Curso CEP2

CONTROL ESTADSTCO DEL PROCESO Dr. P.
Reyes / Octubre 2006

CONTROL ESTADSTICO
DEL PROCESO
DR. PRMTVO REYES AGULAR
Octubre, 2006
Pgina 1
CONTROL ESTADSTCO DEL PROCESO Dr. P. Reyes / Octubre 2006
CONTROL ESTADSTICO DEL PROCESO
1. NTRODUCCN 4
1.1 Historia del control estadstico del proceso 5
1.2 Mtodos estadsticos para la mejora de la calidad 10
2. MTODOS Y FLOSOFA DEL CEP 14
2.1 Conceptos bsicos y distribucin normal 15
2.2 Causas comunes y causas especiales 19
2.3 Bases estadsticas de las cartas de control 21
2.4 mplementacin del CEP 31
3. CARTAS DE CONTROL POR VARABLES 33
3.1 ntroduccin 34
3.2 Cartas de control de medias-rangos 34
3.3 Cartas de control medias-desviacin estndar 41
3.4 Cartas de control para lecturas individuales 44
3.5 Seleccin entre cartas por variables y por atributos 46
4. CARTAS DE CONTROL PARA ATRBUTOS 48
4.1 ntroduccin 49
4.2 Cartas de Control para fraccin no conforme - p 50
4.3 Cartas de Control np 55
4.4 Cartas de control P - Tamao de muestra variable 56
4.6 Cartas de Control para No Conformidades c y u 61
5. OTRAS CARTAS DE CONTROL ESPECALES 73
5.1 Cartas de Control para corridas cortas 74
5.5 Cartas de Control para procesos de salida mltiple 76
5.6 Cartas de control Cu Sum 78
5.7 Cartas de control EWMA 81
5.8 Carta de control de Media Movil 82
Pgina 2
5.9 CEP Con datos correlacionados 84
5.10 Cartas de control multivariado 91
5.11 Cartas -MR de diferencias 96
6. ANLSS DE CAPACDAD DEL PROCESO 97
6.1 ntroduccin 97
6.2 ndices de capacidad 104
6.3 Capacidad del proceso con cartas de control 110
6.4 Capacidad de procesos con Minitab normales y no normales 113
6.5 Estudios de capacidad de sistemas de medicin 119
7. DSEO DE EXPERMENTOS 274
7 .1 ntroduccin 137
7.2 Diseos factoriales 138
Apndice 1. Frmulas de CEP
Pgina 3
Mdulo 1. Introduccin
Pgina 4
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO
Antecedentes
Control de calidad por inspeccin
Durante la primera guerra mundial el sistema de manufactura se volvi ms
complejo, involucrando a ms trabajadores reportando a un supervisor de
produccin, con Taylor aparecen los primeros inspectores de control de calidad;
los trabajadores y el supervisor se enfocaron a la produccin, desligndose del
auto - control de calidad de los artculos que producan, esto tuvo auge entre los
aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el mercado.
1
Se establecen despus planes de muestreo militares, asumiendo que cualquier
proceso producir defectos, los esfuerzos se enfocan a detectarlos, no a
prevenirlos. Los productos defectuosos, eran reprocesados o desechados,
incrementando los costos de produccin entre un 20 a 30% e incrementando el
precio final del producto al menos 20%, absorbiendo el cliente las ineficiencias de
la empresa. El departamento de Control de Calidad se convierte en el "polica de
la calidad" y se le responsabiliza de todos los problemas de calidad en la empresa,
est formado por especialistas y tcnicos que se encargan principalmente de
detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control
Estadstico del Proceso como una siguiente etapa.
1
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
Pgina 5
Control estadstico del proceso (CEP)
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableci mtodos de control de calidad ms rigurosos
que infundieran confianza en sus instrumentos y electrodomsticos, en 1924 se
form su departamento de ngeniera de nspeccin, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control
2
. Por otra parte H. od!e " H.
#omi! desarrollaron las tablas de inspecci$n por muestreo de od!e%#omi!&
3
, como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin
en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
in!enieros americanos a eliminar la 'ariaci$n( " su desd)n por las teor*as probabil*sticas( as* como
a la falta de estad*!rafos industriales( adecuadamente entrenados&.
4

El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy
se conoce como "+ontrol ,stad*stico del -roceso. De esta forma con objeto de
hacer ms eficientes a las organizaciones de inspeccin, "se proporciona a los
inspectores con unas cuantas herramientas estad*sticas( tales como cartas de control " tablas de
muestreo&
5
. Se reduce el nivel de variacin del proceso hasta los lmites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medicin
formales desde los proveedores hasta el producto final y el proceso se
"estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada
por los crculos de control de calidad para la identificacin de problemas.
2
u!ca!, Ac"e#o!, op. cit.p. 1$.
3
Ibidem, p. 1
4
%&ee'a!, (.., )*+a+i#+ical Me+"od# ,o& -uali+. Co!+&ol/, MechanicalEngineering, Ap&il 1930, p. 2$1.
5
%eige!1au', A.V., op. cit., 192$, p. 1$
Pgina $
En 1931, W.A. Shewhart publica su libro ,conomic .ualit" +ontrol of .ualit" of
/anufactured -roduct&( donde describe las cartas para el control estadstico del
proceso. En medio de los aos 30's los mtodos de control estadstico de calidad
se empezaron a aplicar en la Western Electric, brazo de manufactura de los
laboratorios Bell, sin embargo no fueron reconocidos estos mtodos ampliamente.
Durante la guerra mundial se expandi el uso de los mtodos estadsticos de
control de procesos en la industria de la manufactura, la 0merican Societ" for
.ualit" +ontrol se form en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japn a dar seminarios sobre control estadstico de calidad a
sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente
es hasta la dcada de los ochenta cuando se voltea hacia los mtodos
estadsticos ya muy comunes en Japn dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General
Electric, Xerox, AT&T, etc., desarrollan e implantan una metodologa de calidad
total denominada +alidad 1 si!ma con el objetivo de reducir los errores y defectos
a un mximo de 3.4 partes por milln (ppm), donde una de las herramientas clave
es el control estadstico del proceso, que permite obtener ahorros de costos muy
importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru shikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
En 1955, Kaouru shikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Pgina 0
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Desarrollo del Control Estadstico del Proceso
W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.
6
* * * *
* * * *
*** * *
*** * *
Distribucin de promedios
Universo de las muestras
Fig. 1.1 Experimentos de Shewhart para las cartas de control
Encontr que las medias de las muestras correspondan a las medias de la
poblacin y que la desviacin estndar de las medias de las muestras se
relacionaban con la desviacin estndar de la poblacin, como sigue:
$
*"e3"a&+, 4.A., Economic Control of Quality of Manufactured Product, Va! No#+&a!d 5ei!"old Co., 1931,
p. 122
Pgina 2
n
X

66 (1.1)
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin.
Normalmente para conocer el estado de un proceso en determinado momento, es
necesario obtener un histograma de la caracterstica de inters, tomando al menos
30 piezas. Se calcula la media y la desviacin estndar de la muestra y se trata de
inferir sobre las caractersticas del proceso. Haciendo esto peridicamente se
pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
a) Proceso fuera de control )Proceso en control
en media ! "ariailidad en media ! es". est.
Fig. 1.2 #omportamiento de procesos en control ! fuera de
control
$
Llevando un control de proceso a travs de histogramas no sera prctico y
aprovechando sus hallazgos del comportamiento de las medias Shewhart sugiri
llevar un control del proceso tomando muestras no de 50 piezas, sino de slo 5
consecutivas, monitoreando el comportamiento del proceso a travs de las cartas
de control de Shewhart( la media del proceso con las medias de las muestras y la
'ariabilidad con su rango. Tomado lmites de control establecidos a t 3 de
medias o rangos.
0
%o&d Mo+o& Co., Continuing Process Control and Process Capability Improvement, ea&1o&!, Mic"iga!,
1923
Pgina 9
1.3 MTODOS ESTADSTICOS PARA LA MEORA DE CALIDAD
Se utilizan tres mtodos estadsticos principales: las cartas de control, el diseo de
experimentos y el muestreo estadstico, adems de las herramientas estadstica
para la solucin de problemas en planta por grupos de trabajo o Crculos de
calidad.
CARTAS DE CONTROL

LSC
LC
LC
%S# & %'mite superior de control
%# & %'nea central
%(# & %'mite inferior de control
Fig. 1.3 #arta de control de Shewhart ! sus l'mites de
control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 17
DSEO DE EXPERMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
NSUMOS DEL PROCESO Y CARACT.DE CALDAD
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.4 Proceso de producci)n* entradas ! salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual los
factores son variados de tal forma de probar todas las posibles combinaciones de
los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza
durante el desarrollo de los productos o procesos, ms que durante su fabricacin.
Pgina 11
PROCESO
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e
inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
- El costo de evaluacin es menor que con la inspeccin al 100%
- Se puede aplicar ms fcilmente cuando se trata de realizar pruebas
destructivas.
- Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que
con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:
- Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
- Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
- No se garantiza que los lotes aceptados estn libres de defectivos.
A continuacin se muestran diferentes esquemas de la aplicacin del mtodo.
Pgina 12
El muestreo de aceptacin tiende a reforzar el apego o conformancia a
especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Fig. 1.+ E"oluci)n de la aplicaci)n de m,todos estad'sticos
100%
0%
Tiempo
Pgina 13
M89*:59O 9
AC9;:ACION
CON:5OL 9 ;5OC9*O
I*9<O 9
9=;95IM9N:O*
Mdulo 2. M!todo" # $ilo"o$%& d'l CEP
Pgina 14
2. MTODOS ( )ILOSO)A DEL CONTROL ESTADSTICO
DEL PROCESO *CEP+
2.1 CONCEPTOS ,-SICOS
CONCEPTO DE VARACN
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARACN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
DISTRI,.CION NORMAL
La notacin para una variable aleatoria que se distribuye normalmente es x N (
,
2
), la forma de la distribucin es simtrica, unimodal y en forma de campana.
Las reas entre diferentes desviaciones estndar son:
t 168.26%
t 295.46%
t 399.73%
-3 +3
Fig. 2.1 #ur"a de distriuci)n normal
Pro/i'd&d'" d' l& di"tri0ucin nor1&l
La distribucin normal tiene forma de campana.
La distribucin normal es una distribucin de probabilidad que tiene media
=
0 y desviacin estndar
= 1.
El rea bajo la curva o la probabilidad desde ms menos infinito vale 1.
La distribucin normal es simtrica, cada mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
Pgina 15
La forma y la posicin de una distribucin normal dependen de los parmetros
y
, en consecuencia hay un nmero infinito de distribuciones normales.
TEOREMA DEL LMITE CENTRAL
La distribucin normal tiene muchas propiedades tiles, una de estas se refiere al
comportamiento de las medias de las muestras de una poblacin no
necesariamente normal, se aproxima a la distribucin normal conforme n tiende a
aumentar. Es decir que las medias de las muestras de tamao n aleatorias e
independientes tienden a distribuirse normalmente, independientemente de la
distribucin de las variables individuales.
Por ejemplo tomando 300 datos individuales se tiene:
Fig. 2.2 -istriuci)n de la polaci)n . /o normal
Seleccionando muestras de tamao n y calculando la X-media o promedio en cada
una se tiene:
Pgina 1$
-oblaci$n con media " des'iaci$n est2ndar " cual3uier distribuci$n.
X1 X2 X3
231'di& 1 231'di& 2 231'di& 3
Conforme el tamao de muestra se incrementa las muestras se distribuyen
normalmente con media de medias y desviacin estndar de las medias de las
muestras 4 n. Tambin se denomina Error '"t5nd&r d' l& 1'di&.
Fig. 2.3 -istriuci)n de las medias muestrales
En general si las x
i
estn distribuidas en forma idntica y su distribucin se
asemeja a la normal, el teorema del lmite central trabaja bien para n>=3 o 4,
condiciones propicias para el control estadstico de los procesos.
Pgina 10
Co1/ro0&cin 'n Minit&06
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
COMPRO,ACI7N DEL TEOREMA DEL LMITE CENTRAL
P&"o 1. H&c'r un& "ol& colu1n& d' d&to" 'n D&to" *C1+
1. 0anip 1 Stac2 1 Stac2 columns
2. Stac2 the following columns 3143+
3. Seleccionar #olumn in current wor2sheet -atos
4. 56
P&"o 2. H&c'r un 8i"to9r&1& d' : c'ld&" con l& colu1n& D&to"
1.7raph 1 Histogram 7raph "ariales 1 -atos
2.5ptions seleccionar #ut Point /umer of inter"als 8utomatic
3. 56 56
(ace& co'e!+a&io#
P&"o 3. H&c'r /ru'0& d' nor1&lid&d con l& colu1n& D&to"
1.Stat 1 9asic statistics 1 /ormalit! test
2.Seleccionar :ariale -atos Seleccionar 8nderson -arling
3. 56 56
(ace& co'e!+a&io#
P&"o ;. C&lcul&r 'n M'di&" *C<+ 'l /ro1'dio d' lo" d&to" d' c&d& r'n9ln
1.#alc 1 ;ow statistics Seleccionar 0ean
2.(nput :ariales 31 32 33 34 3+
3. Store ;esults in 0edias
4. O>
P&"o :. H&c'r un 8i"to9r&1& d' : c'ld&" con l& colu1n& M'di&"
1.7raph 1 Histogram 7raph "ariales 1 0edias
2.5ptions seleccionar #ut Point /umer of inter"als $
3. 56 56
(ace& co'e!+a&io#
Pgina 12
2.2 CA.SAS COM.NES ( CA.SAS ESPECIALES
La variabilidad natural siempre existe en cualquier proceso de produccin, no
importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Fig. 2.4 Proceso en control* solo causas comunes presentes
De la figura cuando el proceso est en control, la mayor parte de la produccin se
encuentra dentro de los lmites de control (LSC y LC). Sin embargo cuando el
proceso est fuera de control, una gran proporcin del proceso se encuentra fuera
de estos lmites.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6M's (medio
ambiente, mtodos, mediciones). Esta variabilidad es muy grande en relacin con
la variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadstico.
Pgina 19
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas
especiales para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para esto se utilizan las cartas de control en lnea,
permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la
reduccin continua de la variabilidad hasta donde sea posible.
Pgina 27
Fig. 2.+ Proceso fuera de control* por causas especiales o
asignales a las <0=s presentes
2.3 ,ASES ESTADSTICAS DE LAS CARTAS DE CONTROL
Una carta tpica representando un proceso en control estadstico se muestra a
continuacin. Contiene una lnea central que representa el valor promedio de la
caracterstica de calidad correspondiente al estado "en control y dos lneas
adicionales llamadas lmites inferior y superior de control (LC y LSC), los cuales
se seleccionan de tal forma que casi la totalidad de los puntos se encuentren
dentro de ellos, si esto ocurre no se requiere tomar ninguna accin.
LSC
LC
LC Tiempo
Fig. 2.< #arta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un alto
riesgo de situacin fuera de control si los puntos se agrupan es forma sistemtica
dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor
0
si un valor de media muestral i
X
cae
Pgina 21
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de
0,
por
decir
1,
donde
1

