Herrera (2009)
observese los puntos o estadísticos de control,

PhD Herrera Acosta se encuentran
Roberto José por encimaChart
Normal Distribution-Control delShewhart
limiteEwma
de Cusum
control superior
- Index Capability Univariate
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Longitud de corridas RL y longitud promedio de corridas ARL

Longitud de corridas
Es el número de puntos graficados en la carta hasta que aparezca una señal de alarma en un proceso
de monitoreo en línea denotado como RL.
La logitud de corridas es una variable aleatoria con un comportamiento geométrico, cuya medida de
probabilidad esta definida de la siguiente forma:
P(RL = x) = p(1 − p)x−1
En la carta de control del promedio, la probabilidad de una señal de alarma, es determinada de la
siguiente forma,

UCL − µ LCL − µ
P(X̄ > UCL) + P(X̄ < LCL) = P Z > +P Z <
σX̄ σX̄
µ + 3σx̄ − µ µ − 3σx̄ − µ

=P Z > +P Z <
σX̄ σX̄
3σx̄

−3σx̄
=P Z > +P Z <
σX̄ σX̄
= P (Z > 3) + P (Z < −3) = 0.001349 + 0.001349 = 0.0027
1 1
ARL = = = 370.37
p 0.0027
el número de corridas esperadas para que ocurra una señal de alarma,en condiciones normales des de
370.4 corridas.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
La curva operativa CO mide el desplazamiento del proceso en unidades de la desviación típica final y la
inicial, es decir:
µ1 − µ0
d=
σ0
σ1
λ=
σ0
En la carta de control de la media, la probabilidad que se encuentre dentro de los límites de control está
en función de (d, λ) de la siguiente forma,
P(d, λ) = P(LCL ≤ X̄ ≤ UCL)

= P(X̄ < UCL) − P(X̄ < LCL)

UCL − µ1 LCL − µ1
=P Z ≤ √ −P Z ≤ √
σ1 / n σ1 / n

(3 − d) −(3 − d)
=P Z ≤ √ −P Z ≤ √
λ/ n λ/ n
para distintos tamaños de muestra, se observa que el diagrama de medias es sensible al desplazamiento
y poco sensible al cambio de variabilidad.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Figura: Curva Operativa de la Media
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Cartas de Control No paramétricas
Inicialmente Das(2008) propone una carta de control no paramétrica para la varianza basada en el
estadístico de Conover y Iman (1978), posteriormente es modificado con el siguiente procedimiento,
1 seleccionar muestras de tamaño ni .

2 Para cada muestra ni seguida calcular T ; de esta manera k − 1 valores de T serán calculados,
posteriormente es evaluado las esperanzas E(T ) y Var(T )
3 calcular el valor estandarizado de T (Tzi ) para cada una de las muestras ni
4 establecer los límites de control en 3 y −3 con un límite de control central de cero.
Das(2008) afirma que la carta de control no paramétrico propuesta para la varianza, es más sensible que
las cartas de control paramétricas. Los valores de E(T ) y Var(T ) se definen como.
Pi+1
i xi
E(T ) =
ni
Pi+1
i [xi − E(T )]
Var(T ) =
ni − 1
la estandarización es,
x1 − E(T )
Tzi = p
Var(T )
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Algunos autores proponen la carta de control de la mediana, como una carta robusta con el propósito
de monitorear variables en donde el supuesto de normalidad es rechazada. Los límites de control son,
σ̂
UCL = kf √
n
Pm
j=1 nj x̄j
CL = Pm
j=1 nj
σ̂
LCL = −kf √
n
donde k es una constate multiple de la desviación, y f es la razón del error estándar de las medianas
del subgrupo dividida entre el error estándar de las medias del subgrupo. El error estándar se define de
la siguiente forma,
S
SEX̄ = √X̄
n
SM
SEM = √
n
por tanto f esta definido como,
SEM
f =
SEX̄
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Capacidad e índice de capacidad univariado paramétrico
Indice de capacidad univariado

