ControlMaestria 11

Control Estadístico de Procesos
CURSO DE CONTROL ESTADÍSTICO DE PROCESOS
Roberto José Herrera Acosta
Programa de Ingeniería Industrial

Universidad del Atlántico
Octubre de 2017
Roberto José Herrera Acosta Control Estadístico de Procesos


Primer Taller-Artículo científico-APA-IEEE-Ejercicio Práctico
Sección 1 Primer Taller-Artículo científico-APA-IEEE-Ejercicio Práctico

Primer artículo cientifico
Formato APA-IEEE
Simular la fabricación de chazos (arandelas),donde se evaluan dos caracteristicas en forma independiente

longuitud y diámetro (diámetro interno, diámetro externo) Registrar la información de treinta datos de
cada una de las variables. Realizar un análisis con las siguientes herramientas estadísticas: (1) Histograma
de frecuencia, (2) Diagrama de seguimiento, para cada observación, posteriormente realice el diagrama
tomando un promedio cada tres datos, en el tiempo (3) Medidas de localización y variabilidad para
toda la información, para cada subgrupo de tres datos (4) Prueba de normalidad (kolmogorov-smirnov,
Shaipo Will), (5) Intervalo de confianza para cada variable con 95 %, 99 %, 99.73 % para todos los
datos, asumiendo una distribución normal en el comportamiento, compare los resultados. (6) Presente
el diagrama de seguimiento del ítem (2) con respecto al intervalo del 99.73 % y realice las conclusiones
pertinentes.

Diagrama de Histograma de Frecuencia
Histograma de frecuencia
Procedimiento para la construcción del histograma de frecuencia
En la constucción del histograma de frecuencia, implica inicialmente elaborar la tabla de frecuencia.

Existen un sinnúmero de metodologías que permiten su construcción. Sin embargo una de las más
aplicadas se presentan a continuación (1) Determinar el rango de la información mediante la ecuación
R = mxvalor −mnvalor (2) Obtener seguidamente el intervalo de clases, en donde exiten diversas formas
para realizarlo; entre éstas se encuentra el procedimiento de la regla de STURGES, donde el número de
√ √
intervalos se evalúa mediante NC = 1 + 3.32log(n), otras de las reglas son n, como también 2 n.
(3) Posteriormente se determina la amplitud, relacionando el rango R con el número de clases, es decir
R
A = NC . Esta medida permite evaluar el intervalo de clase; tomando inicialmente el valor mínimo de la
información y sumando la amplitud mencionada, al valor obtenido se adiciona la amplitud para obtener
el segundo intervalo de clase, de esta forma hasta completar el NC obtenido en el segundo paso.(4)
Se presentan seguidamente columnas adicionales como son, la marca de clase, que es el promedio
aritmético de los límites de clase m = ls+li
2
, la frecuencia de clase o frecuencia absoluta f , frecuencia
relativa fr = nf , frecuencia acumulada de clase F y la frecuencia relativa acumulada Fr = Fn . (5) El
histograma de presenta seleccionando el intervalo de clase en contraste con la frecuencia de clase o la
frecuencia relativa de clase.

Diagrama de seguimiento
Histograma de frecuencia
Problema práctico de Histograma de Frecuencia
En un análisis físico-químico del componente de un medicamento no restringido en su comerciali-

zación; se presentan los siguientes resultados en la medición de la concentración en partes por mi-
llón:127,123,126,123,123,123,120,124,124,122,126,128,123,124,125,123,125,125,123,124,125,124. Construya el histogra-
ma de frecuencia, tomando como referente la frecuencia de clases obtenida en el Programa R.
Histogram of x
7
6
5
Frequency
4
3
2
1
0
120 122 124 126 128
Roberto José Herrera Acosta x Control Estadístico de Procesos

PROGRAMA R PARA ELABORAR HISTOGRAMA DE FRECUENCIA

DIAGRAMA DE SEGUIMIENTO
x<-c(127, 123,126,123,123,123,120,124,124,122,126,128,123,124,125,123,125, 125, 123, 124,125, 124)
hist(x)

Diagrama de Seguimiento
Problema práctico de Diagrama de Seguimiento
Se realiza en el tiempo, un monitoreo del diámetro de una pieza metálica en un proceso de una empresa
del sector metalmecánico ubicada en la Zona Franca de la ciudad de Barranquilla; con el próposito de
observar su compratamiento para ello el ingeniero construye un diagrama de seguimiento basado en la
siguiente información: 53,48,46,47,54,50,44,53,52,62,57,58,47,52,53,55.
60
55
x
50
45
5 10 15
Roberto José Herrera Acosta IndexControl Estadístico de Procesos

Programación en R del Diagrama de seguimiento
DIAGRAMA DE SEGUIMIENTO
x<-c(53,48,46,47,54,50,44,53,52,62,57,58,47,52,53,55)
plot(x)
lines(x)

Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Sección 2 Uso de la distribuciones de probabilidad aplicadas en control

estadístico de procesos

Distribución de probabilidad discreta
Distribución Binomial
La distribución Binomial posee dos categorías, los eventos son considerados independientes en un
proceso de Bernoulli, asumiendo un porcentaje de la categoría de interés p, constante.
n!
b(X , n, p) = px (1 − p)(n−x)
(n − x)!x!
Los parámetros de la variable aleatoria X que posee una distribución Binomial son los siguientes:
E(X ) = np y Var(X ) = np(1 − p).

Se selecciona 200 unidades de un proceso cuyo porcentaje de no conformes es del p = 0.10. ¿Cuál es
la probabilidad de que más de diez de estas unidades, sean no conformes?.
Los parámetros de este ejercicio son: tamaño de la muestra n = 200 y el procentaje de no conformes
que es la categoría de interés p = 0.10. La variable aleatoria X es el número de unidades no conformes
presentes en el proceso. Por lo tanto la medida de probabilidad esta dada resolviendo las siguientes
formulaciones,
10
X n!
P(X > 10) = 1 − px (1 − p)(n−x)
0
(n − x)!x!
= 1 − {P(X = 0) + P(X = 1) + P(X = 2)}

200! 200! 200!
=1− 0.10 (1 − 0.1)(200−0) + 0.1(1 − 0.1)(200−1) + .. +
(200 − 0)!0! (200 − 1)!1! (200 − 10)!1
= 1 − 0.008071

La distribución Poisson se asume que los eventos son independientes, el valor esperado λ del evento de
interés es constante a través del tiempo, área, longitud.
e−λ λx
p(X , λ) =
x!
Los parámetros de la variable aleatoria X , que posee un comportamiento aproximadamente Poisson, son
los siguientes: E(X ) = λ y Var(X ) = λ.

Ejercicio de la Distribución Poisson

El promedio de personas que entran a un banco por minutos es de 3.5. Si las llegadas a esta entidad
sigue una distribución de Poisson, ¿Cuál es la probabilidad de que en un minuto cualesquiera no se
presenten clientes?
El parámetro de esta distribuión es λ = 3.5, la variable aleatoria X es el número de clientes que entrán
por minuto a la entidad bancaria.
e−3.5 3.50
P(X = 0) =
0!
= 0.030

Distribución Geométrica
Es un proceso de Bernoulli con dos categorías, se asume que los eventos son independientes, el
porcentaje de la categoría de interés p es constante; el interés es evaluar el éxito en una determinada
posición o ubicación X , definida como el número de ensayos hasta obtener el éxito en el proceso
estocástico.
g(X , p) = p(1 − p)(x−1)

Los parámetros de la variable aleatoria X que posee una distribución Geométrica que indica la
ubicación donde ocurrira el éxito X esta dando por E(X ) = 1/p y Var(X ) = p(1 − p)/p2 .

Distribución de Probabilidad Normal, su aplicación en Ingeniería
Sección 3 Distribución de Probabilidad Normal, su aplicación en Ingeniería

Distribución de probabilidad continua
Ejercicio de la Distribución Normal
La Distribución Normal, es la función de probabilidad aplicada con mucha frecuencia en ingeniería debido
a que se ajusta al comportamiento de las variables provenientes de medidas físicas.
1 1 x−µ 2
N(x, µ, σ) = √ e− 2 { σ
}
2Πσ
donde su valor esperado E(X ) = µ, con varianza Var(X ) = σ 2 . Generalmente esta distribución es
evaluada, en su medida de probabilidad, realizando un cambio de variables conocida como
estandarización; esto implica que la función de probabilidad denominada Normal Estandarizada,
con la siguiente función de densidad:
1 1 2
N(z, 0, 1) = √ e− 2 {Z }
2Π
con valor esperado E(X ) = 0 y varianza Var(X ) = 1.


El diámetro de una pieza metálica en proceso metalmecánico sigue una distribución normal con
µ = 2.5 y desviación estándar σ = 0.8, las especificaciones para este diámetro se encuentran
definidas entre 2.2 ± 0.3. (1) Determine la probababilidad de que el diámetro de la pieza metálica. ¿Se
encuentre por encima de 2.7? (2) ¿Cumpla con las epecificaciones de diseño?
Figura: Distribución Normal

La información suministrada en el ejercicio, posee los siguientes parámetros µ = 2.5 y σ = 0.8. La

medida de probabilidad es evaluada mediante la distribución normal estándar de la siguiente forma,
P(X > 2.7) = 1 − P(X

6 2.7)
2.7−2.5
P(X > 2.7) = 1 − P Z 6 0.8
= 1 − P(Z 6 0.25) = 1 − 0.598 = 0.401
P(1.9
6X 6 2.5)=
P X 6 2.5 − P X 6 1.9

= P Z 6 2.5−2.5
0.8
− P Z 6 1.9−2.5
0.8
=

P Z 6 0 − P Z 6 −0.75 = 0.500 − 0.226 = 0.274

Programación en R de las Pruebas de Normalidad
MEDIDA DE PROBABILIDAD DE LA DISTRIBUCION NORMAL

MEDIDA DE PROBABILIDAD ACUMULADA
pnorm(2.7,mean=2.5,sd=0.8) P = P(X 6 2.7)paraX ∼ N(µ = 2.5, σ = 0.8)
MEDIDA DE PROBABILIDAD MAYOR A
medidaP <-1-pnorm(2.7,mean=2.5,sd=0.8)
medidaP
MEDIDA DE UN INTERVALO DE VALORES
Cumpleespecificacion<-pnorm(2.5,mean=2.5,sd=0.8)-pnorm(1.9,mean=2.5,sd=0.8)
Cumpleespecificacion

Prueba de Normalidad Kolmorov Smirnov Lilliefors
Sección 4 Prueba de Normalidad Kolmorov Smirnov Lilliefors

Prueba de Normalidad
Definición
Es indispensable conocer que cuando se aplica una herramienta estadística en donde se involucra varia-
bles continuas o cuantitativas es fundamental determinar si la información obtenida en el proceso, tiene
un comportamiento mediante una distribución normal. Para ello la estadística posee algunas pruebas,
entre ellas se encuentran la prueba de Ji-cuadrado , Kolmogorov-Smirnov Lilliefors, Shapiro y Wilks o la
prueba de Anderson Darling. Una manera muy sencilla de realizar la prueba de normalidad es aplicando
estadística descriptiva, específicamente construyendo un Histograma de Frecuencia.
Figura: Distribución Normal mediante un histograma de frecuencia

Programación en R del Histograma de frecuencia
datos<-read.table(file.chosse(), header=T)
hist(datos)
Otra forma es presentando directamente la información
x<-c(2,3,4,2,4,5,8,7,5,8,10,13,3,2,6,5,7,8,4,12,2,15)
hist(x)
Figura: Histograma de frecuencia

PAQUETES DE PRUEBA DE NORMALIDAD

library(normtest) REALIZA 5 PRUEBAS DE NORMALIDAD
library(nortest) REALIZA 10 PRUEBAS DE NORMALIDAD
library(moments) REALIZA 1 PRUEBA DE NORMALIDAD
DATOS DEL EJEMPLO
x<-c(2,3,4,2,4,5,8,7,5,8,10,13,3,2,6,5,7,8,4,12,2,15)
HISTOGRAMA
hist(x)

PAQUETE NORTEST
ad.test(x).(Prueba de Anderson-Darling)
cvm.test(x]) .(Prueba de Cramer-von Mises. Es útil para pequeñas muestras y usa los momentos como
criterio)
lillie.test(x) .(Pruena de Lilliefors (Kolmogorov-Smirnov))
pearson.test(x) .(Prueba de Pearson chi-square. Basada en una distribución Ji cuadrado y que
corresponde a una prueba de bondad de ajuste)
sf.test(x) .(Prueba de Shapiro-Francia)
PAQUETE MOMENTS
agostino.test(x).(Prueba de Agostino)
PAQUETE BASICO
shapiro.test(x).(Prueba de Shapiro-Wilk. Es más poderosa cuando se compara con otras pruebas de
normalidad cuando la muestra es pequeña)

PAQUETE NORMTEST
jb.norm.test(x) .(Prueba de Jarque Bera)
frosini.norm.test(x)).(Prueba de Frosini)
geary.norm.test(x) .(Prueba de Geary. Usa los valores acumulados muestrales, sus medias y desviaciones
estándar)
hegazy1.norm.test(x, nrepl=20000) .(Prueba de Hegazy-Green. nrepl: considera el número de replicas en
simulación de Monte Carlo)
kurtosis.norm.test(x, nrepl=2000) .(Prueba de Kurtosis)
skewness.norm.test(x, nrepl=2000) .(Prueba de Skewness)
spiegelhalter.norm.test(x, nrepl=2000) .(Prueba de Spiegelhalter)

Prueba de Kolmogorov Smirnov
Hipótesis
La prueba de Kolmogorov Smirnov, es una de las más aplicadas en estadística para verificar el supuesto
de normalidad de un conjunto de observaciones. Esta prueba es un contraste de hipótesis, denominada
Prueba de Bondad de Ajuste. El procedimiento para realizar este contraste es el siguiente,
1. H0 =La información posee una distribución normal

2. H1 =La información no posee una distribución normal
3. α
4. Región de rechazo: Dn max = {Dn− , Dn+ } ≥ Dn,α
5. Calculos Dn− = |Frec.Empi−1 − Frec.Teor.| y Dn+ = |Frec.Empi − Frec.Teor.|
donde Frec. Emp = ni y la Frec. Teórica = P(Z ≤ z)
6. Decisión

Prueba de Kolmogorov Smirnov
La prueba de noramlidad posee el siguiente procedimiento: (1) ordenar la información de menor a mayor,
(2) evaluar la medida de probabilidad empirica definida como (i−0.5)/n o (i)/n (3) calcular la frecuencia
teórica (en la parte inferior se presentan los cálculos) (4) finalmente se determinan las diferencias Dn para
seleccionar el mayor valor.
Orden valor Frec.Emp Fre.Teo Dn− Dn+ Dn max

1 485 0.111 0.080 0.080 0.030
2 489 0.222 0.161 0.050 0.060
3 490 0.333 0.187 0.034 0.145
4 495 0.444 0.353 0.020 0.090
5 499 0.555 0.509 0.065 0.045
6 500 0.666 0.554 0.0007 0.112
7 508 0.777 0.830 0.164 0.052 0.164
8 510 0.888 0.876 0.099 0.011
9 512 1.000 0.913 0.025 0.086
el mayor valor de Dn , como se muestra en la tabla es de 0.164.

Prueba de Kolmogorov Smirnov Lilliefors
Cálculo de las frecuencias teóricas
Al calcular los estadísticos de la muestra, se estiman los parámetros de la distribucion asumida, en este
caso, la distribución normal. Por tanto µ̂ = 498.66 y la desviación estándar es σ̂ = 9.77. Por tanto las
medidas de probabilidad evaluadas por ejemplo: para la primera y la última observación es,
P(X 6 485)

485 − 498.66
P(X 6 485) = P Z 6
9.77
= P(Z 6 −1.398) = 0.080
P(X 6 512)

512 − 498.66
P(X 6 512) = P Z 6
9.77
= P(Z 6 1.366) = 0.913
estos cálculos se realizan para cada observación, que conforma la muestra seleccionada.

En la tabla de KSL se obtiene con n = 9 : D(0.05, 9) = 0.27 , la evidencia muestral No rechaza la

hipótesis nula, lo que implica que la información se puede asumir con una distribución normal.

Prueba de hipótesis e intervalos de confianza
Sección 5 Prueba de hipótesis e intervalos de confianza

Intervalo de Confianza
Intervalo de confianza para la media

El intervalo para la media µ con varianza desconocida esta definido como:
s s
x̄ − t α √ ≤ µ ≤ x̄ + t1− α √
2 n 2 n
con v = n − 1 grados de libertad.

El inervalo de confianza para la varianza se define como,
(n − 1)s2 (n − 1)s2
≤ σ2 ≤
χ1− α 2 ,n−1 χ α 2 ,n−1
2 2

Ejemplo de Intervalo de confianza para la media
Sea el peso de un producto a granel donde se selecciona la siguiente información 2, 3, 4, 2, 4, 5, 8, 7,

5, 8, 10, 13, 3, 2, 6, 5, 7, 8, 4, 12, 2, 15. Determine el intervalo de confianza para la verdadera media del
proceso. Utilice un nivel de significancia α = 0.01.
En el cálculo de este intervalo es necesario obtener inicialmente, la media muestral x̄ = 6.136364, la
desviación estándar s = 3.73268, t0.005 = 2.517648
3.73268 3.73268
6.136364 − 2.517648 √ ≤ µ ≤ 6.136364 + 2.517648 √
22 22
3.883139 ≤ µ ≤ 8.389588
La muestra indica con una confiabilidad del 99 % el verdadero promedio del peso de este producto a
granel se encuentra entre 3.88 a 8.38 gramos.

Programación en R de las Prueba de Hipótesis e Intervalo de Confianza
PRUEBA DE HIPÓTESIS E INTERVALO DE CONFIANZA

DATOS EJEMPLO
peso<-c(2,3,4,2,4,5,8,7,5,8,10,13,3,2,6,5,7,8,4,12,2,15)
PRUEBA T DE STUDENTS
t.test(peso,mu=6,conf.level = 0.99)

Ejemplo de Intervalo de confianza para la media
Determine el intervalo de confianza para la varianza de los datos de peso, 2, 3, 4, 2, 4, 5, 8, 7, 5, 8, 10, 13,
3, 2, 6, 5, 7, 8, 4, 12, 2, 15.Utilice un nivel de significancia α = 0.01.
En el cálculo de este intervalo es necesario obtener inicialmente la desviación estándar s = 3.73268,
t0.005 = 2.517648
3.73268 3.73268
6.136364 − 2.517648 √ ≤ µ ≤ 6.136364 + 2.517648 √
22 22
3.883139 ≤ µ ≤ 8.389588
La muestra indica con una confiabilidad del 99 % el verdadero promedio del peso de este producto a
granel se encuentra entre 3.88 a 8.38 gramos.

INTERVALO DE CONFIANZA PARA LA VARIANZA

ic.var <- function(peso, conf.level=0.95) {
alfa <- 1 - conf.level
n <- length(x)
l1 <- (n - 1) * var(x) / qchisq(1 - alfa / 2,n - 1)
l2 <- (n - 1) * var(x) / qchisq(alfa / 2,n - 1)
ic <- c(l1,l2)
return(ic)
}
ic.var(x)

Intervalo de confianza para diferencia de medias con varianzas desconocidas

El intervalo de confianza para diferencia de medias µ1 − µ2 , con varianzas desconocidas pero iguales
es el siguiente
s s
1 1 1 1
x1 − x¯2 ] − t α ,n−1 Sp
[¯ + ≤ µ1 − µ2 ≤ [¯
x1 − x¯2 ] + t α ,n−1 Sp +
2 n1 n2 2 n1 n2
con v = n1 + n2 − 2 grados de libertad.
Por otra parte el intervalo de confianza para diferencia de medias con varianzas desconocidas pero
diferentes
s s
s12 s2 s12 s2
x1 − x¯2 ] − t α ,n−1
[¯ + 2 ≤ µ1 − µ2 ≤ [¯ x1 − x¯2 ] + t α ,n−1 + 2
2 n1 n2 2 n1 n2

Ejemplo de Intervalo de confianza para diferencia de medias
Un ingeniero presenta dos metodologías experimentales para realizar una prueba de laboratorio los
resultados de los tiempos son los siguientes: tiempo1, 120, 132, 123, 122, 140, 110, 120, 107; tiempo2, 126,
124, 116, 125, 109, 130, 125, 117, 129, 120. Mediante el intervalo de confianza evalúe si es correcto afirmar
que los tiempos medios de los métodos experimentales son similares. Aplicando inicialmente el intervalo
de confianza de varianzas ddesconocidas pero iguales tenemos.
Es necesario obtener inicialmente, las medias muestrales x¯1 = 121.75, x¯2 = 122.10 y las desviaciones
estándar de cada muestra s1 = 10.70047,s2 = 6.53962 con un valor del estadístico para una confiabilidad
del 99 % de t0.005 = 2.517648.
(n1 − 1)s12 + (n2 − 1)s22 (8 − 1)10.700472 + (10 − 1)6.539622

Sp2 = =
n1 + n2 − 2 8 + 10 − 2
= 74.1493
r
1 1
(121.75 − 122.10) − 2.583487 × 74.1493 × + ≤ µ1 − µ2 ≤ (121.75 − 122.10) + 2.583487 × 74.1493 ×
8 10
−9.008911 ≤ µ1 − µ2 ≤ 8.308911
Las muestras indican, con una confiabilidad del 99 %, que es correcto afirmar que los tiempos medios
de ambas metodologías son similares.
PRUEBA DE HIPOTESIS E INTERVALO DE CONFIANZA PARA DOS POBLACIONES INDEPENDIENTES E

IGUALMENTE DISTRIBUIDAS
EJEMPLO DIFERENCIAS DE MEDIAS ASUMIENDO VARIANZAS SIMILARES
tiempo1 <- c(120, 132, 123, 122, 140, 110, 120, 107)
tiempo2 <- c(126, 124, 116, 125, 109, 130, 125, 117, 129, 120)
t.test(tiempo1, tiempo2, conf.level = 0.95, var.equal= TRUE)

Ejemplo de Intervalo de Confianza para Diferencia de Medias
En un proceso productivo es importante evaluar si dos maquinas de llenado poseen la misma producción.
Para ello se toma la informacion de las maquinas de interes, estos son los resultados obtenidos: maquina1,
265, 240, 258, 295, 251, 245, 287, 314, 260, 279, 283, 240; maquina2, 229, 231, 227, 240, 238, 241, 234, 256,
247, 239, 246, 218.
Es necesario obtener inicialmente, las medias muestrales x¯1 = 237.1667, x¯2 = 103.7879 y las desvia-
ciones estándar de cada muestra s1 = 23.56985, s2 = 10.18763 con un valor del estadístico para una
confiabilidad del 99 % de t0.005 = 2.517648.
s
23.569852 10.187632
(268.0833 − 237.1667) − 2.583487 × + ≤ µ1 − µ2 ≤ (268.0833 − 237.1667) + 2.58
8 10
7.8359 ≤ µ1 − µ2 ≤ 53.9972
Las muestras indican, con una confiabilidad del 99 %, que es correcto afirmar que los tiempos medios
de ambas metodologías son similares.