0.
Se puede decir que las probabilidades de los errores tipo y tipo de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo o alfa de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo o beta de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de control.
Se puede definir un modelo general para una carta de control, si w es un
estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es
w
con desviacin estndar
w
se tiene:
LSC =
w
+ L
w
(2.1)
LC =
w

LC =
w
- L
w
Donde L es la distancia de los lmites de control a partir de la lnea central
expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de
su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
Pgina 22
DSTRBUCON DSTRBUCON COMPORTAMENTO DEL PROCESO
DE LOS VALORES DE LAS MEDAS LSC = 74.0135, LC = 74, LC = 73.9865
NDVDUALES =.01
7745 . 7
X
Fig. 2.$ #omparaci)n de la "ariailidad de la polaci)n ! la

de las medias ! operaci)n de la carta de control
El proceso de mejora usando la carta de control requiere la accin de la
supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las
causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control OCAP, activado con la ocurrencia de cada
evento. ncluye Puntos de chequeo que son causas potenciales asignables y
acciones que resuelven la situacin fuera de control. Este documento OCAP es un
documento vivo que debe ser actualizado constantemente.
Pgina 23
ENTRADA PROCESO SALDA
SSTEMA DE
EVALUACN
Verificacin Deteccin de causa
y seguimiento asignable
mplantar dentificar causa
Accin raz del problema
Correctiva OCAP
Fig. 2.> Proceso de me?ora utili@ando la carta de control
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real
en alguna escala de medicin continua, se denomina una variable. En tales casos
se utilizan cartas de control de valores individuales o medias, que describan la
tendencia central y cartas de control basadas en rango o desviacin estndar para
controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala continua,
en esos casos se puede juzgar cada producto como conforme o como no
conforme sobre la base de que posea o no ciertos atributos, o se pueden contar el
nmero de no conformidades o defectos que aparecen en una unidad de producto.
Las cartas de control para tales caractersticas de calidad, se denominan cartas de
control por atributos.
Pgina 24
Un factor importante en la aplicacin de cartas de control es su diseo, es decir la
seleccin de tamao de muestra, lmites de control y frecuencia de muestreo.
Para la carta de control por variables del ejemplo se utiliz una muestra de 5
partes, lmites de control a 3-sigma y una frecuencia de muestreo cada hora.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo ,
aunque el diseo de la carta de control tambin debe tomar consideraciones
econmicas considerando los costos de muestreo, prdidas por fabricar productos
defectuosos y costo de investigar indicaciones fuera de control que son "falsas
alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad
exhibida por el proceso:
1. Proc'"o" '"t&cion&rio"6 los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
2. Proc'"o" con d&to" no corr'l&cion&do"6 las observaciones dan la apariencia
de haberse extrado de una poblacin estable (normal u otra), en anlisis de series
de tiempo se denomina "ruido blanco. En este caso los datos pasados histricos
no dicen nada en relacin a predecir su comportamiento futuro.
3. Proc'"o" '"t&cion&rio" con d&to" corr'l&cion&do"6 las observaciones
sucesivas de estos datos son dependientes; es decir un valor por arriba de la
media tiende a ser seguido por otro valor arriba de la media y viceversa, esto
produce corridas lentas y largas en algn lado de la media.
;. Proc'"o" no '"t&cion&rio"6 ocurren en los procesos qumicos e industrias de
proceso, los procesos son muy inestables y tienen corridas inestables alrededor
Pgina 25
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de "si no esta mal, no lo arregles, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCN DE LOS LMTES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo (falsa alarma) sin
embargo se incrementa el riego de error tipo y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo en 0.002 o 0.001 en cada lado, se tienen los lmites de control
Pgina 2$
a una distancia de 3.09-sigmas, Estos lmites de control se denominan lmites
probabilsticos a 0.001.
Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de la
lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la sensibilidad
de la carta de control para identificar corrimientos de la media del proceso, en
forma ms rpida. Si un punto cae fuera de los lmites preventivos, Una
desventaja es que crean confusin con el personal y se incrementa el riesgo de
error tipo (falsas alarmas).
TAMAO DE MUESTRA Y FRECUENCA DE MUESTREO
Al disear una carta de control, se debe especificar tanto el tamao de muestra
como la frecuencia de muestreo.
Para un proceso en control estadstico habr un punto fuera de control normal por
cada 370 puntos para lmites a tres sigma.
Las muestras se toman de manera ms frecuente a la ocurrencia de cambios en el
proceso registrados en bitcoras (cambio de turno, cambio de materiales, ajustes,
fallas, etc.), con objeto de detectar las causas de situaciones fuera de control.
Fecha Hora #amio
AB1CB2CC< AD1+80 #amio de turno
AB1CB2CC< 1CD1+80 8pag)n de energ'a
Fig. 2.A 9itEcora de camios en el proceso
Pgina 20
SUBGRUPOS RACONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6
productos consecutivos de produccin, minimizando diferencias dentro del
subgrupo. En los procesos qumicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
ANALSS DE PATRONES EN CARTAS DE CONTROL
Punto" $u'r& d' control6 Una carta de control indicar una condicin fuera de
control cuando uno o ms puntos caigan ms all de los lmites de control o
cuando los puntos graficados formen un patrn no aleatorio de comportamiento.
Fig. 2.1C Proceso con puntos fuera de control
Pgina 22
T'nd'nci&"6 Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o ms
indican una situacin fuera de control.
Fig. 2.11 Proceso fuera de control por tendencias
Corri1i'nto 'n l& 1'di& d'l /roc'"o6 Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LC
Fig. 2.12 Patr)n de anormalidad con corrimiento en media
E"tr&ti$ic&cin6 Se muestra como una adhesin a la media, puede ser causado
por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.
LSC
LC
LC
Fig. 2.13 Patr)n de anormalidad de Festratificaci)nG
Pgina 29
P&tron'" c%clico"6 Otro patrn de inestabilidad se presenta cuando el
comportamiento del proceso muestra patrones cclicos.
LSC
LC
LC
Fig. 2.14 Patr)n de anormalidad c'clico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LC
Fig. 2.1+ Patr)n de anormalidad con me@cla de lotes
Para reconocer un patrn de comportamiento no slo se requiere conocer las
tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para
detectar patrones no aleatorios en las cartas de control:
Pgina 37
1. Un punto fuera de los lmites de control de 3-sigma.
2. Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma.
3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1-
sigma o ms all a partir de la lnea central.
4. Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son:
5. Siete puntos formando una tendencia creciente o decreciente.
6. Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea
central (adhesin a la media).
7. Catorce puntos en un rengln alternndose arriba y abajo.
8. Siete puntos que se encuentren ms all de 1-sigma de la lnea central.
9. Un patrn no usual o no aleatorio de datos.
10. Uno o ms puntos cerca de los lmites preventivos.
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se
pueden tener muchas falsas alarmas quitndole efectividad al programa del CEP.
2.: IMPLEMENTACI7N DEL CEP
El CEP proporciona un retorno sobre la inversin apreciable cuando se implanta
exitosamente, ya que permite la mejora continua a travs de la reduccin de la
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora
continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as
como evaluar los avances y comunicarlos a la organizacin, lo cual puede motivar
a mejorar otros procesos.
Pgina 31
Los elementos recomendados para un programa de CEP exitoso son:
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 32
Mdulo 3. C&rt&" d' control /&r&
=&ri&0l'"
Pgina 33
3. CARTAS DE CONTROL POR >ARIA,LES
3.1 INTROD.CCI7N
Una caracterstica que se mide en una escala numrica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
3.2 CARTAS DE CONTROL DE MEDIAS3RAN?OS
Asumiendo que una caracterstica de calidad est distribuida normalmente con
media y desviacin estndar ambas conocidas. Si x
1
, x
2
, .... x
n
forman una
muestra de tamao n entonces se puede calcular la media de la muestra X .
Ahora como las medias de las muestras estn normalmente distribuidas con
media
i X
= / n , y siendo que la probabilidad 1- de que cualquier media
muestral caer entre los lmites:
n
! !
X

2 ? 2 ?
+ +
(3.1)
n
! !
X

2 ? 2 ?

Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero si
estable.
Pgina 34
En la prctica los lmites de control se estiman a partir de 20 o 25 muestras
preliminares o subgrupos, el tamao de subgrupo es de 4, 5 o 6 normalmente. Si
se tienen m subgrupos, la gran media se calcula como sigue:
m
X
X
m
i
i
1
(3.2)
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
R = x
max
x
min
(3.3)
Si R
1,
R
2
, ....., R
m
, son los rangos de los diferentes subgrupos, el rango promedio
es:
m
m
i
i
1
(3.4)
DESARROLLO DE LA FORMULA PARA LOS LMTES DE CONTROL
La variable W de ran!o relati'o relaciona al rango con la desviacin estndar
como sigue:
W = R / (3.5)
Los parmetros de la distribucin de W son funcin de n. La media de W es d
2
.
Por tanto un estimador de es R / d
2
, donde d
2
est tabulado para diferentes
valores de n, de esta forma si es el rango promedio de las primeras muestras,
usando:
2
d

(3.6)
Pgina 35
Los lmites de control de la carta de medias son:
n d
X "#C
2
3
+
Lmite superior de control (LSC)

n d
X "IC
2
3

Lmite inferior de control (LC) (3.7)
X
Lnea central (LC)
Si de define a
n d
$
2
2
3
se tienen las ecuaciones siguientes:

LSC = X + A
2 (3.8)
LC =
X
- A
2
El valor de A
2
se encuentra tabulado en una tabla de constantes.
Para el caso de los rangos, la lnea central es . El estimador para
R
puede
hallarse de la distribucin del rango relativo W = R / , si la desviacin estndar de
W es d
3
en funcin de n( se tiene:
R = W (3.9)
La desviacin estndar de R es:
R
= d
3

Como es desconocida, se puede estimar de = / d
2
, resultando:
2
3
d

(3.10)
De esta forma los lmites de control para el rango son:
LSC = + 3
= + 3
2
3
d
d
= [ 1+ 3
2
3
d
d
] = D
4
(3.11)
LC = - 3
= - 3
2
3
d
d
= [ 1- 3
2
3
d
d
] = D
3
Pgina 3$
Donde las constantes A
2
, d
2
D
3
y D
4
se encuentran tabuladas en funcin de n para
facilitar el clculo de los lmites de control como sigue:
Hala 3.1 #onstantes para l'mites de control en cartas 34;
n A2 D3 D; d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
Para valores pequeos de n, el rango es un buen estimador de la varianza tal
como lo hace la varianza de la muestra S
2
. La eficiencia relativa del mtodo del
rango a la S
2
se muestra abajo:
n Eficiencia
1 1.000
2 0.992
3 0.975
4 0.955
5 0.930
6 0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre x
max
y x
min
sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUPO DE MEDCN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
Pgina 30
LMTES PRELMNARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y
grafican los lmites de control preliminares para determinar si el proceso estuvo en
control (ver procedimiento de Grficas de Control). Para probar esta hiptesis, se
analizan todos los puntos graficados y se hace un anlisis para identificar si hay
puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de
anormalidad presente, se determina la causa especial de la anormalidad, se
toman acciones correctiva para que no vuelva a presentar, se eliminan los puntos
correspondientes al patrn de anormalidad y se re-calculan o revisan los lmites de
control. Se analiza la carta de control para observar un comportamiento aleatorio,
si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez teniendo
todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de
anormalidad o puntos fuera de control, no se eliminan y se consideran para la
determinacin de los lmites de control revisados para el control futuro del proceso.
Carta X media Rango en Minitab:
C. File 1 5pen Ior2sheet #artasJ"ariales
1. Stat 1 #ontrol #harts 1 3 ar ;
2. Single column Supp2 Sugroup si@e +
Pgina 32
3. Hest Seleccionar Perform all eight tests
4. 56
Kesta el proceso en control estad'sticoL
20 10 Subgroup 0
603
602
601
600
599
598
S
a
m
p
l
e

M
e
a
n
1
1
Mean=600.2
UCL=602.4
LCL=598.1
9
8
7
6
5
4
3
2
1
0
S
a
m
p
l
e

R
a
n
g
e
R=3.72
UCL=7.866
LCL=0
Xbar/R Chart for Supp2
Figura 3.1 #arta de control de medias rangos.fuera de control
Como el proceso no est en control estadstico se procede a identificar las causas,
tomar acciones preventivas y se eliminan los puntos fuera de control.
+. Eliminar los puntos fuera de control M<< 4 $C) ! M< 4 1C)
asumiendo identificaci)n de causas ! toma de acciones pre"enti"as
<. #ontrol4E
$. 56
20 10 Subgroup 0
602.5
601.5
600.5
599.5
598.5
597.5
S
a
m
p
l
e

M
e
a
n
Mean=599.9
UCL=602.1
LCL=597.7
9
8
7
6
5
4
3
2
1
0
S
a
m
p
l
e

R
a
n
g
e
R=3.833
UCL=8.106
LCL=0
Xbar/R Chart for Supp2
Pgina 39
Figura 3.2 #arta de control de medias rangos en control
Correr las opciones siguientes:
>. Stamp Hora
A. Estimate parameters ! groups in :ariale 7rupo
20 10 Subgroup 0
603.5
602.5
601.5
600.5
599.5
598.5
597.5
S
a
m
p
l
e

M
e
a
n
4:00:00 6:00:00 Hora
1
Mean=600.7
UCL=603.1
LCL=598.2
1 2
10
5
0
S
a
m
p
l
e

R
a
n
g
e
R=4.26
UCL=9.008
LCL=0
1 2
Xbar/R Chart for Supp2 by Grupo
Figura 3.3 #arta de control de medias rangos por grupo
NTERPRETACN DE CARTAS DE CONTROL X
Se debe iniciar con la interpretacin de la carta R, identificando causas especiales
y despus analizar la carta X .
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al
tiempo y la carta R monitorea la variabilidad interna entre muestras en un tiempo
dado.
E@'rcicio 3.16 Repetir el procedimiento de cartas Medias Rangos con Lenght
Pgina 47
3.3 CARTAS DE CONTROL PARA X # S
Estas cartas de control son recomendadas cuando:
1. El tamao de muestra es moderadamente grande n>10 o 12 (donde el rango
pierde eficiencia por no tomar en cuenta valores intermedios).
2. El tamao de muestra es variable.
Su construccin es similar a la de la carta de medias-rangos, excepto que en lugar
del rango R en cada subgrupo se calcula la desviacin estndar S.
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Para la carta S se tiene: Para la carta X se tiene:
LSC
s
= c
4
+ 3
4
1 c = B
6
LSC
X
= + A (3.12)
LC
s
= c
4
LC =
LC
s
= c
4
- 3
4
1 c = B
5
LC
X
= - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede
estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
m
i
i
#
m
#
1
1
(3.13)
Pgina 41
4
66
c
#

