G y G

104 5 Diagramas de Co'ntrol para Atributos
." .4"-. "."

Los principios estadsticos que sirven de base al diagrama de control de la fraccin o propor.
"cin disconforme seba'sa'en la distribucin binomial. Supngase que el proceso de produccin
fnciona de manera estable, de suerte que la probabilidad de que cualquier artculo no est COn-
forme con las espE; fiCa~iones es p, y que 105 artculos producidos sucesivamente son indepen.
dientes. Entonces cada artculo producido es una variable aleatoria de Ben;'oulli, con parmetro
p. Si se selecciona una muestra aleatoria de n artculos del producto, y si O representa el nmero
de artculos no conformes, entonces O tiene distribucin binomial con parmetros n y p ; es decir,
v.
5.2 Diagrama de Control para la Fraccin de Disconformes
LSC =P +3 V p ( 1 ; p )
Lnea central = p
L1 C = P -3V
P
( 1 ; P )
105
(5-6)
Como se indic en la Seccin 2.2.2, puede obtenerse la distribucin de la variable aleatoria p
a partir de la binomial. Adems, la media y la variancia de p son
P or la Seccin 2-2.2 sabemos que la media y la variancia de la variable aleatoria O son np y
np (1 - pl, respectivamente.
La fraccin disconforme m uestral se define como el cociente del nmero de artculos discon.
formes O en la muestra, entre el tamao muestral n; o sea,
y la media de estas fracciones disconformes muestrales individuales es
i = 1,2, ... ,m
Di
p=n
:~.,
El manejo real de este diagrama consistira en tomar muestras subsecuentes de n unidades,
calcular la fraccin muestral disconforme p, y graficar la estadstica p en el diagrama. Mientras
p quede entre los lmites de control y la sucesin de puntos ubicados no exhiba un patrn siste-
mtico, se concluye que el proceso est bajo control, al nivel p. Si un punto queda fuera de los
lmites de control, o si se observa un patrn no aleatorio entre los puntos, habr que concluir
que la fraccin de disconformes del proceso cambi hacia un nuevo nivel y que el proceso est
fuera de control.
C uando se desconoce la fraccin no conforme p del proceso, hay que estimarla a partir de
los datos observados. El procedimiento normal es seleccionar m muestras preliminares, cada una
de tamao n. Como regla general, m tendra que ser igual a 20 o 25. Entonces, si hay 01 ar-
tculos no conformes en la muestra i, se calcula la fraccin disconforme en la i-sim a muestra como
,i,~
(5-3 )
(5-2).
(5-1) x= O,1 ,,,.,n
o
P = - ;
. = p
p{O= x} =(~)pX(1 - pr-
x
5.2.1 Des ar r o l l o y Em p l eo d el Di ag r am a d e Co n t r o l
respectivamente. Veremos ahora cmo se puede aplicar esta teora para desarrollar un diagrama
de control de la fraccin no conforme. Debido a que la grfica controla la fraccin disconforme
p del proceso, se denomina tambin diagrama de p.
(5-7)
(5-8)
m
Lp
m
LO;
LSC= 15 +3fii1 ; 1 5 )
L1C =15 - 3 V J 5(1; 15)
- ;~1 =~1
P =--; ; ; n m
Lnea central =15
La estadstica p estima la fraccin disconforme p desconocida. La lnea central y los lmites
de control del diagrama de control de la fraccin disconforme se calculan entonces de la manera
siguiente:
Aqu, los lmites de control obtenidos en (5-8) se consideran lm ites de control de p rueba.
P ermiten determinar si el proceso estaba bajo control cuando se obtuvieron las m muestras inicia-
les. P ara probar la hiptesis de un control anterior, hay que colocar en la el diagrama la fraccin
muestral disconforme para cada muestra y analizar la representacin resultante. Si todos los pun-
tos ubicados caen entre los lmites de control, y n.o se manifiesta un comportamiento sistemtico,
entonces concluiremos que el proceso estaba bajo control en el pasado, y que los lmites de
control de prueba son adecuados para controlar la produccin actual y futura.
Supngase que una o ms de las estadsticas p se encuentran fuera de control, comparadas
con los lmites de control de prueba. Es claro que si los lmites de control han de tener sentido
para la produccin actual o futura, deben basarse en datos de un proceso que est bajo control.
P or lo tanto, cuando se rechaza la hiptesis de un control anterior, es necesario revisar los lmites
de control de prueb.a. Esto se hace examinando cada uno de los puntos fuera de control y buscan-
(5-4)
(5-5)
L1C ='w - k(]w
LSC ='w + k(]w
(]f=p(1-p)
P n
Lnea central .=. w
y
En el Captulo 4 se estudiaron los principios estadsticos generales en los que se basa el diagrama'
de control de Shewhart. Si wes una estadstica que mide una caraderstica de caljdad, la media de
w es 1, Y la varianza de w es 1, entonces el modelo general para el diagrama de control de
Shewhart es el siguiente:
donde k es la distancia entre los lmites de control y la lnea central, expresada en mltiplos de
a' desviacion estndar de w. Se acostumbra escoger k = 3. -
Supongamos que se conoce la verdadera fraccin disconforme p en el proceso de fabrica-
'cin, o-qu la administracin especifica un valor estndar. Entonces, a partir de (5.5), la lnea cen-
tral y los lmites de control del diagrama de control de la fraccin disconforme sern
Se construye un diagrama de control preliminar para ver si el proceso estaba bajo con-
,", trol cuando se obtuvieron esos datos. Como las 30 muestras contienen I :T ~O; = 347 botes
disconformes; obtenemos de la ecuacin (5-7) .~-'_"-
r
'
~
..f
'1.
- j "
I
,'1
: ' ~-
i
:i
'/
.f
- +3/ P(l
r i o
1 5
) =023 3 3.1 0.231 3(0.7687)
p - V . 1 :t V 50
=0.2313 :t 3(0.05 %)
=0.231 3:t 0.1 789
LSC =1 5 +3/
1 5
(1 - (5 ) . =0.2313 +0.1789 =0.4102
n .
