Estadistica

Core
Tools de
la AIAG
MDULO 1.
CONTROL
ESTADSTICO
DEL PROCESO
DR. PRIMITIVO REYES
AGUILAR Junio 2010 Mail:
Primitivo_reyes@yahoo.com
/ Pgina Web
www.icicm.com
Cel. 044
55 52 17 49 12
MDULO 1. CORE TOOLS DE LA AIAG - CEP

P. Reyes / junio 2010
OBJETIVO: Al finalizar el Mdulo 1. Core Tools - CEP, el

participante ser capaz de identificar los componentes de
la variabilidad de los procesos (ISO/TS 8.1.2) y aplicar las
tcnicas del Control Estadstico del Proceso para el
seguimiento, anlisis y mejora de los procesos para
contribuir a su mejora continua.

Contenido
1. CONCEPTO DE VARIACIN........................................................................................................................5
Introduccin......................................................................................................................................................5
Componentes de la variacin............................................................................................................................5
Estratificacin...................................................................................................................................................6
Diagrama de Dispersin...................................................................................................................................7
Histogramas......................................................................................................................................................9
Las cartas de control.......................................................................................................................................11
Causas especiales y causas comunes..............................................................................................................12
Causas especiales o asignables:..................................................................................................................12
Causas comunes..........................................................................................................................................13
Tampering o sobreajuste.................................................................................................................................14
Distribucin de probabilidad normal..............................................................................................................15
Propiedades de la distribucin normal estndar.........................................................................................15
rea o probabilidad bajo la curva normal estndar....................................................................................16
Estandarizacin de valores reales a su equivalente Z.................................................................................19
Prueba de normalidad en Minitab...............................................................................................................21
2. CONTROL ESTADSTICO DEL PROCESO...............................................................................................22
Teorema del lmite central..............................................................................................................................22
Introduccin al Control estadstico del proceso.............................................................................................23
Qu es una carta de control?.....................................................................................................................24
Patrones principales de anormalidad en Cartas de Control........................................................................25
Proceso de mejora en el CEP......................................................................................................................28
Cartas de control por variables.......................................................................................................................28
Cartas de control de medias-rangos (X-R).................................................................................................29
Cartas de control para lecturas individuales / Rango mvil (I-MR)..........................................................33
Cartas de control para atributos......................................................................................................................36
Carta de control para fraccin no conforme - p..........................................................................................37
Carta p con tamao de muestra variable.....................................................................................................40
Carta de control np.....................................................................................................................................43
Cartas de control para no conformidades (defectos) c y u..........................................................................46
Tamao de muestra constante - Carta c.....................................................................................................46
Carta u de Defectos por unidad..................................................................................................................50
3. CAPACIDAD DE PROCESOS......................................................................................................................53
Definiciones....................................................................................................................................................53
Introduccin a la capacidad de procesos........................................................................................................53

ndice de capacidad potencial Cp...............................................................................................................56
ndice de capacidad real Cpk......................................................................................................................56
Procedimiento para realizar estudios de capacidad del proceso.................................................................58
ndice de capacidad cpm............................................................................................................................59
ndice de capacidad Cpkm..........................................................................................................................59
Capacidad de procesos no normales...............................................................................................................62

1. CONCEPTO DE VARIACIN
Introduccin
La variacin representa la diferencia entre las cosas, no hay en la naturaleza
dos cosas EXACTAMENTE IGUALES, lo cual origina el estudio de la estadstica.
La variacin es inherente en todos los procesos, por ejemplo:
Componentes de la variacin
La variacin a largo plazo se denomina variabilidad del producto o
proceso. Hay diferencia entre el promedio del proceso y la variacin de
lote a lote. Puede ser necesario analizar cada lnea de productos por
separado. Tambin se presenta la variacin de tiempo a tiempo, la
variacin de pieza a pieza, la variacin posicional dentro de la misma
pieza, el error de medicin cuando es significativo, y al final solo queda
la variabilidad inherente del proceso, que es la reproducibilidad
instantnea de la mquina bajo condiciones ideales.

Estratificacin
Se utiliza para separar el problema general en los estratos que lo componen,
por ejemplo, por reas, departamentos, productos, proveedores, turnos, etc.
Clasificacin de los datos o factores sujetos a estudio en una serie de grupos
con caractersticas similares.
Por ejemplo: Rechazos en general, rechazos en cada lnea, rechazos en cada
mquina de la lnea.

Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede encontrar:
Correlacin positiva o negativa, fuerte o dbil o sin correlacin.
Es una herramienta que nos permite estudiar la relacin de dependencia entre
dos o ms variables. El Coeficiente de correlacin r tiene valores entre -1 y 1 y
el coeficiente de determinacin r2 toma valores entre 0 y 1. La ecuacin de
regresin que pasa por los puntos tiene la forma
Y=a+bX
Diagrama de dispersin y su correlacin entre X,Y

Ejercicio: Hacer un diagrama de dispersin con los datos siguientes:
Espesor (escala 5 por divisin)

Tiempo
4
2
8
6
10
5
7
1
Espesor
20
12
36
28
44
25
32
5
Tiempo (esc. 1/div.)

En Excel se puede obtener esta grfica con la grfica de dispersin y
agregando la lnea de tendencia lineal y el coeficiente de determinacin R^2.
Diagrama de Regresin lineal

Ejercicio: Un jefe de mantenimiento reuni los datos siguientes de los tiempos
de reparacin de un equipo con base a la experiencia del personal del tcnico.
Tcnic Experie
o
ncia
1
1
2
3
3
4
4
4
5
6
6
8
7
10
8
10
Tiempo
80
97
92
102
103
111
119
123

9
10
11
13
X
117
136
Y
a) Obtener la ecuacin de regresin y estimar el tiempo para un tcnico de 9

aos de experiencia.
b) Obtener el coeficiente de correlacin y el coeficiente de determinacin.

Histogramas
Se utilizan para ver la distribucin de frecuencia de los datos
Distribucin de frecuencias o histograma

Pasos para hacer un histograma:
1. Contar el nmero de datos, identificar el valor mximo, el mnimo y el rango.
2. Determinar el ancho de clase = Rango / 5 a 8.
3. Contar cuantos datos entran dentro de cada celda.
4. Graficar las frecuencias de cada celda.
Ejercicio: Realizar un histograma
2.41
17.87 33.51 38.65
3.34
18.03 33.76 39.02
4.04
18.69 34.58 39.64
4.46
19.94 35.58 40.41
8.46
20.20 35.93 40.58
9.15
20.31 36.08 40.64
11.59 24.19 36.14 43.61
12.73 28.75 36.80 44.06
13.18 30.36 36.92 44.52
15.47 30.63 37.23 45.01
con los
45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
datos siguientes:
49.36 55.08 62.53
49.95 55.23 62.78
50.02 55.56 62.98
50.10 55.87 63.03
50.10 56.04 64.12
50.72 56.29 64.29
51.40 58.18 65.44
51.41 59.03 66.18
51.77 59.37 66.56
52.43 59.61 67.45
Paso 1. Nmero de datos =