PRUEBA DE HIPOTESIS E INTERVALO DE CONFIANZA PARA DOS POBLACIONES INDEPENDIENTES E

IGUALMENTE DISTRIBUIDAS
EJEMPLO DIFERENCIAS DE MEDIAS ASUMIENDO VARIANZAS DIFERENTES
maquina1<- c(265, 240, 258, 295, 251, 245, 287, 314, 260, 279, 283, 240)
maquina2 <- c(229, 231, 227, 240, 238, 241, 234, 256, 247, 239, 246, 218)
t.test(maquina1, maquina2, conf.level = 0.95, alternative = "greater", var.equal = FALSE)

Generalidades de las Cartas de Control
Sección 6 Generalidades de las Cartas de Control

¿Qué es una carta de control?
Definición
Es un diagrama en donde se realiza el seguimiento a través del tiempo en intervalos equidistantes (o no

equidistantes), de una(s) característica(s) de calidad para el caso univariado o el caso multivariado; con el
objeto de detectar la existencia de comportamientos no aleatorios, sus causas y posibles soluciones.

¿Qué es una carta de control? Definición
Es una gráfica propuesta por el ing. W. A. Sewhart de los laboratorios de la Bell Telephone en los
años veinte. está constituida por una línea central (determinada por una medida de localización o una
medida de variabilidad promedio) y una o más líneas a ciertas desviaciones de la línea central, llamadas
comúnmente limites de control; que representan el estado de un proceso.
Variabilidad
Este tipo de método estadístico permite diferenciar las diversas causas de variabilidad en un proceso: las
aleatorias o fortuitas (comunes) y las asignables o especiales.
1. Variabilidad Aleatoria: Se deben a causas no asignables o naturales.
2. Variabilidad Asignable: Es causada por factores ajenos a las condiciones naturales de un proceso.

Tipos de variación
Variabilidad
La variación ocurre en todos los procesos, ya sean fenómenos naturales o invenciones humanas. Se
dan dos clases de variación, la variación aleatoria (que es natural en el proceso) y la no aleatoria o
asignable (resultado de una causa atribuible específica). La primera es predecible (proceso con estabilidad
estadística o bajo control), sin embargo la segunda causa que el proceso no se pueda estimar los
parámetros del procesos o si se encuentra en la FASE II se observe un estado fuera de control.
Un gráfico de control muestra la variación total de un proceso (la variabilidad aleatoria y no aleatoria) y
se utiliza para monitorizar un estadístico y mantenerlo en estabilidad estadística o bajo control.

Interpretación
Carta de Control
Cómo interpretar las cartas de control: Inicialmente las cartas de control permiten identificar variaciones
no aleatorias. Una variación no aleatoria se indica normalmente con un punto del gráfico que queda fuera
de los límites del control o posee un comportamiento no natural dentro de estos límites de control. Los
casos o situaciones que pueden indicar un estado no aleatorio o fuera de control estando dentro de
los límites de control establecidos son: Cambios repentinos de la medida de localización, tendencias del
estadístico u oscilaciones alternadas muy amplias. Cuando se presenta un hecho no aleatorio, fuera de
control, los responsables del proceso deben encontrar una causa atribuible, respondiendo a la pregunta
¿qué ha cambiado en el proceso para producir este hecho?

Interpretación
Carta de Control
Cuando se presenta un hecho no aleatorio o asignable, los responsables del proceso deben encontrar
una causa atribuible realizando las correcciones pertinentes para que este hecho no se presente. Eliminar
la señal fuera de control en la FASE I una vez encontrado la causa atribuible. Realizar las correcciones
inmediatas y la metodología de mejoramiento continuo en la FASE II.
Estas variabilidades generalmente son causadas por:

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Interpretación
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Interpretación
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Interpretación
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Interpretación
Carta de Control

Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología

Elementos de una carta de control
Elementos
Una carta de control consta de los siguientes elementos:
UCl = T̄ + LσT
LC = T̄
UCl = T̄ − LσT
Limite de Control Superior UCL, límite Central de Control LC y límite Inferior de Control LCL. La caracte-
rística de los límites de control superior e inferior se encuentra a una distancia de 3σ que representan
como medida de probabilidad el 0.9973 0 99.73 % de que un subgrupo se encuentre dentro de los
límites de control. Esta condición de los límites de control son medidas de la siguiente forma:
P(−3 6 Z 6 3) = P(Z 6 3) − P(Z 6 −3) = 0.998650 − 0.00134 = 0.9973

Un límite de control es un intervalo de confianza con una probabilidad de 0.9973 de esta forma, los
límites de control se definen:
σ σ
P[X̄¯ + L √ < µ < X̄¯ + L √ ] = 1 − α
n n
notese que el valor de la constante L = 3, con el propósito de garantizar la confiabilidad del 99.73 %

Característica de un subgrupo
Un subgrupo es formado por una muestra racional de observaciones, cuyas condiciones dentro del
subgrupo debe tener la menor variabilidad posible y entre subgrupos la mayor. Un proceso que se
encuentra en estabilizado (FASE I) o en control (FASE II) es aquel que posea variabilidades aleatorias o
naturales dentro de los límites establecidos.
FASE I Determinación de los parámetros del proceso
1. Escojer la característica o características de calidad del producto o servicio
2. Definir el subgrupo o tamaño de la muestra, de manera que el estadístico calculado cumpla con la
suposición de normalidad se cumpla, algunos autores recomiendan que al tomar 4 o mas observaciones
por subgrupo garantizan este supuesto (teorema del límite central)
3. Calcular los límites de ensayos (históricos) o naturales evaluados con los datos e información
preliminar, (algunos autores recomiendasn mínimo 6 meses de información del procceso) que permita
identificar los parámetros del proceso µ y σ.

Pasos para construir una carta de control
FASE II control de procesos

1. Calcular los límites estándar del proceso basado en los parámetros obtenidos en la FASE I: Después de
que se identifique los parámetros del proceso en la FASE I y encontrar un estado de estabilidad
estadística, se realiza control a la nueva informacción seleccionada del proceso; tomando como referente
estos límites estandarizados.
2. Los objetivos que se obtiene en estas FASES:
Mejoramiento continuo del proceso

Identificación de parámetros del proceso y ajuste posterior del proceso
Evaluar medidas de probabilidad
Capacidad del proceso para cumplir con las especificaciones de diseño
En la carta de control se presenta el seguimiento a través del tiempo de una medida de localización o una
medida de variabilidad; ya sea en el campo univariado como en el multivariado. Un proceso se considera
estadísticamente estable (bajo control), tanto en la medida de localización como la de la variabilidad,
cuando los puntos (subgrupos) representados por algunos de los estadisticos se ubican entre los límites
de control o no se presente un comportamiento no aleatorio.










Cartas de control por variables
Sección 7 Cartas de control por variables

Cartas de control para R y X̄
Cartas de control de Shewhart
Cálculo de los estadisticos de control

Montgomery(2001) muestra el cálculo de los estadísiticos de control de las cartas de control R, X̄ , S 2 , S,
conocidas como las cartas tradicionales de Shewhart.
R = ValorMax − ValorMin
Pn
i=1 xi
X̄ =
n
n
X
S2 = (Xi − X̄ )2 /n − 1
i=1
v
u n
uX
S=t (Xi − X̄ )2 /n − 1
i=1
donde m es el número o cantidad de subgrupos seleccionados en el proceso a intervalos fijos

(equidistantes).

Límites de Control de las Cartas de Control R
Montgomery(2001) presenta los límites de control para la medida de variabilidad R, asumiendo que los
subgrupos seleccionados provienen de una muestra, conformada por variables aleatorias independientes
e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda i = 1, 2, 3, ..., n.
p p
V (R) h V (R) i
UCL = R̄ + 3b
σR = R̄ + 3 R̄ = R̄ 1 + 3
E(R) E(R)
CL = R̄
p p
V (R) h V (R) i
LCL = R̄ − 3b
σR = R̄ − 3 R̄ = R̄ 1 − 3
E(R) E(R)
simplificando
UCL == D4 R̄
CL = R̄
LCL = D3 R̄

Cartas de control para X̄

Límites de Control de las Cartas de Control X̄
En cuanto a los límites de control para la medida de localización en este caso el promedio muestral
X̄ , asumiendo que los subgrupos seleccionados provienen de una muestra, conformada por variables
aleatorias independientes e identicamente distribuidas, donde E(Xi ) = µ y Var(Xi ) = σ 2 para toda
i = 1, 2, 3, ..., n.
r
V R
σ = X̄¯ + 3
UCL = X̄¯ + 3b R̄
E R/N(0, 1)
CL = X̄¯
r
V R
LCL = X̄¯ − 3b
σX = X̄¯ − 3 R̄
E R/N(0, 1)
simplificando
UCL = X̄¯ + A2 R̄
CL = X̄¯
LCL == X̄¯ − A2 R̄
Figura: Coeficientes de las cartas de control

Ejemplo
Los datos son obtenidos del porcentaje de un componente esencial en las condiciones físico-químicas
de un medicamento comercial.
Subgrupo x1 x2 x3 x R
1 60 52 55 55.66 8.0
2 50 67 58 58.33 17.0
3 56 60 55 57.00 5.0
4 58 64 58 60.00 6.0
5 57 65 52 58.00 13.0
6 51 58 49 52.66 9.0
7 61 69 52 60.66 17.0
8 65 55 50 56.66 15.0
9 52 60 57 56.33 8.0
Se determina el promedio de promedio X̄¯ y el rango promedio R̄.

Recomendación
En el ejercicio anterior se obtuvo los límites de control inicial o históricos, (se recomienda obtener la
información durante los seis primeros meses) para posteriormente identificar los límites estándar del
proceso, estos valores naturales se obtienen una vez identificado los puntos por fuera de los límites de
control o si existen algún estado no aleatorio del proceso, tales como tendencias, cambio de nivel, ciclo
en el proceso.
P9
i=1 Ri 98
R̄ = = = 10.8889
9 9
el rango promedio que es una medida de probabilidad, posee un valor de 10.8889, permite posteriormente
estimar el valor de la varianza muestral σ 2


Cálculo de los límites Histórico de control para R
Los límites de control histórico, en FASE I, están definida por las siguientes ecuaciones:
UCLR = (2.575)10.8889 = 28.0307

CLR = 10.8889
LCLR = (0.0)10.8889 = 0.0
Figura: Diagrama de Control del rango R


Cálculo del estadistico X̄
El estadístico de control para la medida de variabilidad, posee un promedio de
P9
i=1 X̄i 515.3337
X̄¯ = = = 57.2593
9 9
Por tanto loslímites de control en la Fase I para esta medida de localización, están definida por las
siguientes ecuaciones:
UCL = 57.2593 + 1.023(10.8889) = 68.3993
LC = 57.2593
LCL = 57.2593 − 1.023(10.8889) = 46.1192
La constante A2 = 1.023 según lo observado en la tabla de las constantes de control.

Programación en R de Cartas de control para R y X̄
library(qcc)
datos<-read.table(file.chosse(), header=T)
attach(datos)
windows()
qcc(data=datos(1:10,2:4), type="xbar", main=Çarta de Control de promedio")
qcc(data=datos[2:4], type=R", main=Çarta de Control del rango")
qcc(data=datos[2:4], type="S", main=Çarta de Control de la desviación")

Cartas de Control R y X̄
Recalcular los límites de control para R y X̄
Por supuesto, si la información histórica no presenta estas condiciones de inestabilidad estadística, los
límites iniciales o históricos permitirán obtener los parámetros del proceso. En la FASE I cuando se
realiza monitoreo del proceso, para verificar estados fuera de control la primera carta de control que se
recomiensa analizar es la carta de la medida de variabilidad en este caso la carta de control R.
Porque si llega a suceder lo contrario (alta variabilidad en la información), no se puede realizar un análisis
en la carta de control de monitorea la medida de localización, la carta X̄ , si antes no se estabiliza
la variabilidad en el proceso (observe que los límites de control de la carta de la medida localización
depende de la variabilidad del proceso, en el ejemplo lo representa el rango R o recorrido).

Cartas de Control R y X̄
Recalcular los límites de control para R y X̄

Cuando existen puntos fuera de control se debe recalcular la media y el rango utilizando la siguiente
fórmula:
Pm
¯
i=1 X̄i − Xd
X¯0 =
m − md
Pm
¯
i=1 R̄i − Rd
R¯0 =
m − md
donde m es el número de subgrupos que se toma en el proceso seleccionado en la FASE I, md es el

número de subrupos eliminados, una vez detectado el factor o causa que genero este comportamiento
no aleatorio. Se determinan posteriormente los límites de control históricos o de ensayo, basado en el
rango y promedio recalculado.

Parámetros del proceso
Los parámetros del proceso se estiman mediante los estadísticos evaluados en la FASE I, donde se las
muestras seleccionadas se asumen normal, idenpendientes e identicamente distribuidas,
E(R̄) R¯0
σ̂ = =
d2 d2
µ̂ = E(X̄¯) = X¯ 0
donde d2 es una constante que depende del tamaño del subgrupo.

Parámetros del proceso y límites estándar

En el ejemplo antes mencionado, los parámetros evaluados son los siguientes:
R̄ 10.88
σ= = = 6.43171
d2 1.693
µ = X¯0 = 57.2593
donde d2 = 1.693 para un tamaño de subgrupo n = 3.

Límites de control estándar para la carte de media y rango, Fase II

Las formulaciones para los límites de control estándar, Fase II, para el rango se presenta a continuación,
UCL = (d2 + 3d3 )σ

CL = d2 σ
LCL = (d2 − 3d3 )σ
simplificando
UCL = D2 σ
CL = d2 σ
LCL = D1 σ
Los valores D2 y D1 son constantes que dependen del tamaño de la muestra n del subgrupo y
σ = R̄/d2 .

Límites estándar de las Cartas de Control R

Los límites estándar para la medida de variabilidad, en este caso el rango R son los siguientes para la
información suministrada en el ejercicio
UCL = D2 σ = (4.358)(6.43) = 28.02

CL = R¯0 = 10.88
LCL = D1 σ = (0.0)(6.43) = 0.0
donde D2 = 4.0358 y D1 = 0.0, son valores seleccionados de la tabla de constantes.

Límites de control estándar para X̄

La formulación para los límites de control en la Fase II, o límites estándar:
UCL = µ + Aσ
CL = µ
LCL = µ − Aσ
La formulación para los límites de control para el promedio en la Fase II del ejercicio práctico
desarrollado es:
UCL = 57.2593 + 1.732(6.431) = 68.39

Cl = 57.2593
LCL = 57.2593 − 1.732(6.431) = 46.12

Datos para control
Información en línea
La siguiente tabla muestra la información de la característica de calidad monitoreada en el proceso, en

un tiempo a posteriori, el ingeniero debe someter a control, con el propósito de indentifica si existe un
estado fuera de control.
Número del subgrupo x1 x2 x3 X̄ R

1 55 50 48 51.0 7.0
2 51 52 53 52.0 2.0
3 58 57 60 58.3 3.0
4 54 61 65 60.0 11.0
5 54 55 50 53.0 5.0

Datos para control
Información en línea
Como se recordará los límites de control estándar para la medida de variabilidad, el rango en este caso,
son UCL = 28.02, CL = 10.88 y LCL = 0.0
Figura: Diagrama de Control del rango R FASE II
Se observa en la información en línea, un comportamiento en donde la mayoría de los puntos por debajo
del promedio. Lo que induce a concluir que en el proceso la medida de variabilidad disminuyo, lo que
implica una mejora en la estabilidad del proceso.
Datos para control

Monitoreo en línea de la meddida de localización
En cuanto a la carta de control de la medida de variabilidad, los límites de control estándar para el
promedio arrojó los siguientes resultados: UCL = 68.39, Cl = 57.2593 y LCL = 46.12.
Figura: Diagrama de Control del promedio FASE II
En la siguiente figura, muestra el comportamiento de la carta de control para la medida de localización,

en ella se manifiesta un estado fuera de control del promedio, evidenciándose en la que la mayoría de
los puntos graficados, se encuentran por debajo del promedio histórico, implicando una disminución del
promedio, generada por alguna casusa asignable.
Cartas de control x̄ y S y S 2
Sección 8 Cartas de control x̄ y S y S 2

Cartas de Control S
Límites de control naturales de la carta S
La carta S, permite realizar el seguimiento a la desviación estandar del proceso. Es una carta en donde
el criterio de normalidad no se cumple. En la cartas S, se realiza el mismo procedimiento aplicado en la
carta R. Los límites de control para la Fase I en esta carta están dados por:
UCL = E(S) + 3σs

CL = S̄
LCL = E(S) + 3σs
simplificando
UCL = B4 S̄
CL = S̄
LCL = B3 S̄

Cartas de Control S
Límites de control naturales de la carta S
Los límites de control histórico para la medida de localización, X̄ , se determinan mediante las siguientes
formulaciones:
3s̄
UCL = X̄¯ + √
c4 n
LC = X̄¯
3s̄
LCL = X̄¯ − √
c4 n
simplificando
UCL = X̄¯ + A3 S̄
LC = X̄¯
LCL = X̄¯ − A3 S̄

Determinación de los parámetros
Cartas de control para S y X̄
Estimación de los parámetros

Los parámetros de la carta de control para la medida de variabilidad y la medida de localización, se
estiman mediante las siguiente formulaciones:
E(S̄) S¯0
σ̂ = =
c4 c4
µ̂ = E(X̄ ) = X¯0
donde c4 es una constante que depende del tamaño del subgrupo. Las estimaciones de los parámetros
tanto de las cartas de rango y desviación estándar son valores similares, pero no iguales.

Cartas de Control S
límites de control estándar

En la Fase II la formulación aplicada para evaluar los límites estándae para la desviación estándar y la
media del proceso, se determinan mediante,
q q
UCL = c4 σ + 3σS = c4 σ + 3σ 1 − c42 = σ c4 + 1 − c42
CL = c4 σ
q q
LCL = c4 σ − 3σS = c4 σ − 3σ 1 − c42 = σ c4 − 1 − c42
simplificando, los límites estándar para la desviación
UCL = B6 σ
CL = c4 σ
LCL = B5 σ
donde B6 , c4 y B5 son constantes que dependen del tamaño de la muestra n.

Límites de control estándar para X̄

En cuanto a la medida de localización, las expresiones de los límites estánar de control de la medida de
localización, Fase II, se determinan mediante.
UCL = µ + Aσ
CL = µ
LCL = µ − Aσ
donde A es una constante que depende del tamaño del subgrupo n. Estos límites de control, son los
mismos definidos en la carta de control de la media, cuando la medida de variabilidad aplicada es el
rango.