(3.14)
Como el estadstico # /c
4
es un estimador insesgado de , los parmetros de la
carta sern los siguientes:
LSC
s
=
2
4
4
1 3 c
c
#
# +
= B
4
# (3.15)
LC
s
= #
LC
s
=
2
4
4
1 3 c
c
#
#
= B
3
#
Para el caso de la carta X , cuando # /c
4
se una para estimar los lmites de
control para esta carta son:
LSC
x
= X +
n c
#
4
3
=
X
+ A
3
#
(3.16)
LC
x
= X
LC
x
= X -
n c
#
4
3
= X - A
3
#
Todas las constantes c
4
, A's y B's se encuentran tabuladas en funcin de n en la
tabla de constantes, como sigue:
Hala 3.2 #onstantes para l'mites de control en cartas 34S
n c; A A3 ,3 ,; ,: ,A .
5 0.9400 1.3420 1.4270 0.0000 2.0890 0.0000 1.9640
6 0.9515 1.2250 1.2870 0.0300 1.9700 0.0290 1.8740
7 0.9594 1..134 1.1820 0.1180 1.8820 0.1130 1.8060
8 0.9650 1.0610 1.0990 0.1850 1.8150 0.1790 1.7510
9 0.9693 1.0000 1.0320 0.2390 1.7610 0.2320 1.7070
10 0.9727 0.9490 0.9750 0.2840 1.7160 0.2760 1.6690
11 0.9754 0.9050 0.9270 0.3210 1.6790 0.3130 1.6370
12 0.9776 0.8660 0.8860 0.3540 1.6460 0.3460 1.6100
13 0.9794 0.8320 0.8500 0.3820 1.6180 0.3740 1.5850
14 0.9810 0.8020 0.8170 0.4060 1.5940 0.3990 1.5630
15 0.9823 0.7750 0.7890 0.4280 1.5720 0.4210 1.5440
16 0.9835 0.7500 0.7630 0.4480 1.5520 0.4400 1.5260
17 0.9845 0.7280 0.7390 0.4660 1.5340 0.4580 1.5110
Pgina 42
18 0.9854 0.7070 0.7180 0.4820 1.5180 0.4750 1.4960
19 0.9862 0.6880 0.6980 0.4970 1.5030 0.4900 1.4830
20 0.9869 0.6710 0.6800 0.5100 1.4900 0.5040 1.4700
21 0.9876 0.6550 0.6630 0.5230 1.4770 0.5160 1.4590
22 0.9882 0.6400 0.6470 0.5340 1.4660 0.5280 1.4480
23 0.9887 0.6260 0.6330 0.5450 1.4550 0.5390 1.4380
24 0.9892 0.6120 0.6190 0.5550 1.4450 0.5490 1.4290
25 0.9896 0.6000 0.6060 0.5650 1.4350 0.5590 1.4200
Corrida con Minitab:
1. Stat 1 #ontrol #harts 1 3 ar S
2. Single column Supp1 Sugroup si@e 1C
3. :e#+ *eleccio!a& ;e&,o&' all eig"+ +e#+#
4. 56
Kesta el proceso en control estad'sticoL
10 9 8 7 6 5 4 3 2 1 Subgroup 0
602
601
600
599
S
a
m
p
l
e

M
e
a
n
1
Mean=599.8
UCL=600.6
LCL=599.0
3
2
1
0
S
a
m
p
l
e

S
t
D
e
v
1
S=0.8409
UCL=1.443
LCL=0.2386
Xbar/S Chart for Supp1
Figura 3.4 #arta de control de medias des"iaciones estEndar
34S
Si no est en control identificar causas, tomar acciones y recalcular lmites de
control.
Hacer una corrida por grupos indicando la hora en Minitab:
1. Co!+&ol 9
2. *+a'p (o&a
9. 9#+i'a+e pa&a'e+e&# 1. g&oup# i! Va&ia1le @&upo
Pgina 43
10 9 8 7 6 5 4 3 2 1 Subgroup 0
602
601
600
599
S
a
m
p
l
e

M
e
a
n
12:00:00 2:00:00 5:00:00 8:00:00 11:00:00 1:00:00 4:00:00 7:00:00 10:00:00 0:00:00 Hora
1
Mean=599.5
UCL=600.1
LCL=599.0
1 2
3
2
1
0
S
a
m
p
l
e

S
t
D
e
v
1
S=0.5323
UCL=0.9137
LCL=0.1510
1 2
Xbar/S Chart for Supp1 by Grupo
Figura 3.+ #arta de control de medias des"iaciones estEndar
34S por grupo ! estampando la hora.
3.; CARTAS PARA LECT.RAS INDI>ID.ALES
Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1. Cuando hay inspeccin automtica de piezas individuales.
2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de
ms de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de
medicin de laboratorio) como en procesos qumicos.
En tales situaciones se utiliza la carta de control por lecturas individuales. Los
rangos mviles se empiezan a calcular a partir de la segunda muestra como
i M
= 1
i i
X X
.
Para este caso, los lmites de control para la carta X son:
LSC
x
=
2
3
d
M
X +
Pgina 44
LC
x
=
66
X
(3.17)
LC
x
=
2
3
d
M
X
n = 2
E?emplo 3.< Se toman "arios datos de "iscosidades ! se
constru!e una carta de lecturas indi"iduales* donde el rango
se calcula tomando cada dos "alores consecuti"os* por tanto
el "alor de n & 2 ! harE Mm . 1) rangos en total. #on m &
nNmero de sugrupos.
15 10 5 Subgroup 0
35
34
33
32
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Mean=33.52
UCL=34.80
LCL=32.24
1.5
1.0
0.5
0.0
M
o
v
i
n
g

R
a
n
g
e
R=0.4807
UCL=1.571
LCL=0
and MR Chart for X-ind.
Figura 3.< #arta de control de lecturas indi"iduales ! rango
m)"il (40;
El proceso estE en control estad'stico.
E@'rcicio 3.3 Hacer una corrida de carta -MR en Minitab con Supp2
E@'rcicio 3.; Hacer cartas de control con datos reales de las plantas
generadoras.
Pgina 45
3.: SELECCI7N ENTRE CARTAS POR >ARIA,LES ( POR
ATRI,.TOS
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el CEP multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p
requiere un tamao de muestra mayor, la X-R requiere tomar mucho menos
unidades aunque las mediciones toman ms tiempo. Esta consideracin es
importante para el caso de pruebas destructivas.
GUA PARA MPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. dentificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, aplicando la carta de control (OCAP).
5. Seleccionar el sistema de coleccin de datos y software de CEP.
Pgina 4$
SELECCN DE LA CARTA DE CONTROL ADECUADA
A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente crnico.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de operacin.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad ante el gobierno
8. Mejora de procesos de proveedores. Reducir su variabilidad a travs de centrar
su proceso y tomar acciones correctivas.
9. Seleccin de equipo productivo a travs de demostracin de su capacidad
antes de su embarque.
B. Se prefiere una carta por atributos en las situaciones siguientes:
1. Los operadores controlan las causas asignables y es necesario mejorar el
proceso.
2. El proceso es una operacin de ensamble compleja y la calidad se evala por
la ocurrencia de no conformidades (computadoras, autos, etc.).
3. Es necesario un control del proceso, pero no se pueden hacer mediciones.
4. Se requiere un historial del desempeo del proceso para revisin ejecutiva.
Pgina 40
Mdulo ;. C&rt&" d' control /&r&
&tri0uto"
Pgina 42
;. CARTAS DE CONTROL PARA ATRI,.TOS
;.1 INTROD.CCI7N
Muchas caractersticas de calidad no pueden ser representadas numricamente,
denominndose atributos. En tales casos cada art*culo o ser'icio completo se
clasifica como conforme o no conforme a especificaciones "4o est2ndares, es
decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo,
discrepante o no discrepante.
Fig. 4.1 #uando el producto no es funcional es no conforme*
defecti"o o defectuoso. Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p
de fraccin defectiva o la np para el nmero de defectivos o de no conformes. Se
aplica a productos simples (tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se
observan en un producto, se utiliza la carta de control para no conformidades o
defectos c cuando la muestra es constante o la u cuando es variable o constante.
Se aplica a productos complejos (coches, TV, cmaras de video, escritorios,
refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a
los estndares establecidos o a las especificaciones.
Fig. 4.2 El producto puede ser funcional pero puede tener
defectos o no conformidades* Oue pueden ser corregidas con
retraa?o o no se pueden corregir ! ser desperdicio.
Pgina 49
;.2 CARTA DE CONTROL PARA )RACCI7N NO CON)ORME 3 /
La fraccin no conforme es la relacin entre el nmero de artculos discrepantes
entre el total de artculos, se expresa como fraccin decimal, aunque tambin se
puede expresar en porcentaje. El artculo o servicio puede tener varias
caractersticas de calidad que son examinadas por un inspector, si el artculo no
est de acuerdo a los estndares, se le considera como defectuoso o no
conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre
el nmero de unidades no conformes D al tamao de muestra n, o sea:
i
i
i
n
%
p
(4.1)
La distribucin de este estadstico sigue la distribucin binomial por tanto:
66
p
(4.2)
n
p p
p
A 1 B
2

(4.3)
Del modelo general para la carta de control de Shewhart, si w es un estadstico
que mide una caracterstica de calidad, con media
w
y varianza
2
&
, los lmites
de control son:
LSC =
w
+ L
w
LC =
w
(4.4)
LC =
w
- L
w
Donde L es la distancia de la lnea central hasta los lmites de control, es comn
usar L = 3.
Pgina 57
Por tanto los lmites de control de la carta p considerando L = 3 son:
LSC
p
=
n
p p
p
A 1 B
3
66 66
66

+
LC
p
=
66
p
(4.5)
LC
p
=
n
p p
p
A 1 B
3
66 66
66

Durante la operacin, se toman muestras de n unidades, se calcula la fraccin

defectiva i
p
y se grafica en la carta, mientras no se observe ningn patrn
anormal y i
p
se localice dentro de lmites de control, se puede concluir que el
proceso est en control, de otra forma, se concluir que la fraccin no conforme se
ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos
observados en m muestras iniciales, cada una de tamao n, por lo general se
toman 20 a 25 de estas. As si D
i
son unidades no conformes en la muestra i , la
fraccin defectiva de la muestra i % )sima estar dada como:
p
i
= D
i
/ n i = 1, 2, 3,....., m (4.6)
y el promedio de las fracciones individuales no conformes cuando p es
desconocida es:
m
p
mn
%
p
m
i
i
m
i
i

1 1
(4.7)
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 51
recurrencia, los puntos correspondientes a la situacin fuera de control se eliminan
y se calculan de nuevo los lmites de control preliminares.
E?emplo 4.1 Para un ser"icio de mantenimiento se tomaron
datos de 3C muestras de +C ser"icios contaili@ando las
Oue?as en cada uno como sigueD
S'r=icio
No
con$or1'" S'r=icio
No
con$or1'" S'r=icio
No
con$or1'"
1 12 11 + 21 2C
2 1+ 12 < 22 1>
3 > 13 1$ 23 24
4 1C 14 12 24 1+
+ 4 1+ 22 2+ A
< $ 1< > 2< 12
$ 1< 1$ 1C 2$ $
> A 1> + 2> 13
A 14 1A 13 2A A
1C 1C 2C 11 3C <
#omo en total se encontraron 34$ Oue?as o ser"icios no
conformes* se estima p como sigueD
m
p
mn
%
p
m
i
i
m
i
i

1 1
&
A 57 AB 37 B
340
& C.2313
%os l'mites de control usando 0inita sonD
%S#
p
& C.41C2
%#
p
& C.2313
%(#
p
& C.C+24
Corrida en Minitab
1. *+a+ C Co!+&ol C"a&+# C ;
2. Va&ia1le No co!,o&'e# *u1g&oup #ize 57
3. O>
D9#+a e! co!+&ol e#+adE#+icoF
*i !o eli'i!a& pu!+o# ,ue&a de co!+&ol . &ecalcula& lE'i+e# de co!+&ol
Pgina 52
30 20 10 0
0.5
0.4
0.3
0.2
0.1
0.0
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for No confo
1
1
P=0.2313
UCL=0.4102
LCL=0.05243
Fig. 4.3 #arta de control P para la fracci)n de ser"icios no
conformes.
-e la carta de control se oser"a Oue las muestras 1+ ! 23
estEn fuera de los l'mites de control* de tal forma Oue el
proceso esta fuera de control.
-el anElisis de los datos de la itEcora se encontr) Oue la
muestra 1+ corresponde a el camio de un nue"o m,todo el cual
fue diferente ! Oue la muestra 23 corresponde a un operador
sin experiencia asignado temporalmente a la mEOuina.
Homando acciones correcti"as para e"itar la recurrencia de
las causas anteriores ! calculando nue"os l'mites
preliminares con los puntos 1+ ! 23 eliminados* se tiene con
0initaD
%S#
p
& C.3>A3
%#
p
& C.21+C
Pgina 53
%(#
p
& C.C4C$
30 20 10 0
0.4
0.3
0.2
0.1
0.0
Sample Number
P
r
o
p
o
r
t
i
o
n
1
P=0.215
UCL=0.3893
LCL=0.04070
Fig. 4.4 #arta de control P para la fracci)n de ser"icios no
conformes con acciones tomadas para pre"enir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:
30 20 10 0
0.4
0.3
0.2
0.1
0.0
Sample Number
P
r
o
p
o
r
t
i
o
n
P=0.2081
UCL=0.3804
LCL=0.03590
Fig. 4.+ #arta de control P para la fracci)n de ser"icios no
conformes con acciones tomadas para pre"enir recurrencia.
Ahora el proceso est en control estadstico y es normal.
Pgina 54
;.3 CARTA DE CONTROL n/
En lugar de tener fracciones no conformes, si el tamao de muestra es constante,
se pueden utilizar directamente el nmero de artculos defectivos o no conformes
np, para evitarle operaciones aritmticas al operador, los parmetros de esta carta
son:
A 1 B 3 p np np "#C
np
+
np "C
np