Valor mayor =
Valor menor =
Paso 2. Ancho de clase = Rango / 6 =
redondear a:
Paso 3. Contar elementos para cada clase:
Columna
Intervalo
0 -17
18-35
Registro de frecuencias
Frecuencia
10
70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
Rango =
81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47

3
4
5
6
36-53
54-71
72-89
90 en
adelante
Paso 4. Hacer la grfica del histograma:
Conclusiones:
En Excel se puede obtener esta grfica con la opcin de Anlisis de datos,

Histograma y seleccionando la columna de datos y de lmites superiores de
clases o celdas.
11

Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora.
Hay dos tipos de cartas de control: por atributos (juzga productos como buenos
o malos) y por variables (variables como, temperaturas).
Carta de control con sus lmites de control y lnea central
Patrones de anormalidad en cartas de control
Las cartas de control detectan la variacin anormal en un proceso,

denominadas causas especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
12

El patrn anormal debido a eventos especiales se llama causa especial

de variacin.
Causas especiales y causas comunes

Causas especiales o asignables:
Existen fuentes de variabilidad que pueden ser causadas por fallas en
mquinas, errores de operadores, materiales defectuosos o alguna otra
discrepancia de las 6Ms (medio ambiente, , personal, mtodos, materiales,
maquinaria y mediciones). Esta variabilidad es muy grande en relacin con la
variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadstico.
LIC
LSC
LSC
Proceso fuera de control, con causas especiales presentes, el proceso

no es predecible
Las causas especiales normalmente provocan que los procesos sean
INESTABLES y salgan de control estadstico.
Esta variabilidad se puede corregir en el rea de trabajo por el personal

involucrado, y no es necesaria la intervencin de la direccin para su
correccin. En una carta de control los patrones de anormalidad ms comunes
son: las causas especiales, las tendencias crecientes o decrecientes y las
corridas de nivel
Ejemplo de variacin
anormal en el tiempo:
13

14

Causas comunes
La variabilidad natural siempre existe en cualquier proceso de produccin, no
importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Proceso en control, solo causas comunes presentes

De la figura cuando el proceso est en control, la mayor parte de la produccin
se encuentra dentro de los lmites de control (LSC y LIC).
Las causas de variacin comn son el resultado de causas naturales, o
diferencias normales pequeas entre productos que se espera ver, por
ejemplo:
Dimetro de cobre, tiene una variacin pero dentro de control
Espesor de acabado, con una variacin normal
Temperatura del horno con variaciones de temperatura normales.
Cuando slo se tienen presentes en el proceso causas comunes, entonces

logramos un PROCESO ESTABLE, con un patrn de comportamiento consistente
y normal en el tiempo, de esta forma se pueden determinar los lmites de
control dentro de los cuales se tendr la variabilidad natural de este proceso
estable el 99.73% del tiempo (por estar los lmites de control a tres sigmas).
15

Esta variacin no puede ser reducida sin cambios fundamentales en el proceso

por la direccin (cambio de maquinaria, nuevos materiales, etc.)
Tampering o sobreajuste.
El intento de ajustar un proceso normal y estable para reducir su variacin al
final incrementa la variacin alrededor de la media del proceso (Tampering o
sobreajuste).
El trmino sobre ajuste o Tamperingse refiere a los ajustes que se

hacen al proceso de produccin que no son estadsticamente
apropiados, dado que el proceso es estable:
16

.
.
Distribucin de probabilidad normal

Un proceso opera en condiciones normales, si tiene los materiales dentro de
especificaciones y del mismo lote, un mtodo consistente, un medio ambiente
adecuado, el operador capacitado, y el equipo ajustado correctamente, si se
toman mediciones en alguna caracterstica del producto, mostrar el siguiente
comportamiento:
17

La distribucin normal es una de las distribuciones ms usadas e importantes.
Se ha desenvuelto como una herramienta indispensable en cualquier rama de
la ciencia, la industria y el comercio. Muchos eventos reales y naturales tienen
una distribucin de frecuencias cuya forma es muy parecida a la distribucin
normal. La distribucin normal es llamada tambin campana de Gauss por su
forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus
parmetros se indican con letras griegas, tales como: promedio o media =
(mu), y desviacin estndar (indicador de la dispersin de los datos) =
(sigma). Para el caso de estadsticos de una muestra se tiene media = X y
desv. est.= s.
Propiedades de la distribucin normal estndar

La distribucin normal estndar tiene media = 0 y desviacin estndar =1.
La media, Mediana y Moda coinciden, son iguales y se localizan en el pico.
Propiedades de la distribucin normal estndar:

El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1.
La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los
parmetros , , por lo que hay un nmero infinito de distribuciones
normales.
LIE
LSE
rea o probabilidad bajo la curva normal estndar

18

Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y
3 99.73% .
-3s -2s -1s
+1s +2s +3s

68.26%
95.46%
99.73%
rea bajo la curva de Distribucin normal

Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel
(Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta
Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva.
La primera tabla sirve para determinar el rea o probabilidad que se encuentra
fuera del lmite inferior de especificacin, para Z menores a cero. La segunda
tabla proporciona valores de rea bajo la curva para Zs mayores a cero. En
cada una se muestran ejemplos de su uso.
19

Ejemplo
a) Determinar el rea bajo la curva de menos infinito a Z = - 1. P(Z<= -1) =
0.1587
20

b) Determinar el rea bajo la curva de menos infinito a Z = - 2. P(Z<= - 2) =
0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1. P(- 2 <= Z<=
-1) = 0.1259
En Excel: Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito
hasta Z).
21

Ejemplo:
a) Determinar el rea bajo la curva de menos infinito a Z = 1. P(Z <= 1) =
0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2. P(Z <= 2) =
0.9772
22

c) Determinar el rea bajo la curva de Z = 1 a Z = 2.
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
d) Determinar el rea total que representa P(Z<=-2) + P(Z>= 2.5)
En Excel Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito
hasta Z.
En Excel = 1 - distr.norm.estand(Z) proporciona el rea desde Z hasta ms
infinito.
EJERCICIO:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad
est incluido dentro de los siguientes rangos?
Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = 1 - P(Z <= 2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + [1 - P(Z <=3.1)] =
f) P(Z>= 1.9) = 1 - P(Z <= 1.9) =
Estandarizacin de valores reales a su equivalente Z
Determina el nmero de desviaciones estndar entre algn valor X y la
media de la poblacin Para calcular el valor de Z usamos la siguiente
frmula.
Z
Z1
X1
Z2
X2
DISTRIBUCIN NORMAL CON DATOS REALES
Desviacin estndar real
X1
Media
Real
X2
DISTRIBUCIN NORMAL ESTANDARIZADA
23

Desviacin estndar = 1
Z1
Media=0
Z2
Estandarizacin de datos reales para clculo de rea