Ejercicio Práctico de las Cartas de Control para la media X̄ y la desviación estándar S
Sección 9 Ejercicio Práctico de las Cartas de Control para la media X̄ y la

desviación estándar S

Ejemplo
Cartas de control para X̄ y S
A continuacion se presenta valores de los diámetros obtenidos en la fabricación de tuberías sanitarias; se

seleccionana subgrupos de tamaño 4, se desea evaluar monitorear esta característica de calidad, através
de la cartas de control X̄ y S. La información suministrada por el ingeniero a lo largo de cuatro meses es
la siguiente:
Subgrupo x1 x2 x3 x4 x S
1 51.10 60.70 46.43 64.59 55,7108 8,38867
2 47.83 47.43 66.93 63.57 56,4462 10,2688
3 60.48 56.41 52.18 68.60 59,4228 6,99779
4 53.64 62.79 58.75 54.30 57,3759 4,26716
5 57.79 60.89 57.67 56.83 58,3029 1,783
6 62.25 53.51 59.08 50.85 56,4277 5,18139
7 49.50 50.16 62.34 58.02 55,0094 6,23457
8 64.51 56.53 56.29 63.61 60,2416 4,43251
9 50.43 65.32 52.27 55.59 55,90 6,63299
10 60.72 50.42 56.86 68.34 59,0995 7,49286
los cálculos de la desviación promedio y el promedio de promedio son

P10
i=1 Si
61.67
S̄ = = 6.167
=
10 10
P9
i=1 X̄i 573.8
X̄¯ = = = 57.38
10 10


Límites de control históricos
Los límites control históricos para la desviación S son:
UCL = B4 S̄ = (2, 26)(6.167) = 13.98

CL = S̄ = 6.167
LCL = B3 S̄ = (0.0)(6.167) = 0.0
en la tabla de constantes los valores para un tamaño de muestra n = 4 es B4 = 2.26 y B3 = 0.0
La carta de control de la desviación muestra un estabilidad estadística de los puntos.
Figura: Carta de Control para la desviación estándar

Límites de control para X̄

El cálculo de los límites de control para la media en la Fase I, con constante A3 = 1.628 para un tamaño
de subrupo n = 4, se define:
UCL = 57.389 + 1.628(6.167) = 67.44

LC = 57.389
LCL = 57.389 − 1.628(6.167) = 47.35
Figura: Carta de Control para el promedio

Estimaciones de los parámetros
Una vez estabilizado estadísticamente el proceso tanto en la medida de localización, como en la medida
de variabilidad; se estiman los parámetros:
E(S̄) S¯0 6.167

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

Cartas de Control S
límites de control estándar
Los cálculos de los límites estándar para la desviación estándar S, en el ejercicio de referencia son
evaluados con base en la estimación de la desviación estánar obtenida en el paso anterior σ = 6.696,
UCL = 2.088(6.696) = 13.98

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

CL = 57.38
LCL = 57.38 − 1.500(6.696) = 47.33

Ejercicio de monitoreo en línea
Datos para control

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

1 53.10 62.50 56.33 64.59 59.13 5,334
2 57.83 57.73 65.13 62.77 60.865 3.6908
3 62.58 57.11 55.88 62.40 59.4925 3.498
4 51.54 63.59 52.45 52.50 55.02 5.7303
5 52.49 63.69 55.87 54.23 57.32 5.028

Transformación de Castagliola
Sección 10 Transformación de Castagliola

Transformación de la carta de control para S
Inicialmente se toman muestras del proceso evaluando la varianza muestral S 2 para cada subgrupo
seleccionado. Posteriormente se realiza la transformación propuesta Tt = a + b(lnSt2 + c) tal como
se expuso en la propuesta S 2 Ewma de Castagliola[?]. Una vez obtenida la transformación, se calcula
el estadístico Ct+ . Si este sobrepasa el límite de control superior LCS, se considera que el proceso se
encuentra fuera de control debido a una causa no aleatoria o especial que ha generado un aumentado
en la dispersión del proceso. En el caso que se considere una respuesta rápida es conveniente aplicar
una carta CUSUM FIR, en donde C0 ≥ 0. Los valores de a,b y c están definidos como se presentó en la
carta S 2 Ewma, en las ecuaciones.
La transformación
Tt = A(n) + B(n)ln[St2 + C (n)]
tiene una distribución aproximadamente normal estándar por lo que el primer valor de C0 se define
como,
C0 = E(Vt ) = E(Tt )

Siendo Tt = a + b ln(S 2 + c), se deduce que,
C0 = E(Tt ) = E[a + b ln(S 2 + c)]
entonces el valor de inicio se toma mediante una expansión de primer orden se deduce el valor de inicio
C0 ≈ a + b ln(σ02 + c)
Se reemplazan los valores a, b y c por A(n) − 2B(n)lnσ02 , B(n) y C (n)σ02 respectivamente, y se obtiene:
C0 ≈ A(n) − 2B(n)lnσ02 + B(n)ln(σ02 + C (n)σ02 )

simplificando,
C0 ≈ A(n) + B(n)ln(1 + C (n))

La varianza muestral se define: Pn 2

j=1 Xtj − X t
St2 = , (1)
n−1
s s
h γ(S 2 ) 2 γ(S 2 ) i 1 h γ(S 2 ) 2 γ(S 2 ) i 1
3 3
w= +1+ − +1− ,
2 2 2 2
entonces hacemos:
B(n) h w 2 (w 2 + 1) i
A(n) = ln
2 Var(S 2 )
1
B(n) = p ,
ln(w 2 + 1)
p
Var(S 2 )
C (n) = − E(S 2 ).
w

Para una variable aleatoria St2 = σ02 S 2 , siendo S 2 la varianza muestral de n variables aleatorias
independientes con distribución N(µ, σ02 ), el estadístico Tt toma la forma,
Tt = A(n) − 2B(n) ln σ0 + B(n) ln[St2 + C (n)σ02 ]
o equivalentemente,
Tt = a + b ln[St2 + c]
En consecuencia, se tiene que la distribución sólo depende de n de Tt es:

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

n B(n) 2 n−1
para t ≥ A(n) + B(n) ln[C (n)]. El valor objetivo Z0 para contruir la estadística de control es
Z0 = E(Tt ) = E[a + b ln(S 2 + c)]. Usando la expansión de primer orden, se deduce
Z0 ≈ a + b ln(S 2 + c) y reemplazando los valores de a, b y c por A(n) − 2B(n) ln σ0 , B(n) y C (n)σ02
se obtiene:
Z0 ≈ A(n) + B(n) ln[1 + C (n)]

Ejercicio Práctico de Transformación de Castagliola
Ejercicio de aplicación
La siguiente información es suministrada del proceso de dosificación del producto hidrocortisona solu-
ción tópica, de laboratorios PROCUM S.A. en la ciudad de Barranquilla. A continuación se presenta la
información de 20 subgrupos seleccionados aleatoriamente del proceso en donde la característica de
calidad que se toma como referencia es el contenido volumétrico de los envases de 15 ml, como se
muestra en el cuadro:
Cuadro: Calculo de los estadísticos para el producto volumen de la solución tópica, en los envases de 15 ml de
hidrocortisona
Subgrupo X1 X2 X3 St2 Tt
1 14,91 14,88 14,52 0,047099 0.45809
2 14,92 14,89 14,54 0,0,0446 0.39678
3 14,91 14,89 14,59 0,032112 0.04957
4 14,93 14,90 14,61 0,031222 0.02180
5 14,62 15,11 14,93 0,061404 0.77836
6 14,66 15,12 14,94 0,053731 0.61336
7 14,66 15,13 14,94 0,055884 0.66133
8 15,06 15,14 14,95 0,009082 -0.8433
9 15,14 15,07 14,96 0,008226 -0.8872
10 14,97 15,08 15,17 0,010020 -0.7971
11 14,97 15,09 15,17 0,010120 -0.7923
12 15,23 14,85 15,01 0,036366 0.17570
13 14,97 14,82 15,18 0,032688 0.06683
14 14,98 14,83 15,19 0,032688 0.06683
15 14,88 15,27 15,21 0,044100 0.38324
16 14,83 14,99 15,22 0,038416 0.23285
17 14,84 15,01 15,22 0,036214 0.17093
18 14,85 15,23 15,01 0,036366 0.17570
19 14,97 14,81 15,18 0,034410 0.11865
20 15,24 14,85 15,02 0,038220 0.22731

Cuadro: Constantes A(n), B(n), C (n), ETt y σTt para diversos valores de n.
A(n) B(n) C (n) ETt σTt n

-0.6627 1.8136 0.6777 0.02472 0.9165 3
-0.7882 2.1089 0.6261 0.01266 0.9502 4
-0.8969 2.3647 0.5979 0.00748 0.9670 5
-0.9940 2.5941 0.5801 0.00485 0.9765 6
-1.0827 2.8042 0.5678 0.00335 0.9825 7
-1.1647 2.9992 0.5588 0.00243 0.9864 8
-1.2413 3.1820 0.5519 0.00182 0.9892 9
-1.3135 3.3548 0.5465 0.00141 0.9912 10
-1.3820 3.5189 0.5421 0.00112 0.9927 11
-1.4473 3.6757 0.5384 0.00090 0.9938 12
-1.5097 3.8260 0.5354 0.00074 0.9947 13
-1.5697 3.9705 0.5327 0.00062 0.9955 14
-1.6275 4.1100 0.5305 0.00052 0.9960 15

Para este tamaño de muestra n = 3, los valores de las contantes de la transformación triparamétrica
son los siguientes: A(n) = −0.6627, B(n) = 1.8136, C(n) = 0.677, aplicando la ecuación la
transformación está dada como Tt = −0.6627 − 2(1.813)ln(0.2) + 1.8136 ln[St2 + 0.677(0.22 )].
Figura: Carta de control R para el producto Hidrocortisona, σ0 =0.2

En las figuras 5.1 y 5.2 se presenta el monitoreo de la variabilidad del producto Hidrocortisona mediante
las cartas tradicionales de control R, S y S 2 . En la carta R, S y S 2 , se observa un proceso bajo control
de la característica de calidad solució tópica de hidrocortisona, a partir de estas tres cartas se deduce
que la variabilidad se mantiene estable proxima al valor del parámetro establecido, es decir las cartas
muestran un proceso bajo control con respecto a la variabilidad del proceso.
Figura: Carta de control S y S 2 para el producto Hidrocortisona, σ0 =0.2

carta de control para la media y la varianza S 2
Sección 11 carta de control para la media y la varianza S 2

Cartas de control para X̄ y S 2
Los limites de control para la media esta definida como,

s
σ2
UCL = X̄ + 3
n
LC = X̄
s
σ2
LCL = X̄ − 3
n
en caso que σ es desconocida se aproxima en términos de la media de las cuasivarianzas muestrales de

las m muestras piloto Pm 2
j=1 Sj
S̄ 2 =
m
Los límites de control de S 2 no pueden calcularse en términos de un múltiplo de la desviación típica de
dicho estadístico, puesto que su distribución no es simetroca. Sin embargo, pueden calcular los límites
probabilísticos para S 2 tendiendo en cuenta que,
S̄ 2 χ21− α S̄ 2 χ2α
= P[ 2
≤ σ2 ≤ 2
]
n−1 n−1

Cartas de control para X̄ y S 2
Es decir utilizando las estimaciones anteriores de S 2 se obteien los límites de control

S̄ 2 χ21− α
2
UCL =
n−1
LC = S 2
S̄ 2 χ2α
2
LCL =
n−1
donde los valores de los percentiles para χ21− α , χ2α pertenecen a la distribución chi-cuadrado.
2 2

Cartas de Control de Observaciones Individuales
Sección 12 Cartas de Control de Observaciones Individuales

Introducción
Es una carta de control donde se selecciona una observación por subgrupo de la característica de calidad
de interés; se elabora un diagrama de promedio para monitorear cada una de las observaciones, en el
caso del monitoreo de la variabilidad se selecciona el rango móvil (MR). Es importante señalar que esta
carta es sensible a la suposición de normalidad.
Pm
i=1 Xi
X̄ =
m
El rango móvil y su promedio son determinados por las siguientes expresiones:
MR = |Xi − X1−i |
n
X
¯ =
MR |Xi − X1−i |/n − 1
i=1

Limites históricos de la Carta de Observaciones Individuales, Fase I

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

¯
¯ = MR = σ
E(MR)
d2 (2)
E(X̄ ) = µ

Limites estándar de la Carta de Observaciones Individuales, Fase II

Los límites estándar para el promedio X̄ y rango móvil MR, una vez estimados los parámetros del
proceso, tomando subgrupos de tamaño n = 2:.
UCL = µ + A(2)σ
CL = µ
LCL = µ − A(2)σ
Montgomery (1987) propone una modificación de los anteriores formulaciones utilizando las siguientes
proposiciones.
¯
MR
UCl = X̄ + 3
d2
CLX̄
¯
MR
LCl = X̄ − 3
d2
Los límites de control para la medida de variabilidad donde el rango móvil, su promedio esta definido
como:
UCL = D2 (2)σ
CL = d2 (2)σ
LCL = D1 (2)σ
es claro que cuando se determina el rango, seleccionando tres o más observaciones; las constantes
Ejemplo

Realice una carta de control de observaciones individuales para los datos de los diámetros obtenidos en
la fabricación de tuberías sanitarias. La información suministrada por el ingeniero a lo largo de cuatro
meses es la siguiente:
Número del subgrupo x MR

1 51.10
2 47.83 3.27
3 60.48 12.65
4 53.64 6.84
5 57.79 4.15
6 62.25 4.46
7 49.50 12.75
8 64.51 15.01
9 50.43 14.08
10 60.72 10.29
P9
¯ = i=1 Si
83.6
MR = 9.277
=
109
P10
i=1 Xi 558.22
X̄ = = = 55.825
10 10

Carta de Control para Observaciones Individuales

Las cartas de control para observaciones individuales del rango móvil y del promedio, evidencia un
comportamiento aleatorio de las variable, diámetro, monitoreada en el proceso.
Figura: cartas de control para X̄ y MR para el diámetro de los tubos

Estados Fuera de Control
Sección 13 Estados Fuera de Control

Estados fuera de control
Mezcla
Existen diversos comportamientos que nos indican un estado fuera de control. Entre estos encontramos:
(1) Mezcla, es la sospecha de que en el proceso existen dos o más poblaciones de un mismo factor, cuyo
comportamiento es totalmente diferente uno de otro.
Materia prima
Operario
Equipo
Tendencia
La Tendencia, es una secuencia continua en forma ascendente o descendente, en el caso de la carta de
una carta de la medida de localización (promedio) se considera un estado fuera de control; por otro
lado si la carta es de la medida de variabilidad (rango, desviación, varianza) una tendencia descendente
se considera un estado de mejoramiento del proceso. Este comportamiento es debido a:
Desajuste de equipo
Desgaste de una pieza
Descuido del operario

Mezcla
Materia prima
Operario
Equipo
Tendencia
Desajuste de equipo

Mezcla
Materia prima
Operario
Equipo
Tendencia
Desajuste de equipo

Mezcla
Materia prima
Operario
Equipo
Tendencia
Desajuste de equipo

Mezcla
Materia prima
Operario
Equipo
Tendencia
Desajuste de equipo

Cambio de Nivel
El cambio de nivel, es un cambio repentino de las condiciones del proceso. Se destaca en la carta de
medida de variabilidad, si el cambio de nivel es descendente, un mejoramiento significativo de la
dispersión del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Ciclo
En el ciclo se observa una periocidad en el comportamiento del proceso, esto se debe algunas veces a
la rotación de ciertos factores del proceso. Es el caso de operadores en diferentes horario de trabajo, se
espera que la jornada nocturna genere menos producción que las previstas en las jornadas diurnas:
Equipo
Operario
Materia prima

Cambio de Nivel
Materia prima.
Ciclo
Equipo
Operario
Materia prima

Cambio de Nivel
Materia prima.
Ciclo
Equipo
Operario
Materia prima

Cambio de Nivel
Materia prima.
Ciclo
Equipo
Operario
Materia prima

Cambio de Nivel
Materia prima.
Ciclo
Equipo
Operario
Materia prima

Longitud de corridas RL
Sección 14 Longitud de corridas RL

Longitud de corridas RL
Longitud de corridas
Es el número de puntos graficados en la carta hasta que aparezca una señal fuera de control, cuando el
proceso se monitorea en linea, es decir se encuentra en FASE II, se conoce como longitud de corridas, se
donata por RL. La logitud de corridas RL es una variable aleatoria con un comportamiento geométrico,
cuya medida de probabilidad esta definida de la siguiente forma:
P(RL = x) = p(1 − p)x−1

Para el caso de una carta de control que evalúa el promedio, la probabilidad de una señal fuera de
control se determina de la siguiente forma,

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

µ + 3σx̄ − µ µ − 3σx̄ − µ
=P Z > +P Z <
σX̄ σX̄

3σx̄ −3σx̄
=P Z > +P Z <
σX̄ σX̄
= P (Z > 3) + P (Z < −3) = 0.001349 + 0.001349 = 0.0027
1 1
ARL = = = 370.37
p 0.0027
El número de corridas esperadas para que ocurra una señal fuera de control, esta definida como
E(RL) = 1/p = ARL, denominada como número de corridas esperadas o promedios.
Curva de Operación del Gráfico de Medias
Sección 15 Curva de Operación del Gráfico de Medias

La CO mide el desplazamiento del proceso en unidades de la desviación típica final y la inicial, es decir:
µ1 − µ0
d=
σ0
σ1
λ=
σ0
Para el caso de una carta de control de la media, la probabilidad se enceuntre dentro de los límites de
control está en función de (d, λ) de la siguiente forma,
P(d, λ) = P(LCL ≤ X̄ ≤ UCL)

= P(X̄ < UCL) − P(X̄ < LCL)

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

(3 − d) −(3 − d)
=P Z ≤ √ −P Z ≤ √
λ/ n λ/ n
En esta ecuación se presenta dos situaciones: (1) para distintos tamaños de muestra, se observa que el
diagrama de medias es sensible al desplazamiento y poco sensible al cambio de variabilidad.
Figura: Curva Operativa de la Media

Cartas de Control No paramétricas
Sección 16 Cartas de Control No paramétricas

Das (2008) propone una carta de control para la varianza basada en el estadístico de Conover & Iman
(1978). Una modificación de este planteamiento, en la construcción de la carta no parametrica es el
siguiente:(1) Seleccioma muestras de tamaño ni . (2) Para cada muestra ni seguida calcular T ; de esta
manera k − 1 valores de T serán calculados, poteriormente se evalúa E(T ) y Var(T ) mediante las
formulacónes presentadas en la parte inferior de este slide. (3)Calcular el valor estandarizado de T (Tzi )
para cada una de las muestras ni . (4) Establecer como límites de control los siguientes valores:
UCL = 3
CL = 0
LCL = −3
son los mismos que se usarían en una carta tipo Shewhart con datos en control que siguen la distri-
bución Normal estándar; si algún punto se encuentra fuera de los ímite de control el proceso existe un
comportamiento no aleatorio. Das(2008) afirma que la carta de control no paramétrico propuesta para
la varianza, muestra que es más sensible que las cartas de control paramétricas. Los valores de E(T ) y
Var(T ) se definen como.
Pi+1
i xi
E(T ) =
ni
Pi+1
i [xi − E(T )]
Var(T ) =
ni − 1
La estandarización es, Roberto José Herrera Acosta Control Estadístico de Procesos
Por otro lado, algunos autores proponen la carta de control de la mediana, como una carta robusta con el
propósito de monitorear variables en donde el supuesto de normalidad es rechazada. Las formulaciones
planteadas para los límites de control en esta propuesta son los siguientes,
σ̂
UCL = kf √
n
Pm
j=1 nj x̄j
CL = Pm
j=1 nj
σ̂
LCL = −kf √
n
donde k es una constate multiple de la desviación, y f es la razón del error estándar de las medianas
del subgrupo dividida entre el error estándar de las medias del subgrupo. El error estándar se define de
la siguiente forma,
S
SE( X̄ ) = √X̄
n
SM
SEM = √
n
por tanto f esta definido como,
SEM
Tzi =
Roberto José Herrera Acosta SEControl
X̄ Estadístico de Procesos
Capacidad e índice de capacidad univariado paramétrico
Sección 17 Capacidad e índice de capacidad univariado paramétrico

Capacidad e Indice de Capacidad Univariado
Indice de capacidad univariado

Cuando un proceso cumple con las especificaciones establecidas en el diseño, se dice que este es un
proceso capaz.
Figura: Indice de Capacidad


Primera situación 6σ > (les − lei)
La capacidad del proceso sea mayor que las especificaciones. Es la situación más indeseable dentro
de un proceso.Aunque el proceso se encuentre dentro de control, este pueda que no cumpla con las
especificaciones exigidas por el cliente.En este caso el ingeniero de control de calidad debe aumentar las
especificaciones del producto, siempre y cuando sea informado a los clientes de este cambio. Otra posible
solución sería desplazar el promedio del proceso ya sea de izquierda o derecha, logrando producir todo
el rechazo por defecto o por exceso. Disminuyendo la variabilidad del proceso, de tal manera que la
distribución sea en forma de punta (esto significa que la mayor parte de la información se encuentra en
la parte central de los datos) esto logra con cambios sustanciales en el proceso.
Roberto José Figura: Indice

Herrera Acosta de Control
Capacidad
Estadístico de Procesos
Segunda situación 6σ = (les − lei)
La capacidad del proceso es igual a las especificaciones: a pesar que en esta situación el proceso
esta cumpliendo con las especificaciones, es indeseable tenerla porque en cualquier momento algunas
informaciones del proceso pueden no ajustarse a las especificaciones

Tercera situación 6σ < (les − lei)
La capacidad del proceso es menor que las especificaciones: es el caso ideal, esto significa que la
especificación al ser mayor que la capacidad del proceso, este puede encontrarse fuera de control, pero
no ocurre producto de rechazo.La capacidad de un proceso debe ser menor que las diferencias de las
especificaciones para determinar que el proceso es capaz.