(4.12)
A 1 B 3 p np np "IC
np

Si no se conoce el valor de p, se puede estimar con la
p
.
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
E?emplo 4.+ #on los datos del e?emplo anterior se tiene con
0initaD
1. *+a+ C Co!+&ol C"a&+# CN ;
2. Va&ia1le No co!,o&'e# *u1g&oup #ize 57
3. O>
30 20 10 0
20
10
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
NP Chart for No confo
NP=10.41
UCL=19.02
LCL=1.795
Fig. 4.< #arta de control P para la fracci)n de ser"icios no
conformes
Pgina 55
;.; TAMABO DE M.ESTRA >ARIA,LE
En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin
100% de los servicios proporcionados en un periodo de tiempo, por tanto la
muestra ser variable. Se tiene varios mtodos para llevar una carta de control:
M!todo 1. L%1it'" =&ri&0l'"
Se calculan lmites de control para cada muestra en base en la fraccin defectiva
promedio p y su tamao de muestra con
i
n p p p ? A 1 B 3 t
. La amplitud de los
lmites es inversamente proporcional a la raz cuadrada del tamao de muestra.
E?emplo 4.<* Se tomaron datos del resultado de la inspecci)n
diaria* registrando la producci)n total ! los defecti"os del
d'a.
n-var nodef Fra-def LSC LIC
100 12 0.12 0.183686
0.007334
7 0.0293918
80 8 0.1 0.194093 -0.003073 0.0328611
80 6 0.075 0.194093 -0.003073 0.0328611
100 9 0.09 0.183686
0.007334
7 0.0293918
110 10 0.090909 0.179582
0.011438
2 0.028024
110 12 0.109091 0.179582
0.011438
2 0.028024
100 11 0.11 0.183686
0.007334
7 0.0293918
100 16 0.16 0.183686
0.007334
7 0.0293918
90 10 0.111111 0.188455
0.002565
1 0.0309817
90 6 0.066667 0.188455
0.002565
1 0.0309817
110 20 0.181818 0.179582
0.011438
2 0.028024
120 15 0.125 0.176003
0.015017
3 0.026831
120 9 0.075 0.176003
0.015017
3 0.026831
120 8 0.066667 0.176003
0.015017
3 0.026831
110 6 0.054545 0.179582 0.011438 0.028024
Pgina 5$
2
80 8 0.1 0.194093 -0.003073 0.0328611
80 10 0.125 0.194093 -0.003073 0.0328611
80 7 0.0875 0.194093 -0.003073 0.0328611
90 5 0.055556 0.188455
0.002565
1 0.0309817
100 8 0.08 0.183686
0.007334
7 0.0293918
100 5 0.05 0.183686
0.007334
7 0.0293918
100 8 0.08 0.183686
0.007334
7 0.0293918
100 10 0.1 0.183686
0.007334
7 0.0293918
90 6 0.066667 0.188455
0.002565
1 0.0309817
%a fracci)n defecti"a media se calcula como sigueD
79$ . 7
2457
234
25
1
25
1

i
i
i
i
n
%
p
P los l'mites de control se calculan como sigueD
LSC
p
=
i
p
n
p
A 974 . 7 AB 79$ . 7 B
3 79$ . 7 3 + +
LC = 0.096
LC
p
=
i
p
n
p
A 974 . 7 AB 79$ . 7 B
3 79$ . 7 3
1. *+a+ C Co!+&ol C"a&+# C ;
2. Va&ia1le Node, *u1g&oup# i! !-Ga&
3. O>
Pgina 50
25 20 15 10 5 0
0.2
0.1
0.0
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for nodef
P=0.09534
UCL=0.1882
LCL=0.002468
Fig. 4.$ #arta de control P para la fracci)n de ser"icios no
Se oser"a Oue la muestra 11 estE fuera de control.
Cuando se toman lmites de control variables, el anlisis de patrones de
anormalidad no tiene sentido ya que la desviacin estndar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
M!todo 2. T&1&Co d' 1u'"tr& /ro1'dio
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
92
25
2457
1

m
n
n
m
i
i
Con lmites de control basados en 92 n :
LSC
p
= 125 . 7
92
A 974 . 7 AB 79$ . 7 B
3 79$ . 7 3 + +
p
p
LC = 0.096
Pgina 52
LC
p
= 770 . 7
92
A 974 . 7 AB 79$ . 7 B
3 79$ . 7 3
p
p
1. *+a+ C Co!+&ol C"a&+# C ;
2. Va&ia1le Node, *u1g&oup# #ize 92
3. O>
Otra vez de la grfica se observa que el punto 11 est fuera de control.
25 20 15 10 5 0
0.2
0.1
0.0
Sample Number
P
r
o
p
o
r
t
i
o
n
P Chart for nodef
1
P=0.09566
UCL=0.1848
LCL=0.006529

Fig. 4.> #arta de control P con n promedio
M!todo 3. C&rt& d' control '"t&nd&riD&d&.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la
carta de control estandarizada, la lnea central es cero y los lmites de control
estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
i
i
i
n
p p
p p
!
A 1 B
(4.13)
Pgina 59
donde p (o
p
si no hay estndar) es la fraccin defectiva media del proceso en su
condicin de control estadstico; p
i
, n
i
son datos de la muestra.
E?emplo 4.$ #on los 2+ datos anteriores se otiene una carta
estandari@ada* con 0inita graficando Q estandari@ada.
1. *+a+ C Co!+&ol C"a&+# C I C"a&+
2. Va&ia1le H-9#+a!d
3. (i#+o&ical Mea! 7 (i#+o&ical #ig'a 1
4. O>
n-var nodef
Frac.-
def LSC LIC Desv-est. Z-Estand
1CC 12 C.12 C.1>3<>< C.CC$334$ C.C2A3A1> C.>1<++
>C > C.1 C.1A4CA3 4C.CC3C$3 C.C32><11 C.121$2
>C < C.C$+ C.1A4CA3 4C.CC3C$3 C.C32><11 4C.<3AC+
1CC A C.CA C.1>3<>< C.CC$334$ C.C2A3A1> 4C.2C414
11C 1C C.CACACA C.1$A+>2 C.C1143>2 C.C2>C24 4C.1>1<<
11C 12 C.1CACA1 C.1$A+>2 C.C1143>2 C.C2>C24 C.4<$13
1CC 11 C.11 C.1>3<>< C.CC$334$ C.C2A3A1> C.4$<32
1CC 1< C.1< C.1>3<>< C.CC$334$ C.C2A3A1> 2.1$$4>
AC 1C C.111111 C.1>>4++ C.CC2+<+1 C.C3CA>1$ C.4>$$4
AC < C.C<<<<$ C.1>>4++ C.CC2+<+1 C.C3CA>1$ 4C.A4<$A
11C 2C C.1>1>1> C.1$A+>2 C.C1143>2 C.C2>C24 3.C<231
12C 1+ C.12+ C.1$<CC3 C.C1+C1$3 C.C2<>31 1.C>C>4
12C A C.C$+ C.1$<CC3 C.C1+C1$3 C.C2<>31 4C.$>2<>
12C > C.C<<<<$ C.1$<CC3 C.C1+C1$3 C.C2<>31 41.CA32<
11C < C.C+4+4+ C.1$A+>2 C.C1143>2 C.C2>C24 41.4$A2+
>C > C.1 C.1A4CA3 4C.CC3C$3 C.C32><11 C.121$2
>C 1C C.12+ C.1A4CA3 4C.CC3C$3 C.C32><11 C.>>2+
>C $ C.C>$+ C.1A4CA3 4C.CC3C$3 C.C32><11 4C.2+><<
AC + C.C++++< C.1>>4++ C.CC2+<+1 C.C3CA>1$ 41.3C+43
1CC > C.C> C.1>3<>< C.CC$334$ C.C2A3A1> 4C.+443$
1CC + C.C+ C.1>3<>< C.CC$334$ C.C2A3A1> 41.+<+C<
1CC > C.C> C.1>3<>< C.CC$334$ C.C2A3A1> 4C.+443$
1CC 1C C.1 C.1>3<>< C.CC$334$ C.C2A3A1> C.13<CA
AC < C.C<<<<$ C.1>>4++ C.CC2+<+1 C.C3CA>1$ 4C.A4<$A
AC A C.1 C.1>>4++ C.CC2+<+1 C.C3CA>1$ C.12A11
Pgina $7
25 20 15 10 5 0
4
3
2
1
0
-1
-2
-3
-4
Observation Number
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Chart for Z-Estand
1
Mean=0
UCL=3
LCL=-3
Fig. 4.A #arta de control P estandari@ada
En todos los casos el punto 11 est fuera de los lmites de control. Con lmites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
identificar curva caracterstica de operacin, lo que no puede hacerse con la carta
de lmites de control variables.
;.A CARTAS DE CONTROL PARA NO CON)ORMIDADES
*DE)ECTOS+ E c # u
Una no conformidad o defecto es una caracterstica especfica que no cumple con
la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de
tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
Pgina $1
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia
de una no conformidad en cualquier localizacin sea pequea y constante.
Adems cada unidad de inspeccin debe representar una "rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMABO DE M.ESTRA CONSTANTE 3 CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es conveniente
registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspeccin de acuerdo a la distribucin de Poisson, o sea:
I
A B
'
c e
' p
' c
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
LSC
c
=
c
+ 3 c
LC
c
=
c
(4.16)
LC
c
=
c
- 3 c en el caso que sea negativo toma el valor cero.
Si no hay estndar definido c se estima con el promedio de no conformidades
observadas en una muestra preliminar inspeccionada, o sea con c , en este caso
los parmetros de la carta son:
LSC
c
= c + 3 c
LC
c
= c (4.17)
LC
c
= c - 3 c en el caso que sea negativo toma el valor cero
Pgina $2
Cuando no hay datos histricos, se calculan lmites de control preliminares.
E?emplo 4.> Para el nNmero de no conformidades oser"adas en
2< unidades de inspecci)n sucesi"as de 1CC muestras de
circuitos impresos* se otu"ieron los datos siguientesD
Defectos Defectos
21 1<
24 1A
1< 1C
12 1$
1+ 13
+ 22
2> 1>
2C 3A
31 3C
2+ 24
2C 1<
24 1A
1+ 1$
-onde*
%S# & 33.22
%# & +1< B 2< & 1A.>+ & c
%(# & <.4>
-e la carta de control preliminar* se oser"a Oue ha! 2
puntos fuera de control* el < ! el 2C.
#orrida en 0initaD
1. *+a+ C Co!+&ol C"a&+# C C
2. Va&ia1le e,ec+o#
3. O>
Pgina $3
20 10 0
40
30
20
10
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for Defectos
1
1
C=19.85
UCL=33.21
LCL=6.481
Fig. 4.1C #arta de control # de nNmero de defectos fuera
control
Rna in"estigaci)n re"el) Oue el punto < fue deido a Oue un
inspector nue"o calific) los circuitos impresos pero no ten'a
la suficiente experiencia* fue entrenado. El punto 2C fue
causado por una falla en el control de temperatura de la
soldadora de ola* lo cual fue reparado. Por lo anterior se
toman acciones para e"itar recurrencia* se eliminan ! se
recalculan los l'mites de control.
25 20 15 10 5 0
35
25
15
5
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C=19.67
UCL=32.97
LCL=6.363
Fig. 4.11 #arta de control # de nNmero de defectos en control
Pgina $4
#omo el proceso !a se encuentra en control estad'stico* estos
l'mites se tomarEn como ase para el siguiente periodo* donde
se tomaron 2C unidades de inspecci)n adicionales.
n Defectos
1< 1>
1> 21
12 1<
1+ 22
24 1A
21 12
2> 14
2C A
2+ 1<
1A 21
35 30 25 20 15 10 5 0
35
25
15
5
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C=18.82
UCL=31.84
LCL=5.808
Fig. 4.12 #arta de control # con datos del siguiente periodo
Se oser"a en la grEfica Oue no se tienen puntos fuera de
control* sin emargo el promedio de defectos es alto*
reOuiere la acci)n de la administraci)n.
Pgina $5
Haciendo un anlisis de Pareto de los principales defectos se observ que el
principal defecto de soldadura insuficiente y soldadura fra, acumulan el 69% del
total, por lo que se deben enfocar los esfuerzos a resolver estos problemas.

Fig. 4.13 7rEfica de Pareto de los defectos principales
Puede ser necesario estratificar el problema identificando en que modelo de
circuito impreso se presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las
diferentes fuentes de no conformidades.
Pgina $$
Fig. 4.14 -iagrama de (shi2awa para resol"er el prolema
SELECCN DEL TAMAO DE MUESTRA
Aumentando el tamao de muestra se tiene ms oportunidad de encontrar no
conformidades o defectos, sin embargo esto tambin depende de consideraciones
econmicas y del proceso, si en lugar de tomar 1 unidad de inspeccin, se toman
n unidades de inspeccin, entonces los nuevos lmites de control se pueden
calcular por los siguientes mtodos:
M!todo 1. Con c n
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspeccin anterior):
c n c n "#C
nc
3 +
c n "C
nc

(4.18)
c n c n "IC
nc
3
Pgina $0
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
c n c n "#C
nc
3 + = (2.5)(19.67) + 3
22 . 07 A $0 . 19 AB 5 . 2 B
c n "C
nc

= (2.5)(19.67) = 49.18
c n c n "IC
nc
3 = (2.5)(19.67) - 3
14 . 22 A $0 . 19 AB 5 . 2 B
M!todo 2. C&rt& u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
n
c
u
(4.19)
Como c es una variable aleatoria que sigue la distribucin de Poisson, los
parmetros de la carta u de nmero de no conformidades o defectos por unidad
son:
n
u
u "#C
u
3 +
u "C
u

(4.20)
n
u
u "#C
u
3 +
Donde u representa el nmero promedio de no conformidades por unidad en un
conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
E?emplo 4.A Para un faricante de computadoras registrando
los defectos en su l'nea de ensamle final. %a unidad de
inspecci)n es una computadora ! se toman + unidades de
inspecci)n a un tiempo.
Pgina $2
DefectosU DefectosU
1C A
12 +
> $
14 11
1C 12
1< <
11 >
$ 1C
1C $
1+ +
Se calculan los l'mites de control conD
adas inspeccion unidades de #uma
des conformida no de #uma
u
. . .
. . .
66
u &3>.<C B 2C & 1.A3

%S# & 3.$A
%(# & C.C$
%a carta de control Oueda como sigueD
20 10 0
4
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
U Chart for Defectos
U=1.93
UCL=3.794
LCL=0.06613
Fig. 4.1+ #arta de #ontrol R con unidades de insp. constantes
En la carta de control no se oser"a falta de control
estad'stico* por tanto los l'mites preliminares se pueden
utili@ar en corridas futuras.
Pgina $9
MUESTRA VARABLE CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la
inspeccin 100% de la produccin o lotes de producto, por tanto las unidades de
inspeccin no son constantes. En esta carta se tiene una lnea central constante y
los lmites de control varan inversamente con la raz cuadrada del tamao de
muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:
i
u
n
u
u "#C
i
3 +
u "C
u

(4.21)
i
u
n
u
u "#C
i
3 +
E?emplo 4.1C En una planta textil* se inspeccionan defectos
por cada +Cm
2
los datos se muestran a continuaci)n.
Rnidades(nsp
/o
#onf.
1C 14
> 12
13 2C
1C 11
A.+ $
1C 1C
12 21
1C.+ 1<
12 1A
12.+ 23
%a l'nea central es 42 . 1
5 . 170
153
u
-onde u & Hotal de defectos oser"ados B Hotal de unidades
de inspecci)n
Pgina 07
-e la grEfica no se oser"an puntos fuera de control.
10 9 8 7 6 5 4 3 2 1 0
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
U Chart for No Conf.
U=1.423
UCL=2.436
LCL=0.4110
Fig. 4.1< #arta de #ontrol R con Rnidades de insp. "ariales
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaos de muestra.
m
i
i
m
n
n
1
(4.22)
2. Usando una de control estandarizada (opcin preferida). Se grafica Z
i
con
lmites de control en +3 y 3, lnea central cero.
i
i
i
n
u
u u
!