Ejemplo: El departamento de personal de una empresa requiere que los
solicitantes a un puesto en cierta prueba alcancen una calificacin de 500. Si
las calificaciones de la prueba se distribuyen normalmente con media 485
y desviacin estndar 30 Qu porcentaje de los solicitantes pasar la
prueba?
Calculando el valor de Z obtenemos:
X
500 485
Z
0.5
=
30
Buscamos el valor correspondiente Z en las tablas de distribucin normal

estndar o por medio de Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 =
69.146%. donde la probabilidad de que la calificacin sea menor a 500 es P (X
<= 500). Dado que el porcentaje pedido es P ( X 500) la solucin es 10.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la
prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
rea bajo la curva de Distribucin normal

485
3 0 .8 5 %
Z.0 5
Ejemplo: Suponga que un proceso tiene una distribucin normal dada tiene
una media de 20 y una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente
ventana, en la cual llenamos los siguientes datos:
24

Clculo del rea bajo la curva normal sin Z

El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X
24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587
EJERCICIO:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar
de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Prueba de normalidad en Minitab

Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson
Darling o Ryan, en el caso de tener ms de 15 datos y la de Kolmogorov
Smirnov si se tienen 15 o menos datos, y la grfica de probabilidad normal.
a) Mtodo de Anderson Darling o Ryan Joiner.
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos sean normales
25

Grfica de probabilidad de un proceso normal

b) Otra opcin por medio de una grfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal
4. Graph Variable C1 OK
Los puntos deben quedar dentro del intervalo de confianza.
26

2. CONTROL ESTADSTICO DEL PROCESO

Teorema del lmite central
W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribucin normal.1
Encontr que las medias de las muestras correspondan a las medias de la
poblacin y que la desviacin estndar de las medias de las muestras estn
relacionadas con la desviacin estndar de la poblacin, como sigue:
__
X
Donde n es el tamao de la muestra y es la desviacin estndar de la

poblacin.
Seleccionando muestras de tamao n y calculando la X-media o promedio en
cada una se tiene:
Poblacin con media y desviacin estndar y cualquier distribucin.
X1
X-media 1
X2
X-media 2
X3
X-media 3
Distribucin de las medias muestrales - Normal
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
27

Comportamiento de las medias muestrales extradas de otras distribuciones:
Por ejemplo si la distribucin de la poblacin de los datos es la siguiente (no es

normal), la distribucin de sus medias muestrales de tamao 5 si es normal, es
la base del CEP:
Histogram of Datos
Histogram of Media
12
40
10
Frequency
Frequency
30
20
8
6
4
10
2
0
6
Datos
28
3.0
3.6
4.2
4.8
5.4
Media
6.0
6.6
7.2

Conforme el tamao de muestra se incrementa las muestras se distribuyen

normalmente con media de medias y desviacin estndar de las medias de
las muestras / n. Tambin se denomina Error estndar de la media.
Este teorema es la base fundamental del CEP.
Introduccin al Control estadstico del proceso

El CEP es una tcnica que permite aplicar el anlisis estadstico para medir,
monitorear y controlar procesos por medio de cartas de control. Su propsito es
la deteccin oportuna de la ocurrencia de causas especiales, para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no
conformes, para lo cual se utilizan las cartas de control en lnea, permitiendo
tambin la estimacin de la capacidad o habilidad del proceso y la reduccin
continua de la variabilidad hasta donde sea posible.
Beneficios que proporciona el CEP:
Son herramientas para mejorar la productividad
Son herramientas de prevencin de defectos
Evitan ajustes innecesarios
Proporcionan informacin de diagnstico
Proporcionan informacin de la capacidad del proceso
Qu es una carta de control?
Una Carta de Control es como un historial del proceso.... En donde ha

estado....En donde se encuentra....Hacia donde se puede dirigir
Una Carta de control es simplemente un registro de datos en el tiempo

con lmites de control superior e inferior, diferentes a los lmites de
especificacin y determinados con la variacin natural del proceso.
29

Carta de control con sus lmites de control
Las cartas de
control pueden reconocer cambios favorables y
desfavorables. Qu tanto se ha mejorado? Se ha hecho algo
inadecuado?
Las cartas de control detectan la variacin anormal en un proceso,

denominadas causas especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial

de variacin.
Analoga del manejo en carretera con el CEP
30

Patrones de anormalidad ms frecuentes

Patrones principales de anormalidad en Cartas de Control
Puntos fuera de control:
Una carta de control indicar una condicin fuera de control cuando uno o ms
puntos se encuentren ms all de los lmites de control.
Tendencias:
Se pueden presentar tendencias hacia arriba o hacia abajo en las cartas de
control (ascendentes o descendentes), se considera que 7 puntos o ms
indican una situacin fuera de control.
Corrimiento en la media del proceso:

Esto puede ser generado por un cambio en mtodos, operadores, materias
primas, mtodos de inspeccin, etc. se considera que 7 puntos o ms indican
una situacin fuera de control
31

Otros patrones de anormalidad del proceso
Para reconocer un patrn de comportamiento no slo se requiere conocer las

tcnicas estadsticas, sino tambin es necesario tener un conocimiento
profundo del proceso. Debe tenerse cuidado de no exagerar en la aplicacin de
las reglas ya que se pueden tener muchas falsas alarmas quitndole
efectividad al programa del CEP.
32

Proceso en Control estadstico: Sucede cuando no se tienen situaciones
anormales y aproximadamente el 68% (dos tercios) de los puntos de la carta se
encuentran dentro del 1 de las medias en la carta de control. Es decir, se
tiene aprox. el 68% de los puntos dentro del tercio medio de la carta de control.
Si se trata de ajustar el proceso cuando solo la variacin comn est presente,
podemos incurrir en Sobre ajustes o Tampering.
Proceso de mejora en el CEP

El proceso de mejora usando la carta de control requiere la accin de la
supervisin, operador e ingeniera, la carta de control slo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las
causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de
accin para situaciones fuera de control (PASFC), activado con la ocurrencia de
cada evento. Es una lista de verificacin, que indica las causas potenciales
asignables y acciones que resuelven la situacin fuera de control. Este es un
documento vivo que debe ser actualizado constantemente.
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
y seguimiento
33
Deteccin de causa
asignable

Implantar
Identificar causa
Accin
raz
del
problema
Correctiva PASFC
Proceso de mejora utilizando la carta de control
Cartas de control por variables

Una caracterstica que se mide en una escala numrica se denomina una
variable. Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc.
Para control de las caractersticas del producto se pueden utilizar las

cartas de control de medias rangos ( X R ) para monitorear la media y
la variabilidad, con objeto de evitar o minimizar que se tengan productos
fuera de especificaciones y estabilizar los procesos.
Para un control estadstico del proceso por variables, se utiliza la carta

por lecturas individuales y rango mvil (I-MR), para parmetros del
proceso donde slo se toma una lectura a la vez.
Cartas de control de medias-rangos (X-R)

Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora), se
determinan los lmites de control preliminares, se identifican situaciones fuera
de control, se investigan las causas y se toman acciones preventivas para
prevenir la reincidencia y se recalculan los lmites de control futuros.
Ejemplo: Se toman varios datos de hilos y se construye una carta
de medias rangos con m = subgrupos, donde el rango se calcula
tomando el valor mayor menos el valor menor del subgrupo, con n =
5.
Por ejemplo:
Variables
X1
X2
X3
X4
X5
Subgrupo
1
2
4
3
5
1
09:00 a.m.
Subgrupo
2
5
3
6
7
4
10:00 a.m.
34
Subgrupo
m
3
4
1
5
2
11:00 a.m.