Fórmula de Índice de Capacidad Clásico

Para medir esta capacidad es utilizado el índice de capacidad definido como, algunos autores lo definen
como índice de capacidad a largo plazo:
les − lei
Cp =
kσ
donde les y lei son los límites de especificación superior en inferior, el valor k generalmente es 6. Es
decir la formulacion tradicional esta definida como, índice de capacidad a largo plazo:
les − lei
Cp =
6σ
Otros autores definen este índice como una razón de capacidad en porcentaje,
kσ
Cp = × 100 %
les − lei
que es el reciproco del clásico


Por otra parte, algunos autores definen el indicador de capacidad en terminos de variables aleatorias
estandarizadas Z , es decir un valor de Z para el límite superior, y un valor de Z para el límite inferior
de la siguiente forma.
les − µ
Zles =
σ
µ − lei
Zlei =
σ
la evaluación se realiza seleccionando el valor mínimo de Z entre los límites de especificaciones,
ZMN = min{Zlei ; Zlei }
un valor mínimo de Z = 4 corresponde a un valor de Cpk de 1.33.
kσ
Cp = × 100 %
les − lei
que es el reciproco del clásico


Una propuesta de indicador de capacidad, se define en la probabilidad de cumplimiento con respecto a
las especificaciones P, definida de la siguiente forma,
φ−1 (P)
Cp =
3
donde φ−1 es la inversa de la distribución normal estándar. Esta propuesta realiza la medida de
probabilidad de cumplimeinto de las especificaciones: posteriomente evalúa el valor de Z . Es claro que
este indicador puede tomar valores negativos, lo que implica un procesos con un significativo porcentaje
de no conformes.

Un proceso cuya 30
P
i=1 S = 890 para 30 subgrupos de tamaño cuatro posee de especificación les = 780
y lei = 620 y se encuentra bajo control estadístico cuyo promedio es µ = 720. Determine el índice de
capacidad del proceso.
890
S̄ = = 29.66
30
S̄
σ= = 32.2
C4
donde para n = 4 C4 = 0.9213
780 − 620
Cp = = 0.828
6(32.2)
este valor de índice de capacidad, implica que el proceso no es capaz de cumplir con las
especificaciones de diseño. Existen unidades no conformes en el proceso.

Otro tanto, al aplicar el indicador de medida de probabilidad P, los resultados obtenidos son los siguientes,
inicialmente para la medida de probabilidad,
P = P(780 ≤ X ≤ 620) = P(X ≤ 780) − P(X ≤ 620)

= P(Z ≤ (780 − 720)/32.2) − P(Z ≤ (620 − 720)/32.2)
= P(Z ≤ 1.863) − P(Z ≤ −3.10)
P = 0.9686 − 0.0010 = 0.9676
el valor Z que corresponde a esta medida de probabilidad φ−1 (0.9676) = 1.85, por tanto el índice de
capacidad es,
φ−1 (0.9676) 1.85
Cp = = = 0.616
3 3
lo que índica que el proceso no es capaza de cumplir con las especificaciones requeridas.

Indice de capacidad promedio

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

Capacidad e Indice de Capacidad Univariado con valor objetivo o nominal T
Indice de capacidad con valor objetivo T

Con frecuencia se indican valores nominales u objetivos del proceso, representado por T . En donde es
modificada las formulaciones utilizadas para medir el indice de capacidad tradicional, agrgando un valor
objetivo o nominal del proceso.
les − lei
Cpm = p
6 σ 2 + (µ − T )2
El indice de capacidad promedio es definido mediante,
les − µ µ − lei
Cpmk = min{Cpu = p , Cpl = p }
2
3 σ + (µ − T ) 2 3 σ + (µ − T )2
2

Capacidad e Indice de Capacidad Univariado con valor objetivo o nominal T

Ejercicio práctico de índice de capacidad con valor objetivo T
Sea un proceso de fabricación bloques de ladrillo para construcción, donde una de las medidas monito-
readas es la longitud. El proceso presenta históricamente en su medida de localización µ = 32.3, con una
desviación de 2.5, con una tolerancia de diseño comprendida entre 30 y 33. El ingeniero desea establecer
como valor objetivo una longitud promedio de 33 tal como lo establecen las normas internacionales.
¿Cuál es el valor de la capacidad del proceso? ¿Qué acciones debe tomar el ingeniero para cumplir con
los requerimientos?
Figura: Especificaciones de un bloque de ladrillo
El índice de capacidad de este proceso de fabricación es,

33 − 30
Cpm = p = 0.192
6 2.5 + (32.3 − 33)2
2
33 − 32.3 32.3 − lei

Cpmk = min{Cpu = p , Cpl = p }
3 2.52 + (32.3 − 33)2 3 2.52 + (32.3 − 33)2
= min(0.064, 0.29) = 0.064
Indice de capacidad univariada no paramétrica
Sección 18 Indice de capacidad univariada no paramétrica

Indice de capacidad univariado no paramétrico
Propuesta de Chen y Pearn

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

99.865n + 0.135
R1 ≈
100
0.135n + 99.865
R2 ≈
100
n+1
R3 ≈
2


Entre tanto las formulaciones aplicadas para determinar los valores de estos percentiles, se presentan a
continuación,
99.865n + 0.135
W99.865 = XR(1) + − R1 X(R1 +1) − X(R1 )
100
0.135n + 99.865

W0.135 = XR(2) + − R2 X(R2 +1) − X(R2 )
100
n + 1
Mediana = M = XR(3) + − R3 X(R3 +1) − X(R3 )
2
donde W99.865 y W0.135 son los valores de los percentiles superior e inferior que cumple con la
confiabilidad asumida en el área del control estad+istico de la calidad, es decir 99.73 %


A continuación se presenta en la tabla, información de la temperatura de secado de un material
utilizado para la fabricación de baterías de automóvil. Los datos previamente se ordenaron con el
propósito de evaluar los percentiles aplicados en el procedimiento exigido por Chen y Pern.
1 266,597 17 268,431
2 266,709 18 268,56
3 266,828 19 268,63
4 267,008 20 268,691
5 267,047 21 269,075
6 267,172 22 269,339
7 267,267 23 269,539
8 267,299 24 269,931
9 267,327 25 270,885
10 267,419 26 272,329
11 267,495 27 273,365
12 267,594 28 275,368
13 268,135 29 276,489
14 268,219 30 278,775
15 268,333 31 278,813
16 268,417 32 280,89

99.865(32) + 0.135
R1 ≈ = 31.889 ≈ 31
100
0.135(32) + 99.865
R2 ≈ = 1.04185 ≈ 1
100
32 + 1
R3 ≈ = 16.5 ≈ 16
2
los percentiles evaluados son los siguientes:

99.865(32) + 0.135

W99.865 = XR(1) + − R1 X(R1 +1) − X(R1 )
100
= 278.813 + 0.889(280.89 − 278.813) = 282.736
0.135(32) + 99.865
W0.135 = XR(2) + − R2 X(R2 +1) − X(R2 )
100
= 266.597 + 0.04185(266.709 − 266.597) = 266.601
32 + 1
Mediana(M) = XR(3) + − R3 X(R3 +1) − X(R3 ) = 268.417 + 0.5(268.431 − 268.417) = 268.424
2

Ejercicio para determinar los índicadores de capacidad no parámetricos

Los cálculos de los percentiles anteriores, permiten estimar los índices de capacidad de localización no
parámetricos en el ejercicio anterior, los resultados de lod indicadores son los siguientes:
280 − 250
CNp = = 1.8593
282.736 − 266.6016
el índice de localización es determiando de la siguiente forma,
280 − 268.424 268.424 − 250
CNpk = min{ 282.736−266.6016 , 282.736−266.6016 }
2 2
= (3.718, 1.397)
CNpk = 1.397
él cálculo del indicador, muestra un proceso que cumple con las espeficaciones de diseño, con tendencia
hacia el límite de especificación inferior, lo recomendable es ajustar el proceso en su centraminto, es
decir aumentar la temperatura moderadamente.

Propuesta de Wu
La propuesta de Wu asume una disribución asimetrica que se descompone en dos áreas o dos
secciones; tomando como referente el promedio para separar las regiones.
les − lei
Ĉp =
3(s1 + s2 )
el índice de capacidad de localización se define sepaerando las dos regiones, y seleccionando la de
menor valor en el indicador,
h les − X̄ X̄ − lei i
Ĉpk = min ,
3s2 3s1


Los siguientes datos muestran el valor del peso de un producto, en gramos, de una compañía
farmacéutica.
No.Orden Observaciones No. Orden Observaciones
1 102 38 112
2 102 39 112
3 102 40 112
4 102 41 112
5 102 42 113
6 103 43 113
7 103 44 113
8 104 45 113
9 104 46 113
10 104 47 113
11 104 48 114
12 105 49 114
13 105 50 115
14 106 51 115
15 106 52 115
16 106 53 115
17 107 54 115
18 108 55 116
19 108 56 116
20 108 57 117
21 108 58 118
22 108 59 118
23 108 60 118
24 108 61 118
25 108 62 118
26 108 63 119
27 109 64 119
28 109 65 119
29 109 66 120
30 110 67 120
31 110 68 120
32 110 69 120
33 111 70 120
34 111 71 120
35 111 72 120
36 111
37 111
S1 3,029 S2 2,922

Propuesta de Wu
En la anterior información del producto es necesaria, para la evaluación, del índice de capacidad conocer:
el valor objetivo T = 110 gramos, las especificaciones del peso del 108 ± 4 producto, en gramos. Por
tanto la información de la tabla, suministra los siguientes estadístcos son: X̄ = 111.33, S1 = 3.029 y
S2 = 2.922.
112 − 104
Ĉp = = 0.448
3(3.029 + 2.922)
el índice de capacidad de localización es el siguiente,
h 112 − 111.33 111.33 − 104 i
Ĉpk = min , = min(0.076; 0.807) = 0.076
3(2.922) 3(3.029)
Este índice confirma que el proceso no cumple con las especificaciones requeridas de diseño; su
desplazamiento se encuentra hacia el límite de especificación superior.

Propuesta de Wu
En cuanto a la asignación de un valor objetivo T , la propuesta de Wu se modifica de la siguiente manera,
n les − T T − lei o
Ĉpm = min ,
3sT2 3sT1
el índice de capacidad de localización se define,
n les − X̄ X̄ − lei o
Ĉpmk = min ,
3sT2 3sT1

Indice de capacidad univariado no paramétrico propuesta de Wu
Al emplear un valor objetivo, se hace necesario determinar la desviación estándar con valor obetivo de la
primera región se define como,
2n1 − 1 2
sT21 = s + (X̄ − T )2
2n1 1
2 × 37 − 1
= 9.174 + (111.33 − 110)2 = 10.819
2 × 37
sT1 = 3.280
la desviación estándar con valor objetivo para la segunda región es,

2n2 − 1 2
sT22 = s + (X̄ − T )2
2n2 2
2 × 35 − 1
= 8.538 + (111.33 − 110)2 = 9.402
2 × 35
sT2 = 3.066

En el ejercicio se tiene el siguientes resultado para el índice de capacidad con valor objetivo, propuesta
por Wu:
n 112 − 110 110 − 104 o
Ĉpm = min ; = min(0.217; 0.608) = 0.217
3 × 3.066 3 × 3.289
el índice de capacidad de localización se define,
n 112 − 111.33 111.33 − 104 o
Ĉpmk = min ; = min(0.073; 0.743) = 0.073
3 × 3.066 3 × 3.289
En cuanto al centramiento se confirma la tendencia que se mostró desde los índices de capacidad
paramétricos, los datos tienden a estar por debajo de la media.

Cartas de control EWMA
Sección 19 Cartas de control EWMA

Cartas de control Ewma
Estadística de control Ewma
Roberts (1954) propone esta carta de control denominada Exponentially Weighted Moving Average para
obtener una estadística conocida como EWMA para monitorear los estadístico de contrl de un proceso.
En la siguiente formulación presenta que valor del estadístico, que puede ser una variable donde T = X
para observaciones individuales o T = X̄ cuando se seleccionan subgrupos en el proceso. Esta carta de
control es aplicada en procesos en donde la medida de variabilidad es pequeña, por lo que la importancia
de esta carta no es discutible en procesos tecnológicamente avanzados.

Estadístico Ewma
El estadístico de control para la carta Ewma posee la siguiente notación,
Ewma = (1 − λ)Ewmat−1 + λT
Donde λ es un constante de sensibilidad que toma valores desde cero hasta uno. Generalmente algunos
autores recomiendan valores que se encuentran entre 0.1 a un valor de 0.3.
Límites de control de la carta Ewma

Los límites asintóticos de la carta Ewma son los siguientes,
λ 21
UCL = E(T ) + L σ
bEwma
2−λ
CL = E(T )
λ 21
LCL = E(T ) − L σ
bEwma
2−λ


Como el objetivo generalmente es controlar los incrementos o decrementos de la medida de localización
o centramiento del proceso, se determinan los límites superior e inferior mediante las siguientes
notaciones,
λ 21
UCL = E(X̄ ) + L σ
bEwma
2−λ
CL = X̄
λ 1
2
UCL = E(X̄ ) − L σ
bEwma
2−λ
Donde el valor de λ están sujeto a la sensibilidad de la carta de control, es decir las propiedades que se
desean de un valor de ARL previamente establecido antes de realizar el monitoreo.
.
De tal manera que L es una constante positiva, que puede tomar por ejemplo el valor de 3.0 para un
nivel de significancia de 0.0027 . Estos límites a pesar de que son fáciles de calcular, son menos visibles
a los cambios en las observaciones iniciales. Para solucionar este inconveniente algunos autores como
Montgomery (2001) y Ryon (2000) sugieren los límites correctos,

Límites correctos de control en la carta Ewma

El esquema del estadístico de control Ewma tiene la forma,
λ{1 − (1 − λ)2k } 1
2
UCL = E(Tk ) + L σTk
2−λ
CL = E(Tk )
λ{1 − (1 − λ)2k } 1
2
LCL = E(Tk ) − L σTk
2−λ
Esta formulación muestra un esquema gráfico, en donde inicialmente los límites de control son variable,
y a medida que aumenta el valor de k estos límites se hacen aproximadamente constantes.

Ejemplo
La siguiente información es tomada del tiempo, en segundos, de una actividad de empaque realizada en
una empresa que fabrica pastas alimenticias. El ingeniero desea aplicar una carta de control Ewma para
monitorear el promedio como estadístico de contro en la FASE II. Decide tomar el valor del coeficiente
λ = 0.2 de sensibilidad, donde los parámetros obtenidos en la FASE I, son los siguientes: media
µ = 147.082 y desviación estándar de σ = 5.316. Los datos para control se presentan en la siguiente
tabla,
Datos para observaciones individuales
Subgrupo Nitrógeno
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 14.7083
S = 0.37804
Se observa una sola observación por subgrupo, lo que indica que esta carta de control es una EWMA de
observaciones individuales.

Como se indico anteriormente, los parámetros son conocidos por lo que los cálculos de los límites de
control en la FASE II, son los siguientes,
0.2 21
UCL = 147.082 + 3 5.316 = 149.459
2 − 0.2
CL = 147.082
0.2 21
LCL = 147.082 − 3 5.316 = 144.704
2 − 0.2

Estadísticos Ewma
El cálculo de los estadísticos de control para cada uno de los subgrupos se presentan a continuación. Se
observa que el valor de inicio para el estadístico de control Ewmat−1 es el promedio µ.
Ewma1 = (1 − 0.2)147.082 + (0.2 × 146.116) = 146.889

Ewma2 = (1 − 0.2)146.889 + (0.2 × 148.443) = 147.200
... = ...
... = ...
... = ...
Ewma9 = (1 − 0.2)146.855 + (0.2 × 144.366) = 146.357
Ewma10 = (1 − 0.2)146.357 + (0.2 × 152.640) = 147.614


Datos Ewma
Los estadísticos EWMA obtenidos en cada subfrupo se presenta en la siguiente tabla,
Subgrupo Ewma
1 146.889
2 147.200
3 146.060
4 147.324
5 146.468
6 147.166
7 146.763
8 146.855
9 146.357
10 147.614
En la carta de control, como se muestra en la siguiente figura, los estadístico de control monitoreados
poseen un comportamiento que se puede asumir como aleatorio. Lo que induce a afirmar que el
proceso se encuentra bajo control estadístico.

Cartas de control CUSUM
Sección 20 Cartas de control CUSUM

Cartas de control Cusum
Carta Cusum
Las carta de control Cusum, Acosta (1998), permiten monitorear la media de un proceso bajo condiciones
normales de diferentes maneras. Por lo general se toma el procedimiento Cusum en donde el seguimiento
de la característica de calidad se realiza en forma bilateral, que consiste en tomar valores de la media µ0
y la desviación estándar σ0 de un proceso, donde n es el tamaño de la muestra o subgrupo a monitorear.
Generalmente se realiza estandarizaciones de la variable o el estadístico de la siguiente forma, Zt = x̄−µ
σ0
n
donde x̄ representa la media estimada para cada uno de los subgrupo. Los estadísticos Cusum para t
subgrupo es,

Cartas de control Cusum para la dispersión
Límites de control de para la carta Cusum

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

Cartas de control Cusum para el promedio
Límites de control de para el promedio en la carta Cusum

El esquema del estadístico de control Cusum cuando se realiza la estándarización tiene la forma,
+
Ct+ = max[0, Zt − k + Ct−1 ]
Ct− = min[0, Zt + k + Ct−1
−
]
el valor de k = 0.5 es un factor de sensibilidad de la carta Cusum. C0+ , C0− > 0, los valores C + son
usados para detectar incrementos en el estadístico de control, mientras C − permite detectar
disminuciones.

Cartas de control Cusum para la dispersión

Límites de control cusum para la desviación estándar S
El estadístico T , para el caso de la carta de variabilidad es: Cusum S según Acosta y Mejía el estadístico
es σSn y la estadística de control de la suma acumulada se define como,
0
h S i
+
Ct+ = max 0, − k + Ct−1
σ0
h S i
− −
Ct = min 0, + k + Ct−1
σ0
1.064 σa
donde el valor de la constante de sensibilidad se cálcula de la siguiente froma: k = 2
(1 + σ0
). La
razón σa /σ0 mide el incremento de la variabilidad que se desea evaluar.
Límites de control cusum para el rango R

Rn
En el caso de la carta Cusum R es σ0
y la estadística de control de la suma acumulada es,
h R i
+
Ct+ = max 0, − k + Ct−1
σ0
h R i
− −
Ct = min 0, + k + Ct−1
σ0
2.326 σa
donde k = 2
(1 + σ0
).


A continuación se presenta los datos de la actividad del tiempo de empaque, tratada en la carta EWMA,
recuerdese que la media es µ = 147.082 y la desviación estándar es σ = 5.316.
Subgrupo Nitrógeno
1 146.116
2 148.443
3 141.500
4 152.383
5 143.040
6 149.958
7 145.151
8 147.225
9 144.366
10 152.640
x̄ = 147.083
S = 0.37804


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

estadística.
146.116 − 147.082
Z1 = = −0.181
5.31
148.443 − 147.082
Z2 = = 0.256
5.31
... = ...
... = ...
152.640 − 147.082
Z10 = = 1.045
5.31
Cálculo de los estadísticos de control CUSUM
Los valores de estos estadísticos de control Cusum se observan en el siguiente esquema, observese que
el valor inicial o de arranque del estadístico de control es cero. Esto se presenta cuando se estándariza
esta medida.
C1+ = max[0, −0.181 − 0.5 + 0] max[0, −0.681] = 0.000

C1− = min[0, −0.181 + 0.5 + 0] min[0, 0.319] = 0.000
C2+ = max[0, 0.256 − 0.5 + 0.00] max[0, −0.244] = 0.000
C2− = min[0, 0.256 + 0.5 + 0.00] min[0, 0.319] = 0.000
... = ...
... = ...
... = ...
C10+ = max[0, 1.045 − 0.5 + 0.00]0 max[0, 0.545] = 0.545
C10− = min[0, 1.045 + 0.5 − 0.010] min[0, 1, 445] = 0.000
Estos estadísticos de control, se presentan sobre los límites de control CUSUM para Hσ, como se trata
de una estandarización es conveniente tomar los valores de−3 y 3 como límites de control.


Los cálculos de la variable estandarizada y los estadísticos de control para la carta CUSUM son los
siguientes,
Subgrupo Nitrógeno z C+ C−
1 146.116 -0.181 0 0
2 148.443 0.256 0 0
3 141.500 -1.050 0 -0.55
4 152.383 0.997 0.497 0
5 143.040 -0.760 0 0
6 149.958 0.541 0.041 0
7 145.151 -0.36 0 0
8 147.225 0.026 0 0
9 144.366 -0.510 0 -0.01
10 152.640 1.045 0.545 0

La carta CUSUM estandarizada que se presenta en la figura, es la carta con los valores el estadístico de
control sin la estandarización. Se puede observar que no existen señales fuera de control, como también
no se observa un comportamiento no aleatorio.
Figura: Carta de control Cusum Promedio

Cartas de control Cusum para el promedio Estandarizado
La carta CUSUM estandarizada posee el siguiente esquema.
Figura: Carta de control Cusum Promedio Estandarizado

Cartas de control multivariado de Shewhart
Sección 21 Cartas de control multivariado de Shewhart

Cartas de control Multivariado de Shewhart

Introducción
Durante la Segunda Guerra Mundial las técnicas estadísticas de las cartas de control univariadas fue y
sigue siendo las más utilizadas, a pesar de que los procesos y productos que se analizan poseen en
su gran mayoría dos o más características de calidad. Pero en los últimos años se ha hecho necesario,
la aplicación de herramientas de tipo multivariante para comprender y monitorear varibles que por su
complejidad no es conveniente el monitoreo univariante.
Introducción
Sin embargo las técnicas multivariadas de control son técnicas muy complejas de utilizar, por los
conceptos matemáticos que se manejan. Dificultad que es superada afortunadamente, con el avance de
la programación computacional en el área de control estadístico de calidad, por lo que en estos
momentos el interés de las técnicas de control multivariado a crecido vertiginosamente.
Importancia
La técnica de las cartas de control multivariado, se utiliza en los procesos productivos para determinar
especialmente cuatro importantes criterios, que a continuación se enumeran,
1 Determinar si el proceso se encentra o no en control.
2 Mantener constante el error tipo I o nivel de significancia α.
3 Con este tipo de herramienta se puede determinar el tipo de relación existente entre las variables
involucradas en le proceso.
4 Si el proceso esta "fuera de control"¿cuál es la variable que causo dicho inconveniente?