Usando p T como estimacin para la fraccin disconforme real del proceso, es posible
calcular ahora 105 lmites superior e inferior de control como
P or lo tanto,
107
T ablaS- '
Datos para los li mi tes de control de prueba, Ej em-
plo ~- 1, tamao muestral n = 50
N m er o
Nmero de
Fr ac c i n d i s c o n f o r m e
de mueslra
disconformidades, 01
muestral,p
I
1 12 . 0.24
2 15
030
3 8
0.16
4 10
0.20
5 4
0.08
6 7
0.14
7 16
032
8 9
0.18
9 14
0.28
10 10
0.20
11
5 0.10
12 6
0.12
13 17
034
14 12
0.24
15 22 0.44
::~
16
8 0.16
17 10
0.20
18 5 010
19
13 0.26
20 11 022
21 20
0.40
22 18
036
23 24 0.48
24 15 030
25
9 0.18
26 12 0.24
27
7 0.14
28 13 0.26
29
9
/9.18
30
6 / 0.12
347 ( p =;O.231 3
\~
"-
r o
LO;
1 5 =..!..:.l- _ 34
7
mn - (30)(50) =0.2313
-<. .. ' ... _ ,.-_. H
__~_L- - ,._~-
....: .. ;;,.~ ,;,';"'.' '
Ej em p l O 5.1
Se envasa jugo de naranja concentrado y congelado en botes de cartn de 6 oz. Estos envases
105produce una mquina formando un tubo a partir de una pieza de cartn y aplicando lue-
go un fondo metlico. Al inspeccionar un bote puede determinarse al llenarlo si gotear por
la junta lateral o la del fondo. Tal bote disconforme tiene un sellado inadecuado en la junt: .
lateral o del fondo. Se desea elaborar un diagrama de control para vigilar la fraccin de enva-.
ses disconformes producidos por esta mquina.
P ara establecer el diagrama de control, se seleccionaron 30 muestras de n =50 botes
cada media hora durante un periodo de tres turnos, en los cuales la mquina oper continua,
mente. Los datos se muestran en la Tabla 5- 1.
I ...,,-
5 Diagramas de Control para Atributos'.
doo" 'a" y," 'b,'b',. SI" h,II, ~'" " d,="'" p" 10, y" y~'" O , ale" " '~" mlt~ :; ,1 .
de control de prueba, utilizando nicamente los puntos restantes. Luego hay que volver a exami- .
nar es10s puntos restantes para el control (obsrvese que 105puntos que inicialmente estaban bajo
control podran quedar fuera de l, porque los nuevos lmites de control de prueba sern por 10-
regular ms estrechos que los lmites anteriores). Este proceso contina hasta que todos los puntos
estn bajo control, yen tal momento se aceptan los lmites de control de prueba para el uso actual.
En algunos casos es imposible determinar una causa atribuible para un punto que cae fuera ,
de control. Hay dos tipos de accin que pueden tomarse. La primera es eliminar el punto, como
si se hubiera encontrado una causa atribuible. No existe una justificacin analtica para actuar
de esta manera, a no ser que algunos puntos que se hallan fuera de los lmites de control puedan
provenir de una distribucin de probabilidad caracterstica de un estado fuera de control. La alter.
nativa es conservar el punto (o 105puntos) considerando 105lmites de control de prueba adecua- .,.
dos para el control actual. Naturalmente, si el punto representa en realidad una condicin fuera
de control, los lmites resultantes sern demasiado amplios. Sin embargo, si hay slo dos de
dichos puntos, esto no distorsionar significativamente el diagrama de control. Si las futuras mues-
tras siguen indicando control, entonces se podrn eliminar sin problema 105puntos inexplicables.
Si el diagrama de control se basa en un valor conocido o estndar de la fraccin disconforme
p, entonces el clculo de lmites de control de prueba suele ser innecesario. Sin embargo, se debe
tener cuidado al trabajar con un valor estndar.de p . Ya que en la prctica raras veces se cono-
ce con exactitud el verdadero valor estndar de p, normalmente. se proporciona un valor estndar
de p que representa un valor deseado u objetivo para la fraccin disconforme del proceso. Si este
fuera de control, se tendra que determinar si el proceso 'est fuera de control para el objetivo
p, pero bajo control para otro valor de p. P or ejemplo, supngase que la administracin especifica~: '
un valor objetivo de p =0.01, pero el proceso realmente est bajo control para un valor mayor
de la fraccin de disconformes, p =0.05. Utilizando el diagrama de control con base en p =
0.01, muchos puntos caern por arriba dellfmite superior, indicando una condicin fuera de con-
trol. Sin embargo, el proceso slo est fera de control respecto al objetivo p ~ 0.01. Algunas
veces es posible "mejorar" el nivel de calidad usando valores objetivos, o poniendo bajo control
un proceso a un nivel particular de calidad. Los valores objetivo para p pueden ser tiles en proce-
sos en los cuales es posible controlar la fraccin disconforme mediante ajustes sencillos.
106
l
-. -. -~,.. .~" ... -
- .' ...,. . ...
~
108
I
5 Diagramas de Control para Atributos
109
y
N m er o
Nmero de
Fraccin muestral
de muestra
latas disconformes, O,
disconform e, D1
1
9
0.18
2
6
0.12
3
12
0.24
4
5
0.10
5
6
0.12
6
4
0.08
7
5
0.10
8
3
0.06
9
7
0.14
10
6
0.12
11
2
0.04
12
4
0.08
13
3
0.06
14
6
0.12
15
5
0.10
16
4
0.08
17
8
0.16
18
5
0.10
19
6
0.12
20
7
0.14
21
5
0.10
22
6
0.12
23
3
0.06
24
4
0.08'
133
15 = 0.1108
Tabla 5-2 Datos de las latas de jugo de naranja concentrado, en muestras de
tamao n = 50
L a lnea central y los lmites revisados se indican como lneas discontinuas en el diagra-
ma de control de la Fig. 5.1. Observamos que ahora la fraccin disconforme de la ,nuestra
21 es mayor que el lmite superior de control. Sin embargo, el anlisis de los datos no revela
una causa atribuible razonable o lgica, y se decide conservar el punto. A veces, la verifica-
cin de datos de un diagrama de control proporciona informacin que afecta a otros puntos
no necesariamente fuera de los lmites de control. Por ejemplo, si se hubiera encontrado que
el operario temporal que estaba trabajando cuando se tom la muestra 23 laboraba real-
mente durante el periodo de dos horas en el que se obtuvieron las muestras 21-24, entonces
habran tenido que descartarse las cuatro muestras, aunque slo la 21 es mayor que los lmites
de control, pues este operario sin experiencia probablemente tuvo una influencia negativa
en la fraccin de disconformes durante el periodo entero.