Media
Rango
3
4
5
4
3
4
Se obtiene una media de medias X y un rango promedio R, para proceder a

determinar los lmites de control como sigue: Las constantes para n = 5 de
esta carta son A2 = 0.577, D3 = 0, D4 = 2.114.
LSCx = X + A2 x R
LICx = X - A2 x R
Para el caso de los rangos, la lnea central es R . los lmites de control para el
rango son:
LSCr= D4 x R
LICr = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman

acciones preventivas para prevenir la reincidencia y se recalculan los lmites de
control futuros.
Carta de control X-R fuera de control

Despus de identificar las causas de las situaciones fuera de control en los
subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia,
se eliminan los subgrupos fuera de control y se recalculan los lmites de
control.
35

Xbar-R Chart of Supp2
UCL=602.247
Sample Mean
602
601
_
_
X=599.938
600
599
598
LCL=597.629
2
10
Sample
12
14
16
18
UCL=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LCL=0
2
10
Sample
12
14
16
18
Carta de control de medias rangos X-R estable

.
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
36

37

Ejercicio: Obtener una carta de Medias Rangos X-R, Se monitorean
cada hora subgrupos de 5 dimetros de una parte metlica con los siguientes
resultados:
Datos de cada uno de los
subgrupos
x1
x2
x3
x4
x5
Xmm -+A2*Rm
Xm
15.8 16.3 16.2 16.1 16.6 16.20

16.3 15.9 15.9 16.2 16.4 16.14
16.1 16.2 16.5 16.4 16.3 16.30
16.3 16.2 15.9 16.4 16.2 16.20
16.8 16.9 16.7 16.5 16.6 16.70
16.1 15.8 16.7 16.6 16.4 16.32
16.1 16.3 16.5 16.1 16.5 16.30
16.2 16.1 16.2 16.1 16.3 16.18
16.3 16.2 16.4 16.3 16.5 16.34
16.6 16.3 16.4 16.1 16.5 16.38
16.2 16.4 15.9 16.3 16.4 16.24
15.9 16.6 16.7 16.2 16.5 16.38
16.4 16.1 16.6 16.4 16.1 16.32
16.5 16.3 16.2 16.3 16.4 16.34
16.4 16.1 16.3 16.2 16.2 16.24
16
16.2 16.3 16.3 16.2 16.20
16.4 16.2 16.4 16.3 16.2 16.30

16
16.4
16.2 16.4 16.5 16.1 16.24

16
16.3 16.4 16.4 16.30
Xm
m
LICx
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
16.2 16.0
92
21
38
LSCx Ri
16.56
3 0.80
16.56
3 0.50
16.56
3 0.40
16.56
3 0.50
16.56
3 0.40
16.56
3 0.90
16.56
3 0.40
16.56
3 0.20
16.56
3 0.30
16.56
3 0.50
16.56
3 0.50
16.56
3 0.80
16.56
3 0.50
16.56
3 0.30
16.56
3 0.30
16.56
3 0.30
16.56
3 0.20
16.56
3 0.50
16.56
3 0.40
Rm
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
0.47
LICr LSCr
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4
0.99
0
4

16.4 16.4 16.5 16 15.8 16.22
Media de medias
16.29
(Xmm)
2
16.2
92
16.0 16.56
21
3
Rmed
A2=0.577 io
0.70
0.47
0.47
a) Obtener una carta de control X-R de medias rangos. Est el proceso en

control estadstico?
En Excel (seleccionar la informacin de la carta X verde y despus la del
rango R amarillo, usar el asistente de grficas, grfica de lneas, ajustar
escalas y colores)
En Minitab, copiar los datos de las columnas X1 a X5 e C1 a C5.
Stat > Control Charts > Variable charts for subgroups > Xbar R
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5
Xbar Options seleccionar Estimate Rbar
OK
b) Si no est en control, asumir que se pueden identificar las causas
asignables, y que se toman acciones para prevenir su recurrencia, eliminar el
subgrupo 5 (seleccionar el rengln 5 y borrarlo en Minitab) recalcular los lmites
de control con otra corrida.
Cartas de control para lecturas individuales / Rango mvil (I-MR)

Se aplican para un tamao de muestra n =1, por ejemplo:
1. Cuando hay inspeccin automtica de parmetros o piezas individuales.
2. La tasa de produccin es muy baja y conviene tomar muestras de una
pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores
de medicin de laboratorio) como en procesos qumicos.
Los rangos mviles se empiezan a calcular a partir de la segunda muestra,
tomando la diferencia entre cada dos valores consecutivos como sigue: MR i =
X i X i 1
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de

lecturas individuales, donde el rango se calcula tomando cada dos valores
consecutivos, por tanto el valor de n = 2 y habr (m 1) rangos en total. Con
m = nmero de valores individuales. Por ejemplo:
Valores individuals X
Rango
12
15
11
14
39
0.99
4

9
Al final se hace un promedio de los valores X y un promedio de rangos mviles

R y los lmites de control de la carta I-MR se calculan como sigue, para n=2 (E2
=2.66, D3=0, D4=3.27):
LSCx X E 2 * R )
Para la carta I:
LICr 0
y para la carta R:
LICx X E 2 * R )
LSCr D 4 * R
I-MR Chart of Supp1

1
UCL=601.176
I ndividual Value
601
600
_
X=599.548
599
598
LCL=597.920
1
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
2.4
1
UCL=2.000
1.8
1.2
__
MR=0.612
0.6
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
Carta de control I-MR. El proceso no est en control estadstico.
Ejercicio
equipos.
Hacer una carta I-MR utilizando las fichas de ejemplo por
40