(4.23)
E?emplo 4.1C M#ont...) Estandari@ando la carta se tieneD
UIvar NoConUv Sigmau Z DUvar
1C 14 C.3$41$ 4C.C+3+ 1.4
Pgina 01
> 12 C.433C1 C.1>4$+ 1.+
13 2C C.344C1 C.3443+ 1.+3>4<
1C 11 C.331<< 4C.A<4> 1.1
A.+ $ C.2$>+ 42.4+3 C.$3<>4
1C 1C C.31<23 41.32>2 1
12 21 C.3>1>> C.><414 1.$+
1C.+ 1< C.3>CA+ C.2$2+ 1.+23>1
12 1A C.3<324 C.44A<+ 1.+>333
12.+ 23 C.3>3<$ 1.CA4$ 1.>4
%a carta de control estandari@ada para R* se encuentra en
control estad'stico como se muestra aa?o.
10 9 8 7 6 5 4 3 2 1 0
3
2
1
0
-1
-2
-3
Observation Number
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Chart for Z
Mean=0
UCL=3
LCL=-3
Fig. 4.1$ #arta de #ontrol R estandari@ada
Pgina 02
Mdulo :. C&rt&" d' control
'"/'ci&l'"
Pgina 03
:. OTRAS CARTAS DE CONTROL ESPECIALES
:.1. CARTAS DE CONTROL PARA CORRIDAS CORTAS
:.1.1 CARTAS DE CONTROL DNOM
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de
produccin sean cortas, tomando las desviaciones respecto a la media de
especificaciones en lugar del valor como tal.
E?emplo +.1 Si se tienen 2 pie@as la 8 ! la 9* donde la
dimensi)n nominal de la pie@a 8 H
8
& +Cmm* ! la dimensi)n
nominal de la pie@a 9 es H
9
& 2+mm* cuando se produce las
pie@as 8 o 9 se toman muestras ! se e"alNa la des"iaci)n
respecto a su media.
0uestra
Pieza
01 02 03 -1 -2 -3 0edia ;ango
1 8 +C +1 +2 C 1 2 1 2
2 8 4A +C +1 41 C 1 C 2
3 8 4> 4A +2 42 41 2 4C.33 4
4 8 A +3 +1 41 3 1 1 4
+ 9 24 2$ 2< 41 2 1 C.<$ 2
< 9 2+ 2$ 24 C 2 41 C.33 2
$ 9 2$ 2< 23 2 1 42 C.33 4
> 9 2+ 24 23 C 41 42 41 2
A 9 24 2+ 2+ 41 C C 4C.33 1
1C 9 2< 24 2+ 1 41 C C 2
Ver carta en la pgina siguiente.
Se deben cumplir 3 premisas para estas cartas:
1. La desviacin estndar debe ser la misma para todas las partes, sin esto no se
cumple usar la carta de medias estandarizada.
Pgina 04
2. El procedimiento trabaja mejor cuando el tamao de muestra es constante para
todas las diferentes partes.
3. La media utilizada debe ser la media de las especificaciones, a excepcin de
cuando se tiene slo un lmite de especificacin.
*+a+ C Co!+&ol c"a&+# C =1a& 5 *u1g&oup# ac&o## &o3# o, 1 - 3
10 9 8 7 6 5 4 3 2 1 Subgroup 0
3
2
1
0
-1
-2
-3
S
a
m
p
l
e

M
e
a
n
Mean=0.1667
UCL=2.929
LCL=-2.596
8
7
6
5
4
3
2
1
0
S
a
m
p
l
e

R
a
n
g
e
R=2.7
UCL=6.950
LCL=0
Xbar/R Chart for D1-D3
Figura +.1 #arta de control -/50
:.1.2 CARTAS DE CONTROL DE MEDIAS RAN?OS ESTANDARIFADA
Si la desviacin estndar para las diferentes partes es diferente, se usan estas
cartas. Sean i
i ( .....
el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,
Pgina 05
i
#
(5.1)
Se toman de datos histricos o de especificaciones para el rango, o se puede
estimar de con
4
2
c
#d
i sus lmites de control son D
3
y D
4.
Para la media
graficar,
i
i
#
( '
'

(5.2)
La lnea central para la carta ' estandarizada es cero, y sus lmites de control
son LSC = A
2
y LC = -A
2
.
:.1.3 CARTAS DE CONTROL POR ATRI,.TOS
Se utilizan cartas de control estandarizadas con lmites de control LSC=+3 y LC=-
3. Los estadsticos a graficar son:
Carta p
n p p
p p
!
i
i
? A 1 B
Carta np
A 1 B p p n
p n np
!
i
i
(5.3)
Carta c
c
c c
!
i
i

Carta u
n u
u u
!
i
i
?
Pgina 0$
:.: CARTAS DE CONTROL PARA PROCESOS DE SALIDA
MGLTIPLE
Se utiliza para procesos con muchos flujos, por ejemplo diversas vlvulas que en
principio producen suponen flujos similares. El usar una carta de control
para cada flujo por separado sera prohibitivo, sin embargo se tiene la
alternativa de sta carta de control siempre que la produccin entre
husillos no est correlacionada.

Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de
control grupal, el muestreo se realiza como si se fueran a establecer
cartas separadas para cada flujo. Por ejemplo si de cada flujo s = 6 se
toman n = 4 partes de cada salida, hasta completar 20 o 25 subgrupos,
por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media
de medias
X
y el
6
, los lmites de control se calculan como en una

carta de medias-rangos convencional con n = 4, en este caso A
2
= 0.729,
D
3
= 0, D
4
= 2.282:
LC
X
=
X
- A
2
6
LC
R
= D
3
6
(5.4)
LSC
X
=
X
+ A
2
6
LSC
R
= D
4
6
Pgina 00
Con los lmites de control trazados, se grafica despus slo la mayor y la
menor de las 6 lecturas promedio considerando todas las salidas o
en este caso los flujos, si se encuentran en control, se asume que las
dems estn en control. Para el rango se grafica slo el mayor de
todos los rangos. Cada punto es identificado por el nmero de flujo o
salida que lo produjo. El proceso se encuentra fuera de control si se
algn punto excede los lmites de 3-sigma. No se pueden aplicar pruebas
de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s
salidas y si r es el nmero de veces consecutivas que se repite como el
mayor o el menor, el ARL para este evento es:

1
1
7
s
s
$"
r
(5.5)
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso
est en control, se esperar que una salida repita un valor extremo 4 veces en la
carta una vez de cada 259 muestras. Si esto sucede con ms frecuencia se debe
sospechar que la salida es diferente a las dems. Algunos de los pares adecuados
de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones dan ARLo
adecuados.
:.A CARTAS DE CONTROL Cu"u1
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
Pgina 02
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se
pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la informacin anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0
. Si se colectan muestras de tamao n >= 1 siendo ) ' el valor promedio de la
muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,

i
)
)
i
' C
1
7
A B
(5.6)
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
E@'1/lo :.1
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posicin ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al da durante el
primer periodo de tiempo y despus 10 al da en un siguiente periodo de tiempo.
Pgina 09
Al llevar una carta X R en el subgrupo no se encontr una causa asignable,
ahora se desea tratar de detectar corridas pequeas en la media.
Corrida en Minitab
1 %ile C Ope! 4o&J#"ee+ C a+a C C5AN>*(.M:4.
2 *+a+ C Co!+&ol C"a&+# C C8*8M.
3 I! *i!gle colu'!, #eleccio!a& A+oKi#+. I! *u1g&oup #ize, po!e& 5. O>.
25 20 15 10 5 Subgroup 0
5
0
-5
S
a
m
p
l
e

M
e
a
n
Mean=0.4417
UCL=4.802
LCL=-3.918
15
10
5
0
S
a
m
p
l
e

R
a
n
g
e
R=7.559
UCL=15.98
LCL=0
Xbar/R Chart for AtoBDist
Figura +.2 #arta de control 3 media . ;
Se puede oser"ar Oue no detecta ninguna situaci)n anormal
10
5
0
-5
5.67809
-5.67809
25 20 15 10 5 0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
Upper CUSUM
Lower CUSUM
CUSUM Chart for AtoBDist
Pgina 27
Figura +.3 #arta de control #usum
Se puede oser"ar Oue detecta una situaci)n anormal deido a
un corrimiento lento de la media del proceso.
:.< CARTA DE CONTROL DE MEDIAS MO>ILES
E2PONENCIALMENTE PONDERADAS *EHMA+
El desempeo de esta carta, es equivalente al de sumas acumuladas, con n=1.
Su estadstico se define como sigue:
1
A 1 B

+
i i i
* ' *
(5.7)
donde IJJK1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que: 7 7
*
a veces igual a '
Si las observaciones x
i
son variables aleatorias independientes con varianza
2
,
entonces la varianza de z
i
es:

[ ]
i
*i
2 2
A 1 B 1
2

,
_
(5.8)
Por tanto los lmites de control de z
i
versus el nmero de muestra o tiempo i, son:
[ ]
i
" "#C
2
7
A 1 B 1
2

,
_
+
(5.9)
7
"C
(5.10)
[ ]
i
" "IC
2
7
A 1 B 1
2

,
_

(5.11)
Note que el trmino [1 (1-)
2i
] se aproxima a la unidad conforme i se incrementa,
esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los lmites de control se estabilizan en:
Pgina 21
+
2
7
" "#C (5.12)
7
"C
(5.13)
+
2
7
" "#C (5.14)
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
lmites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los
lmites entre L = 2.6 y 2.8.
Ejemplo .! Rtili@ando los datos de la carta #usum con &
C.1C* % & 2.$*
C
& C ! & 3.+* se tiene la carta EI08
mostrada en la pEgina siguiente.
Corrida en Minitab:
1. File 1 5pen Ior2sheet 1 -ata 1 #;8/6SH.0HI.
2. Stat 1 #ontrol #harts 1 EI08
3. (n Single column* seleccionar 8to9-ist. (n Sugroup si@e* poner +.
4. Ieight of EI08 C.1 Historical 0ean C.C Historical Sigma
+. S %imits Sigma %imits 2.$
<. 56.
25 20 15 10 5 0
1
0
-1
Sample Number
E
W
M
A
EWMA Chart for AtoBDist
Mean=0
2.7SL=0.9670
-2.7SL=-0.9670
Figura +.4 E?emplo de carta de control EI08
:.L CARTA DE CONTROL DE MEDIA MO>IL
Pgina 22
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar
pequeas corridas de la media. Asumiendo que se define un rango de
observaciones w en el tiempo i, su media mvil es:
&
' ' '
M
& i i i
i
1 1
.....
+
+ + +
(5.15)
Los lmites de control son:
&
"#C

3
7
+
(5.16)
7
"C
(5.17)
&
"IC

3
7

(5.18)
Por ejemplo usando los datos anteriores con w = 5. Graficando el
estadstico M
i
para periodos i 5.
5
....
4 1
+ +
i i i
i
' ' '
M (5.19)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
E@'1/lo :.3 %a carta de media m)"il para los datos del e?emplo
anterior con un tamaSo de corrida de + es la siguienteD
Corrida en Minitab:
1. File 1 5pen Ior2sheet 1 -ata 1 #;8/6SH.0HI.
2. Stat 1 #ontrol #harts 1 0o"ing 8"erage
3. (n Single column* seleccionar 8to9-ist. (n Sugroup si@e* poner +.
4. %enght of 08 +
+. 56.
Pgina 23
25 20 15 10 5 0
5
4
3
2
1
0
-1
-2
-3
-4
-5
Sample Number
M
o
v
i
n
g

A
v
e
r
a
g
e
Moving Average Chart for AtoBDist
Mean=0.4417
UCL=2.346
LCL=-1.463
Figura +.+ E?emplo de carta de control de 0edia m)"il
Pgina 24
:.M CEP CON DATOS CORRELACIONADOS
Los supuestos de la carta de control de Shewhart en control es que los datos
generados por un proceso tienen una distribucin normal y son independientes
unos de otros.
En muchos procesos actan elementos inerciales que hacen que los datos estn
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeos respecto a esas fuerzas.
En algunos procesos donde por cuestiones de inercia de cambio en parmetros
como en los procesos qumicos, cuando los intervalos entre muestreos son
pequeos en relacin a esas fuerzas, las observaciones del proceso estarn
correlacionadas en el tiempo
W
t
Tanque con volumen V y flujos de entrada y de salida
X
t
Si se toman muestras en intervalos t, entoces observamos las x
t
:
( t
t t t
e a
flu)o f volumen V f V (
' a a& '
?
1
1
L L ?
A 1 B

+
La autocorrelacin entre valores sucesivos de x
t
(x
t
y x
t-1
) est dado por:
( t
e a
?
1

Si t es mucho ms grande que T, = 0, por ser las observaciones no
correlacionadas.
Pgina 25
Ejemplo: Calcular para el caso de t/T<=1. 0.5, 0.25, 0.1.
Cuando t/T<= 0.25 la autocorrelacin puede incrementar las falsas alarmas de
la carta de control. Por ejemplo para la viscocidad se tiene:
X
i
Viscocidad en tiempo t (X
t
)
*
* *
* * +orrelaci$n positi'a
* **
* *
Viscocidad en tiempo t-1 (X
t-1
)
La funcin de autocorrelacin para la serie de datos de serie de tiempo es:
,.... 1 , 7 ,
A B
A , B
6

+
' V
' ' ' Cov
t
+ i t
+
Se considera que Cov es la covarianza de las observaciones que estn

separadas k periodos, asumiendo que las observaciones tienen una varianza
constante dada por V(x
t
). Normalmente la funcin de autocorrelacin de la muestra
se estima con:
, +
' '
' ' ' '
r
n
t
t
+ n
i
+ t t
+
,.... 1 , 7 ,
A B
A AB B
1
2
6
1
6 6
Pgina 2$
Como regla general, es necesario calcular valores de +
r
Para algunos valores de 5( 567n44, se pueden calcular por software.
Una grfica que muestra r
k
, retrazo en k, puede mostrar la funcin de
autocorrelacin, si una barra excede los lmites de control, se identifica que existe
correlacin.
E@'1/lo :.; para las Concentraciones tomadas en un proceso
204 195 192 204 212 202 199 196 197 210 194
202 189 195 207 214 195 201 193 196 210 198
201 195 190 209 210 196 198 193 202 198 196
202 192 196 205 208 203 202 198 200 194
197 196 199 202 208 196 207 194 202 192
201 194 203 200 209 197 204 198 202 189
198 196 199 208 209 197 210 199 207 188
188 199 207 214 206 203 197 204 206 189
195 197 204 205 200 205 189 200 211 194
189 197 207 211 203 194 189 203 205 194
Se obtiene una grfica de dispersin tomado Yi vs Yi-1 como sigue:
*+a+ C 5eg&e##io! C %i++ed li!e ;lo+ M N Mi = N Mi-1 #eleccio!a& Li!ea& O>
210 200 190
210
200
190
Conc_1
C
o
n
c
e
n
t
r
S = 4.37364 R-Sq = 53.9 % R-Sq(adj) = 53.4 %
Concentr = 52.906 + 0.7356 Conc_1
Regression Plot

Figura +.< 0ediciones de "iscosidad autocorrelacionadas
Pgina 20
Se observa que hay una cierta correlacin entre las mediciones distanciadas en un
periodo.
La autocorrelacin de una serie de observaciones con una orientacin en el
tiempo (series de tiempo) se mide con la funcin de Autocorrelacin:
k = Cov(Xi, Xi-k) / V(Xi) para K = 0, 1, 2, ...
Donde Cov(Xi, Xi-k) es la covarianza de las observaciones que estn separadas k
periodos de tiempo en el supuesto que las observaciones tienen la misma
varianza, por lo general los valores de Ro se estiman con la funcin de
autocorrelacin muestral.
Se obtiene ahora la funcin de autocorrelacin muestral para los datos de
concentracin en Minitab como sigue:
*+a+ C :i'e #e&ie# C Au+oco&&ela+io! *e&ie# Co!ce!+&aciO! e,aul+ Nu'1e& o, Lag# O>
25 15 5
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
LBQ T Corr Lag LBQ T Corr Lag LBQ T Corr Lag LBQ T Corr Lag
196.65
195.38
194.59
193.68
189.22
185.19
182.16
177.76
172.41
167.63
165.10
163.68
162.75
162.49
161.96
161.76
161.75
161.71
161.31
160.52
159.27
156.23
148.12
129.38
100.71
57.47
-0.46
-0.36
-0.39
-0.88
-0.85
-0.74
-0.91
-1.02
-0.98
-0.72
-0.54
-0.44
-0.23
0.34
0.21
0.06
-0.08
0.30
0.42
0.54
0.85
1.42
2.28
3.08
4.48
7.47
-0.09
-0.08
-0.08
-0.18
-0.17
-0.15
-0.18
-0.20
-0.19
-0.14
-0.11
-0.09
-0.05
0.07
0.04
0.01
-0.02
0.06
0.08
0.11
0.16
0.27
0.41
0.51
0.63
0.73
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
Autocorrelation Function for Concentr
Figura +.$ -eterminaci)n de la funci)n de autocorrelaci)n
Pgina 22
Las lneas discontinuas son los lmites de dos sigmas para el parmetro de
autocorrelacin Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeo de la carta de
control, un muestreo menos frecuente eliminara la autocorrelacin pero se
perdera informacin. A continuacin se muestran las cartas -MR y EWMA:
100 50 Subgroup 0
215
205
195
185
n
d
i
v
i
d
u
a
l