Antes de concluir que el proceso est bajo control a este nivel, tenemos que examinar
las 28 muestras restantes para detectar corridas u otros patrones no aleatorios. L a ms larga
es de longitud cinco, por arriba de la lnea central, y parece no haber patrones evidentes en
los datos. No existe fuerte evidencia de otra cosa que no sea un patrn aleatorio de variacin
respecto de la lnea central.
Concluimos que el proceso est bajo control al nivel de p = 0.2150, y que deben adoptar
los lmites de control revisados para verificar la produccin actual. Sin embargo, se observa
que la fraccin disconforme es demasiado grande, aunque el proceso est bajo control. Es
decir, el proceso funciona de manera estable; y no hay problemas anormales que no pueda
controlar el operario. Es decir, es improbable que se pueda mejorar la calidad del proceso
-----------------------------
L 1Cde prueba - 0.0524
0.00
..! l!
--"0-:05
L 1C = 1 5 - 3 /
1 5
(1; 1 5 ) = D.2313 - 0.1789 = 0.0524
301
1 5 = (28)(50) = 0.2150
L SC = 1 5 +3 /
1 5
(1; 1 5 ) = 0.2150 +3{~J T50~~.7850) = 0.3893
L 1C =1 5 - 3 /
1 5
(1; 15) = 0.2150 - 3) 0.2150~~.7850) = 0.0407
Nmero de muestra
Figura 5-1. Diagrama de control de la fraccin disconforme para los datos de la Tabla 5-1;
En la Fig. 5-1 se presentan el diagrama de control con lnea central en p = 0.2313 Y los
lmites superior e inferior de control, calculados anteriormente. L a fraccin muestral discon-
forme para cada muestra preliminar se grafica en este diagrama. Observamos que dos pun-
tos, correspondientes a las muestras 15 y 23, se encuentran por arriba del lmite superior de
control y, por lo tanto, el proceso no est bajo control. Hay que investigar estos puntos para
ver si puede determinarse una causa atribuible.
El anlisis de los datos de la muestra 15 indica que se utiliz una nueva remesa de mate-
ria prima de cartn en la produccin durante este lapso de media hora. El uso de nuevas
remesas de materia prima provoca, a veces, una produccin irregular,y es razonable pensar
que esto sucedi aqu. Adems, durante el periodo de media hora, en el que se obtuvo la
muestra 23, se haba asignado a esta mquina un operador con relativamente poca experien-
cia, y ello podra explicar la alta fraccin disconforme de dicha muestra. Por consiguiente,
se eliminan las muestras 15 y 23, Y se determinan la nueva lnea central y los lmites de -
control revisados, como sigue:
l' -~.
110
.-r
111
mediante acciones al nivel del trabajador. Los envases disconformes producidos los puede
controlar la administracin, porque se necesi~a que sta intervenga en el proceso para mejo-
rar el funcionamiento. La administracin de la fbrica est de acuerdo con esta observacin,
y determina que, adems de adoptar el programa de diagramas de control, el personal de
ingeniera debe analizar el proceso para mejorar su rendimiento. Tal estudio indica que es
posible realizarvarios ajustes en la mquina, los cuales debern mejorar su funcionamiento.
Durante los tres turnos que siguen a los ajustes en la mquina y a la introduccin del
di~grama de control, se obtienen 24 muestras ms de n =50 observaciones cada una. En
la Tabla 5.2 aparecen los datos, y las fracciones muestrales no conformes se indican en el
diagrama de control de la Fig. 5-2.
Alexaminar la Figura 5-2, la impresin inmediata es que el proceso funciona ahora a
un nuevo nivel de calidad, que es considerablemente menor que la lnea central p = 0.2150.
Un punto, correspondiente a la muestra 11, se encuentra por debajo del lmite inferior de
control. No es posible determinar una causa atribuible para esta seal fuera de control. Las
nicas razones lgicas para este cambio ostensible en el funcionamiento del proceso son
los ajustes de mquina realizados por el personal de ingeniera y, probablemente, los opera-
dores mismos. Es normal observar que el funcionamiento del proceso mejora despus de la
introduccin de procedimientos formales de control estadstico de procesos, muchas veces
porque los operadores estn ms conscientes de la calidad del proceso, y el diagrama de con-
trol proporciona una representacin visual continua de su funcionamiento.
P odemos probar la hiptesis de que la fraccin disconforme del proceso durante el pe-
riodo actual de tres turnos difiere de la fraccin disconforme de los datos preliminares, usando
el procedimiento de la Seccin 3-3.4. Las hiptesis son
H a: P , ={J
H,: P, > {J
" t."
'o;
~~
)..c
1;'
0.45
0.40
0.35
'c.
i!
~ 0.30
,
E
l'l
Lse - 0.3893
donde PI es la fraccin disconforme del proceso tomada de los datos preliminares y P2
es la fraccin disconforme del periodo actual. P odemos estimar PI por PI =P =0.2150,
Y P 2 por
24
L D i
_ ;-1 133
{J = (50)(24) = 1200 =0.1108
(
La estadstica de prueba para la hiptesis mencionada es, a partir de las ecuaciones (3-62)
y (3-63),
lo = p , - 0.
p ( 1- p ) ( ~ +~)
n, n
2
donde
p =n, p , + n2 0.
n, + n
2
En nuestro ejemplo, tenemos
" - (1400)(0.2150) +(1200)(0.1108) _ 6 9
p - . 1400+1200 -0.16
y
0.2150 - 0.1108 = 7.22
lo = (1 1)
/(0.1669)(0.8331) 1400 + 1200
Comparando esto con el punto 0.05 superior de la distribucin normal estndar, se encuen-
tra que lo = 7.22 >IO~5 = 1.64?, P or consiguiente, se rechaza H
o
y concluimos que
hubo una disminucin sign'ificati\a~ de fallas en el proceso.