41

Carta de control I-MR: se muestran a continuacin los siguientes datos de
mediciones individuales de una viscosidad de un elemento (constantes para n = 2,
E2 = 2.66, D3 = 0, D4 = 3.27):
=Xm -+ E2*Rm
Viscocid
LIC
ad
Xm
x
LSCx
D3*Rm =D4*Rm
6.00
6.00 5.92
6.08 Rango
Rm
LICr
LSCr
5.98
6.00 5.92
6.08
0.02
0.033
0
0.109
0.033
0.109
5.97
6.00 5.92
6.08
0.01
0
0.033
0.109
6.01
6.00 5.92
6.08
0.04
0
0.033
0.109
6.15
6.00 5.92
6.08
0.14
0
0.033
0.109
6.00
6.00 5.92
6.08
0.15
0
0.033
0.109
5.97
6.00 5.92
6.08
0.03
0
0.033
0.109
6.02
6.00 5.92
6.08
0.05
0
0.033
0.109
5.96
6.00 5.92
6.08
0.06
0
0.033
0.109
6.00
6.00 5.92
6.08
0.04
0
0.033
0.109
5.98
6.00 5.92
6.08
0.02
0
0.033
0.109
5.99
6.00 5.92
6.08
0.01
0
0.033
0.109
6.01
6.00 5.92
6.08
0.02
0
0.033
0.109
6.03
6.00 5.92
6.08
0.02
0
0.033
0.109
5.98
6.00 5.92
6.08
0.05
0
0.033
0.109
5.98
6.00 5.92
6.08
0.00
0
0.033
0.109
6.01
6.00 5.92
6.08
0.03
0
0.033
0.109
5.99
6.00 5.92
6.08
0.02
0
0.033
0.109
5.99
6.00 5.92
6.08
0.00
0
0.033
0.109
5.98
6.00 5.92
6.08
0.01
0
0.033
0.109
6.01
6.00 5.92
6.08
0.03
0
0.033
0.109
5.99
6.00 5.92
6.08
0.02
0
0.033
0.109
5.98
6.00 5.92
6.08
0.01
0
0.033
0.109
5.99
6.00 5.92
6.08
0.01
0
0.109
6.00
6.00 5.92
6.08
0.01
0.033
0
=abs(Xj
Promedio Xm
Xi) =
Rango i Rm
En Excel (seleccionar la informacin de la carta X verde y despus la del
rango R amarillo, usar el asistente de grficas, grfica de lneas, ajustar
escalas y colores)
En Minitab, copiar los datos de la viscosidad a una columna C1 u otra.
Stat > Control Charts > Variable charts for individuals > I MR
I-MR Options > Estimate > n = 2
Variable Viscocidad
OK
a) Est el proceso en control estadstico? ___ Si
42
___ No

b) En caso de que no se encuentre en control estadstico eliminar el punto que
sale de control (se asume que se identifica la causa y se toman acciones para
prevenir su recurrencia seleccionar el punto 5 y borrarlo con DEL) para estar
en control y recalcular los lmites, repetir corrida en Minitab.
Cartas de control para atributos

Muchas caractersticas de calidad no pueden ser representadas con nmeros,
solo por cualidades (pasa no pasa) denominados atributos. En tales casos cada
artculo o servicio completo se clasifica como conforme o no conforme a
especificaciones y/o estndares, es decir como defectivo o no defectivo, no
defectuoso o defectuoso, bueno o malo, discrepante o no discrepante.
Cuando el producto no es funcional es no conforme, defectivo o defectuoso.

Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de
control p de fraccin defectiva o la np para el nmero de defectivos o de no
conformes. Se aplica a productos simples (tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se
observan en un producto, se utiliza la carta de control para no conformidades
o defectos c cuando la muestra es constante o la u cuando es variable o
constante. Se aplica a productos complejos (coches, TV, cmaras de video,
escritorios, refrigeradores, etc.) Un defecto o no conformidad es una
discrepancia respecto a los estndares establecidos o a las especificaciones.
El producto puede ser funcional pero puede tener defectos o no conformidades,

que pueden ser corregidas con retrabajo o no se pueden corregir y ser
desperdicio.
En estas cartas de control se recomienda un tamao de muestra de al menos
50 partes.
43

Carta de control para fraccin no conforme - p

La fraccin no conforme es la relacin entre el nmero de artculos
discrepantes entre el total de artculos, se expresa como fraccin decimal,
aunque tambin se puede expresar en porcentaje. El artculo o servicio puede
tener varias caractersticas de calidad que son examinadas por un inspector, si
el artculo no est de acuerdo a los estndares, se le considera como
defectuoso o no conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin
entre el nmero de unidades no conformes D al tamao de muestra n, o sea:
pi
Di
ni
La distribucin de este estadstico sigue la distribucin binomial por tanto los

lmites de control de la carta p son:
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
__
__
= p 3 p (1 p )
n
__
LICp
Si el LIC es negativo, toma el valor de
cero.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los

datos observados en m muestras iniciales, cada una de tamao n, por lo
general se toman 20 a 25 de estas. As si D i son unidades no conformes en la
muestra i , la fraccin defectiva de la muestra i - sima estar dada como:
pi = D i / n
i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es

desconocida es:
m
Di
i 1
mn
p
i 1
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
44

asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situacin fuera de control se
eliminan y se calculan de nuevo los lmites de control preliminares.
Ejemplo: Para un servicio de mantenimiento se tomaron datos de 30 muestras
(m) de 50 partes cada una (n) contabilizando las partes defectuosas o no
conformes en cada muestra (Di) como sigue:
Partes
Partes
Partes
defectuos
defectuos
defectuos
Muestra
as
Muestra
os
Muestra
as
1
12
11
5
21
20
2
15
12
6
22
18
3
8
13
17
23
24
4
10
14
12
24
15
5
4
15
22
25
9
6
7
16
8
26
12
7
16
17
10
27
7
8
9
18
5
28
13
9
14
19
13
29
9
10
10
20
11
30
6
Como en total se encontraron 347 partes defectuosas (Suma de Di) o no
conformes, se estima p como sigue:
m
Di
i 1
mn
p
i 1
347
= 0.2313
(30)(50)
Corrida en Minitab
1. Stat > Control Charts > Atrribute charts > P
2. Variable Partes defectuosas Subgroup size 50
3. OK
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Est en control estadstico el proceso?
45

Si no, identificar la causa que ocasiona la anormalidad, tomar acciones para
prevenir su recurrencia, eliminar puntos fuera de control y recalcular lmites de
control
P Chart for No confo

1
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
Carta de control P para la fraccin de partes defectuosas
De la carta de control se observa que las muestras 15 y 23 estn fuera de los

lmites de control, de tal forma que el proceso est fuera de control. Eliminando
estos puntos y adems el punto 21 se tiene el proceso dentro de control con
una fraccin defectiva promedio del 20.8%.
46