V
a
l
u
e
1
11
1
1
1
1
11
1
1
1
1
Mean=200.0
UCL=210.1
LCL=189.9
15
10
5
0
M
o
v
i
n
g

R
a
n
g
e
1
R=3.784
UCL=12.36
LCL=0
and MR Chart for Concentr
Figura +.> #omportamiento de la carta (40; con datos
autocorrelacionados
100 50 0
210
205
200
195
Sample Number
E
W
M
A
EWMA Chart for Concentr
Mean=200.0
2.7SL=203.0
-2.7SL=197.0
Figura +.A #omportamiento de la carta EI08 con datos
autocorrelacionados
Pgina 29
Ahora se aplica un modelo autoregresivo de primer orden definido por la ecuacin
de regresin anterior a los residuales del modelo.
Corrida con Minitab: *+a+ C :i'e #e&ie# C A5IMA I!dica& 1 e! Au+o&eg&e##iGe No #ea#o!al O>
100 90 80 70 60 50 40 30 20 10
210
200
190
Time
C
o
n
c
e
n
t
r
Time Series Plot for Concentr
Figura +.1C #omportamiento de la carta de Series de Hiempo
con datos autocorrelacionados
8 6 4 2 0 -2 -4 -6 -8 -10
20
10
0
Residual
F
r
e
q
u
e
n
c
y
Histogram of the Residuals
(response is Concentr)
Pgina 97
Figura +.11 Histograma de los residuales con el modelo 8;(08
de grado 1
100 50 Subgroup 0
20
10
0
-10
-20
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Mean=-0.04792
UCL=14.43
LCL=-14.53
20
10
0
M
o
v
i
n
g

R
a
n
g
e
R=5.443
UCL=17.79
LCL=0
and MR Chart for RES1
Figura +.12 #arta de control (40; para los residuales
del modelo autoregresi"oD
#oncentr & +2.AC< T C.$3+< #oncJ1 S & 4.3$3<4 ;4SO & +3.AU
5 la #arta EI08 de los residudalesD
100 50 0
5
4
3
2
1
0
-1
-2
-3
-4
-5
Sample Number
E
W
M
A
EWMA Chart for RES1
Mean=-0.04792
2.7SL=4.295
-2.7SL=-4.391
Figura +.13 #arta de control EI0a para los residuales
del modelo autoregresi"oD
Muestra control estadstico.
Pgina 91
:.1I CARTAS DE CONTROL M.LTI>ARIADO
Hay situaciones donde es necesario el control de dos o ms caractersticas al
mismo tiempo, por ejemplo en un balero donde influyen el dimetro interior y el
exterior para que funcione adecuadamente. Para eso es necesario un control
multivariado como el propuesto por Hotelling
8
.
C&rt& d' control c8i3cu&dr&d&
En el caso del control de medias el estadstico a graficar es un
2
con 2 grados de
libertad:
1
]
1
2
2
66
2
2
1
66
1
2
12
2
2
66
2
2
1
2
1
66
1
2
2
2
12
2
2
2
1
2
7
A B A B 2 A B A B

X X X X
n
El Lmite Superior de Control LSC =
2
.2
que es el punto superior para el rea (1-
). Si al menos una media se sale de control, la probabilidad de que el estadstico
2
salga de control se incrementa. Si
12
= 0, indicando que las medias muestrales
2
66
1
66
, X X
son independientes se tendr una elipse con centro en (
1
,
2
) y ejes
paralelos a los ejes de
2
66
1
66
, X X
, esto implica que si un par de muestras (
2
66
1
66
, X X
)
dan un valor de
2
que caiga dentro de la elipse, indica que el punto est dentro de
control, de esta forma se tiene una 'li/"' d' control.
2
(o+elli!g,(. B1940A. )Mul+iGa&ia+e -uali+. Co!+&ol,/, (echni-ues of #tatistical $nalysis, 9i#e!"a&+, Mc@&a3
(ill, NM, 8*A, 1940.
Pgina 92
Regin de control
NNN 21
NNNNN
NNNNN
Fig. +.14 Elipse de control para "ariales
independientes
Figura +.1+ Elipse de control para "ariales
dependientes
X2
Si
12
0 las 2 caractersticas
2
66
1
66
, X X

son dependientes y la 'li/"' d' control
estar inclinada, puede ser que un punto salga de control en esta elipse, sin
embargo todava est en control a nivel de cartas
X
66
individuales.
Estas cartas se denominan cartas de control chi-cuadrada, las cuales tienen 2
desventajas: 1) la secuencia de los puntos graficados se pierde y 2) la dificultad de
construir la elipse para ms de 2 caractersticas de calidad. Sin embargo una
ventaja importante que tienen, es que con un solo nmero se pueden controlar
varias (p) caractersticas de calidad en forma conjunta.
Pgina 93
Para evitar las dificultades anteriores, es usual graficar los valores de
2
7
correspondientes a cada muestra, en una carta de control, denominada carta de

control chi-cuadrada, sta preserva la secuencia de los datos de tal forma que se
puedan investigar corridas y otros patrones no aleatorios. Adems slo requiere un
solo nmero para controlar el proceso, muy til cuando hay dos o ms
caractersticas de inters.
El lmite de control superior es:
2
. p
"#C

LSC =
2
.2
2
0
1 2 3 4 5 6 7 8 9
Figura +.1< #arta de control chi4cuadrada para p & 2
caracter'sticas de calidad
L& c&rt& d' control T
2
Si en la ecuacin anterior para Chi-cuadrada se reemplaza por
X y
2
por
2
#
tenemos el estadstico T
2
.
A B AP B
6
1
6
2

X ' X ' n (
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aqu se establecen los
lmites de control para la fase 2, con los cuales se monitorea la produccin.
Pgina 94
Los lmites de control para la fase son:
1 , ,
1
A 1 AB 1 B
+
+

p m mn p
.
p m mn
n m p
"#C

7 "IC
y para la fase :
1 , ,
1
A 1 AB 1 B
+
+
+
p m mn p
.
p m mn
n m p
"#C

7 "IC
Es comn usar el Lmite Superior de Control LSC =
2
.2
para ambas fases, si se
usa m28 o 29 los lmites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con ms de 50 muestras.
E@'1/lo :.:6 se desean controlar en forma conjunta las caractersticas de
calidad resistencia a la tensin y el dimetro de una fibra textil. Se ha decidido
usar una muestra de 10 fibras (n = 10), se toman 20 muestras preliminares,
calculando lo siguiente:
09 . 7 , Q 23 . 7 L 23 . 1 L Q 717$ . 7 L 59 . 115
2
12
2
2
1
2
2 1

# # # X X
psi psi
Con estos valores se calcula el estadstico :
2
y se va graficando en una carta de control.
1
]
1
2
66
2
2
66
1
2
66
2
2
1
2
A 7$ . 1 B A 59 . 115 AB 09 . 7 B 2 A 7$ . 1 B 23 . 1 A 59 . 115 AB 23 . 7 B
09 . 7 A 23 . 7 AB 23 . 1 B
17
X X X X (
Si se considera un error tipo = 0.001, el lmite superior de control LSC es:
Pgina 95
02 . 13 A 12 . 10 AB 91 . 1 B
109
342
1 2 27 A 17 AB 27 B
A 1 17 AB 1 27 B 2
109 , 2 , 771 . 7 1 2 27 A 17 B 27 , 2 , 771 . 7

+

. . "#C
LSC = 13.72
T
2
Figura +.1$ E?emplo de #arta de control multi"ariada
No muestra puntos fuera de control. Los lmites para la fase se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC =
2
.2
= 13.816 que est cercano a los
lmites de control de las fases y .
Uno de los mtodos para identificar que caracterstica se encuentra fuera de
control es llevar cartas X
adicionales con lmites de control en p

!
2 ? para
reducir el nmero de falsas alarmas. Otro mtodo es descomponer el estadstico
T
2
en componentes que reflejen la contribucin de cada variable,
2
A Bi
(
es el valor
del estadstico para todas las variables excepto la (i-sima), por tanto:
d
i
= :;
2
-
2
A Bi
(
<
Es un indicador de la contribucin relativa de la variable i al estadstico, cuando se
presenta una situacin fuera de control, se recomienda calcular d
i
para i =1,2 y
enfocarse al que tenga el valor mayor.
El c&"o d' n K 1
Pgina 9$
En industrias qumicas y de proceso, es normal tener una sola muestra donde
medir las diferentes caractersticas, el estadstico T
2
se transforma en:
A B AP B
1 2

' ' # ' ' (
Los lmites para la fase son:
p m p
.
mp m
n m p
"#C

, ,
2
A 1 AB 1 B
7 "IC
Cuando se toman ms de 100 muestras preliminares los lmites preliminares son:
p m p
.
p m
n m p
"#C

, ,
A 1 AB 1 B
; o LSC =
2
.2
7 "IC
:.11 CARTAS DE CONTROL I3MR DE DI)ERENCIAS ENTRE
>ALOR DE RE)ERENCIA ( >ALOR REAL
Cuando la referencia de las mediciones individuales de la carta de control se
mueven en relacin a una referencia, se sugiere graficar no el valor individual, sino
las diferencias que se presentan respecto al valor objetivo ideal en una carta de
control -MR.
60 50 40 30 20 10 Subgroup 0
1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
n
d
i
v
i
d
u
a
l

V
a
l
u
e
11
Mean=0.8075
UCL=1.188
LCL=0.4266
0.6
0.5
0.4
0.3
0.2
0.1
0.0
M
o
v
i
n
g

R
a
n
g
e
1
1
1
1 1
R=0.1432
UCL=0.4679
LCL=0
and MR Chart for Response

Figura +.1> E?emplo de #arta de control de diferencias
Pgina 90
Mdulo A. An5li"i" d' C&/&cid&d
d' lo" /roc'"o"
Pgina 92
A. AN-LISIS DE CAPACIDAD DEL PROCESO
A.1 INTROD.CCI7N
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
D'$inicion'" 05"ic&".
-roceso= ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
+apacidad o habilidad= Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
+apacidad del proceso= Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
+apacidad medida= Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
+apacidad inherente= Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
>ariabilidad natural= Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
>alor ?ominal= Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos
siguientes:
Pgina 99
1. Predecir que tanto cumplir las tolerancias especificadas el proceso.
2. Apoyar a los diseadores en la seleccin o modificacin de un proceso.
3. Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeo de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la
uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).
2. La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de
la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTN) , se
encuentran en t 3 , o sea:
LTNS = + 3 (6.1)
LTN = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la
variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Pgina 177
.II13: LTNI LTNS .II13:
Fig. <.1 %ocali@aci)n de los l'mites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Fig. <.2 Fracci)n defecti"a fuera de especificaciones
p = porcentaje de medidas bajo la curva de probabilidad fuera de
especificaciones.
En el rea sombrada observamos medidas fuera de los lmites de especificacin.
Pgina 171
Para solucionar este problema, podemos reducir la desviacin estndar.
Tambin podramos cambiar la media.
Lo ideal sera, por supuesto cambiar ambas.
Fig. <.3 8lgunas alternati"as para me?orar la capacidad
Condicion'" /&r& r'&liD&r un '"tudio d' c&/&cid&d d'l /roc'"o
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes
supuestos
9
:
El proceso se encuentre bajo control estadstico, es decir sin la influencia de
fuerzas externas o cambios repentinos. Si el proceso est fuera de control la
media y/o la desviacin estndar del proceso no son estables y, en
consecuencia, su variabilidad ser mayor que la natural y la capacidad
potencial estar infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los ndices de habilidad. Si los datos se componen
9
R.M. Ru&a!, A!Sli#i# . pla!eaciO! de la Calidad, :e&ce&a 9diciO! Mc. @&a3 (ill, ;p.474
Pgina 172

de menos de 100 valores, entonces deben calcularse los lmites de confianza
inferiores.
Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parmetro analizado en el estudio sigue una distribucin de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
ndices de capacidad son incorrectos.
Tambin es importante al realizar un estudio de capacidad, asegurarnos que la
=&ri&cin 'n 'l "i"t'1& d' 1'dicin no sea mayor al 10%.
>&ri&cin & corto /l&Do # & l&r9o /l&Do
Existen dos maneras de expresar la variabilidad:
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Fig. <.4 :ariailidad a corto pla@o
Variacin a Largo Plazo(Zlt) Los datos son recogidos durante un periodo de
tiempo suficientemente largo y en condiciones suficientemente diversas para que
Pgina 173
sea probable que contenga algunos cambios de proceso y otras causas
especiales. Aqu todas las familias de variacin exhiben su contribucin en la
variacin del proceso general.
Fig. <.+ :ariailidad a largo pla@o
Para el clculo de Z utilizamos las siguientes formulas:
( )
#(
st
std desv
nom especif l/mite
!
.
. .
(6.1)
"(
"(
std desv
media especif l/mite
!
.
.
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
F "8i$t.3 A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 174
A.2 NDICES DE CAPACIDAD
A.2.1 INDICE DE CAPACIDAD POTENCIAL C/
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin
permitida por las especificaciones entre la amplitud de variacin entre los lmites
de tolerancia naturales del proceso.
$
"IE "#E
PC Cp

(6.2)
E?emplo <.1 para el caso de anillos de pistones* donde el %SE
& $4.C+mm ! el %(E& $3.A+mm ! de la carta ; se estim)
7799 . 7
2

d
por tanto se tieneD

#p & P#; & M%SE . %(E) B <
& M$4.C+ . $3.A+) B < MC.CCAA) & 1.<>
%a funci)n P Min"erso de #p) es el porcenta?e de la anda de
especificaciones usada por el proceso.
177
1
,
_
Cp
P (6.3)
Para el caso del e?emplo se tieneD
P & VM1B1.<>)W 1CC & +A.+U
Pgina 175
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial
Cp o PCR se define como:
3

"#E
PC Cps
#
para el lmite superior (6.4)
3
"IE
PC Cpi
I

para el lmite inferior
E?emplo <.2 Para el caso de la resistencia de las otellas
de "idrio* si el %(E & 2CCpsi*
$0 . 7
9$
$4
A 32 B 3
277 2$4

I
PC Cp
%o cual indica falta de hailidad* la fracci)n aa?o del
l'mite inferior esD
2
32
2$4 277