P arece lgico revisar nuevamente los lmites de control, utilizando slo los datos de este
periodo ms reciente de tres turnos. Esto produce:
Lnea central = p = 0.1108
Ya que el lmite inferior de control calculado es menor que cero, debemos hacer L1C = O.
P or lo tanto, el nuevo diagrama de control tendr nicamente lmite de control superior. P or
inspeccin de la Fig. 5-2, se ve que todos los puntos seran menores que el lmite superior
de control revisado; por lo tanto, la conclusin es que el proceso est bajo control a este
nuevo nivel.
El uso continuado de esta grfica para los cinco turnos siguientes se muestra en la
Fig. 5-3.Los datos para el proceso durante este periodo aparecen en la Tabla 5-3.El diagrama
no indica una falta de control. A pesar de la mejora en la produccin, despUs de los cam-
bios tecnolgicos en el proceso y la introduccin del diagrama de control, el rechazo del
(0.1108)(0.8892) = 0.2440
50
(0.1108)(0.8892) = -0.0224
50
LSC = P + 3/ p ( 1 ; p ) = 0.1108+ 3
LSC = p - 3/ P ( 1 ; p ) = 0.1100 _ 3
,,!
..: ., .. ;~...
0.10
0.05
N m er o d e m u es t r a
Figura 5-2" Diagrama de control de la fraccin disconforme, Ejemplo 5-1.
~'0.25.
v
E
S
5 0.20
~
'O
e
: g 0.15
u
~
u..
~-'-'--
""'" '.-
~i" '
" ,'~-
proceso de p ~ 0.1108 es todava demasiado elevado. Se necesitan ms medidas por parte'.
de la administracin para mejorar la produccin. Estas intervenciones administrativas pue.
den ser ms ajustes en la mquina. Se tendra que seguir usando el diagrama de control du-
rante el periodo de ajuste. Al indicar en una escala de tiempo en el diagrama de conirol cundo
se realiza un cambio en el proceso, la grfica se convierte en un diario, en el que se pueden
encontrar fcilmente la planeacin de intervenciones en el proceso y sus efectos subsecuen-
tes en el rendimiento. Este aspecto de diario en el uso de los diagramas de control es en extre- _ 1 -
mo importante.
(0.01)(0.99) =0!1155
8
L SC =P+3JP(1;P) =0,01 +3
5.2 Diagrama de Control para la Fraccin de Disconformes 113
Tabla 5.3
Datos para el diagrama de control de la fraccin disconforme de la Figura 5-3, p - 50
Nmero de Nmero de Fraccin muestral de
m u e s t r a disconformidades. Di lalas disconform es. Iji
1 8 0.1&
2 7 0.14
3 5 0.10
4 & 0,12 .
5 4 0.08
& 5 0.10
7 2 0.04
8 3 0.0&
9 4 0.08
10 7 0.14
11 & 0.12
12 5 0.10
13 5 0.10
14 3 0.06
15 7 0.14
16 9 0.18
17 6 0.12
18 10 0.20
19 4 008
20 3 0.06
21 5 0.10
22 8 0.16
23 11 0.22
24 9 0.18
25 7 014
26 3 0.06
27 5 0,10
28 2 0.04
29 1 002
30 4 0.08
31 S 0.10
32 3 0.06
33 7 0.14
34 6 0.12
35 4 0.08
36 4 0.08
37 & 0.12
38 8 0,1&
39 S 0,10
40 6 0,12
tales que la presencia de una sola unidad no conforme indicara una condicin fuera de control.
P or ejemplo, si p =0.01 Y n =8, obtendremos como lmite superior de control
<t!'''''''
I
1 2 3 4 5 6 78 9 1 0
N m e r o d e m u e s t r a
Figura 5-3. Uso continuo del diagrama de control de la fraccin disconforme, Ejemplo 5.1 .
S E
~
"~
E
.
e
O
~
'ti
e
-O
'8
~
u.
I
< "-
0.35
:i
;;
~
~
E
El diagrama de control de la fraccin disconforme tiene tres parmetros que hay que especifi-
car: el tamao muestral, la frecuencia de muestreo, y la amplitud de los lmites de control. En
el caso ideal se tendran que escoger estos parmetros conforme algunos criterios econmicos,'
y en el Captulo 9 se presentan algunos modelos econmicos para el diseo de diagramas de ~.
control. Sin embargo, tambin es til tener algunas directrices generales para seleccionar estos
parmetros.
Es relativamente comn basar un diagrama de control de la fraccin disconforme en una ins-
peccin de 100% de todo el rendimiento del proceso en un periodo conveniente, como un turno
o un da. En este caso, el tamao muestral y la frecuencia de muestreo estn relacionados. Ene
general, se seleccionara una frecuencia de muestreo apropiada para la tasa de produccin, y esto
fija el tamao muestral. El uso de subgrupos racionales tambin puede ser importante en la deter-
minacin de la frecuencia de muestreo. P or ejemplo, si existen tres turnos, y se sospecha que
los turnos difieren respecto a su nivel general de calidad, entonces habr que usar la salida de. _ _ ~ ..
cada turno corno un subgrupo, en vez de juntar las salidas de los tres turnos. para obtener una'
fraccidefecluosa diaria. ....;;.
Si hay que seleccionar una muestra del rendimiento del proceso, tendremos que escoger eL
. tmao-n'uestral n. Se han sugerido varias reglas para la seleccin de n. Si p es muy pequeO,'~
habr que elegir n lo suficientemente grande para tener una alta probabilidad de encontrar por}-
lo menos una unidad disconforme en la muestra. De otro modo, los lmites de control podrant
_"[1
112 5 Diagramas de Control par Atributos
.
n =(0.~4 f(0.01)(0.99) =56
p
En nuestro ejemplo, p = 0.01, o = 0.05 - 0.01 = 0.04, y si se usan lmites de tres sgmas, a
partir de (5-10) tendremos
S
. h .' rt' I d'sconforme en la muestra, entonces p = 1/8 = 0.1250, Y se concluye que
I ay un a ICU o I l' O ' b b'l'd d ..
l
. . . . ... 'f . de c''0' n'trol Como para cua qUler p > eXISte una pro a I I a positiva
e proceso esta uera '. .
d
" d' I artl'culos defectuosos, no es razonable concluir, en muchos casos, que el pro-
e pro UClf a gunos . , ,.