47

Carta p con tamao de muestra variable

En algunas aplicaciones para la fraccin defectiva o no conforme, la muestra es
la inspeccin 100% de las partes producidas en un periodo de tiempo, por
tanto la muestra ser variable. En este caso los lmites de control son
variables:
Los lmites de control para cada muestra con base en la fraccin defectiva
promedio p y su tamao de muestra son LC = p 3 p (1 p ) / ni . La amplitud de
los lmites es inversamente proporcional a la raz cuadrada del tamao de
muestra.
Ejemplo: Se tomaron datos del resultado de la inspeccin diaria, registrando
los defectivos del da y la produccin total.
Defectuosos
20
18
14
16
13
29
21
14
6
6
7
7
9
5
8
9
9
10
9
10
Producci
n
98
104
97
99
97
102
104
101
55
48
50
53
56
49
56
53
52
51
52
47
Pi
Pprom
LIC
LSC
0.20
0.17
0.055
0.282
0.17
0.17
0.058
0.279
0.14
0.17
0.055
0.283
0.16
0.17
0.056
0.281
0.13
0.17
0.055
0.283
0.28
0.17
0.057
0.280
0.20
0.17
0.058
0.279
0.14
0.17
0.057
0.280
0.11
0.17
0.017
0.320
0.13
0.17
0.006
0.331
0.14
0.17
0.010
0.327
0.13
0.17
0.014
0.323
0.16
0.17
0.018
0.319
0.10
0.17
0.008
0.329
0.14
0.17
0.018
0.319
0.17
0.17
0.014
0.323
0.17
0.17
0.013
0.324
0.20
0.17
0.011
0.326
0.17
0.17
0.013
0.324
0.21
0.17
0.005
0.332
LC=Pprom+3*(Pprom*(1Pprom=
0.17
Pprom)/ni))
Si algn LIC es menor a cero, toma el valor de cero.
En Excel graficar la zona verde con una grfica de lnea.
En Minitab, copiar los datos de servicios no conformes y muestras a dos columnas de
Minitab
Stat > Control charts > Attribute charts > p
48

Variable Defectuosos
Subgroups in Produccin
OK
P Chart of Serv_ no_ conf

0.35
UCL=0.3324
0.30
Proportion
0.25
0.20
_
P=0.1685
0.15
0.10
0.05
LCL=0.0047
0.00
1
11
Sample
13
15
17
19
Tests performed with unequal sample sizes
Est el proceso de control estadstico? NO

a.
Asumir que se pueden identificar las causas asignables, eliminar el subgrupo 6 que
sale de control y recalcular los lmites de control con otra corrida
P Chart of Serv_ no_ conf
0.35
UCL=0.3199
0.30
Proportion
0.25
0.20
_
P=0.1596
0.15
0.10
0.05
0.00
LCL=0
1
9
11
Sample
13
15
17
Tests performed with unequal sample sizes
49
19

50

51

Carta de control np
En lugar de tener fracciones no conformes, si el tamao de muestra es
constante, se pueden utilizar directamente el nmero de artculos defectivos o
no conformes np, para evitarle operaciones aritmticas al operador, los
parmetros de esta carta son:
np(i) = Di, np(media) = promedio(Di)
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
si es negativo toma del valor de cero.
Si no se conoce el valor de p, se puede estimar con la p .

El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo: Se toma muestras de tamao n de muestra constante de 200 muestras. Al
inspeccionar m = 30 muestras se encontraron las siguientes partes defectuosas o no
conformes en cada muestra respectivamente:
Defectuos
as
nPprom
8
10.60
13
10.60
7
10.60
8
10.60
5
10.60
13
10.60
7
10.60
12
10.60
27
10.60
10
10.60
12
10.60
6
10.60
10
10.60
9
10.60
13
10.60
7
10.60
8
10.60
5
10.60
15
10.60
25
10.60
7
10.60
10
10.6
5
10.6
12
10.6
LIC
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
1.095
LSC
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
20.105
52

6
6
10
17
14
11
Prom.=
10.6
1.095
10.6
1.095
10.6
1.095
10.6
1.095
10.6
1.095
10.6
1.095
10.6 P prom=
20.105
20.105
20.105
20.105
20.105
20.105
0.053
En Excel graficar la zona verde.

En Minitab
Stat > Control charts > Attribute charts > np
Variable Defectuosas
Subgroups size 200
OK
Est el proceso en control estadstico? NO

Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen
de control y recalcular los lmites de control. Repetir tantas veces como sea necesario
hasta tener un proceso estable.
La capacidad del proceso se determina como Cp = (1 Pmedia)*100 =
donde Pmedia = nPmedia / n = nPmedia / 20. Cp = 95.25%
53

54

Cartas de control para no conformidades (defectos) c

yu
Una no conformidad o defecto es una caracterstica especfica que no cumple
con la especificacin del producto. Las no conformidades pueden tener una
gravedad diferente desde menores hasta crticas. Se pueden desarrollar cartas
de control para el nmero total de no conformidades en una unidad o el
nmero promedio de no conformidades por unidad de inspeccin.
Tamao de muestra constante - Carta c

Una unidad de inspeccin (ni) es simplemente una entidad para la cual es
conveniente registrar el nmero de defectos (Ci), puede formarse con 5
unidades de producto, 10 unidades de producto, etc. Los lmites de control para
la carta de no conformidades son:
Cmedia = Promedio de Ci:
LSCc = c + 3
LCc = c
LICc = c - 3
en el caso que sea negativo toma el valor cero
Ejemplo: los defectos encontrados en partes metalicas (1 unidad de

inspeccin = 1 parte) son respectivamente:
LC = C+C
3raiz*(C )
Defect
os
9
11
2
5
15
13
8
7
5
2
4
4
2
5
5
2
Cmedia
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
5.55
LIC
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
LSC
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
12.62
55

3
2
1
6
Promedio
5.55
5.55
5.55
5.55
5.55
0
0
0
0
12.62
12.62
12.62
12.62
En Excel grafica la zona verde.

En Minitab
Stat > Control charts > Attribute charts > C
Variable Errores
OK
C Chart of Errores
16
14
UCL=12.58
Sample Count
12
10
8
_
C=5.53
6
4
2
0
LCL=0
1
9
11
Sample
13
15
17
Est el proceso en control estadstico? Si __
19
No __X__
Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen
de control y recalcular los lmites de control. Repetir tantas veces como sea necesario
hasta tener un proceso estable.
C Chart of Errores
UCL=10.22
10
Sample Count
6
_
C=4.13
LCL=0
1
9
Sample
11
13
15
56

57

La capacidad del proceso se determina con el nmero de errores mximo aceptable.

Por ejemplo si el LSE = 5, la media es 4.13 y la probabilidad de Poisson para encontrar
cero defectuosos es: =Poisson(5, 4.13, 1) = 0.7644 o 76.44%
Para la investigacin de los defectos se sugiere realizar un Diagrama de Pareto

con los defectos registrados en la carta de control, para tomar acciones.
Diagrama de Pareto Se utiliza para identificar problemas o causas
principales:
Ejemplo: Se tienen los defectos siguientes:
A. Emulsin
20
B. Grasa
60
C. Derrame
80
D. Tapa barrida
30
E. Mal impresa
10
Construir un diagrama de Pareto y su lnea acumulativa
Pareto Chart of C1
200
100
Count
60
100
40
50
0
C1
Count
Percent
Cum %
Percent
80
150
20
C
80
40.0
40.0
B
60
30.0
70.0
D
30
15.0
85.0
A
20
10.0
95.0
Other
10
5.0
100.0
Diagrama de Pareto
Ejercicio: Hacer un diagrama de Pareto con los principales defectos en una
lnea:
Tipo de
Descripcin del defecto
Frecuencia
defecto
A
B
C
D
E
58