Introducción
Introducción
Importancia

Introducción
Introducción
Importancia

Introducción
Introducción
Importancia

Introducción
Introducción
Importancia
Importancia
Se tomará como supuesto estadístico, el proceso se encuentran normalmente distribuido y en forma

independiente en cada una de las varibles involucradas en el monitoreo. El error tipo I o nivel de signi-
ficancia α, es el establecido en forma diferente a el error obtenido en las cartas de control univariadas.
Por ejemplo si se tomo el nivel de significancia de 0.05 para una carta de control univariado, en el
caso multivariado se establecería de la siguiente forma si como ejemplo se seleccionan dos variables
1 − 0.952 = 0.0975 = 0.1. Para la elaboración de las carta de control multivariadas la técnica más
aplicada es la propuesta por Hotelling conocida como la T 2 . Esta es una generalización de la estadística
t de Students y toma la forma de:
Estadístico de control
El esquema del estadístico de control para subgrupos de tamaño n y para observaciones individuales es,
Tj2 = (x̄j − M)t V −1 (x̄j − M)

Tj2 = (xj − x̄j )t V −1 (xj − x̄j )
donde M es el vector de medias, V es la matriz de varianza covarianza, x̄j el promedio de la variable

j-ésima, x − j es la observacion j-ésima de la variable j,xj es la columna de vectores que representan las
variables y, V es la matriz de covarianzas.

Figura: Carta Multivariada
La distribución T 2 fue propuesta por Hotelling en 1931 y es una función del número de variables p
, el tamaño de los subgrupos n , M son los valores de las medias de referencia para cada variable
M = m1 , m2 , ...mp y la cantidad de subgrupos g , usadas en la estimación de la covarianza.

La distribución está relacionada con la conocida distribución chi cuadrado, mediante las siguientes
formulaciones: Para tamaños de subgrupos
2 p(g + 1)(n + 1)
Tp,n,α = Fα,(g,gp−g−p+1)
(gn − g − p + 1)
Cuando son observaciones individuales, es decir n = 1 las formulas aplicadas son las siguientes:
2 gp
Tp,g,α = Fα,(p,g−p+1)
(g − p + 1)
Propuesta por Edgar Jackson, 1985

formula aplicada por T.P. Ryan, 1988
2 p(g + 1)(g − 1)
Tp,g,α = Fα,(g,g−p)
g(g − p)
.
2
Lo cual implica que este valor Tp,g,α , se toma como el límite de control superior para la media en la
carta de control multivariado.

Ejemplo
En la empresa Monomeros Colombo Venezolana se elabora un fertilizante compuesto que contiene dos
componente: nitrógeno y fósforo, se realiza un análisis diario, n = 10, de la composición del fertilizante
durante diez días, cantidad de subgrupo m = 10.Se utilizó la propuesta de T.P. Ryan para evaluar el limite
superior de control multivariado. A continuación presentamos la información obtenida de 10 subgrupos.

Cartas de control Multivariado
Subgrupo Nitrógeno Fósforo

1 14.6116 14.7818
2 14.8443 14.9808
3 14.1500 15.1454
4 15.2383 15.0983
5 14.3040 14.5420
6 14.9958 15.0166
7 14.5151 14.3225
8 14.7225 14.5275
9 14.4366 14.3992
10 15.2640 15.5858
La matriz de varianza covarianza para los datos de la FASE I, se determina meddiante,

1
V = X t Xc
g−1 c
donde Xc es la matriz centrada de la data del proceso con las p variables.

Cálculo de la matriz de varianza covarianza
.
1 14.296 8.801
V = XtX
g−1 c c
= , la inversa de esta matriz de varianza covarianza se
8.801 15.768
determina
aplicando algunos de losprocedimientos algebráicos para determinar la inversa de la matriz,
−1 0.1065 −0.0594
V =
−0.0594 0.0966
por lo tanto para el cálculo de un estadístico de control en la FASE I se desarrolla la siguiente
multiplicación matricial, utilizando la propuesta de E.Jackson 1985 para observaciones individuales y
tomando la observación por ejemplo del subgrupo número cuatro,
2
0.1065 −0.0594
T4 = 15.238 − 14.708 15.098 − 14.841 × ×
−0.0594 0.0966

15.238 − 14.708
= 1.9162
15.098 − 14.841
Este procedimiento se realiza para los nueve subgrupos restantes,

Cálculo de la matriz de varianza covarianza
Límite de control multivariado
2 p(g + 1)(g − 1)
Tp,g,α = Fα,(g,g−p)
g(g − p)
(2)(11)(9)
= × 3.347 = 8.284
(10)(10 − 2)

Figura: Carta Multivariada

Índices de capacidad multivariados
Sección 22 Índices de capacidad multivariados

Introducción al indice de Capacidad Multivariado
Indice multivariado
Se tiene la matriz de datos X de orden n × p, donde p es el número de características de

calidad medidas en un producto y n es el número de productos monitoreados.
Se asume que las n observaciones son independientes y representan una muestra aleatoria de una
distribución multivariada con correlaciones entre las variables.

Introducción al indice de Capacidad Multivariado
Indice multivariado
Cada una de las p variables posee una especificaciones técnicas, en donde el vector µ0 contiene
los valores objetivos para cada una de las caracteristicas de calidad medidas en el proceso.
P
El objetivo es usar los datos X , el vector de medias µ y la matriz de covarianzas , o la
distribución del proceso, en comparación con las especificaciones de ingeniería para llegar a una
definición aceptable de capacidad.

Características
Multivariado
En el caso univariado, la localización y dispersión de la curva normal define un intervalo de

valores, como también lo definen los límites de tolerancia.
Los índices de capacidad univariados proporcionan una comparación entre estas longitudes,
mediante una razón entre estas.
En el caso multivariado la comparación es más compleja, si asumimos distribución normal
multivariada, el análogo a los intervalos son contornos elípticos o elipsoides.

Características
Indice multivariado
En dos dimensiones, los rangos de tolerancia, tomados juntos,forman una región de tolerancia
rectangular, en tres o más dimensiones los rangos definen un hipercubo.
Para especificaciones más complejas, las regiones de tolerancia pueden tener formas complicadas.
La comparación de las diversas formas, localizaciones, tamaños y orientaciones que surgen de la dis-
tribución estadística, así como de las especificaciones del proceso, conduce a la definiciones bastante
diferentes de capacidad en el dominio multivariado.

Propuestas indice de capacidad multivariado
Propuestas
Hubele (2000) presenta cuatro propuestas para evaluar los indices de capacidad multivariantes:
La razón de la region de tolerancia a la región de proceso.
La proporción de productos no conformes.
otras aproximaciones que usan funciones de pérdidas.
Mediante componentes principales.

ïndice de capacidad de proporción de no conformes
proporción de no conformes
K. S. Chen, W. L. Pearn y P. C. Lin (2003), presentan un Índice de Capacidad Multivariante (ICM de Chen,
Pearn y Lin) que evalúa n características de calidad de un producto, primero calcula los índices de
capacidad promedio para cada una de las variables mediante la siguiente fórmula
" p #
T 1 −1 [πj=1 (2Φ(3Spk ) − 1) + 1]
Spk = Φ
3 2
Donde Spkj denota el valor de la j-ésima característica para j = 1, 2, ..., N, p es el número de caracterís-
ticas y Ψ es la distribución normal estándar.

Sea un proceso con las siguientes condiciones de diseño para cada una de las dos variables de un
recipiente plástico (preforma) en donde las característica a monitorear son el diámetro de la boquilla y la
altura en milímetros, para la primera variable las condiciones son: LES = 25,LEI = 22 con parámetros
σ1 = 2.5 y µ1 = 23 y la segunda variable LES = 120 µ2 = 100, LEI = 90 y una desviación estandar
σ2 = 4. Se calcula inicialmente los índices de capacidad univariado para cada una de las característica,
LES − LEI 25 − 22
Sp(boquilla) = = = 0.2
6σ1 6(2.5)
LES − LEI 120 − 90
Sp(altura) = = = 1.25
6σ2 6(4)

En el caso multivariante se calcula inicialmente los índices de capacidad promedio de cada una de las
variables,
µ − LEI LES − µ
Spk = min Spkl = , Spku =
3σ 3σ
En el ejercicio propuesto los resultados para cada una de las variables es la siguiente,

µ − LEI LES − µ
Spk = min Spkl = , Spku =
3σ 3σ

23 − 22 25 − 23
Spk(boquilla) = min Spkl = = 0.133, Spku = = 0.266 = 0.133
3(2, 5) 3(2.5)

100 − 90 120 − 100
Spk(altura) = min Spkl = = 0.833, Spku = = 1.666 = 0.8333
3(4) 3(4)

Realizando los cálculos para la variable boquilla tenemos que,
[2Φ(3Spk(boquilla) ) − 1)] = [2Φ(3(0.1333)) − 1] = [2Φ(0.3999) − 1] = [2(0.6550) − 1] = 0.31

[2Φ(3Spk(altura) ) − 1] = [2Φ(3(0.833)) − 1] = [2Φ(2.499) − 1] = [2(0.9937) − 1] = 0.9874
.
Por tanto el índice global del proceso es,

1 (0.31 × 0.9874) + 1 1
T
Spk = Φ−1 = Φ−1 (0.6530)
3 2 3
1
= [0.3934] = 0.1333
3
Este valor de 0.133 indica que el proceso no cumple con la capacidad establecida en el diseño. El valor
mínimo de referencia para dos variables, es de aproximadamente 0.85, para tres variables de 0.80, cuatro
0.76. Se observa que a medida que aumenta el número de variables, se reduce el valor mínimo del indice
de capacidad de referencia.

ïndice de capacidad de mínima proporción
Por otra parte Castagliola, P. et al (2009), Bothe, D.(1991). y Wierda, S.J. (1994) consideran una manera
simple de hacerlo es tomando el porcentaje mínimo de no conformes de cada una de las características
P1 , P2 , ..., Pp . Por lo que en todo el proceso el índice de capacidad multivariante es la medida mínima es
P = minP1 , P2 , ..., Pp .
1 −1
SMp = Φ [P]
3

ïndice de capacidad de mínima proporción
Propuestas indice de capacidad multivariado Bothe-Wierda
Determine el índice de capacidad de Bothe-Wierda en el anterior ejercicio. Recuerdese que la información

de la boquilla de la preforma es: LES = 25,LEI = 22 con parámetros σ1 = 2.5 y µ1 = 23 y la
información para la altura es: LES = 120 µ2 = 100, LEI = 90 y una desviación estandar σ2 = 4.
LES − µ LEI − µ
Pboquilla = P(LES < X < LEI) = P(Z < ) − P(Z < )
σ1 σ1
25 − 23 22 − 23
= P(Z ≤ ) − P(Z ≤ ) = P(Z ≤ 0.8) − P(Z ≤ −0.4) = 0.788 − 0.344 = 0.444
2.5 2.5
LES − µ LEI − µ
Paltura = P(LES < X < LEI) = P(Z < ) − P(Z < )
σ2 σ2
120 − 100 90 − 100
= P(Z ≤ ) − P(Z ≤ ) = P(Z ≤ 5.0) − P(Z ≤ −2.5) = 1 − 0.0062 = 0.9938
4.0 4.0
entonces
P = min(0.44; 0.9938) = 0.44
por tanto
1 −1 1
SMP = Φ [0.44] = [−0.144] = −0.048
3 3
ïndice de capacidad de razón de regiones
Razon de regiones
El vector propuesto por Shahriari, Hubele, and Lawrence (1995), consiste en tres componentes:
Dos componentes usan el supuesto que los datos del proceso provienen de una distribución
normal multivariada con contornos elípticos que definen regiones de probabilidad.
El tercer componente se fundamenta en el conocimiento geométrico de la región del proceso,
relativo a la región de especificación.

Primera componente
Es análogo a la razón de longitudes en el caso univariado, propuesto por Shahriari, Hubele, and
Lawrence (1995).
CpM
1
Volumen region de tolerancia p
CpM =
Volumen región del proceso modificada
Primer Componente
El numerador es el área (en el caso bidimensional) o volumen (en tres o mas dimensiones) definido
por la región de tolerancia.
El denominador es el área o volumen de una región modificada del proceso.

Región del proceso
Región de tolerancia
X
◦•
T
Región modificada del proceso

Segunda componente
Se fundamenta en la suposición de que el centro de la región de especificación es la media del proceso.
PV

p(n − 1)
PV = P T2 > F(n,n−p)
n−p
donde T 2 = n(X − µ0 )0 S −1 (X − µ0 ), F(p,n−p) es la distribución F con p y n − p grados de libertad.
Observación
0 < PV < 1, un valor cercano a cero indica que el centro del proceso está lejos del valor objetivo.

Tercera componente
Indica si alguna parte de la región modificada del proceso queda fuera de las especificaciones.
definición de LI

1, si RMP ⊂ RT
LI =
0, En otro caso.
Observación
Proporciona una indicación si se están produciendo productos no conformes.

Análisis de Componentes Principales
Componentes Principales
ACP
En cuanto al análisis de componentes principales (ACP) el objetivo es obtener una dimensión reducida
o contruir nuevas variables linealmente independientes tal como muestra Wang (1998). Si X es una
matriz de rango r, entonces su descomposición en valores singulares es:
t
X = U(r) D(r) V(r) (2)
donde V(r) y U(r) son matrices cuyas columnas son los vectores ortonormalizados asociados con los
√ √ √
autovalores no nulos de X t X y XX t y D(r) es la matriz diagonal con diag ( λ1 λ2 ... λr )

ACP
Los principales estandarizados se obtiene aplicando la descomposición en valores singulares a la matriz
Z t Z donde zij es el correspondiente elemento estandarizado de X . Se define las coordenadas de n
productos sobre el α ésimo eje principal como:
p
X
ψ α = Zv α = vjα Z j
j=1
donde vector Vα es el α ésimo vector columna V(r)

ACP
las coordenadas de la p variables sobre el α ésimo eje principal se definen:
n
X
ϕα = Z t uα = uiα Zi
i=1

ACP
ACP
La variabilidad asociada a cada componente principal la define la razón de cada autovalor respecto de la
suma de autovalores como se muestra:
ACP
λα λα
p = (3)
P p
λα
α=1

ACP
Para obtener el indice de capacidad multivariante se calcula un valor de Z mediante la transformación
de componentes principales estandarizados, este valor de Z se obtiene de la medida de probabilidad
1 − P. Donde P esta definida como:
p
Y
P0,1 [ai < zi < bi ]
i=1
ACP
yi −Uit µ0
donde zi = √ , ai y bi son respectivamente los límites de especificación inferior y superior del
λi
proceso.

componentes principales
ACP
Wang (1998) evalúa el indice de capacidad multivariado mediante:
1 −1
MCpk = φ (θ)
3
ACP
donde θ es la probabilidad de que un proceso produzca un producto bueno.

componentes principales
ACP
Otra propuesta de componentes principales es la Wang y Chen(1998)
v
Y 1
v
MCp = Cp,PCi
i=1
donde Cp,PCi es el indice de capacidad univariante para la j ésima componente y v es el número de

autovalores seleccionados.

Cartas de control por Atributos
Sección 23 Cartas de control por Atributos

Cartas de control por atributos
Cualquier característica de calidad que pueda ser clasificada en forma de conteo:cumpleonocumple,

funcionaonofunciona, pasaonopasa, número de fallas, número de no conformidades etc., a los efectos
de control del proceso, será considerado como un atributo y para su control se utilizará una carta de
Control por Atributos.Los criterios de aplicar las cartas de control por atributos, deben estar claramente
definidos de acuerdo a las condiciones del proceso y el procedimiento para decidir si esos criterios
pueden arrojar resultados consistentes a través del tiempo.

Tamaño de muestra
Establezca la frecuencia con la cual los datos serán tomados (horaria, diaria, semanal). Los intervalos
cortos entre toma de muestras, permitirán una rápida retroalimentación al proceso ante la presencia
de problemas. Los tamaños de muestra grandes permiten evaluaciones más estables del desarrollo del
proceso y son más sensibles a pequeños cambios en el promedio del mismo.

Cartas de Control por Atributos
Cartas de control por fracción de no conforme
Un diagrama p muestra la variación existe en la fracción defectuosa en un proceso, en donde se conoce

como la fracción defectuosa la razónPdel número de unidades o cantidad de unidades no conformes np y
g
el tamaño total de la muestra (n = i=1 ni ).La gráfica p mide la fracción defectuosa como estadístico de
control, mientras que para la carta de la cantidad de no conformes, el estadístico de control es el número
de unidades no conformes presentes en una muestra de tamaño constante seleccionada aleatoriamente.

Cartas de control por fracción de no conforme FASE I
1 Trazamos un diagrama preliminar para determinar si el proceso se encuentra en control,

calculando inicialmente el promedio de unidades no conformes durante el período en que se toma
la información histórica.
2 Para ello, tomamos el número total de partes defectuosas sobre el número total de inspecciones
realizadas.
3 Determinamos los limites de control superior e inferior de control históricos o de ensayo.
4 Se analizan si existen subgrupos o puntos fuera de los límites control, se determina si existen
causas asignables o no.Si esta causa existe, se elimina la señal fuera de los límites.
5 Se recálcula la proporción promedio de no conformes. Se análiza posteriormente si
comportamiento de la carta se debe a causas aleatorias, es decir el críterio de estabilidad
estadística del proceso.
6 Una vez estabilizada la carta, se procede a estimar los parámetros del proceso en este caso como
se trata de el supuesto de un comportamiento de distribución Binomial el parámetro estimado es
E(p̄) = p.

Los Estadísticos de Control

El estadístico de control que de cálcula para cada subrupo es la fracción de unidades no conformes,
definida de la siguiente forma,
(np)i
pbi =
ni

Cartas de control por fracción de no conforme FASE I
la fracción promedio esta definida como:

Pm
i=1 (np)i
p̄ = P m
i=1 ni
En la Fase I la formulación de los límites de control en esta carta esta definida como,
s
p̄(1 − p̄)
UCL = p̄ + 3σp = p̄ + 3
ni
Cl = p̄
s
p̄(1 − p̄)
LCL = p̄ − 3σp = p̄ − 3
ni

Recálculo de los límites de control

Si existen señales fuera de los límites de control, en esta fase. Se hace necesario recalcular la estimación
del parámetro p, de la siguiente forma:
Pm
npi − npe
p0 = Pi=1 m
i=1 ni − ne
Donde p0 es la proporción o fracción de no conformes calculada en la estabilización estadística de la

carta de control, npe es el subgrupo o subgrupos eliminados y ne es la muestra eliminada que contiene
estos subgrupos.Una vez estabilizado estadísticamente la carta de control, el parámetro p se estima de
la siguiente manera,
p = E(¯p̄) = p0
Donde p0 es la proporción o fracción de no conformes calculada en la estabilización estadística de la
carta de control.

Carta de Control por Atributos
Ejemplo de Carta de Control de no conformes p
Utilizando los datos de la producción de carteras para hombre trácese un diagrama p para la producción.
Supóngase que las causas atribuibles han sido encontradas en el caso de todos los puntos situados fuera
de los límites del diagrama de control. El tamaño de muestra utilizado es de 200 unidades por subgrupo.
Día del mes Número de unidades no conformes np Fracción de no conformes p

1 6 0.030
2 6 0.030
3 6 0.030
4 5 0.025
5 0 0.000
6 0 0.000
7 6 0.030
8 14 0.070
9 4 0.020
10 0 0.000
11 1 0.005
12 8 0.040
13 2 0.010
14 4 0.020
15 7 0.035

Cartas de control por fracción de no conforme

Por ejemplo los estadísticos de control, calculado para los primeros cuatro subgrupo se determinan
mediante las siguientes formulaciones,
6
p=
b = 0.03
200
5
p=
b = 0.025
200
la fracción promedio del procesco es,
69
p̄ = = 0.023
3000

Límites históricos de las cartas de control de fracción de no conformes

Los límites históricos en el ejemplo son,
s
0.023(1 − 0.023)
UCL = 0.023 + 3 = 0.0547993
200
CL = 0.023
s
0.023(1 − 0.023)
LCL = 0.023 − 3 = 0.00
200

Límites históricos
Figura: Cartas de control por fracción de no conformes

Recalcular los límites de las cartas de control por fracción de no conformes

Recalculamos el estadístico de control,
Pm
np − npd
p0 = Pi=1
m
i=1 n − nd
69 − 14
p0 = = 0.0196
3000 − 200

La formulación es de la siguiente forma,

s
p0 (1 − p0 )
UCL = p0 + 3σp =p0 + 3
ni
CL =p0
s
p0 (1 − p0 )
LCL = p0 − 3σp =p0 − 3
ni

Límites recalculados
Los límites recalculados en el ejemplo son,
s
0.0196(1 − 0.0196)
UCL = 0.0196 + 3 = 0.0490
200
CL = 0.0196
s
0.0196(1 − 0.0196)
LCL = 0.0196 − 3 = 0.00
200

Figura: Cartas recalculada de control por fracción de no conformes

Parámetro de la carta de control p

El parámetro p se estima mediante:
E(p̄) = p
Parámetro de la carta de control p

En el ejemplo de la fabricación de la billetera, el parámetro p se estima mediante:
E(p̄) = p = 0.0196

Cartas de control por fracción de no conformes fase II
1 Una vez obtenido los parámetros del proceso p para la carta de fracción de no conformes o np
para la carta de la cantidad de no conformes, se determina los limites estándar de control.
2 En el proceso se selecciona nueva información de un período posterior, para someterlo a control.
3 Se calculan los estadísticos de control para cada subgrupo, sea p̄ o n̄p.
4 Estos estadístico se presentan en los límites estándar de la carta p o np, para realizar un análisis
del comportamiento del proceso (Etapa de control)y tomar los correctivos inmediatos si existe un
Comportamiento en estado Fuera de Control.