" f de control con base en la observaClon de un solo articulo disconforme.
ceso esta uera . _ ..
-. P ara evitar todo esto, se podra escoger el tamano muestral n de manera que la probabilidad
de hallar por lo menos un artculo no conforme por muestra sea al menos igual ay. P or ejemplo,
supngase que p ~ 0.01, Y que se desea que la probabilidad de encontrar por lo menos un
artculo disconforme en la muestra sea de por lo menos 0.95. Sea O el nmero de unidades
disconformes, Y entonces se desea determinar el valor de n de modo que P ' { O ~ 1} ~ 0.95.
Mediante la aproximacin de P oisson a la binomial, se halla, a partir de la tabla de distribucin
acumulativa de P oisson, que A =np debe ser igual a 3.00. P or consiguiente, como p =0.01,
esto implica que el tamao de la muestra tendra que ser igual a 300.
Duncan (1974) ha sugerido que el tamao tendra que ser suficientemente grande para tener
una probabilidad aproximada de 50% de detectar un cambio de alguna cantidad especificada en
el proceso. P or ejemplo, supngase que p =0.01, Y que se desea una probabilidad de 0.50 para
detectar un cambio hacia p =0.05. Al suponer que se puede aplicar la aproximacin normal
a la binomial, habra que elegir n de manera que el lmite superior de control coincida exacta-
mente con la fraccin no conforme en el estado fuerade control.
l
Si o es la magnitud del cam-
bio en el proceso, entonces n tendr que satisfacer
115 5.2 Diagrama de Control para la Fraccin de Disconformes
n> 0.95(3)2 =171
0.05
P or ejemplo, si p =0.05 Y se usan lmites de tres sigmas, el tamao muestral tendr que ser
As, si n ~ 172 artculos, la grfica de control tendr un lmite inferior de control positivo.
Normalmente se usan lmites de control de tres sigmas en el diagrama de control de la frac-
cin disconforme, porque han funcionado bien en la prctica. Como se argument en la Sec-
cin 4-2.2, lmites de control ms estrechos hacen al diagrama de control ms sensible a pequelios
cambios en p , pero al costo de ms frecuentes "falsas alarmas". O casionalmente, se ha visto el
uso de lmites ms estrechos para tratar de forzar mejoras en la calidad del proceso. Sin embargo,
hay que tener cuidado con lo anterior, porque demasiadas falsas alarmas destruirn la confianza
del personal operativo en el programa de diagramas de control.
Debe haserse notar que el diagrama de control de la fraccin disconforme no es un modelo
universal para todos los datos respecto a la fraccin no conforme. Se basa en el modelo probabi-
lstico binomial; o sea, la probabilidad de ocurrencia de un artculo con disconformidad es cons-
tante, y unidades sucesivas en la produccin son indep endientes. En procesos en que las unidades
no conformes se agrupan, o en los que la probabilidad de que una unidad sea disconforme depen-
de de la conformidad (o no conformidad) de las unidades anteriores, el diagrama de control de
la fraccin disconforme es muchas veces de poca utilidad.
~;>\
Interpretacin de los puntos en el diagrama de control de la fraccin disconforme.' 11 En el
Ejemplo 5-1 se ilustr cmo se deben manejar los puntos que se encuentran ms all de los lmi-
tes de control, en el momento de elaborar el diagrama de control y durante su uso rutinario. Hay
que tener cuidado con la interpretacin de los puntos que se hallan p or debajo del lmite inferior
de control. Tales puntos no representan a menudo una mejora real en la calidad del proceso. Fre-
cuentemente son el resultado de errores en el mtodo de inspeccin debido a que los inspectores
tienen adiestramiento inadecuado o carece de experiencia, o a que el equipo de prueba e inspec-
cin est malcalibrado. Tambin se han hallado casos en que los inspectores dejaban pasar deli-
beradamente unidades disconformes, o comunicaban datos ficticios. El analista debe tener en cuenta
estas advertencias cuando busca causas atribuibles, si los puntos se encuentran por debajo de los
lmites inferiores de control. No todos los "cambios a la baja" de p se deben a una mejorada
en la calidad.
.7f
.tl
(5-9)
(5-10) n= ( I f P ( 1 - P )
8 =k/ p ( 1 ; p )
P or lo tanto,
114
',~
,
Si es pequeo el valor bajo control de la fraccin disconforme, otro criterio til es escoger
n suficientemente grande para que el diagrama de control tenga un lmite inferior de control posi-
tivo. Esto asegura un mecanismo para obligarnos a inve'stigar una o ms muestras que contienen -""
un nmero anormalmente pequeo de artculos disconformes. Se desea tener que q
Diagrama de control de np . !1 Tambin es posible basar un diagrama de control en el nmero
disconforme, en vez de en la fraccin no conforme. Esto se llama, a menudo, diagrama de np .
Los parmetros de tal diagrama son
l~l =P - k/ p ( 1 ; p ) >O
(5-11)
,...,i.
lSC =np + 3np ( 1 - p )
Lnea central =np
L1C ,;, np - 3np ( 1 - p )
(5-13 )
Esto implica que
n> (1-P)k2
p
Si no se dispone de un valor estndar para p , entonces se u s a r p para estimar p . Mucho personal
sin formacin en Estadstica eQcuentra el diagrama de np ms fcil de interpretar que el de control
de la fraccin disconforme comn.
-lO'
lPara una p apro ximadamente no rmal. la pro babilidad de que p exceda el L SC es 0.50 si el L SC es igual a la fraccin _
no co nfo rme fuera de co ntro l p , debido a la simetra de la distribucin no rmal. Vase en la Seccin 2.4.3 un estudio de
l a apr ox i m ac i 6n nor m al a l a bi nom i al . -,: .