Frecuencia
Carta u de Defectos por unidad

Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de
inspeccin u es:
ui
ci
ni
Los lmites de control son:

LSC u u 3
u
n
LC u u
LSC u u 3
u
n Si es negativo se toma cero.
Donde u representa el nmero promedio de no conformidades por unidad en

un conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Ejemplo: Obtener una carta u para los Defectos encontrados en lotes de Partes
variables:
U
Defecto
s
Lote
Ui
LC=U+3*raiz(U/ni)
Umedia LIC
LSC
59

9
11
2
5
15
13
8
7
5
2
4
4
2
5
5
2
3
2
1
6
110
101
98
105
110
100
98
99
100
100
102
98
99
105
104
100
103
100
98
102
Umedia
0.082
0.109
0.020
0.048
0.136
0.130
0.082
0.071
0.050
0.020
0.039
0.041
0.020
0.048
0.048
0.020
0.029
0.020
0.010
0.059
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0.055
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.12
0.12
0.13
0.12
0.12
0.12
0.13
0.13
0.12
0.12
0.12
0.13
0.13
0.12
0.12
0.12
0.12
0.12
0.13
0.12
En Excel graficar la zona verde.

En Minitab, copiar los datos de Defectos y Facturas en dos columnas de Minitab
Stat > Control charts > Attribute > u
Variable Defectos
Subgroups in Lote OK
Est el proceso en control estadstico? Si____
No X_____
Asumir que se pueden identificar las causas asignables, eliminar los puntos que
salen de control y recalcular los lmites de control
60

61

3. CAPACIDAD DE PROCESOS
Definiciones
Proceso: ste se refiere a alguna combinacin nica de mquinas,

herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud,
basada en el desempeo probado, para lograr resultados que se puedan
medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de
la medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadstico,
es decir, en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino
que presentan cierta variabilidad, cuando el proceso est bajo control,
solo actan las causas comunes de variacin en las caractersticas de
calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal
ptimo que es el que desearamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
Introduccin a la capacidad de procesos

Su propsito es determinar la capacidad del proceso para cumplir
especificaciones o requerimientos establecidos, se usa para:
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseadores de producto o proceso en sus modificaciones
3. Especificar requerimientos de desempeo de equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de produccin cuando hay un efecto interactivo de
los procesos en las tolerancias.
62

La capacidad de los procesos para cumplir especificaciones se refiere a la
uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).
2. La variabilidad en el tiempo.
Es usual tomar 8-sigma de la poblacin como la dispersin en la distribucin
de la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) ,
se encuentran en 4 , o sea:
LTNS = + 4
LTNI = - 4
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.9936%
de la variable, slo (64 ppm) de la salida del proceso se encontrar fuera de
estos lmites de tolerancia naturales. Sin embargo, si el proceso no es normal,
el porcentaje puede diferir grandemente. Esto se esquematiza en la figura
siguiente:
LTNI 32 ppm def.

32ppm def.
Localizacin de los lmites de tolerancia

natural
63
LTNS

Capacidad potencial (Cp) y capacidad real del proceso (Cpk)
64

Clculo de la fraccin defectiva
ndices de Capacidad del proceso

ndice de capacidad potencial Cp
Compara la amplitud de variacin permitida por las especificaciones entre la
amplitud de variacin entre los lmites de tolerancia naturales del proceso.
La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones
usada por el proceso.
65

1
100
P
Cp
ndice de capacidad real Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk, y se evala tomando el menor
de los Cps correspondientes a cada lado de la media.
Cps PCRS
LSE
3
Cp superior
Cpi PCR I
66
LIE
3
Cp inferior

67

Procedimiento para realizar estudios de capacidad del proceso

1. Seleccionar una mquina donde realizar el estudio (se requiere al menos una
produccin de 300 partes).
2. Establecer el proceso a sus condiciones normales de operacin (de acuerdo
a sus especificaciones).
3. Seleccionar un operador entrenado.
4. El sistema de medicin debe tener una resolucin de al menos el 10% y una
habilidad o capacidad R&R < 10% (error de medicin respecto a tolerancia).
5. Cuidadosamente colectar la informacin en una carta de control X-R o I-MR.
6. Construir la carta de control y estabilizar el proceso hasta que este en
control.
7. Calcular la media y desviacin estndar del proceso (S = Rmedia / d2).
8. Calcular las Zs correspondientes al lmites superior de especificaciones Zs y
al lmite inferior de especificaciones Zi.
9. Determinar la fraccin defectiva con la tabla normal P(Zs) + P(Zi).
10. Calcular el ndice de capacidad potencial Cp = (LSE LIE) / (6*s), debe ser
mayor a 1.33.
11. Determinar el ndice de capacidad real Cpk = Menor |Zs; Zi| / 3, debe ser
mayor a 1.33.
12. Tomar las acciones correctivas necesarias
Ejemplo:
Para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE=
73.95mm y de la carta R se estim
R
0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE LIE) / 6 = (74.05 73.95) / 6 (0.0099) = 1.68
La fraccin que utiliza el proceso de las especificaciones es:

P =1/Cp*100 = [(1/1.68)]* 100 = 59.5%
Cuando slo existe un lmite de especificaciones, el ndice de capacidad
potencial Cp o PCR se define como:
Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
Cp
264 200 64
0.67
3(32)
96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
ZI
LIE 200 264
32
68

P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones.
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de
1.67 para procesos crticos, el ideal es 2.0. El Cpk toma en cuenta la
localizacin relativa de la media del proceso respecto a los lmites de
especificaciones.
Ejemplo:
Para un proceso donde los lmites de especificacin sean LSE=62, LIE=38, la
media del proceso sea =53 y su desviacin estndar =2, se tiene:
Cps PCRS
62 53
53 38
1.5 para el LSC, Cpi PCR I
2.5 para el LIC.
32
32
Por tanto, el ndice de capacidad real es:

Cpk PCRk min( PCR S , PCR I ) min(1.5,2.5) 1.5
Siempre se cumple que, Cpk <= Cp, Siendo el Cpk menor cuando el proceso no
est centrado. Los criterios de mnimo Cpk son similares a los del Cp.
ndice de capacidad cpm

Es un indicador de capacidad potencial que toma en cuenta el centrado del
proceso:
Si
C pm
X T
Cp
1V
donde T es el centro de las especificaciones.