Datos para control de las unidades no conformes de la fabricación de billeteras para hombre
Día del mes Número de billeteras no conformes np Fracción de billeteras no conformes p
1 1 0.005
2 3 0.015
3 1 0.005
4 4 0.020
5 0 0.000
6 4 0.020
7 15 0.075
Parámetro de proporciones
el parámetro esta definido como,
p = 0.0196

Límites estándar de la carta de la fracción de no conformes

La formulación es de la siguiente forma,
r
p(1 − p)
UCL = p + 3σp = p + 3
n
CL = p
r
p(1 − p)
LCL = p − 3σp = p − 3
n

Fase II - Control
Límites estándar
Los límites estándar son los siguientes,
s
0.0196(1 − 0.0196)
UCL = 0.0196 + 3 = 0.049
200
CL = 0.0196
s
0.0196(1 − 0.0196)
LCL = 0.0196 − 3 = −0.0098 = 0.00
200

Fase II Control
Límites estándar Control
Figura: Cartas de control por fracción de no conformes

Cartas de Control de la Cantidad de no oonformes np
Cartas de control para la cantidad de no conformes np
El diagrama np muestra la variación existe en la cantidad o número de unidades no conformes de

un proceso, donde el parámetro p se conoce como la fracción de no conformes, para un tamaño del
subgrupo n constante. En donde el procedimiento de la Fase I es el siguiente,

Cartas de control por Cantidad de No conformes fase I - Procedimeinto
1 El primer paso es trazar un diagrama preliminar para determinar si el proceso se encuentra en

estabilidad estadísticca, para ello inicialmente se cálcula el promedio de cantidad de unidades
no conformes durante el período en que se toma la información histórica.
2 Calcular el número total de unidades no conformes del proceso, realizando una sumatoria de éstas
para cada subgrupo evaluado.
3 Posteriormente se determina los limites de control superior e inferior de control históricos, iniciales
o de ensayo tomando el promedio de la cantidad de unidades ni conformes n̄p.
4 Se analizan si existen subgrupos o puntos fuera de los límites control, se determina si existen
causas asignables. Si esta causa existe, se elimina la señal fuera de los límites.
5 Dado que se cumpla el item anterior, Se recálcula la cantidad de unidades no conformes, lo que
implica recalcular los límites históricos. Se presentan los estadísticos de control de cada subgrupo
en estos nuevos límites y se análiza nuevamente si el comportamiento de la carta se debe a
causas aleatorias, es decir el críterio de estabilidad estadística del proceso.
6 Una vez estabilizada la carta, se procede a estimar los parámetros del proceso en este caso como
se trata de el supuesto de un comportamiento de distribución Binomial el parámetro estimado es
E(np)
¯ = np.

Los Estadísticos de Control
El estadístico de control es la cantidad de unidades no conformes np,es decir el conteo por subgrupo de
las unidades no conformes presente en la muestra (el tamaño del subgrupo para esta carta es constante.
El promedio de la cantidad de no conformes se determina mediante,
Pm
i=1 np
np
¯ =
m
Fracción promedio de no conformes

y la fracción promedio de unidades no conformes que se determina aplicando la ecuación desarrollada
en la carta p, Pm
np
p̄ = Pi=1
m
i=1 n

Cartas de control para la cantidad de no conforme np

En la Fase I la formulación de en esta carta esta definida,
p
UCL = np
¯ + 3σnp
¯ = np
¯ +3 ¯ − p̄)
np(1
CL = np
¯
p
¯ − 3σnp
LCL = np ¯ −3
¯ = np ¯ − p̄)
np(1


Día del mes Número de unidades no conformes np Fracción de no conformes p
1 6 0.030
2 6 0.030
3 6 0.030
4 5 0.025
5 0 0.000
6 0 0.000
7 6 0.030
8 14 0.070
9 4 0.020
10 0 0.000
11 1 0.005
12 8 0.040
13 2 0.010
14 4 0.020
15 7 0.035
Cálculo de la fracción de no conforme

la fracción promedio es,
69
p̄ = = 0.023
3000


El estadístico calculado es la fracción de unidades para el primer,segundo y tercer subgrupo es,
Pm
i=1 np 69
np
¯ = = = 4.6
m 15
69
p̄ = = 0.023
3000
Los límites estándar en el ejemplo son,
p
UCL = 4.6 + 3 4.6(1 − 0.023) = 10.9599
CL = 4.6
p
LCL = 4.6 − 3 4.6(1 − 0.023) = −1.75 ≈ 0.00

Figura: Cartas de control para la cantidad de no conforme np

Recalculamos el estadístico para el ejemplo mencianado,
Pm
i=1 np − npd
np0 =
m − md
69 − 14
np0 = = 3.92857
15 − 1
69 − 14
p0 = = 0.0196
3000 − 200

La formulación para los límites recalculados es,
p
UCL = np0 + 3σnp = np0 + 3 np0 (1 − p0 )
CL = np0
p
LCL = np0 − 3σnp = np0 − 3 np0 (1 − p0 )
Cálculo de los Límites recalculados en el ejemplo

Los límites recalculados en el ejemplo son,
p
UCL = 3.92 + 3 3.92(1 − 0.0196) = 9.81607
CL = 3.92857
p
LCL = 3.92 − 3 3.92(1 − 0.0196) = −1.96 = 0.00

Límites recalculados de la Cartas de control para la cantidad de no conformes np
Figura: Recalculo de la Carta de control de la cantidad de no conformes

Parámetro de la carta de control np

Una vez estabilizada estadística de control, el parámetro np se estima mediante:
E(np)
¯ = np
E(p0 ) = p
Parámetro de la carta de control np en el ejemplo

En el ejemplo el parámetro np se estima mediante:
np = 3.92
p = 0.0196

Cartas de control de la cantidad de no conformes Fase II
El procedimiento de la Fase II para la carta np es similar a la presentada en la carta de fracción de no

conformes p y en general a las cartas de atributos mencionadas en la introducción.
1 Seleccionar nueva información del proceso, para un período posterior, una vez obtenido los
parámetros en la Fase I, en este caso los parámetros obtenidos son p y np.
2 Determinar los limites estándar de control tomando los parámetros evaluados en la FASE I.
3 Se calculan los estadísticos de control para cada subgrupo, en este caso n̄p.
4 Estos estadístico se presentan en los límites estándar de la carta np, se hace un análisis del
comportamiento del proceso, control, y se toman los correctivos inmediatos si existe un
Comportamiento en estado Fuera de Control.

Límites estándar
En la Fase II la formulación de cada uno de los límites de la carta de control de la cantidad de no
conformes, es de la siguiente:
p
UCL = np + 3σnp = np + 3 np(1 − p)
CL = np
p
LCL = np − 3σnp = np − 3 np(1 − p)

Datos para control de la cantidad de billeteras no conformes

Día del mes Número de unidades no conformes np
1 1
2 3
3 1
4 4
5 0
6 4
7 15
Cálculo del parámetro np

np = 3.92
p = 0.0196

Límites estándar de la Carta de la cantidad de no conformes np

Los límites estándar son,
p
UCL = 3.92 + 3 3.92(1 − 0.0196) = 9.80
CL = 3.92
p
LCL = 3.92 − 3 3.92(1 − 0.0196) = −1.96 = 0.00

Límites estándar de la carta np
Figura: Control cantidad de no conformes

Indice de capacidad univariado para la proporción de no conformes
Indice de capacidad de atributos
Generalmente se toma el valor de b p de la nueva información como un estimativo de la capacidad

del proceso. Pero algunos autores presentan algunas notaciones estadística para medir este índice de
capacidad es el caso de la siguiente formulación,
p − p̄
Cp =
0.0027
donde p y p̄ son: el parámetro de proporción y la proporción promedio de los nuevos datos.

Carta de control para el número de no conformidades c
En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que
se están fabricando. Por ejemplo, en la fabricación de billeteras para hombre se puede tomar ciertas no
conformidades tales como:
Deformidades en la superficie.
Rajaduras en el cuero.
Bordes con cortes inadecuados.
Permanencia del color en el cuero.
No conformidades
Las no coformidades pueden ser de diferentes tipos y se cuenta el total de todos estas fallas en la unidad
inspeccionada o unidades inspeccionadas. Obtenemos como resultado: es el número de no coformidades
presentes en la muestra seleccionada.

La carta de control para el número de piezas defectuosas esta basada en la distribución de probabilidad
de Poisson. Los objetivos de la gráfica c son:
Reducir el costo relativo al proceso.
Informar a los supervisores de producción y a la administración acerca del nivel de calidad.
Determinar que tipo de defectos no son permisibles en un producto informar de la probabilidad
de ocurrencia de los defectos en una unidad.

La aplicación de la carta de control es útil para controlar el número de defectos presentes en una unidad
predeterminada. En este gráfico, el tamaño de la muestra debe ser fijo.
Estadístico de Control c
El estadístico de control es c que es el número de no conformidaes presente en la muestra, para el

cálculo de los límites de control se determina el promedio del número de no conformidades,
Pm
i=1 c
c̄ =
m

El uso de la carta de control c es especialmente conveniente cuando no existe una unidad natural de
producto y se requiere controlar la cantidad de defectos sobre una superficie o a lo largo de una longitud
constante. Si el número de defectos promedio es c̄ , entonces los límites de control para esta carta son:
Límites de control históricos de la carta de control c

En la Fase I, la formulación es de la siguiente forma,
√
UCL = c̄ + 3σc = c̄ + 3 c̄
CL = c̄
√
LCL = c̄ − 3σc = c̄ − 3 c̄


Del ejemplo de la producción de billeteras, asumamos que los valores siguientes son las fallas
encontradas:
Número del subgrupo Número de no conformidades c
1 77
2 64
3 75
4 93
5 45
6 61
7 49
8 65
9 45
10 77
11 59
12 54
13 41
14 87
15 40
16 22
17 92
Cálculo del promedio de no conformidades c

1046
c̄ = = 61.5294
17

Cartas de Control por atributos

En la Fase I, la formulación es de la siguiente forma,
√
UCL = 61.5294 + 3 61.5294 = 85.0616
CL = 61.5294
√
LCL = 61.5294 − 3 61.5294 = 37.9972
La carta se presenta a continuación, nótese que existen señales fuera de los límites tanto inferior como
superior.¿Cómo analizarla?

Figura: Carta del número de no conformidades

Recalcular los límites de control de la carta del número de no conformidades c

Recalculamos el estadístico, Pm
i=1 c − cd
c0 =
m − md


Recalculamos el estadístico,
Pm
i=1 1046 − (93 + 87 + 92)
c0 = = 55.29
17 − 3


Los calculos de los límites de control recalculados en el ejemplo se tiene:
√
UCL = 55.29 + 3 55.29 = 77.59
CL = 55.29
√
LCL = 55.29 − 3 55.29 = 32.98

Parámetros de la carta de control del número de no conformidades c
Figura: Recalculo de la Carta de control del número de no conformidades

Parámetro de la carta de control c

El parámetro λ de esta carta, se estima mediante el siguiente valor esperado:
E(c0 ) = λ

Límites de control estándar de la carta de control del número de no conformidades c

En la Fase II, los límites de control son los siguientes,
√
UCL = λ + 3 λ
CL = λ
√
LCL = λ − 3 λ

Datos para control para la carta del número de no conformidades c presentes en la fabricación de las
billeteras.
¿Se encuentra el proceso de fabricación de billeteras en control,la información seleccionanda para un

período posterior se presenta en la tabla?.¿Cual es la probabilidad que se presente más de 35 no
conformidades en el proceso?¿Determine el tamaño de muestra seleccionada si la probabilidad que no se
presente una falla es de 0.6 y el porcentaje de no conformes es del 3 %.
Número del subgrupo Número de no conformidades c
1 26
2 23
3 9
4 15
5 63
6 39
7 58
8 61
9 59
10 51
11 33
12 40
Cálculo del parámetro λ

λ = 55.29


Cálculo del los límites de control estándar
En la Fase II, los límites de control estándar en la fabricación de las billeteras son los siguientes,
√
UCL = 55.29 + 3 55.29 = 77.59
CL = 55.29
√
LCL = 55.29 − 3 55.29 = 32.98
Se presenta cada estadístico de control encontrado en la nueva información suministrada por el proceso,
en este caso el número de no conformidades c.
Monitoreo del número de no conformidades FASE II
Figura: Carta de Control para el número de no conformidades

Resolución de ejercicio propuesto
En cuanto a la medida de probabilidad de presentarse más de 35 no conformidades, es claro que la

distribucón asumida es la de Poisson, lo que se hace necesario obtener el parámeteo λ, que se cálculo
en la FASE I arrojando un resultado de λ = 55.29. Esto implica que la medida de probabilidad es,
P(X > 35) = 1 − P(X < 35)

= 1 − [P(X = 0) + ... + P(X = 35)]
35
X e−55.29 55.29x
=1−
i=0
x!
= 1 − 0.00235 = 0.9976

Por otro lado, se puede aplicar la aproximación a la normal asumiendo que µ = 55.29 y la varianza
σ 2 = 55.29, lo que resulta una desviación de σ = 7.43. De esta forma se obtienes los parámetros para
realizar esta aproximación,
P(X > 35) = 1 − P(X < 35)

(35 − 55.29)
=1−P Z =
7.43
= 1 − P [Z = −2.728]
= 1 − 0.0031 = 0, 9968

El tamaño de muestra se obtiene mediante la aproximación de la distribución de la binomial a la Poisson,

donde el parámetro λ = np. Tomando la información que se presenta el parámetro es de Poisson es
λ = n(0.03). Aplicando medida de probabilidad y logaritmo natural en el desarrollo se tiene,
P(X = 0) = 0.60
e−n(0.03) n(0.03)0
= 0.60
0!
e−n(0.03) = 0.60
n(0.03) ln e = ln(0.06)
ln(0.60)
n=
0.03
n ≈ 18

Indice de capacidad univariado para el número de no conformidades
Índice de capacidad para el número de no conformidades por unidad
Históricamente para el cálculo del índice de capacidad en esta carta de control, se determinaba el
promedio del número de no conformidades de la información tomada como control, y se realizaba una
comparación con respecto al parámetro. Algunos autores presentan la siguiente notación estadística como
propuesta para de interpretación de este indicador.
Indice de capacidad de atributos

Se propone la siguiente ecuación:
λ − c̄
Cp =
0.0027
donde λ y c̄ son: el parámetro del promedio de no conformidad y no conformidad promedio de los
nuevos datos.

Carta de control para el número de no conformidades por unidad u
Carta de control del número de no conformidades por unidad u
Esta carta de control es similar a la carta del número de no conformidades c, en donde se realiza el
conteo a las fallas presentes en las unidades presentes. Pero se diferencia con respecto a la anterior carta,
en que la muestra seleccionada es variable en los subgrupos selecccionados. El estadístico de control
entonces se debe evaluar basado en la muestra que se seleccione, como también los límites de control
serán de igual manera modificados para cada subrupo.

Estadístico de Control
El estadístico de control para la carta del número de no conformidades por unidad, se define entonces
de la siguiente forma,
c
u=
b
n
para cada subgrupo seleccionado se realiza la razón entre el número de no conformidades o fallas
presentes en cada subgrupo y el tamaño de la muestra seleccionada.
Promedio de las unidades no conformes por unidad

El promedio del número de no conformidades por unidad se define como,
Pm
ci
ū = Pmi=1
n
i=1 i

Límites de control históricos de la carta de control u
En la Fase I, la formulación para la carta de control del número de no conformidades por unidad se
presenta de la siguiente forma,
r
ū
UCL = ū + 3σu = ū + 3
n
CL = ū
r
ū
LCL = c̄ − 3σu = ū − 3
n
Se muestra que estos límites de control dependen del tamaño de muestra que posee el subgrupo. Si en
el proceso de muestreo, este tamaño de subrupo se modifica, los límites de control se construirán para
cada uno de los subgrupos.

Cálculo del promedio de no conformidades por unidad u
El promedio del número de no conformidades por unidad esta definido como la razón de la cantidad de
no conformidades presentes en la información y el total de la muestra seleccionada:
Pm
ci
ū = Pni=1
n
i=1 i


Tabla del número de no conformidades por unidad u
Un ejemplo cotidiano se presenta en las empresas textileras, en donde el corte para el control de calidad
de los diferentes telares esta sujeta a las condiciones del proceso. La siguiente información muestra el
número de no conformidades encontradas en porciones de telas seleccionadas.Estas porciones poseen
una medida diferente,
Número del subgrupo tamaño del subgrupo Número de no conformidades c
1 40 2
2 25 6
3 20 3
4 15 1
5 25 3
6 10 6
7 35 5
8 25 6
9 20 2
10 10 4
11 25 5
12 35 3
13 40 1
14 45 2
15 45 4
16 25 2
17 50 3
Cálculo del promedio de no conformidades por unidad u

Se realiza el cálculo del número promedio de no conformidades por unidad, aplicando la siguiente
formulación,
58
ū = = 0.1183
490
Este valor de 0.1183 es el promedio de fallas presentes por unidad de muestra, en este caso la unidad es
el metro. Roberto José Herrera Acosta Control Estadístico de Procesos
Límites de control históricos del ejercicio propuesto
Los límites de control obtenidos en la Fase I, se toma de la información histórica del proceso. Para algunos
autores es conveniente poseer un mínimo de seis meses de información para obtener estimaciones
adecuados de los parámetros. Los límites de control para la empresa textil son los siguientes, nótese que
están sujeto al tamaño de la muestra,
r
0.1183
UCL = 0.1183 + 3
n
CL = 0.1183
r
0.1183
LCL = 0.1183 − 3
n

Límites de control históricos del ejercicio propuesto
La carta dde control muestra varias señales fuera de los límites, observese el límite superior que indican
causas asignables o especiales, que el ingeniero debe corregir para el mejoramiento de las condiciones
iniciales para una política de mejoramiento.
Figura: Carta del número de no conformidades
Sin embargo nótese que existen señales o puntos por fuera del límite inferior, que no necesariamente
indique error en la toma de la información. Pueda que se trate de procedimientos novedosos que causan
un nivel de mejora en dicho proceso.

Recalculo del promedio del número de no conformidades por unidad u

En el recalculo de los límites de control, solo tomaremos en cuenta las señales que se presentan por
encima del límite superior y se asume un mejoramiento del proceso con respecto a señales por debajo
del límite inferior. Pm
ui − (ud )
u¯0 = Pi=1
m
i=1 ni − (nd )

Recalculo del número promedio de no conformidades por unidad en el ejercicio propuesto

En este caso el recálculo de estos limites, se elimina dos de los subgrupos, aplicando la siguiente
formulación, Pm
i=1 58 − (6 + 4)
u0 = = 0.1021
490 − (10 + 10)
En este caso el nuevo promedio de no conformidades por unidad es de 0.1021, se deben realizar los
cálculos de los límites históricos con este nuevo promedio, para buscar estabilidad estadística del
proceso.

Recalculo de los límites de control históricos de la carta de control u

Los calculos de los límites de control recalculados en para este ejercicio se presenta a continuación,
s
0.1021
UCL = 0.1021 + 3
ni
CL = 0.1021
s
0.1021
LCL = 0.1021 − 3
ni
Estos límites están sujeto al tamaño de muestra de cada uno de los subgrupos, lo que indica que cada
uno de estos subgrupos contarán con su propio límite de control.

Recálculo de los límites de control históricos de la carta de control u

Observese que la nueva carta de control eliminado los subgrupo o señales que estaban por encima del
límite superior, una vez encontrada las causas, se encuentra en estabilidad estadística.
Figura: Recalculo de la Carta de control del número de no conformidades
Sin embargo se debe identificar que la figura muestra una carta de control con límites constantes.
Estos límites se calculan tomando un promedio muestra, pero este tipo de aproximación puede resultar
inconvenientes porque tanto el error tipo I y el error tipo II pueden aumentar en el proceso decisorio.