, \
5.2.2 Tam a o Mu es t r al Var i abl e
En algunas aplicaciones del diagrama de control de la fraccin disconforme, la muestra es una
inspeccin de 100% del rendimiento del proceso durante algn periodo. Como se podran produ-
5 Diagramas de Cont;ol para Atributos
~ >': <
117
ni
ni
(0.096)(0.904)
(0.096)(0.904)
L 1C= P - 3 0 ; = 0.096 - 3
L SC =P +3 0 ; =0.096 +3
(-
0.25
<Q. 0.20
~~
QJ
,
E
..! ! ! 0.15
QJ
"O
QJ
E
..Q
~ 0.10
'O
e
'O
'
u
J : 0.05
': : "
5,2 Diagrama de Control para la Fraccin de Disconformes
0.00
1 2 3 4 5 6 7 8 9 10 12 14 16
F i g u r a 5-4. Diagrama de control de la fraccin disconforme con tamao muestral variable.
25
Di
P =..! .: 2- 234
25 = -
\' 2450 =0.096
L. ni
;=1
y
cir diferentes cantidades de artculos en cada periodo, el diagrama de control tendra entonces
un tamao muestral variable. E xisten varios mtodos para construir y utilizar un diagrama de con.
trol con un tamao muestral variable.
E l primer mtodo, probablemente el ms sencillo, es determinar para cada muestra indivi.
dual lmites de control basados en el tamao muestral especfico. E sdecir, si la i.sima muestr~
es de tamao ni' ento.nces 105 lmites superior e inferior de control son p .2: 3 p(l - pi/ni'
Obsrvese que la amplitud de 105 lmites es inversamente proporcional al tamao muestral. Para
ilustrar este mtodo, considrense 105 datos de la Tabla 5: 4. Para las 25 muestras se calcula
Por consguiente, la lnea central se encuentra en 0.096 y 105 lmites de control son
donde G;es el estimador de la desviacin estndar de la fraccin muestral disconforme {J . E n las
ltimas tres columnas de la Tabla 5-4 se presentan 105 clculos para determinar 105 lmites de
control. E l diagrama de control aparece en la Fig. 5-4.
E l segundo mtodo es basar el diagrama de control en un tamao muestral promedio, lo que
da como resultado un conjunto aproximado de lmites de control. Para esto se supone que 105
~MM~r or o~~, r r o~~~r o~MM, ~~~~, r
NMMNNNNNMMNNNNNMMMMNNNNMM
0000000000000000000000000
0000000000000000000000000
~~~~22~~~~2~~~~~~~~~~~~~~
r r ~' ~~~~~~~~~~~~~~~~~~~~~
0000000000000000000000000
o 8L J " l O , O' O O O " ' " L J " lL J " l " L J " l 8L J " l CO . . oO O O 8" 8 1 ..0
' " " O' O' o, . . o, . . oc o" , , , . . oL J " l " ' COL J " l COL J ' l CO . . o O'
"OOO,rrrO,rOOOrrOOOOO,O,O
00000000000000000000000000
~ ~NN~~M~N~~~N ~~~~~~M
8 a ~~s S a a ~~~5 ~ s s a s a a a
0000000000000000000000000
' " CO . . oO' O ' " , . . oO . . oO L J " l O' CO . . oCO O " L J " l CO L J ' l CO O . . oO' I~
r r r ", N, r r M
'"
' ' ' ' ~~L J " l . . o' ' COO' O, ' ' ' ~~L J ' l . . o' ' COO' O' ' ' ' ~~L J " l
\,r""rrrNNNNNN
8~~8~~888~~~~~~~~~~8888~~1~
r r"r, r"r, rrrr V
'"
i: .-
~
QJ
,
E
,,,,"'-
a-
;:
o
'"
gl-
<D
'" C!
S
u
:
U
V1
-J
.f
~ a-
~ I
E 'o:
e QJ '
: 2 E
j-f!
'" e
u: 8
: g
~'
QJ QJ
"0"0
oil
q
E ~
-; : : 1 .9
z e
o
~
'O
er:
QJ : ;;
E QJ
i E
.;..;",,,,.~-'
, 1J -- ,
............... -..........- ... ---
~;'---J
116
QJ
: D
ro
.~
>
~
QJ
: : >
E
o
,e
ro
E
12
e
O
u
QJ
E
.2
e
O
: ;:
: ;
e
'O
'
u
.- ~
.'l!
QJ
1 : l
e
e
o
u
QJ
1 : l
ro
E
;:
Oll
ro
: ;
e
: : >
;:
ro
c.
.{,
;.~
e l
.~
!
.i
1
)
I
t
[
- :
119
p - p
P(1n~P)
l =
Lse 3.00
L1 e ~-3.00
3
2
O
-1
- 2
- 3
Figura 5-6. Diagrama de cont rol est andarizado de la fraccin disconforme.
Z
5.2 Diagrama de Cont rol para la Fraccin de Disconformes
en la fraccin muest ral disconforme p debe int erpret arse respect o a su t amao muest ral. Por ejem-
plo, supongamos que p =0.20, Y que dos sucesivas fracciones muest rales disconformes son p
=0.28 Y p + 1 =0.24. La primera observacin parece indicar una peor calidad que la segunda,
ya que Pi > Pi+ l' Sn embargo, supngase que los t amaos muest rales son ni =50 Y n'+ 1
=250. Expresado en unidades de desviacin estndar, el primer punt o se encuent ra 1 .89 unida-
des por arriba de la media, mient ras que el segundo punt o est 2.1 1 por arriba de la media. O
sea, el segundo punt o represent a realment e una m ayor desviacin del est ndar p =0.20 que el
primero, aunque el segundo es el menor de los dos. Es obvio que buscar corridas u ot ros pat rones
no aleat orios virt ualment e no t iene sent ido aquf.