LSE LIE
6 2 ( T ) 2
Cuando T es igual a X media del proceso, Cpm = Cp = Cpk
ndice de capacidad Cpkm

Es un indicador de capacidad real que toma en cuenta el centrado del proceso:
Si T es el centro de las especificaciones.
Cpk
C pkm
Cuando T es igual a X media del proceso, Cpkm = Cpk
Con Minitab: Con los datos de la carta X-R anterior, una vez que se
encuentra en control:
a) Con los lmites de especificacin reales de la lnea o producto LIE = 15.2
y LSE = 16.6:
69

En Minitab:
Stat > Quality tools > Capability analysis (Normal)
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5
Lower spec 15.2 Upper spec 16.6
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million
/ Capability Stat Cp, Cpk
o Benchmark Zs
OK OK
b) Calcular la desviacin estndar del proceso o sigma Std Dev. Within
c) Determinar los lmites de tolerancia natural del proceso (Media de medias +4*sigma):
LTNI = Media de medias 4*sigma =
LTNS = Media de medias + 4*sigma =
d) Cul es el valor de la fraccin defectiva total fuera de especificaciones
(Exp. Within performance % Total )?
e) Cul es el valor del Cp =
es potencialmente hbil el proceso?.
f) Cul es el valor del Cpk =
Es realmente hbil el proceso?
g) Qu recomendara para mejora capacidad real del proceso?.
Con Minitab: Con los datos de la carta I-MR anterior, una vez que se
encuentra en control:
a) si los lmites de especificacin son LIE = 5.95 y LSE = 6.06, determinar lo
siguiente:
En Minitab:
Stat > Quality tools > Capability analysis (Normal)
Data is arranged as a single column: Viscocidad
Subgroup size 1
Lower spec 5.95 Upper spec 6.06
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million
/ Capability Stat Cp, Cpk
o Benchmark Zs
OK OK
b) Determinar la Desviacin estndar (St dev. Within )=
desviacin estndar = Rmedio / d2 =
(d2 = 2.326)
70

Media (Mean) =
c) Limites de tolerancia natural del Proceso (variacin natural del proceso):
LTNI = Media - 4* Desv. Estandar =
LTNS = Media + 4* Desv. Estandar =
d) Zlie = (ZLSL)=
Zlse = (ZUSL) =
Z=(Lim. spec.Media)/Desv.estandar
e)
P(Zlie)= (Exp. Within performance %<LSL) =

P(Zlse)= (Exp. Within performance) = (%>USL) =
En Excel P(Z)=DISTR.NORM.ESTAND(Zlie o Zlse)
f) Fraccin defectiva = % Total Within = P(Zlie) + P(Zlse) = _

Indices de capacidad
g) Potencial Cp =
h) Real Cpk =
Conclusiones _
i) Qu se puede hacer para mejorar el Cpk? _

Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), despus de que el
proceso se estabiliz quedando slo con causas comunes, se obtuvo lo
siguiente:
Xmedia de medias = 264.06
Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:
= X media de medias
= Rmedio / d2 =
[ d2 para n = 5 tiene el valor 2.326]
Si el lmite de especificacin es: LIE = 200.
El Cpk =
por tanto el proceso ? cumple con las especificaciones
Ejercicio : De una carta de control X - R (con tamao de subgrupo n = 5),
despus de que el proceso se estabiliz quedando slo con causas comunes
(LIE = 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
a) Determinar la desviacin estndar del proceso
b) Determinar los lmites de tolerancia natural del proceso
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
71

e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
Capacidad de procesos no normales

Cuando los datos provienen de poblaciones no normales una opcin para
realizar el estudio de capacidad de procesos es mediante la distribucin
Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene
es referente a la deformacin en las mismas. Se toman 100 mediciones
durante 10 das. El lmite superior de especificacin (USL) = 3.5 mm Realice un
estudio de capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de
escala = 1 con
5. Calc > Random data > Weibull
6. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > NoNormal
2. Single column C1 Distribution Weibull Lower Spec 0 Upper spec 3.5
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
72

El histograma no muestra evidencia de alguna discrepancia seria entre el

modelo y los datos, ya que la curva muestra buen ajuste. Sin embargo
observamos que algunos datos caen fuera del lmite superior de especificacin.
Lo cual quiere decir que en algunos casos la deformacin ser mayor a 3.5
mm.
El ndice Ppk y Ppu2 = 0.85 lo cual nos dice que el desempeo del proceso no
es capaz ya que
0.85 < 1.33.
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
En Minitab otras opciones son transformar los datos con los mtodos de Box
Cox o Johnson y despus determinar la capacidad del proceso de manera
tradicional calculando el Cp y el Cpk.
MINITAB: Transformacin de Box Cox
File > Open worksheet > Tiles.mtw
Stat > Control Charts > Box Cox Transformation
Variable Warping Subgroup size 1
OK
2
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
73

Para normalizar la variable anormal, se eleva a la potencia indicada en Best

Value (0.5) y este valor es cero, se toma el logaritmo natural de la variable. En
ambos casos tambin se deben transformar los lmites de especificaciones.
74

Estadistica

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica

Caricato da

Copyright:

Formati disponibili

Core

MDULO 1. CORE TOOLS DE LA AIAG - CEP

OBJETIVO: Al finalizar el Mdulo 1. Core Tools - CEP, el

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Diagrama de dispersin y su correlacin entre X,Y

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Tiempo (esc. 1/div.)

Diagrama de Regresin lineal

MDULO 1. CORE TOOLS DE LA AIAG - CEP

a) Obtener la ecuacin de regresin y estimar el tiempo para un tcnico de 9

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Distribucin de frecuencias o histograma

Paso 1. Nmero de datos =

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Paso 4. Hacer la grfica del histograma:

En Excel se puede obtener esta grfica con la opcin de Anlisis de datos,

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Las cartas de control

Carta de control con sus lmites de control y lnea central

Patrones de anormalidad en cartas de control

Las cartas de control detectan la variacin anormal en un proceso,

El patrn normal de un proceso se llama causas de variacin comunes.

MDULO 1. CORE TOOLS DE LA AIAG - CEP

El patrn anormal debido a eventos especiales se llama causa especial

Causas especiales y causas comunes

Proceso fuera de control, con causas especiales presentes, el proceso

Esta variabilidad se puede corregir en el rea de trabajo por el personal

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Proceso en control, solo causas comunes presentes

Dimetro de cobre, tiene una variacin pero dentro de control

Espesor de acabado, con una variacin normal

Temperatura del horno con variaciones de temperatura normales.

Cuando slo se tienen presentes en el proceso causas comunes, entonces

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Esta variacin no puede ser reducida sin cambios fundamentales en el proceso

El trmino sobre ajuste o Tamperingse refiere a los ajustes que se

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Distribucin de probabilidad normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Propiedades de la distribucin normal estndar

Propiedades de la distribucin normal estndar:

rea o probabilidad bajo la curva normal estndar

MDULO 1. CORE TOOLS DE LA AIAG - CEP

-3s -2s -1s

+1s +2s +3s

rea bajo la curva de Distribucin normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

MDULO 1. CORE TOOLS DE LA AIAG - CEP

DISTRIBUCIN NORMAL CON DATOS REALES

Desviacin estndar real

DISTRIBUCIN NORMAL ESTANDARIZADA

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Estandarizacin de datos reales para clculo de rea

Buscamos el valor correspondiente Z en las tablas de distribucin normal

rea bajo la curva de Distribucin normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP

Clculo del rea bajo la curva normal sin Z