Estimación del parámetro de la carta de control u

Una vez estabilizada la carta de control el parámetro λ por unidad se estima mediante:
E(u¯0 ) = λ = 0.1021
Este parámetro permitirá realizar control con la nueva información suministrada del proceso, evaluar
medidas de probabilidad y realizar estimaciones de las condiciones de capacidad del proceso.
Límites de control estándar de la carta de control u

El anterior parámetro permite encontrar los límites de control estándar, utilizando la siguiente
formulaciones,
s
u 0.1021
r
UCL = u + 3 = 0.1021 + 3
ni ni
CL = u = 0.1021
s
u 0.1021
r
LCL = u − 3 = 0.1021 + 3
ni ni

Cartas de control para el número de no conformidades por unidad u
Datos para control para la carta del número de no conformidades por unidad u
La siguiente tabla muestra la nueva información recolectada en el proceso, en este caso la empresa
textil, que permitirá realizar control.
Número del subgrupo Número de no conformidades u Muestra
1 6 40
2 3 35
3 9 50
4 5 35
5 3 65
6 9 50
Cálculo del promedio de no conformidades u

La FASE I permite estimar el valor del parámetro λ definido anteriormente como,
u = 0.1021

La carta de control del núemro de no conformidades por unidad para la nueva información muestra un
proceso fuera de control observese que los puntos están por encima del límite de control superior, lo
que implica un cambio de nivel descendente. Esto indica que el número de no conformidades aumento
considerablemente y se debe tomar las acciones necesarias que faciliten la mejora del procceso.
Figura: Carta de control u fase de control

Carta de control para el número de deméritos D
Carta de Control por Atributo
Carta de control del número de deméritos
La carta de control del número de deméritos, es una carta que detalla el tipo de no conformidades
presentes en el proceso, es decir categoriza o valoriza estas fallas de acuerdo con su importancia en el
proceso. Esta valoración esta sujeta en el conocimiento que poseea el personal responsable del proceso
y las necesidades de los clientes.

Carta de Control por Atributo
Se pueden generar distintos tipos de defectos, tales como críticos, mayores, menores; esta clasificación
depende mucho de las organizaciones y del grado de impacto en la satisfacción del cliente. Por lo cual es
necesario dar una ponderación a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema
posible es el siguiente:
Defectos Tipo A Crítico: No conformidad generada por el cliente, como una queja o reclamo, o
aquella que perjudica la satisfacción del cliente.
Defectos Tipo B Mayores: Aquella no conformidad que puede afectar a la satisfacción del cliente
pero generada por la organización.
Defectos Tipo C Menores: No conformidad que no afecta ni a la satisfacción del cliente ni al
desarrollo normal de los servicios prestados.


El número de deméritos en la unidad inspeccionada se define en la siguiente ecuación:
di = WA CA + WB CB + WC CC
En donde a las WA , WB , WC , se les asignan valores generalmente de 9 para las no conformidades críticas
y 1 a las no conformidades menores, aunque no existe una regla definida para estos pesos la organización
o el gestor de calidad puede otorgárselo con libertad.


Si se toma ni como el número de unidades de la muestra, entonces el número de deméritos por unidad
es:
D
Ui =
ni
Donde D = ni=1
Pi
di que es el número total de deméritos en las unidades ni inspeccionadas. La línea
central del carta de control por deméritos es,
LC (LimiteCentral) = Ū = WA U¯A + WB U¯B + WC U¯C
donde UA , UB y UC es igual a:

Carta de control por Atributos

N
1 X
U¯A = CA
N d=1
N
1 X
U¯B = CB
N d=1
N
1 X
U¯C = CC
N d=1
Donde N es igual a las unidades inspeccionadas en la Fase I. Los límites de control se calculan con las
siguientes ecuaciones:
UCL = Ū + 3c
σU
LCL = Ū − 3c
σU
Donde la desviación del número de deméritos se estima con la siguiente ecuación:

s
WA2 U¯A + WB2 U¯B + WC2 U¯C
σ
cU =
n
Carta de control por Atributos
Ejercicio
Datos históricos del proceso de fabricación de una lámina de triplex en la empresa Pizano S.A. se
selecciono nueve subrupos, en donde se evalúo las condiciones de calidad de una únidad.
Datos del número de no conformidades por lámina
Item. Subgrupo Tipo A Tipo B Tipo C

1 1 0 1 1
2 2 1 1 0
3 3 0 1 1
4 4 1 1 0
5 5 1 1 0
6 6 0 1 2
7 7 0 1 2
8 8 0 0 1
9 0 0 0 2

Carta de Control del número de deméritos
Se considera que el análisis de no conformidades através de la Carta de Control por Deméritos ayudará
a establecer unos límites permisibles de no conformidades de Tipo A, Tipo B y Tipo C para la fabricación
de las láminas de madera prensada.
Carta de Control del número de deméritos
Se desea analizar los datos mediante la Carta de Control por Deméritos, con el propósito de tener un
punto de partida para definir metas de no conformidades. Los datos del presente análisis se encuentran
descritos en la siguiente tabla.
Tabla Demérito
Tipo de no conformidad Peso del demérito 1 2 3 4 5 6 7 8 9
Tipo A 9 0 1 0 1 1 0 0 0 0
Tipo B 6 1 1 1 1 1 1 1 0 0
Tipo C 3 1 0 1 0 0 1 2 1 2

Ejercicio Carta de Control del número de deméritos
Tipo de no conformidad Peso del demérito 1 2 3 4 5 6 7 8 9

Tipo A 9 0 1 0 1 1 0 0 0 0
Tipo B 6 1 1 1 1 1 1 1 0 0
Tipo C 3 Pni 1 0 1 0 0 1 2 1 2
Total demérito por mes D= i=1 di 9 15 9 15 15 9 12 3 6
Tamaño de la muestra por mes C ni 1 1 1 1 1 1 1 1 1
Deméritos por unidad Ui = nD 9 15 9 15 15 9 12 3 6
i

Carta de Control del número de deméritos - Cálculo de los Deméritos
N
1 X 3
U¯A = CA =
N d=1 9
N
1 X 7
U¯B = CB =
N d=1 9
N
1 X 8
U¯C = CC =
N d=1 9
Donde N es igual a las unidades inspeccionadas en este caso 9

3
U¯A = = 0.33
9
7
U¯B = = 0.78
9
8
U¯C = = 0.89
9

Carta de Control del número de deméritos - Cálculo los límites de control

Calculando el demérito promedio Ū se tiene que:
LC (LimiteCentral) = Ū = WA U¯A + WB U¯B + WC U¯C

= 9 × 0.333 + 6 × 0.78 + 3 × 0.89 = 10.32
Los límites de control son:

σU = 10.32 + 3 × 9.1 = 38
UCL = Ū + 3c
LCL = Ū − 3c
σU = 10.32 − 3 × 9.1 = −17 ≈ 0

Carta de Control del número de deméritos - Cálculo de la desviación de los deméritos

Donde la desviación del número de deméritos se cálculo de la siguiente forma:
s
WA2 U¯A + WB2 U¯B + WC2 U¯C
σ
cU =
n
s
92 × 0.33 + 62 × 0.78 + 32 × 0.89
= = 9.1
1

Planes de muestreo
Sección 24 Planes de muestreo

Planes de muestreo
Planes de muestreo por atributos: muestreo de aceptación lote por lote
Muestreo de aceptación lote por lote
objetivos
El muestreo de aceptación es aplicado en el campo productivo, para determinar las diferencias en los tipos
de muestreo de aceptación existentes y comprender la importancia de la relación entre el consumidor y el
productor. Es una herramienta estadística aplicada en producción, cuyo objetivo principal es seleccionar
una muestra o muestras de un determinado lote y decidir mediante ésta o éstas, si este lote es o no
apropiado para su despacho. El muestre de aceptación es utilizada, cuando las unidades:
1 son sometidas a su destrucción cuando se realiza el respectivo control.
2 los altos costos de inspección que implica una revisión exaústiva de cada unidad fabricada.
3 una decisión rápida del estado del lote fabricado.
Su ventaja radica en que, evita una revisón 100 % de las unidades fabricadas, lo que implica una una
disminución considerable de los costos económico del proceso de revisión. Por otro lado una desventaja
del muestreo es que existe una medida de probabilidad de no rechazar un lote en condiciones no
favorables, es decir un lote no conformes, es claro que el muestreo evita el conocimiento de la condiciones
de calidad de cada unidad fabricada.

Planes de muestreo
Simbología
La notación utilizada internacionalmente, para definir el muestreo de aceptación, se resume en lo
siguiente: Como se presenta:
N = tamaodellote
n = tamaodelamuestra
c = cantidaddeunidadesaceptadas(Ac)
r = cantidaddeunidadesrechazadas(Re)

Planes de muestreo
Tipos de muestreo:muestreo sencillo

Se basa en la selección de una única muestra del lote, para la decisión de rechazar o no la calidad
asumida del lote de interes. En el caso de N = 9000n = 125c = 0r = 1 que indica: de un lote de 9000
unidades se seleccionan para su revisón una muestra aleatoria de ciento veinticinco (125)unidades, si no
localiza unidades no conformes c = 0, no se rechaza de que el lote cumple con los criterios de calidad,
pero si se encuantran una o más unidades no conformes r = 1 se rechaza el lote.
Tipos de muestreo: muestreo doble

En este tipo de muestreo la decisión se puede llevar a cabo, en la selección de dos muestras
seleccionadas del lote, en forma independiente. Es el caso de un lote de de un muestreo doble:
N = 9000
n1 = 125
c1 = 0
r1 = 2
n2 = 125
c2 = 3
r2 = 4

Planes de muestreo

Tabla de la letra código
La tabla de la letra código, se toma como referente: un muestreo de producción continua y costos de
inspección de moderado a baja; el tipo de inspección de referente es el normal, osea el nivel de muestreo
II. En el caso del ejemplo de muestreo sencillo de la anterior presentación, la letra código para 9000
unidades es L. Cuando el tipo de inspección implica tomar una muestra que sea aproximadamente la
mitad de la muestra en un nivel de inspección normal, se utiliza el nivel I o nivel de inpección reducida´.
Si por el contrario se requiere una mayor muestra, aproximadamente el doble, el nivel de inspección
aplicada es el nivel III o nivel de inspección rigurosa.
En la siguiente tabla, se muestra la letra código obtenida bajo un tamaño de lote establecido. Esta letra
código permite obtener de las tablas MIL − STD − 105E (Militay Standard) el tamaño de la muestra
y las condiciones de muestreo. También se observa, que para obtener las condiciones de muestreo es
necesario fijar el NAC, o el porcentaje máximo permitido en el proceso de muestreo.

Planes de muestreo
El nivel aceptable de calidad: muestreo encillo
Algunos autores, reccomienndan algunos criterios de las condiciones del proceso para asignar el NAC del
sistema de muestreo aplicado. Entre las condiciones própuestas encontramos las siguientes,
Nivel aceptable de calidad Condiciones del proceso
NAC ≤ 1 % Problemas críticos
2 ≤ NAC ≤ 4 % Problemas principales
NAC ≥ 6 % Problemas secundarios

Planes de muestreo

Tabla de la letra código
El plan de muestreo sencillo normal, indica que la muestra seleccionada debe ser de 200 unidades. Sin
embargo se debe definir inicialmente el NAC o nivel aceptable de calidad, que se define como el máximo
porcentaje de no conformes permitido en el proceso. En este ejemplo se asume un NAC = 0.1, lo que
implica que la decisión de rechazar o no el lote se da cuando:
n = 200
c=0
r=1
Pero se observa que el tamaño de la muestra se debe modificar de un valor de 200 a un tamaño muestral
de 125, como lo señala o indica la flecha en el diagrama. En estas tablas de muestreo se asume una
distribución hipergeométrica, lo que justifica que algunas veces se realicen o se presenten cambios que
garanticen este supuesto estadístico.

Planes de muestreo
Curva operativa CO
La construcción de la curva operativa de muestreo se basa en el plan de muestreo seleccionado en

el proceso, en el caso del tamaño muestral de 125 unidades y el número mínimo de unidades para
no rechazar el lote de c = 0, las medidadas de probabilidad calculadas, asumiendo por ejemplo, un
porcentaje de no conformes del 2 % es de:
e0.02(125) 0.02(125)0
P(C = 0) =
0
= 0.0820
Este cálculo de medida de probabilidad se puede realizar, para diferentes valores de porcentaje de no
conformes. En la siguiente tabla se muestra los cálculos arrojados para p simulados.
Porcentaje de no conforme p λ Pa
0.001 0.125 0.8824
0.003 0.375 0.6872
0.005 0.625 0.5352
0.007 0.875 0.4168
0.01 1.25 0.2865
0.02 2.5 0.0820
0.03 3.75 0.0235

Planes de muestreo
Curva operativa: muestreo sencillo
La curva operativa CO, muestra la probabilidad de no rechazo de un lote para diferentes valores del
porcentaje de no conformes presente en el proceso. En el caso de una muestra de n = 125 y el número
de aceptación c = 0 para diferentes valores de p la curva CO se presenta en la siguiente figura,

Planes de muestreo
Calidad media de salida CMS: muestreo sencillo
Supóngase que es rechazado un lote con una probabilidad de no rechazo de Pa . Este lote es sometido
a un proceso de rectificación, en ddonde las unidades no conformes encontradas son reemplazadas por
unidades con óptimas condiciones. Por lo que el porcentaje final del lote se modifica. Este porcentaje de
no conformes final se conoce como calidad media de salida CMS. Para el cálculo de dicho porcentaje se
apica la siguiente ecuación,
CMS = (100p)Pa
El muestreo sencillo seleccionado con un lote de 9000 unidades, con uma muestra de 125, la calidad
media de salida CMS para diferentes porcentajes de no conformes es,
Porcentaje de no conforme p Pa CMS %
0.001 0.8824 0.088
0.003 0.6872 0.206
0.005 0.5352 0.268
0.007 0.4168 0.292
0.01 0.2865 0.287
0.02 0.0820 0.164
0.03 0.0235 0.071
El mximo porcentaje de la CMS se denomina, límite de calidad media de salida LCMS.

Planes de muestreo
Calidad media de salida CMS
La curva de calidad media de salida CMS, muestra para para el ejemplo anterior, el límite de calidad
media de la muestra LCMS es de aproximadamente 0.287 %.

Planes de muestreo
Curva ATI
Para determinar el número de inspecciones promedio que se toma en un nuestreo sencillo, se cálcula el
ATI, definido de la siguiente forma,
ATI = n + (1 − Pa )(N − n)
Es decir para una medida de probabilidad Pa se puede calcular el ATI. En el ejercicio desarrollado
anteriormente, los ATI para cada p simulado se presenta de la siguiente forma,
Porcentaje de no conforme p Pa ATI
0.001 0.8824 116.8
0.003 0.6872 2900.3
0.005 0.5352 4249.6
0.007 0.4168 5300.3
0.01 0.2865 6457.3
0.02 0.0820 8271.5
0.03 0.0235 8791.3

Planes de muestreo
Curva ATI: muestreo sencillo
La curva ATI, muestra el número promedio de inspecciones realizadas en el muestreo. Notese que a
medida que aumenta el porcentaje de no conformes del proceso, el número de inpecciones aumenta,
verificandose esta afirmaciones para porcentajes de no conformes aproximadamente por encima del 4 %.

Planes de muestreo
Curva operativa CO:muestreo doble
En el caso de muestreo doble, la curva operativa se evalúa para dos formulaciones: la medida de
probabilidad para no rechazar el lote enl primera muestra (Pa )I y la medida de probabilidad combinada
que es la suma de la medida de probabilidad de la primera muestra, más la medida de probabilidad de la
segunda muestra (Pa )II . En el caso del ejercicio de estudio recuerdese que las condiciones de muestreo
son: n1 = 125, c1 = 0, r1 = 3, c2 = 3, r2 = 4. Esto indica que la formulación aplicada es,
(Pa )II = P(C = 1)I P(C ≤ 2)II + P(C = 2)I P(C ≤ 1)
para el caso en que el porcentaje de no conformes es de el 0.1 %, es decir p = 0.001
(Pa )II = P(C = 1)I P(C ≤ 2)II + P(C = 2)I P(C ≤ 1)II
= (0.1103)(1.000) + (0.007)(0.9928)
= 0.117
para un p = 0.003
= (0.2577)(0.9330) + (0.048)(0.9450)
= 0.302

Planes de muestreo
Curva operativa CO: muestreo doble
La medida de probabilidad combinada esta definida como Pcombinada = (Pa )I + (Pa )II . Las medidas de
probabilidad, para valores de p son las siguientes,
En la siguiente tabla se muestra la medida de probabilidad de no rechazo en la primera muestra y la

medida de probabilidad de no rechazo en la segunda muestra dado un procengtaje de no conformes p.
Porcentaje de no conforme p (Pa )I (Pa )II Pcombinada

0.001 0.8824 0.117 1.000
0.003 0.6872 0.302 0.989
0.005 0.5352 0.417 0.952
0.007 0.4168 0.468 0.885
0.01 0.2865 0.455 0.742
0.02 0.0820 0.185 0.267
0.03 0.0235 0.043 0.066

Planes de muestreo
Calidad media de la muestra CMM: muestreo de aceptación por atributos
Es aplicada por el consumidor o cliente para comprobar el muestreo sencillo con respecto al doble y
tomar la decisión de cual aplicar. Su formulación es la siguiente:
CMM = n1 + n2 (1 − P1 )
donde P1 es la probabilidad de decisión (cuando no se rechaza o cuando se rechaza el lote en la primera

muestra).

Planes de muestreo
En la siguiente tabla se muestra la columna CMM para un muestreo sencillo n = 80, c = 2, para el
igualmente eficiente plan de muestreo doble n1 = 50, c1 = 0, r1 = 3, n2 = 50, c2 = 3, r3 = 4
y compare el CMM de ambos, mediante la construcción de sus curvas respectivas. A continuación se
presentan las medidas de probabilidad para valores de λ de 0.5, 1.0, 1.5, 2.0 y 3.0
P1 = P(c = 0)I + P(r ≥ 3)I

: 0.6065 + 0.0143 = 0.6208
: 0.3678 + 0.0804 = 0.4482
: 0.2231 + 0.1912 = 0.4143
: 0.1353 + 0.3233 = 0.4586
: 0.0497 + 0.5769 = 0.6266

Planes de muestreo
Se presenta a continuación los cálculos de las medidas de probabilidad, cuando el valor de λ = 0.5 y
de λ = 3.0, es decir se determina la medida de probabilidad del primer y último valor de la simulación
del porcentaje de no conformes p:
para un valo λ = 0.5
e−0.5 (0.5)0
P(c = 0)I = = 0.6065
0!
P(r ≥ 3)II = 1 − [P(r = 0) + P(r = 1) + P(r = 2)]
−0.5
(0.5)0 e−0.5 (0.5)1 e−0.5 (0.5)2

e
=1− + +
0! 1! 2!
= 1 − [0.6065 + 0.3032 + 0.0758] = 0.0143
P1 = P(c = 0) + P(r ≥ 3) = 0.6065 + 0.0143 = 0.6208

Planes de muestreo
para un valor λ = 3.0, es decir un valor de p = 0.06.
e3.0 (3.0)0
P(c = 0)I = = 0.0497
0!
P(r ≥ 3)II = 1 − [P(r = 0) + P(r = 1) + P(r = 2)]
−3.0
(3.0)0 e−3.0 (3.0)1 e−3.0 (3.0)2

e
=1− + +
0! 1! 2!
= 1 − [0.0497 + 0.149 + 0.2240] = 0.5769
P1 = P(c = 0) + P(r ≥ 3) = 0.0497 + 0.5769 = 0.6266

El cálculo para la calidad media de la muestra CMM, para el caso de que el porcentaje de no conformes
sea del 1 % es la siguiente.
CMM = n1 + n2 (1 − P1 )
= 50 + 50(1 − 0.6208) = 68.96

Planes de muestreo

La calidad media de la muestra CMM, para el caso de que el porcentaje de no conformes sea del 6 %
es la siguiente.
CMM = n1 + n2 (1 − P1 )
= 50 + 50(1 − 0.6266) = 68.67
Porcentaje de no conforme 100p n 1 p0 P1 CMM

1.0 0.5 0.6208 68.96
2.0 1.0 0.4482 77.59
3.0 1.5 0.4142 79.29
4.0 2.0 0.4586 77.07
6.0 3.0 0.6266 68.67

Muestreo de aceptación por variables
Sección 25 Muestreo de aceptación por variables

Muestreo por variables
El concepto teórico del muestreo por atributos se puede trasladar al caso en que la característica de
calidad evaluada en el lote sea de tipo cuantitativo, muestreos por variables, la decisión se realiza
contrastando si la producción se encuentra por encima de un determinado nivel de fracción defectuosa
prefijado o se encuentra por encima de uno límites de especificación de diseño. La ventaja del muestreo
de aceptación por variables consiste en que por lo general el muestreo por variables posee tamaños de
muestra menores. Pero su desventajas con respecto a su similar por atributos contempla los siguientes
aspectos,
1 El muestreo por variable es más costoso, ya que se debe medir el componente de interés, para
realizar una inspección por atributos.
2 Este muestreo genera una incertidumbre en la toma de la información y en el procesamiento de
estos datos.
3 Un producto en donde se presente más de una característica de calidad, es necesario realizar
varios planes de muestreo en forma simultánea para cada una de las características evaluadas.