Cuando un proceso cumple con las especificaciones establecidas en el diseño, se dice que este es un
proceso capaz.
Figura: Indice de Capacidad
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Primera situación 6σ > (les − lei)
La capacidad del proceso sea mayor que las especificaciones. Es la situación más indeseable dentro
de un proceso.Aunque el proceso se encuentre dentro de control, este pueda que no cumpla con las
especificaciones exigidas por el cliente.En este caso el ingeniero de control de calidad debe aumentar las
especificaciones del producto, siempre y cuando sea informado a los clientes de este cambio. Otra posible
solución sería desplazar el promedio del proceso ya sea de izquierda o derecha, logrando producir todo
el rechazo por defecto o por exceso. Disminuyendo la variabilidad del proceso, de tal manera que la
distribución sea en forma de punta (esto significa que la mayor parte de la información se encuentra en
la parte central de los datos) esto logra con cambios sustanciales en el proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Segunda situación 6σ = (les − lei)
La capacidad del proceso es igual a las especificaciones: a pesar que en esta situación el proceso
esta cumpliendo con las especificaciones, es indeseable tenerla porque en cualquier momento algunas
informaciones del proceso pueden no ajustarse a las especificaciones
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Tercera situación 6σ < (les − lei)
La capacidad del proceso es menor que las especificaciones: es el caso ideal, esto significa que la
especificación al ser mayor que la capacidad del proceso, este puede encontrarse fuera de control, pero
no ocurre producto de rechazo.La capacidad de un proceso debe ser menor que las diferencias de las
especificaciones para determinar que el proceso es capaz.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Fórmula de Índice de Capacidad Clásico

Para medir esta capacidad es utilizado el índice de capacidad definido como, algunos autores lo definen
como índice de capacidad a largo plazo:
les − lei
Cp =
kσ
donde les y lei son los límites de especificación superior en inferior, el valor k generalmente es 6. Es
decir la formulacion tradicional esta definida como, índice de capacidad a largo plazo:
les − lei
Cp =
6σ
Otros autores definen este índice como una razón de capacidad en porcentaje,
kσ
Cp = × 100 %
les − lei
que es el reciproco del clásico
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
.
Por otra parte, algunos autores definen el indicador de capacidad en terminos de variables aleatorias
estandarizadas Z , es decir un valor de Z para el límite superior, y un valor de Z para el límite inferior
de la siguiente forma.
les − µ
Zles =
σ
µ − lei
Zlei =
σ
la evaluación se realiza seleccionando el valor mínimo de Z entre los límites de especificaciones,
ZMN = min{Zlei ; Zlei }
un valor mínimo de Z = 4 corresponde a un valor de Cpk de 1.33.
kσ
Cp = × 100 %
les − lei
que es el reciproco del clásico
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Una propuesta de indicador de capacidad, se define en la probabilidad de cumplimiento con respecto a

las especificaciones P, definida de la siguiente forma,
φ−1 (P)
Cp =
3
donde φ−1 es la inversa de la distribución normal estándar. Esta propuesta realiza la medida de proba-
bilidad de cumplimeinto de las especificaciones: posteriomente evalúa el valor de Z . Es claro que este
indicador puede tomar valores negativos, lo que implica un procesos con un significativo porcentaje de
no conformes.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Un proceso cuya 30 i=1 S = 890 para 30 subgrupos de tamaño cuatro posee de especificación les = 780
P
y lei = 620 y se encuentra bajo control estadístico cuyo promedio es µ = 720. Determine el índice de
capacidad del proceso.
890
S̄ = = 29.66
30
S̄
σ= = 32.2
C4
donde para n = 4 C4 = 0.9213
780 − 620
Cp = = 0.828
6(32.2)
este valor de índice de capacidad, implica que el proceso no es capaz de cumplir con las
especificaciones de diseño. Existen unidades no conformes en el proceso.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
.o
Otro tanto, al aplicar el indicador de medida de probabilidad P, los resultados obtenidos son los siguientes,
inicialmente para la medida de probabilidad,
P = P(780 ≤ X ≤ 620) = P(X ≤ 780) − P(X ≤ 620)

= P(Z ≤ (780 − 720)/32.2) − P(Z ≤ (620 − 720)/32.2)
= P(Z ≤ 1.863) − P(Z ≤ −3.10)
P = 0.9686 − 0.0010 = 0.9676
el valor Z que corresponde a esta medida de probabilidad φ−1 (0.9676) = 1.85, por tanto el índice de
capacidad es,
φ−1 (0.9676) 1.85
Cp = = = 0.616
3 3
lo que índica que el proceso no es capaza de cumplir con las especificaciones requeridas.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Indice de capacidad promedio