"IE
!
I
PMx X& Q
(
) & C.C22> o 2.2>U por dea?o del l'mite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por mill$n :ppm< que estn fuera de especificaciones se muestran a
continuacin:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Pgina 17$
1.10 484 967
1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67
para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
A.2.2 INDICE DE CAPACIDAD REAL C/O
Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cp's correspondientes a cada lado de la media, como sigue,
A , B
I #
PC PC min PC+ Cp+
debe ser mayor a 1
(6.5)
donde,
3

"#E
PC Cps
#
para el lmite superior (6.6)
3
"IE
PC Cpi
I

para el lmite inferior
Pgina 170
E?emplo <.3 Para un proceso donde los l'mites de
especificaci)n sean %SE&<2* %(E&3>* la media del proceso sea
&+3 ! su des"iaci)n estEndar &2* se tieneD
5 . 1
32
53 $2

#
PC Cps para el l'mite superior
5 . 2
32
32 53

I
PC Cpi para el l'mite inferior
Por tanto* el 'ndice de capacidad real esD
5 . 1 A 5 . 2 , 5 . 1 B A , B min PC PC min PC+ Cp+
I #
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano
a la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado
A.2.3 NORMALIDAD ( CAPACIDAD DEL PROCESO
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un
comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin siguiente de acabado superficial en una parte maquinada no es
normal:
Pgina 172
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
)
Y = 1 / x
Fig. <.< Hransformaci)n de datos para normali@arlos
Lo cual representa una distribucin normal.
A.2.; INDICE DE CAPACIDAD POTENCIAL C/O1 PCRO1
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
LE LSE LE LSE
PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Fig. <.$ Procesos con #p2 & 1 pero con centrado diferente
Pgina 179
Un nuevo ndice que toma en cuenta el centrado es el siguiente:
Si
A B
2
1
"IE "#E ( +
(6.7)

2 2
A B ( + (6.8)

(
(6.9)
Se tiene,
2 2 2
1 A B $
$

"IE "#E
(
"IE "#E "IE "#E
PC Cp
+m +m
(6.10)
Una condicin necesaria para que Cp
km
sea mayor de uno es:
A B
$
1
"IE "#E ( <
E?emplo <.4 Para los procesos 8 ! 9 ilustrados anteriormente
se tieneD
%'mites de especificaci)nD %(E & 3>* %SE & <2* H & +C
Proceso 8D 0edia & +C* des". estEndar & +
Proceso 9D 0edia & +$.$* des". estEndar & 2.+
Entonces #p
2m
M8) & 7 . 1
7 1
1
+
#p
2m
M9) &
$3 . 7
A 3 B 1
2
2

+
Por tanto es me?or el proceso 8* centrado en la media.
En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),
que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
Pgina 117
2
1 +

Cp+
PC Cp
pm+ pm+
(6.11)
?ota= ,s mu" importante 3ue el proceso sea normal( de lo contrario se obtendr2n
resultados ine@actos. +uando los procesos son li!eramente anormales se pueden
utilizar los m)todos de -earson( transformar los datos por Bo@ +o@ o usar Weibull.
A.3 CAPACIDAD DEL PROCESO CON CARTAS DE CONTROL
La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
Fig. <.1C #omportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso
P'"t&0l'Q. La distribucin ser P/r'd'ci0l'Q en el tiempo.
Pgina 111
?
? ?
? ?
? ?
Prediccin
Tiempo

Fig. <.11 #omportamiento de un proceso dentro de control

C5lculo d' l& d'"=i&cin '"t5nd&r d'l /roc'"o C5lculo d' l& d'"=i&cin '"t5nd&r d'l /roc'"o
2
d

4
C
#

(Para cartas de control X-R y X-S respectivamente)
Donde,
S = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X - R
C
4
= dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
E?emplo <.$ Mcarta 3 4 ;)
-e una carta de control 3 4 ; Mcon sugrupo n & +) se otu"o
lo siguiente* despu,s de Oue el proceso se estaili@)
Ouedando s)lo con causas comunesD ' & <4.C< *
& $$.3
Pgina 112
Por tanto estimando los parmetros del proceso se tiene:
( ) medias de media '
23 . 33
32$ . 2
3 . 00
2

d
Si el lmite de especificacin es: LE = 200.

El
( )
23 . 33 3
7$ . 2$4 277
p+
C = 0.64 por tanto el proceso no cumple con las
especificaciones.
E?emplo <.> Mcarta 3 4 S)
-e una carta de control 3 4 S Mcon sugrupo n & +) se otu"o
lo siguiente* despu,s de Oue el proceso se estaili@)
Ouedando s)lo con causas comunesD
75 . 1 , 177 s '
Por tanto estimando los parmetros del proceso se tiene:
177 '

4
C
s

=
110 . 1
794 .
75 . 1
C
4
para n = 5 tiene el valor 0.94
Si el lmite de especificacin es: LE = 85 y el LSE = 105.
Pgina 113
El
( )
492 . 1
110 . 1 3
177 175
p+
C
El
( )
924 . 2
110 . 1 $
25 175
p
C
Por lo tanto el proceso es capaz de cumplir con especificaciones.
A.; CAPACIDAD DE PROCESOS CON MINITA,
NORMALES ( NO NORMALES
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estndar deviation
32.02 OK
Considerando Lmites de especificaciones LE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 114
Otra opcin por medio de una grfica de probabilidad normal, se tiene:
5. Graph > Probability plot > Normal
6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Pgina 115
D't'r1in&cin d' l& c&/&cid&d d'l /roc'"o
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Int'r/r't&cin:
La desviacin estndar Witin se determina en base al Rango medio y d2
(1.128 para n = 2), con esta se determinan los !ndices de capacidad potencial
"p y real "pkR lo cual es adecuado para un proceso en control o normal.
Pgina 11$
La desviacin estndar #verall se determina con la desviacin estndar de
todos los datos de la muestra dividido entre el factor C; K ;*n31+4*;n E 3+R con esta
desviacin estndar se determinan los %ndic'" d' d'"'1/'Co P/ # P/O as
como el desempeo Overall, no importando si el proceso est en control o no, en
este ltimo caso los valores no tienen significado prctico.
O/cin SiS P&cO
Para mostrar toda la informacin relevante:
Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
Pgina 110
En este caso de la grfica de probabilidad normal, los datos siguen una
distribucin normal.
C&/&cid&d d' /roc'"o" no nor1&l'".
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es
referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull
9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Lmites de especificaciones LE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
Pgina 112
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo
y los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.
El ndice Ppk y Ppu
1I
= 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
A.: EST.DIOS DE CAPACIDAD DE SISTEMAS DE MEDICI7N
17
Lo# E!dice# ;p . ;pJ #o! #i'ila&e# a lo# E!dice# Cp . CpJ , #e &e,ie&e! a la capacidad del p&oce#o a la&go
plazo.
Pgina 119
A.:.1 ERROR DEL ET.IPO DE MEDICI7N
En cualquier problema que involucre mediciones, de la variabilidad total parte de la
variabilidad observada es debida al producto mismo y parte es debida a la
variacin del equipo de medicin, o sea:
2
.
2 2
medici0n e-uipo producto total
+
(6.13)
A.:.2 RUR C&/&cid&d d' lo" "i"t'1&" d' 1'dicin 3 AIA?
En muchas ocasiones las organizaciones no consideran el impacto de no tener
sistemas de medicin de calidad, el hecho de que las mediciones no sean
exactas puede llevar a cometer errores en el clculo, y en los anlisis y
conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede
caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado. Por otro lado si los instrumentos de medicin
no estn calibrados correctamente tambin se pueden cometer errores. Cuando
sucede lo mencionado anteriormente tenemos un sistema de medicin deficiente
que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos
innecesarios de reproceso al reparar un proceso de manufactura o de servicios,
cuando la principal fuente de variacin se deriva del sistema de medicin.
Po"i0l'" )u'nt'" d' l& >&ri&cin d'l Proc'"o
Pgina 127
Variacin del proceso, real Variacin de la medicin
Variacin del proceso
Reproducibilidad
Repetibilidad Estabilidad Linealidad
Sesgo
Variacin originada
por el calibrador
Calibracin
Variacin del proceso, real
Reproducibilidad
Repetibilidad
Variacin dentro de la
muestra
Estabilidad Linealidad
Sesgo
Equipo de
medicin
Calibracin
Definiciones
#eproducibilidad= Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
#epetibilidad= es la variacin de las mediciones obtenidas con un instrumento
de medici$n, cuando es utilizado varias veces por un operador, al mismo
tiempo que mide las mismas caractersticas en una misma parte$
Pgina 121

Reproducibilidad
Operador-
Operador-!
Operador-"
>alor 'erdadero:
Valor correcto terico / estndares NST
11
-recisi$n: Es la habilidad de repetir la misma medida cerca o dentro de una
misma zona
,@actitud =
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
#esoluci$n= La medicin que tiene exactitud y precisin.
% ,stabilidad: es la variacin total de las mediciones obtenidas con un sistema de
medicin, hechas sobre el mismo patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante un perodo de tiempo prolongado.
11
En EUA se tiene el NST (National nstitute of Standards ando Technology),En Mxico se tiene el
CENEAM o el Centro Nacional de Metrologa
Pgina 122

REPETIBILIDAD

Preciso pero no exacto
Exacto pero no preciso
Exacto y preciso
(resolucin)
Linealidad: diferencia en los valores de la escala, a travs del rango de
operacin esperado del instrumento de medicin.
Ses!o: distancia entre el valor promedio de todas las mediciones y el valor
verdadero. Error sistemtico o desviacin.
Pgina 123

Tiempo 1
Tiempo 2
Tiempo 1
Tiempo 2

Valor
Verdadero
Sesgo

Rango de Operacin del e!ipo
Valor
"erdadero
Valor
"erdadero
#rango in$erior% #rango s!perior%
Sesgo
&enor
Sesgo
ma'or
+alibraci$n: Es la comparacin de un estndar de medicin con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
%mportante& para 3ue el e3uipo de medici$n ten!a una discriminaci$n
adecuada en la e'aluaci$n de las partes( su
resoluci$n debe ser al menos 1418 de la 'ariabilidad del proceso.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. naceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones
observadas son debidas al proceso y otras son debidas al error o variacin en los
sistemas de medicin. La variacin total es expresada de la siguiente manera:
medici1n error proceso total
2 2 2
+
Pgina 124
E"tudio d' RUR M!todo l&r9o
Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el ran!o total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida
sobre el e3uipo de medici$n a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
1. Asegrese de que el equipo de medicin haya sido calibrado.
2. Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
Pgina 125
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
M!todo" d' '"tudio d'l 'rror RUR6
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. M!todo ANO>A
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y
otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es ms preciso
Pgina 12$
E@'1/lo A.1
12
6 C5lculo d' l& R'/'ti0ilid&d Vnic&1'nt'
Un equipo de mejora de la calidad involucrado en el diseo de CEP (Control
Estadstico del Proceso), desea realizar un clculo de la capacidad del sistema de
medicin. Se tienen veinte unidades de producto, el operador que toma las
mediciones para el diagrama de control usa un instrumento para medir cada
unidad dos veces. Los datos son mostrados en la tabla siguiente:
Parte Medicin 1 Medicin 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
7 . 1
3 . 22
'
La desviacin estndar del error de medicin, medici1n
, es calculada mediante la
siguiente frmula:
12
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 120
medici1n
=
220 . 7
122 . 1
1
2

d
donde:
= Rango promedio
d
2
= Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin
utilizamos:
32 . 5 A 220 . 7 B $ $
medici1n
La proporcin
medici1n
$
de la banda de tolerancia (rango total de especificacin) es
llamada precisin de tolerancia:

"#" 2#" (
P
medici1n
$
En este ejemplo USL = 60, LSL = 5
790 . 7
55
32 . 5

(
P
.
Como se mencion anteriormente los valores P/T de 0.1 o menores generalmente
implican una capacidad de error de medicin adecuada.
Calculamos la varianza total mediante:
4249 . 9 A 70 . 3 B
2 2 2
# (otal
Pgina 122
La desviacin estndar es calculada a partir de los datos de la tabla.
Ya que tenemos un estimado de ( ) 09 . 220 .
2 2
medici0n , podemos obtener un
estimado para proceso
2
proceso
2
= medici0n total
2 2
=9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93
El error de medicin es expresado como un porcentaje de la variabilidad del
proceso:
T 03 . 25 177
70 . 3
09 .

total
medicion
Al ser el error de medicin mayor al 10%, concluimos que no tenemos un sistema

de medicin confiable, por lo cual tenemos que realizar las acciones correctivas
correspondientes.
E@'1/lo A.26 /or 'l M!todo d' ANO>A "' ti'n'6
Seleccione en el men de la barra de herramientas STATWT.ALIT(
TOOLSW?A?E ST.D( W ?&9' RUR *Cro""'d+
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANO>A
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to
remove interaction 0.25
Los resultados se muestran a continuacin: ?&9' RUR Stud# 3 ANO>A M't8od

TXo3H&# ANO>A T&0l' Hit8 Int'r&ction
Source -F SS 0S F P
Partes A C.CCCCC>< C.CCCCC1C 12.2>>+ C.CCC
5peradores 2 C.CCCCCC2 C.CCCCCC1 C.A<C+ C.4C1
Partes Y 5peradores 1> C.CCCCC14 C.CCCCCC1 C.$3A> C.$+$
;epeatailit! <C C.CCCCC<3 C.CCCCCC1
Pgina 129
Hotal >A C.CCCC1<+
%os operadores ! la interacci)n no fueron significati"os* s)lo las partes

TXo3H&# ANO>A T&0l' Hit8out Int'r&ction
Source -F SS 0S F P
Partes A C.CCCCC>< C.CCCCC1C A.<$14+ C.CCC
5peradores 2 C.CCCCCC2 C.CCCCCC1 C.$++A2 C.4$3
;epeatailit! $> C.CCCCC$$ C.CCCCCC1
Hotal >A C.CCCC1<+
?&9' RUR
U#ontriution
Source :ar#omp Mof :ar#omp)
Hotal 7age ;Z; C.CCCCCC1 +C.A3
;epeatailit! C.CCCCCC1 +C.A3
;eproduciilit! C.CCCCCCC C.CC
5peradores C.CCCCCCC C.CC
Part4Ho4Part C.CCCCCC1 4A.C$
Hotal :ariation C.CCCCCC2 1CC.CC
Stud! :ar UStud! :ar UHolerance
Source Std-e" MS-) M+.1+ Y S-) MUS:) MS:BHoler)
Hotal 7age ;Z; C.CCC31+C C.CC1<222 $1.3< 2$.C4
;epeatailit! C.CCC31+C C.CC1<222 $1.3< 2$.C4
;eproduciilit! C.CCCCCCC C.CCCCCCC C.CC C.CC
5peradores C.CCCCCCC C.CCCCCCC C.CC C.CC
Part4Ho4Part C.CCC3CA2 C.CC1+A23 $C.C+ 2<.+4
Hotal :ariation C.CCC4414 C.CC22$31 1CC.CC 3$.>>
/umer of -istinct #ategories & 1
La interaccin no es significativa, y los errores de R&R indican que equipo de
medicin no es adecuado, ni el nmero de categoras.
Pgina 137
P
e
r
c
e
n
t
Part-to-Part Reprod Repeat Gage R&R
80
40
0
% Contribution
%!tud" #ar
% $o%eran&e
S
a
m
p
l
e