Muestreo por variables
El muestreo por variables parte de un supuesto, es que las características de caliadad a inspeccionar se
encuentren distribuidas en forma normal, se trata posteriormente de estimar la media poblacional µ a
través de la media muestral x̄. Se puede presentar los siguiente casos:
1 parámetro σ conocida y un solo límite de tolerancia LC.
2 parámetro σ conocida y dos límites de tolerancia (tolerancias bilateraleso dos colas).
3 parámetro σ desconocida y un solo límite de tolerancia LC.
4 parámetro σ desconocida y dos límites de tolerancia (tolerancias bilaterales o dos colas).
La selección es definida por el hecho de que se conozca o no la desviación del proceso, σ. Cuando este
parámetro es conocido, el estadístico aplicado es la normal estándar, por otro lado si el parámetro σ es
desconocido, la distribución aplicada es la t de Students.

Sigma conocida y un solo límite de tolerancia: muestreo por variables
Se define el NCA: como aquella fracción defectuosa con la que un lote tiene el 95 % de probabilidades
de no rechazarse. En el caso de que exista un solo límite de tolerancia, la distancia de la media del lote
y la tolerancia deberá ser tal que,
!
µ − x̄
P σ ≥ z1−α = 0.95
√
n
z1−α = z(0.95)
= 1.65

Sigma conocida y un solo linite de tolerancia: muestreo por variables
Lo que implica que la media muestral sea,

σ
x̄ = µ + z(0.95) √
n
σ
= T − zT σ + z(0.95) √
n

z(0.95)
= T − zT − √ σ
n
= T − kσ
Si la media muestral resulta superior a ese valor,entonces se puede rechazar el lote con un nivel de
significación a = 0.05.

Sigma conocida y un solo límite de tolerancia: muestreo por variables
Si se fijan dos puntos de la curva de operación (por ejemplo el NCA y la CL), el cálculo del tamaño de la
muestra requerido n, y el factor k se calcula de manera sencilla:
Z (0.95)
k = zAQL − √
n
z(0.10)
K = zCL − √
n
2
z(0.95) − z(0.10)
n=
zAQL − zCL
−zAQL z(0.10) + zCL z(0.95)
k=
z(0.95) − z(0.10)
Si la media muestral resulta superior a ese valor,entonces se puede rechazar el lote con un nivel de
significación a = 0.05.

Sigma conocida y dos límites de tolerancia: muestreo por variables
Pueden darse tres casos: a) Qué las tolerancias estén tan próximas de modo que del conocimiento de
la fracción defectuosa y σ se deduzca que el lote no cumple la especificación sin necesidad de tomar
ninguna muestra:
Ts − Ti Ts − Ti
P − <z< >p
2σ 2σ
las tolerancias estén muy separadas (Ts − Ti > 3σ). En este caso el problema se reduce al caso de
un solo límite de tolerancia considerando solo la tolerancia más próxima. c) El caso intermedio, en el
que parte de la fracción defectuosa corresponde a cada una de las colas. En efecto, si p = p1 + p2 es
la fracción defectuosa, la misma podrá obtenerse con un lote centrado en µ1 ó µ2 . Sobre esa figura se
indican las regiones de aceptación y rechazo de k.

Sigma conocida y dos límites de tolerancia: muestreo por variables
En este caso el cálculo de n y k que satisfagan un NCA y una CL prefijados son,
NCA = p1 + p2
z(0.95) − z(0.10) 2

n=
zp1 − zCL
−zp1 z(0.10) + zCL z(0.95)
k=
z(0.95) − z(0.10)


Ejemplo: sigma conocida y dos límites de tolerancia
Supongamos que un chip Pentium 1250MHz se considera eficiente cuando la velocidad real sea menos de
1.200MHz. Es decir LCL = 1200. El lote no es rechazado si no más de 2 % de los chips en el lotes son no
conformes. Los lotes son rechazados no más del 5 % de las veces, donde el AQL = 0.02. Se considera la
velocidad del procesador con una variable aleatoria X con una distribución normal con media y varianza
conocida σ 2 = 400. En donde se puede asumir el promedio como µ = µAQL que corresponde a el
AQL.
0.02 = P(X < LSL)

LSL − µAQL

=P
σ
LSL − µAQL
−2.05 =
σ
se obtiene,
LSL − µAQL = −2.05σ
Por lo tanto,
µAQL = LSL + 2.05σ

= 1200 + 2.05(20) = 1241


Si la verdadera velocidad media del procesador para un determinado lotes de 1241MHz o superior, el lote
no es rechazado. El problema es estimar el valor de la media µ, dado que se desconoce, por lo que
la inspección de cada elemento del lote es necesaria si esta no es estimada. La Solución es tomar una
muestra aleatoria considerable de elementos y contrastar la hiótesis de que µ = 1241 contra la hipótesis
alterna de que µ < 1241. Es decir el siguiente contraste:
H0 : µ = 1241
H1 : µ < 1241
La determinación del estadístico de prueba es,

x̄ − 1241
Z = σ
√
n
se rechaza la hipótesis nula cuando,

σ
x̄ − 1241 < −1.645 √
n
32.9
x̄ < 1241 − √
n

En general se rechaza el lote si,

z1−Pa (AQL)
x̄ < zAQL − √ σ + LSL
n
donde zAQL esta definida como,

P(Z > zAQL ) = AQL
La determinación del tamaño de la muestra n es basada en el LTPD, asumiendo β = 0.1 y LTPD = 20 %,
es decir no se rechaza lotes con el 20 % de no conformes no mas que el 10 % de las veces. Sea entonces
µL TPD la media del procesador, para lotes con el LTPD dado, entonces:
0.2 = P(X < LSL)

LSL − µLTPD
=P Z <
σ
LSL − µLTPD
= −0.84
σ
µLTPD = LSL + 0.84σ
= 1216.8

La media de la velocidad del procesador es de 1216.8MHz en lotes con este LTPD. Cuando se desea
rechazar el 90 % de los lotes se requiere,

32.9
P x̄ < 1241 − √ = 0.90
n
estandarizando la medida de probabilidad,

32.9
1241 −
!
√
n
P Z < 20
= 0.90
√
n
entonces se tiene que,

√
1.21 n − 1.645 = 1.28
resolviendo se tiene que el valor de n = 5.8, en general el valor de n se obtiene aplicando,

2
zα + zβ

n=
zAQL − zLTPD

Sigma desconocida: muestreo por variables
En este caso,la distribución aplicada es la t de Student que permite realizar un contraste de la media
pero no permite fijar la de la fracción defectuosa del lote. Una vez obtenida una muestra de tamaño n,
con una media y una desviación típica muestral, el problema es determinar k tal que si,
T − x̄
≤k
s
se rechace el lote con un nivel de significación prefijado. Donde x̄ − ks es una variable aleatoria con
media µ − ks y su varianza es,
Var(x̄ − ks) = Var(x̄) + k 2 Var(s)

Por otra parte,se tiene que la varianza del lote se estima mediante,
s2
(n − 1) ∝ χ2n−1
σ2
σ2 2
s2 ∝ χ
n − 1 n−1
σ4
Var(s2 ) = 2(n − 1)
(n − 1)2
2σ[4
=
(n − 1)

Se deduce que el hecho de desconocer la varianza del lote, penaliza el tamaño de la muestra requerido
en un factor de corrección,
k2

1+
2
de manera que, si se fija un NCA y una CL, el plan de muestreo requerido es (caso de un límite de
tolerancia):
−zAQL (0.10) + zCL z(0.95)
k=
z(0.95) − z(0.10)
k2 z(0.95) − z(0.10) 2

n= 1+
2 zAQL − zCL

Procedimiento: Norma Mil Std 414
La MIL − STD − 414 está estructurada de una forma muy similar a la tabla de muestreo de aceptación
por atributos MIL − STD − 105E. También se aplica el concepto de NCA, en donde se presenta cinco
niveles de inspección (I - V), los tipos de niveles de inspección normal, reducida y rigurosa. El nivel de
entrada de referencia es el nivel IV, en condiciones normales.
1 Fijación del NCA y nivel de inspección. Dato: tamaño del lote. Supongamos el caso de σ
desconocida, que la especificación marca un solo límite superior U o inferior L y que se quiere
utilizar el método de la desviación típica muestral.
2 Comprobar en la Tabla A − I el NCA equivalente que hay que utilizar. Búsqueda de la letra -
código en la Tabla B − I. Si se trata de un lote aislado sería necesario comprobar que la CL es
aceptable. Ello se puede comprobar en este caso utilizando la Tabla A − III
U−x̄
3 Acontinuación depende se calcula los estadísticos x̄ y s . Para obtener los coeficientes: Zs = s
y Zi = x̄−L
s
.
4 Cuando el valor de las constantes Zs y Zi son mayores que los valores críticos ks y ki (a partir de
la tabla A-II) no se puede rechazar el lote evaluado.


En esta tabla se determina la letra código dependiendo del tamaño del lote, por lo generla se parte del
nivel IV.
Figura: Código de letras para los tamaños de muestras


Una vez obtenido la letra código, el paso siguiente es determinar el tamaño de muestra y la constante
k para un límite de especificación del proceso, basado en el NAC o el Cl asumido en el proceso de
inspección,.
Figura: Tabla máster para inspección normal y severa para planes basado en variabilidad desconocida límite de
especificación unilateral


Este tabla determina el tamaño de muestra para un proceso en donde se presentan límites bilateral,
obteniendo las constantes ks y ki de aceptación, basado en el NAC o el Cl asumido en el proceso de
inspección.
Figura: Tabla máster para inspección normal y severa para planes basado en variabilidad desconocida, límites de
especificación bilateral

Ejercicio: Norma Mil Std 414
Un dispositivo de retraso pirotécnico tiene un tiempo de retardo mínimo especificado de 4.0 segundos y
un máximo de 9.0 segundos. Se inspecciona la producción en lotes de 100 piezas nivel IV de inspección,
inpección normal, con una NAC igual a 0.15 aplicando el límite inferior, y un NAC igual a 2.5 %, aplicado
al límite superior.
Procedimiento: ejerccicio del método S
Apartir de la Tabla A − I se observa que la letra código para el tamaño de muestra es F .

A partir de la tabla B − I (límites bilateral) se aprecia que el tamaño de muestras es 10 para el
método s, en esta tabla se encuentra las constantes superior e inferior de no rechazo k son en
su orden: ks = 7.29 y ki = 0.349.
Supóngase que los tiempos de retardo de las unidades seleccionadas en la muestra son: 6.95,
6.52,6.40,6.29,6.44, 6.04, 6.35, 6.44, 6.80 y 7.15.

Ejercicio: Norma Mil Std 414
Se realizan los cálculos de los estadístico de la muestra n, aplicando las siguientes formulaciones,
s
(xi − x̄)2
s=
n−1
Pn
i=1 xi
x̄ =
n
Estadísticos de prueba: método S

El estadístico de prueba se presenta en la siguiente formulación para límites bilaterales,
U − x̄
Zs =
s
x̄ − L
Zi =
s

Se debe determinar el cumplimiento de los criterios de no rechazo:

1 Tamaño de muestra n = 10, la media de esta muestra es x̄ = 6.53 y su desviación estándar es de
s = 0.315.
2 Límite de especificación superior U = 9.0, Límite de especificación inferior L = 4.0.
(9−6.53) (6.53−4)
3 Los estadísticos de prueba son: Zs = 0.315
= 7.58 y Zi = 0.315
= 8.03.
4 Las constantes de no rechazo ks = 7.29 y ki = 0.34, donde el criterio de no rechazo es: Zs > ks
y Zi > ki .
Según los criterios antes mencionados, el lote cumple con las características de calidad, por lo que la
evidencia muestral indica que no debe ser rechazado.

Ejercicio de muestreo de aceptación
Sección 26 Ejercicio de muestreo de aceptación

Ejercicio de muestreo de aceptación : doble

Ejercicio de aplicación: probabilidad de no rechazo en la primera muestra
Determine la probabilidad de que no sea rechazado un lote en la primera muestra cuyo porcentaje de no
conformes es del 2 %. Se sabe que el lote posee 55000 unidades, nivel de inspección II, muestreo doble
y el NAC establecido es de 0.4 %.
Solucion:La letra código (tabla de la letra código) de un lote con 55000 y nivel II (normal) de inspección
es N, con esta letra código se dermina el tamaño de muestra (Tabla de muetreo MILSTD 105E muestreo
doble normal), la muestra obtenida es: n1 = 315, n2 = 315 unidades, las condiciones de muestreo se
determinan tendiendo en cuenta el NAC que en este ejercicio es de 0.4 %, en la parte superior de la tabla
se ubica este valor y se realiza el cruce con la letra código N; se obtiene las condiciones de muestreo,
que en este caso arroja el siguiente resultado: C1 = 2, r1 = 5, c2 = 6, r2 = 7. Significa que para que
este lote no sea rechazado en la primera muestra, el número de unidades no conformes debe ser menor
o igual a dos (2). En terminos de la medida de probabilidad, el no rechazo del lote se obtiene cuando en
la primera muestra (Pa )I = P(X ≤ 2) se presenta:
(Pa )I = P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)
Para un porcentaje de no conformes 2 % del proceso la medida de probabilidad de no rechazo se obtiene
aproximando a una distribución de Poisson, donde λ = np = 315(0.02) = 6.3:
P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)
−6.3 0 −6.3 1 −6.3 2
e 6.3 e 6.3 e 6.3
= + +
0! 1! 2!
0.0018
=Roberto + 0.01156 + 0.0364
José Herrera Acosta
= 0.0498

Ejercicio de aplicación curva operativa
Elabore la curva operativa de un muestreo doble, en un proceso en donde se forman lotes de 10000
unidades, el nivel de inspección es II, NAC establecido es de 0.65 %. Construya la curva CO para los
porcentajes 0.005. 0.01. 0.03 y 0.05.
Solucion:La letra código (tabla de la letra código) de un lote con 55000 y nivel II (normal) de inspección
es L, con esta letra código se dermina el tamaño de muestra (Tabla de muetreo MILSTD 105E muestreo
doble normal), la muestra obtenida es: n1 = 125, n2 = 125 unidades, las condiciones de muestreo se
determinan tendiendo en cuenta el NAC que en este ejercicio es de 0.65 %, en la parte superior de
la tabla se ubica este valor y se realiza el cruce con la letra código L; se obtiene las condiciones de
muestreo, que en este caso arroja el siguiente resultado: C1 = 1, r1 = 4, c2 = 4, r2 = 5. La medida de
probabilidad para no rechazar en la primera muestra (Pa )I = P(X ≤ 1)
(Pa )I = P(X ≤ 1) = P(X = 0) + P(X = 1)
Para un porcentaje de no conformes 0.5 % del proceso la medida de probabilidad de no rechazo se
obtiene aproximando a una distribución de Poisson, donde λ = np = 125(0.005) = 0.625:
P(C ≤ 1) = P(C = 0) + P(C = 1)
−0.625 −0.625
0.6250 0.6251

e e
= +
0! 1!
= 0.5352 + 0.3345 = 0.8697
continua

El cálculo anterior se realiza para los porcentajes de no conformes de 0.01, 0.03 y 0.05, obteniendo los
siguientes resultados:
P(C ≤ 1)λ=1.25 = P(C = 0) + P(C = 1)

−1.25 0 −1.25 1
e 1.25 e 1.25
= +
0! 1!
= 0.2865 + 0.3581 = 0.64463
P(C ≤ 1)λ=3.75 = P(C = 0) + P(C = 1)
−3.75 −3.75
3.750 3.751

e e
= +
0! 1!
= 0.0235 + 0.08819 = 0.1117
P(C ≤ 1)λ=6.25 = P(C = 0) + P(C = 1)
−6.25 −6.25
6.250 6.251

e e
= +
0! 1!
= 0.00193 + 0.012106 = 0.01399
continua
Para la segunda muestra, se presenta la tabla de decisión con el propósito de estructurar la medida de
probabilidad de no rechazo (Pa )II . Se debe recordar que las condiciones de muestreo en este ejercicio
es C1 = 1, r1 = 4, c2 = 4, r2 = 5, lo que significa que en la primera muestra no se puede tomar la
decisión acerca del lote cuando el número de unidades no conformes en la primera muestra es de 2 o 3.
La tabla de decisión es la siguiente,
Primera muestra (I) Segunda muestra (II)

2 ≤2
3 ≤1
Esto significa, por ejemplo, si en la primera muestra se obtiene 2 unidades no conformes no se puede
tomar la decisión acerca del lote, por lo que es necesario tomar una segunda muestra, pero en esta se
debe obtener máximo dos unidades no conformes, para no rechazar el lote, es claro que en la primera
muestra se obtuvo inicialmente dos unidades no conformes.

La medida de probabilidad de no rechazar el lote en la segunda muestra, para el caso de un porcentaje

de no conformes de 0.5 % es,
(Pa )IIλ=0.625 = P(C = 2)I [P(C = 0) + P(C = 1) + P(C = 2)]II + P(C = 3)I [P(C = 0) + P(C = 1)]II
−.625 −0.625 −0.625 −0.625
0.6252 0.6250 0.6251 0.6252

e e e e
= + +
2! I 0! 1! 2! II
−.625 −0.625 −0.625
0.6253 0.6250 0.6251

e e e
+ +
3! I 0! 1! II
= (0.1045)I × [0.5352 + 0.3345 + 0.1045]II + (0.02177)I × [0.5352 + 0.3345]II
= 0.1045 × 0.9743 + 0.02177 × 0.8697 = 0.1208
continua

Este procedimiento se realiza para los restantes porcentajes, que en este caso son: 0.03 y 0.05, tomando
la ecuación de la medida de probabilidad en la segunda muestra:
Porcentaje de no conforme 100p λ (Pa )I (Pa )II Pcomb

0.5 0.625 0.8697 0.1208 0.990
1.0 1.250 0.6446 0.2545 0.899
3.0 3.750 0.1117 0.0689 0.180
5.0 6.250 0.0139 0.0030 0.017
Es indispensable determinar la medida de probabilidad combinada, que implica la medida de

probabilidad del proceso de muestreo desde la etapa inicial (la primera muestra) hasta la decisión final
de la segunda muestra. Esta medida de probabilidad esta definida como (Pa )I + (Pa )II , que en el caso
de p = 0.005 la suma obtenida es Pcomb = 0.8697 + 0.1208 = 0.990.

ControlMaestria 11

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

ControlMaestria 11

Încărcat de

Drepturi de autor:

Formate disponibile

Control Estadístico de Procesos

CURSO DE CONTROL ESTADÍSTICO DE PROCESOS

Roberto José Herrera Acosta

Programa de Ingeniería Industrial

Roberto José Herrera Acosta Control Estadístico de Procesos

Roberto José Herrera Acosta Control Estadístico de Procesos

Sección 1 Primer Taller-Artículo científico-APA-IEEE-Ejercicio Práctico

Roberto José Herrera Acosta Control Estadístico de Procesos

Primer artículo cientifico

Simular la fabricación de chazos (arandelas),donde se evaluan dos caracteristicas en forma independiente

Roberto José Herrera Acosta Control Estadístico de Procesos

Procedimiento para la construcción del histograma de frecuencia

En la constucción del histograma de frecuencia, implica inicialmente elaborar la tabla de frecuencia.

Roberto José Herrera Acosta Control Estadístico de Procesos

En un análisis físico-químico del componente de un medicamento no restringido en su comerciali-

120 122 124 126 128

Roberto José Herrera Acosta x Control Estadístico de Procesos

PROGRAMA R PARA ELABORAR HISTOGRAMA DE FRECUENCIA

Roberto José Herrera Acosta Control Estadístico de Procesos

Roberto José Herrera Acosta IndexControl Estadístico de Procesos

Programación en R del Diagrama de seguimiento

Roberto José Herrera Acosta Control Estadístico de Procesos

Sección 2 Uso de la distribuciones de probabilidad aplicadas en control

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad discreta

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad discreta

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad discreta

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad discreta

Ejercicio de la Distribución Poisson

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad discreta

g(X , p) = p(1 − p)(x−1)

Roberto José Herrera Acosta Control Estadístico de Procesos

Sección 3 Distribución de Probabilidad Normal, su aplicación en Ingeniería

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad continua

Ejercicio de la Distribución Normal

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad continua

Ejercicio de la Distribución Normal

Figura: Distribución Normal

Roberto José Herrera Acosta Control Estadístico de Procesos

Distribución de probabilidad continua

Ejercicio de la Distribución Normal

La información suministrada en el ejercicio, posee los siguientes parámetros µ = 2.5 y σ = 0.8. La

P(X > 2.7) = 1 − P(X

Roberto José Herrera Acosta Control Estadístico de Procesos

Programación en R de las Pruebas de Normalidad

MEDIDA DE PROBABILIDAD DE LA DISTRIBUCION NORMAL

Roberto José Herrera Acosta Control Estadístico de Procesos

Sección 4 Prueba de Normalidad Kolmorov Smirnov Lilliefors

Roberto José Herrera Acosta Control Estadístico de Procesos

Figura: Distribución Normal mediante un histograma de frecuencia

Roberto José Herrera Acosta Control Estadístico de Procesos

Programación en R del Histograma de frecuencia

Figura: Histograma de frecuencia

Programación en R de las Pruebas de Normalidad

PAQUETES DE PRUEBA DE NORMALIDAD

Roberto José Herrera Acosta Control Estadístico de Procesos

Programación en R de las Pruebas de Normalidad