Determina hacia donde se ubica el desplazamiento del proceso con respecto a las especificaciones.
les − µ µ − lei
Cpk = min{Cpu = , Cpl = }
3σ 3σ
donde
1 Cpk ≤ Cp
2 Cpk = 0 El promedio del proceso coincide con una de las especificaciones
3 Cpk ≤ 0 Casi todo el proceso esta desplazado por fuera de las especificaciones.
En el ejemplo anterior se tiene que, el indice de capacidad promedio como:
780 − 720 720 − 620
Cpk = min{Cpu = , Cpl = }
3(32.2) 3(32.2)
Cpk = min{Cpu = 0.62, Cpl = 1.035}
Cpk = 0.62
Indica un proceso que no cumple con las especifcaciones de diseño; la mayor cantidad de no
conformes se presentan por encima del límite de especificación superior.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Indice de capacidad con valor objetivo T

Con frecuencia se indican valores nominales u objetivos del proceso, representado por T . En donde es
modificada las formulaciones utilizadas para medir el indice de capacidad tradicional, agrgando un valor
objetivo o nominal del proceso.
les − lei
Cpm = p
6 σ 2 + (µ − T )2
El indice de capacidad promedio es definido mediante,
les − µ µ − lei
Cpmk = min{Cpu = p , Cpl = p }
3 σ 2 + (µ − T )2 3 σ 2 + (µ − T )2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ejercicio práctico de índice de capacidad con valor objetivo T
Sea un proceso de fabricación bloques de ladrillo para construcción, donde una de las medidas monito-
readas es la longitud. El proceso presenta históricamente en su medida de localización µ = 32.3, con una
desviación de 2.5, con una tolerancia de diseño comprendida entre 30 y 33. El ingeniero desea establecer
como valor objetivo una longitud promedio de 33 tal como lo establecen las normas internacionales.
¿Cuál es el valor de la capacidad del proceso? ¿Qué acciones debe tomar el ingeniero para cumplir con
los requerimientos?
Figura: Especificaciones de un bloque de ladrillo
El índice de capacidad de este proceso de fabricación es,

33 − 30
Cpm = p = 0.192
6 2.52 + (32.3 − 33)2
33 − 32.3 32.3 − lei
Cpmk = min{Cpu = p , Cpl = p }
3 2.52 + (32.3 − 33)2 3 2.52 + (32.3 − 33)2
= min(0.064, 0.29) = 0.064
el proceso no es capaz dePhD
cumplir con las
Herrera Acosta especificaciones
Roberto José Normalde diseño, unaChartparte
Distribution-Control significativa
Shewhart del proceso
Ewma Cusum - Index Capability Univariate
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Indice de capacidad univariada no paramétrica
Propuesta de Chen y Pearn

Sea un conjunto de observaciones que representa la medida de una característica de calidad de un
proceso productivo se realiza una prueba de normalidad y se encontró que las observaciones no poseen
dicha distribución. Se hace necesario aplicar un método no paramétrico.
les − lei
CNp =
W99.865 − W0.135
les − M M − lei
CNpk = min{ W −W
, W99.865 −W0.135
}
99.865 0.135
2 2
la localización de los percentiles se determinan mediante las siguientes formulaciones,

99.865n + 0.135
R1 ≈
100
0.135n + 99.865
R2 ≈
100
n+1
R3 ≈
2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,

Entre tanto las formulaciones aplicadas para determinar los valores de estos percentiles, se presentan a
continuación,
99.865n + 0.135
W99.865 = XR(1) + − R1 X(R1 +1) − X(R1 )
100
0.135n + 99.865
W0.135 = XR(2) + − R2 X(R2 +1) − X(R2 )
100
n + 1
Mediana = M = XR(3) + − R3 X(R3 +1) − X(R3 )
2
donde W99.865 y W0.135 son los valores de los percentiles superior e inferior que cumple con la
confiabilidad asumida en el área del control estad+istico de la calidad, es decir 99.73 %
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,

A continuación se presenta en la tabla, información de la temperatura de secado de un material
utilizado para la fabricación de baterías de automóvil. Los datos previamente se ordenaron con el
propósito de evaluar los percentiles aplicados en el procedimiento exigido por Chen y Pern.
1 266,597 17 268,431
2 266,709 18 268,56
3 266,828 19 268,63
4 267,008 20 268,691
5 267,047 21 269,075
6 267,172 22 269,339
7 267,267 23 269,539
8 267,299 24 269,931
9 267,327 25 270,885
10 267,419 26 272,329
11 267,495 27 273,365
12 267,594 28 275,368
13 268,135 29 276,489
14 268,219 30 278,775
15 268,333 31 278,813
16 268,417 32 280,89
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
99.865(32) + 0.135
R1 ≈ = 31.889 ≈ 31
100
0.135(32) + 99.865
R2 ≈ = 1.04185 ≈ 1
100
32 + 1
R3 ≈ = 16.5 ≈ 16
2
los percentiles evaluados son los siguientes:

99.865(32) + 0.135
W99.865 = XR(1) + − R1 X(R1 +1) − X(R1 )
100
= 278.813 + 0.889(280.89 − 278.813) = 282.736
0.135(32) + 99.865
W0.135 = XR(2) + − R2 X(R2 +1) − X(R2 )
100
= 266.597 + 0.04185(266.709 − 266.597) = 266.601
32 + 1
Mediana(M) = XR(3) + − R3 X(R3 +1) − X(R3 ) = 268.417 + 0.5(268.431 − 268.417) = 268.424
2
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Ejercicio para determinar los índicadores de capacidad no parámetricos

Los cálculos de los percentiles anteriores, permiten estimar los índices de capacidad de localización no
parámetricos en el ejercicio anterior, los resultados de lod indicadores son los siguientes:
280 − 250
CNp = = 1.8593
282.736 − 266.6016
el índice de localización es determiando de la siguiente forma,
280 − 268.424 268.424 − 250
CNpk = min{ 282.736−266.6016 , 282.736−266.6016 }
2 2
= (3.718, 1.397)
CNpk = 1.397
él cálculo del indicador, muestra un proceso que cumple con las espeficaciones de diseño, con tendencia
hacia el límite de especificación inferior, lo recomendable es ajustar el proceso en su centraminto, es
decir aumentar la temperatura moderadamente.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Propuesta de Wu
La propuesta de Wu asume una disribución asimetrica que se descompone en dos áreas o dos
secciones; tomando como referente el promedio para separar las regiones.
les − lei
Ĉp =
3(s1 + s2 )
el índice de capacidad de localización se define sepaerando las dos regiones, y seleccionando la de
menor valor en el indicador,
h les − X̄ X̄ − lei i
Ĉpk = min ,
3s2 3s1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Los siguientes datos muestran el valor del peso de un producto, en gramos, de una compañía
farmacéutica.
No.Orden Observaciones No. Orden Observaciones
1 102 38 112
2 102 39 112
3 102 40 112
4 102 41 112
5 102 42 113
6 103 43 113
7 103 44 113
8 104 45 113
9 104 46 113
10 104 47 113
11 104 48 114
12 105 49 114
13 105 50 115
14 106 51 115
15 106 52 115
16 106 53 115
17 107 54 115
18 108 55 116
19 108 56 116
20 108 57 117
21 108 58 118
22 108 59 118
23 108 60 118
24 108 61 118
25 108 62 118
26 108 63 119
27 109 64 119
28 109 65 119
29 109 66 120
30 110 67 120
31 110 68 120
32 110 69 120
33 111 70 120
34 111 71 120
35 111 72 120
36 111
37 111
S1 3,029 S2 2,922
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Propuesta de Wu
En la anterior información del producto es necesaria, para la evaluación, del índice de capacidad conocer:
el valor objetivo T = 110 gramos, las especificaciones del peso del 108 ± 4 producto, en gramos. Por
tanto la información de la tabla, suministra los siguientes estadístcos son: X̄ = 111.33, S1 = 3.029 y
S2 = 2.922.
112 − 104
Ĉp = = 0.448
3(3.029 + 2.922)
el índice de capacidad de localización es el siguiente,
h 112 − 111.33 111.33 − 104 i
Ĉpk = min , = min(0.076; 0.807) = 0.076
3(2.922) 3(3.029)
Este índice confirma que el proceso no cumple con las especificaciones requeridas de diseño; su
desplazamiento se encuentra hacia el límite de especificación superior.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Propuesta de Wu
En cuanto a la asignación de un valor objetivo T , la propuesta de Wu se modifica de la siguiente manera,
n les − T T − lei o
Ĉpm = min ,
3sT2 3sT1
el índice de capacidad de localización se define,
n les − X̄ X̄ − lei o
Ĉpmk = min ,
3sT2 3sT1
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Al emplear un valor objetivo, se hace necesario determinar la desviación estándar con valor obetivo de la
primera región se define como,
2n1 − 1 2
sT21 = s + (X̄ − T )2
2n1 1
2 × 37 − 1
= 9.174 + (111.33 − 110)2 = 10.819
2 × 37
sT1 = 3.280
la desviación estándar con valor objetivo para la segunda región es,