Una solucin para est e problema es ut ilizar un diagrama de cont rol "est andarizado", donde
los punt os se represent an mediant e desviaciones est ndares. Tal diagrama de cont rol t iene su li-
nea cent ral en cero, y lmit es 'superior e inferior de cont rol de +3Y - 3, respect ivament e. La
variable que se grafica en el diagrama es .
donde p (o 15 , si no se da un valor est ndar) es la fraccin no conforme del proceso en un
est ado de cont rol. El diagrama de cont rol est andarizado para los dat os de la Tabla 5-4 se muest ra
en la Fig. 5-6. Los clculos asociados a est a grfica se present an en la Tabla 5-5. Se podran aplicar
con t oda segurdad los mt odos para la det eccin de corridas y pat rones, porque los cambios rela-
tivos de un punt o a ot ro se expresan en t rminos de las mismas unidades de medida.
No es ms difcil const ruir o mant ener el diagrama de cont rol est andarizado que cualquiera
de los ot ros dos procedimient os est udiados en est a seccin. Sin embargo, concept ualment e la in- .
t erpret acin y la comprensin por el personal operativo puede ser ms difcil, ya que se "perd"
la referencia hacia la fraccin no conforme real del proceso. Sin embargo, sj exist e una variacin
grande en el t amao muest ral, los mt odos para ident ificar corridas y pat rones slo pueden usarse
~r'
l .
(0.096)(0.904) =0.007
98
(0.096)(0.904) =0.185
98
LSC = P - 3/ p( 1 ; p) = 0.096'- 3
LSC =P +3/ p( 1 ; p) =0.096 +3
~ 0.15
0.25
',0. 0.20 I Lse ~0.185
~
w
" E
25
~1 n =2450 =98
= 25 25
1 2 3 4 5 6 7 8 9 l a 12 14 16 18 20 22 24
Nmero de muest ra
Figura 5-5. Diagrama de cont rol de la fraccin disconforme, basado en un
.t amao muest ral promedio.
0.00
w
- c
w
E
.2
0.10
'6
e
'O
.
u
2
5 Diagramas de Cont r~1 para At ribut os
l /e ~ 0.007
y
,
fut uros t amaos muest rales no sern muy diferent es de los observados ant es. Si se ut iliza est e plan-
t eamient o, los lmit es de cont rol sern constantes, y el diagrma de cont rol result ant e no t endr
un as'pect o t an formidable para el personal operativo omo el diagrama con lmit es variables. Sin
embargo, si hay una variacin ext raordinariament e grande en el t amao de una muest ra en part i-
cular, o un punt o cae cerca de los lmit es de cont rol aproximados, ent onces se t endrn que det er-
minar los limit es de cont rol exact os para est e punt o y examinarlo respect o a su valor. Para los
dat os de la Tabla 5-4, encont rarnos que el t amao muest ral promedio es
Por lo t ant o, los lmit es de cont rol aproximados son
El diagrama de cont rol result ant e se present a en la Fig. 5-5. Obsrvese que p para la muest ra 1 1
se halla cerca del lmit e superior de cont rol aproximado, pero parece est ar bajo cont rol. Sin em-
bargo, al compararlo con su lmit e superior de cont rol exact o (0.1 80, de la Tabla 5-4), el punt o
indica una condicin fuera de cont rol. De modo similar, punt os que se encuent ran fuera de los
lmit es de cont rol aproximados pueden est ar ent re sus lmit es de cont rol exact os. En general, hay
que t ener cuidado con la int erpret acin de punt os cerca de los lmit es de cont rol aproximados.
Tambin debe t enerse mucho cuidado con el anlisis de corridas u ot ros pat rones aparent e-
ment e anormales, en las grficas con t amaos muest rales variables. El problema es que un cambio
118
1
121
(S-14)
P =P { O < 1 8 1 p } - P { O . : s ; 21p}
0,0138
0,1892
0.4595
0,8883
0,9857
0,9%2
0,9712
0,8594
0,6216
0.3356
0,1273
0,0325
0,0053
P { O . : s ; 2 I p }
0,9862
0,8108
0,5405
0,1117
0,0142
0,0013
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
f J = P { p <UCllp} - P { p 5, LCLlp}
=P { 0< nUCLlp} - P { 05, nLCLlp}
P { O . : s ; 1 8 1 p }
1.0000
1.0000
1,0000
1,0000
0,9999
0,9975
0,9713
0,8594
0,6216
0,3356
0,1273
0,0325
0,0053
P
0,01
0,03
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0.45
0,50
0,55
5,2 Diagrama de Control para la Fraccin de Disconformes
f J =P { 0< (SO)(0,3697)lp) - P { 05, (sO)(O,mm)lp)
las probabilidades de esta tabla se encontraron evaluando la distribucin binomial acumulativa, Para .
p pequeo (p < 0,1) se podra usar la aproximacin de Polsson, y para valores mayores de p la aproxi-
m ac i n n o r m al .
sin problemas en el diagrama de control estndarizado, En tal caso, podra ser aconsejable utilizar
un diagrama de control con lmites de control individuales (como en la Fig, 5-4) para el personal
operativo, junto con un diagrama de control estandarizado para el ngeniero de calidad,
5.2.3 Fun c i n Car ac t er st i c a de Oper ac i n
=P { 0< 18,49I p} - P { O 5, 1.52I p}
Tabla 5-6' Clculos para el trazo de la curva CO para un diagrama de control de la frac-
cin disconforme, con n ~ SO,_L 1C =0,0303 .Y l5C - 0.3697
La funcin caracterstica de operacin (CO) del diagrama de control de la fraccin no conforme,
es una representacin grfica de la probabilidad de aceptar incorredamente la hiptesis de un
control estadstico (es decir, un error tipo" o P ) contra la fraccin disconforme del proceso, La
curva CO proporciona una medida de la s ens ibilidad del diagrama de control; o sea, su capacidad
para detectar un cambio en la fraccin disconforme del proceso respecto al valor nominal p hacia
algn otro valor p , La probabilidad del error tipo " para el diagrama de control de la fraccin
no conforme puede calcularse a partir de
Como D . es una variable aleatoria binomial'con parmetros n y p, el error p, definido en (5-14),
puedobtenerse a partir de la distribucin binomial acumulativa,
En la Tabla 5-6 se ilustran los clculos necesarios con objeto de generar la curva CO para
el diagrama de control de la fraccin disconforme con los parmetros n = 50, L1C = 0,,0303 Y
LSC =0.3697, Al aplicar estos parmetros, con la Ecuacin (5-14) se obtiene
'l'~
,.~'.