R
a
n
g
e
0.0010
0.0005
0.0000
'
R(0.000417
)C*(0.001073
*C*(0
1 2 3
S
a
m
p
l
e

M
e
a
n
0.0050
0.0045
0.0040
''
+(0.004717
)C*(0.005143
*C*(0.004290
1 2 3
Partes
10 9 8 7 6 5 4 3 2 1
0.006
0.005
0.004
Operadores
3 2 1
0.006
0.005
0.004
Partes
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
0.0050
0.0045
0.0040
,peradore-
1
2
3
Gage na.e/
0ate o1 -tud"/
Reported b"/
$o%eran&e/
2i-&/
Components of Variation
R Chart b Operadores
!bar Chart b Operadores
"atos b Partes
"atos b Operadores
Operadores # Partes I nteraction
$age R%R &A'OVA( for "atos
Las conclusiones son similares que con el mtodo de X barra R.
Pgina 131
E"tudio" d' RUR /or &tri0uto"
E@'1/lo A.36 Una empresa est entrenando a cinco evaluadores para un
producto. Se requiere determinar la habilidad de los evaluadores para calificar el
producto de forma que sea consistente con los estndares. Cada uno de los
evaluadores c&li$ic& 1: productos en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo ESSAY.MTW.
2 Seleccionar St&t W Tu&lit# Tool" W Attri0ut' A9r''1'nt An&l#"i".
3 En Attri0ut' colu1n, poner #atin!.
4 En S&1/l'", poner Sample.
5 En A//r&i"'r", poner 0ppraiser.
6 En YnoXn "t&nd&rd4&ttri0ut', poner 0ttribute.
7 Checar C&t'9ori'" o$ t8' &ttri0ut' d&t& &r' ord'r'd y poner OK
El contenido del archivo es como sigue:
Appraiser Sample Rating Attribute
Simpson 1 2 2
Montgomery 1 2 2
Holmes 1 2 2
Duncan 1 1 2
Hayes 1 2 2
Simpson 2 -1 -1
Montgomery 2 -1 -1
Holmes 2 -1 -1
Duncan 2 -2 -1
Hayes 2 -1 -1
Simpson 3 1 0
Montgomery 3 0 0
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomery 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomery 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Pgina 132
Montgomery 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomery 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomery 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomery 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomery 10 1 1
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomery 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomery 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomery 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomery 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomery 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Pgina 133
?&9' RUR $or D&to"
8ssessment 8greement
8ppraiser [ (nspected [ 0atched Percent A+ U #(
-uncan 1+ > +3.33 M2<.+A* $>.$3)
Ha!es 1+ 13 ><.<$ M+A.+4* A>.34)
Holmes 1+ 1+ 1CC.CC M>1.AC* 1CC.CC)
0ontgomer! 1+ 1+ 1CC.CC M>1.AC* 1CC.CC)
Simpson 1+ 14 A3.33 M<>.C+* AA.>3)
[ 0atchedD 8ppraiser\s assessment across trials agrees with
the 2nown standard.
6endall\s #orrelation #oefficient
8ppraiser #oef SE #oef Q P
-uncan C.>A$$A C.1A24+C 4.<1++4 C.CCCC
Ha!es C.A<C14 C.1A24+C 4.A3A++ C.CCCC
Holmes 1.CCCCC C.1A24+C +.14<<$ C.CCCC
0ontgomer! 1.CCCCC C.1A24+C +.14<<$ C.CCCC
Simpson C.A32+> C.1A24+C 4.$A<3< C.CCCC

,'tX''n A//r&i"'r"
[ (nspected [ 0atched Percent A+ U #(
1+ < 4C.CC M1<.34* <$.$1)
[ 0atchedD 8ll appraisers\ assessments agree with each other.
Fleiss\ 6appa Statistics
;esponse 6appa SE 6appa Q PM"s 1 C)
42 C.<>C3A> C.C>1<4A$ >.3331 C.CCCC
41 C.<C2$+4 C.C>1<4A$ $.3>22 C.CCCC
C C.$C$<C2 C.C>1<4A$ >.<<<3 C.CCCC
1 C.<424$A C.C>1<4A$ $.><>$ C.CCCC
2 C.$3<+34 C.C>1<4A$ A.C2C$ C.CCCC
5"erall C.<$2A<+ C.C412331 1<.321C C.CCCC
6endall\s #oefficient of #oncordance
#oef #hi 4 SO -F P
C.A<<31$ <$.<422 14 C.CCCC

All A//r&i"'r" =" St&nd&rd
Pgina 134
[ (nspected [ 0atched Percent A+ U #(
1+ < 4C.CC M1<.34* <$.$1)
[ 0atchedD 8ll appraisers\ assessments agree with the 2nown
standard.
Fleiss\ 6appa Statistics
;esponse 6appa SE 6appa Q PM"s 1 C)
42 C.>42+A3 C.11+4$C $.2A$1 C.CCCC
41 C.$A<C<< C.11+4$C <.>A41 C.CCCC
C C.>+CA32 C.11+4$C $.3<A3 C.CCCC
1 C.>C2A32 C.11+4$C <.A+3< C.CCCC
2 C.>4$34> C.11+4$C $.33>3 C.CCCC
5"erall C.>314++ C.C+>A11 14.113< C.CCCC
6endall\s #orrelation #oefficient
#oef SE #oef Q P
C.A+>1C2 C.C><C<<3 11.11CC C.CCCC
Y /5HE Y Single trial within each appraiser. /o percentage of
assessment agreement within appraiser is plotted.
Appraiser
P
e
r
c
e
n
t
!i.p-on 2ontgo.er" 3o%.e- 3a"e- 0un&an
100
80
60
40
20
0
95.0%C4
Per&ent
0ate o1 -tud"/
Reported b"/
5a.e o1 produ&t/
2i-&/
Assessment Agreement
Appraiser vs Standard
Pgina 135
Int'r/r't&cin d' r'"ult&do"
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los
evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento
adicional.
M!todo "'ncillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de
especificaciones
Probarlas con dispositivos "pasa y "no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages
"/&"&R no /&"&Q no son confiables
Pgina 13$
Mdulo <. Di"'Co d' 'S/'ri1'nto"
Pgina 130
<. DISEBO DE E2PERIMENTOS
<.1 Introduccin
En muchas industrias el uso efectivo del diseo de experimentos es la clave
para obtener altos rendimientos, reducir la variabilidad, reducir los tiempos de
entrega, mejorar los productos, reducir los tiempos de desarrollo de nuevos
productos y tener clientes ms satisfechos.
ZT. ES EL DISEBO DE E2PERIMENTOS *DOE+[
Un diseo de experimentos es una prueba o serie de pruebas en las cuales se
hacen cambios a propsito en las variables de entrada de un proceso, de tal forma
que se puedan observar e identificar cambios en la respuesta de salida.
Los productos resultantes tienen una o ms caractersticas de calidad observables
o respuestas (Crticas para la calidad si el cliente reclama por su no cumplimiento
CTQ's). Algunas de las variables del proceso X1, X2, X3,.., Xp son
controlables o factores de control, mientras que otras Z1, Z2, Z3, ..., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las
pruebas), y se denominan factores de ruido.
Lo" o0@'ti=o" d'l di"'Co d' 'S/'ri1'nto" "on6
1. Determinar cules variables tienen ms influencia en la respuesta, y$
2. Determinar en donde ajustar las variables de influencia '(s, de tal forma que y
se acerque al requerimiento nominal deseado.
3. Determinar donde ajustar las variables de influencia '(s de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia '(s de tal forma que los
efectos de las variables incontrolables z sean minimizados.
Con l& &/lic&cin d'l DOE durante el desarrollo de los procesos podemos
obtener los beneficios siguientes:
1. Rendimiento mejorado.
Pgina 132
2. Variabilidad reducida y comportamiento cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
5. Mejor desempeo y confiabilidad en el campo.
Co1o '@'1/lo" d' &/lic&cion'" del diseo de experimentos tenemos las
siguientes:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Evaluacin de diferentes proveedores.
3. Determinacin de parmetros clave de diseo (ej: ngulo, velocidad, mtodo)
con impacto en el desempeo.
?.A PARA EL DISEBO DE E2PERIMENTOS
Para tener xito en el diseo de experimentos, es necesario que todos los
involucrados en el experimento tengan una idea clara del objetivo del experimento,
de los factores a ser estudiados, como se realizar el experimento y al menos una
idea cualitativa de cmo se analizarn los datos. El procedimiento recomendado
por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Seleccin de factores y niveles.
3. Seleccin de la variable de respuesta.
4. Seleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis de los datos.
7 Conclusiones y recomendaciones.
<.2 DISEBOS DE E2PERIMENTOS )ACTORIALES
Los experimentos factoriales se utilizan cuando hay varios factores de inters en
un experimento. En los experimentos factoriales se deben utilizar en cada rplica,
todas las combinaciones de los factores que se estn investigando. Si se tienen
Pgina 139
dos factores A y B con niveles & y 0 respectivamente, cada rplica contendr todas
las posibles combinaciones &0.
D'$inicion'"6
Factores: Son las variables controlables en el experimento Ej:Temperatura,
Presin, Velocidad; se designan con letras maysculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del
experimento. Ej: en un experimento tomamos los siguientes valores de
Temperatura: 15, 20 ; en este caso tenemos 2 niveles.
Los niveles se designan con nmeros: "1, "2 o con signos "-, + que
representan los niveles "bajo y "alto en cada caso.
Replica: Es el nmero de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un
cambio en el nivel del factor, se denomina efecto principal ya que se refiere
a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
El calculo de los factores primarios A y B es la diferencia entre la respuesta
promedio en el nivel alto y la respuesta promedio del nivel bajo.
21
2
37 27
2
52 47
+
$
11
2
47 27
2
52 37
+
3
Pgina 147
40 52
20 30
A1
A2
B1 B2
FACTOR A
FACTOR B
Tratamientos: son todas las combinaciones posibles de los factores que se
involucran en un experimento. Ej: a, b, c, ab, ac, bc.
nteraccin: Cuando la diferencia en la respuesta entre los niveles de un
factor no es la misma en todos los niveles de los otros factores.
Respuesta
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interaccin b) Con interaccin
En la grfica de la izquierda observamos que las lneas B1 y B2 son paralelas lo
cual indica que no hay interaccin. En la siguiente grfica al estar cruzadas las
lneas B1 y B2 significa que existe interaccin.
El clculo de la int'r&ccin A, es la diferencia entre los promedios del nivel alto
de "A y "B y el nivel bajo de los mismos
19
2
27 52
2
37 47
+
$3
Princi/io" 05"ico" d'l di"'Co d' 'S/'ri1'nto"6
Normalidad.- Siempre que se conduce un experimento las muestras son tomadas
de poblaciones "normales, en el anlisis de los experimentos se verifica que se
cumpla con este principio, de lo contrario los resultados obtenidos no sern
confiables.
Replicacin.- Significa la repeticin de un experimento, permitiendo el
experimentador la obtencin de un error experimental. El error es la unidad bsica
de medida para determinar si las diferencias observadas en los datos son
Pgina 141
realmente diferentes estadsticamente. La replicacin permite tener una
estimacin ms precisa de los efectos.
Aleatoriedad.- Por aleatoriedad entendemos que la posicin del material y el orden
en el cual las corridas se realizan en los experimentos son determinadas
aleatoriamente (al azar).
Bloqueo.- Es una tcnica usada para incrementar la precisin de un experimento,
Un bloque es una porcin del material experimental el cual es ms homogeneo
que el material restante.
Di"'Co" $&ctori&l'" 'n MINITA,
Supongamos que queremos disear un experimento para probar tres factores:
temperatura, presin y tipo de catlisis. Se trata de un diseo factorial completo
2^3, ya que consta de dos niveles y tres factores, a continuacin se muestra el
diseo:
FACTOR NVEL BAJO NVEL ALTO
Temperatura 20C 40C
Presin 1 atmsfera 4 atmsferas
Catlisis A B
Ver ejemplos de Diseos de experimentos en los archivos:
MinitabDiseoExperimFactoriales
MinitabDiseoExperim2K
Pgina 142
APNDCES
Pgina 143
FORMULAS DE CARTAS DE CONTROL
CARTAS DE CONTROL POR VARABLES
CARTAS Xbarra-R
Lmites de control para medias n =5
LSC =
X
+ A
2
LC =
X
- A
2
Lmites de control para rangos n=5
LSC = D
4
LC = D
3
CARTAS Xbarra-S
Lmites de control para medias
LSC
x
=
X
+ A
3
#
LC
x
= X
LC
x
=
X
- A
3
#
Lmites de control para desviaciones estndar
LSC
s
= B
4
#
LC
s
= #
LC
s
= B
3
#
CARTAS -MR de valores individuales
Para los valores individuales n=2
LSC
x
=
2
3
d
M
X +
LC
x
=
66
X
LC
x
=
2
3
d
M
X
Pgina 144
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRBUTOS
CARTA p
i
i
i
n
%
p
m
p
mn
%
p
m
i
i
m
i
i

1 1
LSC
p
=
n
p p
p
A 1 B
3
66 66
66

+
LC
p
=
66
p
LC
p
=
n
p p
p
A 1 B
3
66 66
66

CARTAS np
A 1 B 3 p np np "#C
np
+
np "C
np

A 1 B 3 p np np "IC
np

CARTAS c
LSC
c
= c + 3 c
LC
c
= c
LC
c
= c - 3 c
CARTAS u
Pgina 145
n
c
u
Donde u representa el nmero promedio de no conformidades por unidad en un
conjunto de datos preliminar
n
u
u "#C
u
3 +
u "C
u

n
u
u "#C
u
3 +
.
Pgina 14$
TABLA DE CONSTANTES PARA EL CALCULO DE LMTES DE CONTROL
Las constantes para lmites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078
Las constantes para lmites de control en las cartas X-S son:
n c4 A A3 B3 B4 B5 B6 .
5 0.9400 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.030 1.970 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.9650 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1.000 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.610
13 0.9794 0.832 0.850 0.382 1.618 0.374 1.585
14 0.9810 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.750 0.763 0.448 1.552 0.440 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.490 1.483
20 0.9869 0.671 0.680 0.510 1.490 0.504 1.470
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.640 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.600 0.606 0.565 1.435 0.559 1.420
Pgina 140

Curso CEP2

Uploaded by

Document Information

Original Title

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

Curso CEP2

Uploaded by

Copyright:

Available Formats

CONTROL ESTADSTCO DEL PROCESO Dr. P.

Reyes / Octubre 2006

Fig. 2.$ #omparaci)n de la "ariailidad de la polaci)n ! la

se tienen las ecuaciones siguientes:

Durante la operacin, se toman muestras de n unidades, se calcula la fraccin

u &3>.<C B 2C & 1.A3

, los lmites de control se calculan como en una

Se considera que Cov es la covarianza de las observaciones que estn

correspondientes a cada muestra, en una carta de control, denominada carta de

adicionales con lmites de control en p

por tanto se tieneD

Fig. <.11 #omportamiento de un proceso dentro de control

Si el lmite de especificacin es: LE = 200.

Al ser el error de medicin mayor al 10%, concluimos que no tenemos un sistema

You might also like