2n2 − 1 2
sT22 = s + (X̄ − T )2
2n2 2
2 × 35 − 1
= 8.538 + (111.33 − 110)2 = 9.402
2 × 35
sT2 = 3.066
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
En el ejercicio se tiene el siguientes resultado para el índice de capacidad con valor objetivo, propuesta
por Wu:
n 112 − 110 110 − 104 o
Ĉpm = min ; = min(0.217; 0.608) = 0.217
3 × 3.066 3 × 3.289
el índice de capacidad de localización se define,
n 112 − 111.33 111.33 − 104 o
Ĉpmk = min ; = min(0.073; 0.743) = 0.073
3 × 3.066 3 × 3.289
En cuanto al centramiento se confirma la tendencia que se mostró desde los índices de capacidad
paramétricos, los datos tienden a estar por debajo de la media.
Normal Chart
Finding the ZEwma
score,Cusum
Central- limit
Indextheorem,
Fin de Sección Dos
Muchas Gracias

Normal Distribution Control Chart Capability Index Univariate

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Normal Distribution Control Chart Capability Index Univariate

Uploaded by

Copyright:

Available Formats

Normal Distribution-Control Chart Shewhart Ewma Cusum - Index Capability Univariate

CONTROL CHART - INDEX CAPABILITY UNIVARIATE

PhD Roberto José Herrera Acosta

Programa de Ingeniería Industrial

Sección 1 Normal distribution tables, Finding the Z score, Central limit

donde µ y σ 2 son la media y la varianza de la distribucíon de la población a partir de la cual se obtiene

P(Deterelproceso) = 1 − P(490 < X̄ < 510)

es decir, la medida de probabilidad de detener el proceso es de 0.0124.

es, en forma aproximada N(0, 1).

es utilizada para inferencias acerca de mu cuando conocida la varianza poblacional σ 2 . La variable Z es

Generalidades de las Cartas de Control

Introduccíon a las cartas de control

Es un diagrama en donde se realiza el seguimiento de un estadístico de control o variable aleatoria a

Estadisticos de control Shewhart

Montgomery(2001) muestra el cálculo de los estadísiticos de control de las cartas de control R, X̄ , S 2 , S,

Tamaño de la muestra o subgrupo

Vargas (2011) presenta dos riesgos en el proceso de muestreo,

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Estas variabilidades generalmente son causadas por:

Una carta de control consta de los siguientes elementos:

P(−3 6 Z 6 3) = P(Z 6 3) − P(Z 6 −3) = 0.998650 − 0.00134 = 0.9973

Fases en la construcción de las cartas de control

Fase II control de procesos

Mejoramiento continuo del proceso

Fase II control de procesos

Mejoramiento continuo del proceso

Fase II control de procesos

Mejoramiento continuo del proceso

Fase II control de procesos

Mejoramiento continuo del proceso

El comportamiento del estado o comportamoiento tipo mezcla, es presentado en la figura inferior,

Figura: Estado no aleatorio Mezcla

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

La tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de

Figura: Estado no aleatorio Tendencia

Figura: Estado no aleatorio Cambio de Nivel

El ciclo generalmente se presenta en cuando se realizan modificaciones extremas de metodologías, o

Figura: Estado no aleatorio Ciclo

Figura: Reglas de estados no aleatorios

Reglas 1, 2, 3, 3, 4, 4l, 4ll y 7. Si el gráfico de medias presenta alguna de estas indicaciones y el

Cartas de Control Shewhart para la medida de variabilidad R

Límites de control para la carta R

Límites de control para la carta X̄

Figura: Coeficientes de las cartas de control

Constantes de las Cartas de Control

Entre otras constantes .

Caso de Estudio: componentes de un medicamento

Cálculo del estadístico de control, para la medida de variabilidad

Cálculo de los límites histórico de control para R

UCLR = (2.575)10.8889 = 28.0307

Figura: Diagrama de Control del rango R

Cálculo del estadístico X̄

UCL = 57.2593 + 1.023(10.8889) = 68.3993

El diagrama de control para la medida de localización, presenta el siguiente esquema,

Figura: Diagrama de Control del promedio X̄

Recalcular los límites de control para R y X̄

En la fase I cuando se realiza monitoreo de la característica de calidasd, para verificar estados no

Porque eventos contrarios, alta variabilidad en la información de esta característica, no es factible un

Recalcular los límites de control para R y X̄

donde m es el número de subgrupos, seleccionados en la fase I, md es el número de subrupos elimi-