Nm~~oN, ~o~o~~m~mo~~m~mo~~
r r"r, Nr r r
~NM~~~~m~o~NM~~~~m~o, NM~~
rrrrrrrrrrNNNNNN
8228gg88~~g~~~g222~8888~~
r r"r, r"" rrrr
MN~~m~m~~~~~m~~Nm~~~~~~~M
ro, ~N\ ~~N~~OO~O~, ~NN~~~\ ~,
OOOOOOO~OO~~O~~OOO~O~OOoO
I I I I I I I I I I I I I
~8~~~g; g~g~~~~~~8~~~2~28~8
r,OOOrrrrOrrOOOrrOOOOOrOr
0000000000000000000000000
~~M~~ro~~\ rro~~~~~MM~~~~~rr
NMMNNNNNMMNNNNNMMMMNNNNMM
0000000000000000000000000
0000000000000000000000000
-
i:.-
, g - ~
~~
E;;
~~
1- :J
E
~~
m I
" ,-
E <o.
e ~'
:2 E
~. E
r: 5
~~
'O
~
~
1~II~k
,Q g;
o
'-'
~~
-0-0
O. g
;;; 'E
E ~
':J O
zc
'O
11
N -
"
'0" '-
~l' ~~
~ :",~.g~
~. Z 11l
r- - O
'"' a >
el
o
1,
lO.
"r'
lJ 'l
~
",
00
:
~
Q)
"O
o
"O
'" ,!:!
ro
"O
e
~
~
e
c
o
u
Q)
"O
'" E
~
00
'" 'O
Oi
~
'"
Q.
"'
.2
"
u
:.~
: ;;
u
120.
5.3.1 Pr o c ed i m i en t o s c o n Tam a o Mu es t r a! Co n s t an t e
Considrese la ocurrencia de no conformidades en una unidad de inspeccin del producto. En
la mayora de los casos, la unidad de inspeccin ser una sola unidad del producto, aunque no
necesariamente siempre es as. La unidad de inspeccin es sencillamente una entidad apropiada
para registrar los defectos. P odra ser un grupo de 5 artculos, 10 artculos, etctera. Supongamos
que los defectos o disconformidades ocurren en esta unidad de inspeccin segn una distribucin
de P oisson; es decir,
conformidades. Tambin se podran contar las no conformidades de varios tipos diferentes en una
unidad, mientras las condiciones antes mencionadas se satisfagan para cada clase de disconformidad.
En la mayora de las situaciones prcticas, estas condiciones no sern satisfechas exactamen-
te. El nmero de oportunidades para la ocurrencia de no conformidades puede ser finito, o la pro-
babilidad de ocurrencia de disconformidades puede ser variable. Mientras estas desviaciones
respecto de los supuestos no sean graves, el modelo de P oissn funcionar normalmente bien.
Hay casos, sin embargo, en los que el modelo de P oisson es del todo inadecuado. Estas situacio-
nes se analizan con ms detalle al final de la Seccin 5-3.1.
123
5.3 Diagrama de Control de Disconformidades (Defectos)
T
p
Figura 5-7. CUNa caracterstica de operacin para el
diagrama de control de la fraccin no conforme, con J i
~ 0.20, L1C = 0.0303 Y LSC ~ 0.3697.
f J
I
122
Sin embargo, como O tiene que ser entero, encontramos que
::,;
e - C e X .
p( x ) = -,- x = 0,1,2, ...
x .
p =P { O s1 8 1 p} - P { O s2 1 p}
La curva ca se grafica en la Figura 5-7.
donde x representa el nmero de disconformidades y c >O es el parmetro de la distribucin
de P oisson. De la Seccin 2-2.3, se sabe que la media y la variancia de la distribucin de P oisson
son ambas iguales al parmetro c. P or lo tanto, un diagrama de control de no conformidades con
lmites de tres sigmas
2
se caracterizara por
(5-15 )
(5-16)
L1C =e- 3 { C
LSC =e + 3 { C
LSC =e+3
Lnea central =e
Lnea central =e
suponiendo que se dispone de un valor estndar para c. Si estos clculos dan un valor negativo
para el L1C, entonces tmese L1C = O .
Si no se da un valor estndar, se podr estimar c como la media observada del nmero de
disconformidades en una muestra preliminar de unidades de inspeccin, digamos C. En este
caso, el diagrama de control tendr los parmetros
L1C =e- 3
Los lmites de control de (5-16) deben considerarse lmites de control de prue ba cuando no
se dispone de un valor estndar, y es necesario examinar las muestras preliminares para detectar
una posible falta de control. El diagrama de control de disconformidades se llama a veces diagra-
ma de c.
I EI riesgo P para los limites de tres sigmas no se distribuye de manera igual por arriba del L SC y debajo del L 1C, porque
la distribucin de P oisson esasimtrica. A lgunos autores recomiendan el uso de limites probabilsticos para esta grf ica, sobre
todo cuando c es pequeo.
~},;
5.3 DIAGRAMA DE CONTROL DE DISCONFORMIDADES (DEFECTOS)
Un artculo disconforme o no conforme es un producto que no satisface una o ms de las especifi-
caciones para tal producto. Cada punto especfico en el que no se satisface una especificacin
resultaser un de fe cto o di sconformi dad. P or consiguiente, un artculo disconforme tendr por lo
menos una disconformidad. Sin embargo, dependiendo de su naturaleza y su gravedad, es muy
factible que un artfculo posea varias disconformidades y, de todos modos, no sea c1asificadoco-
mo disconforme. P or ejemplo, supngase que se fabrican computadoras personales. Cada unidad
podra tener uno o ms desperfectos menores en el acabado de la caja, y debido a que no afectan ...,'-
seriamente su funcionamiento, se podra clasificarla como conforme. Sin embargQ, al tener dema-
siados desperfectos se tendra que clasificar la computadora personal como no conforme, ya que
aquellos seran evidentes para el consumidor, y podran afectar la venta de la unidad. Hay mu-
chos casos prcticos en los que es preferible trabajar directamente con el nmero de defectos o
disconformidades, en vez de hacerlo con la fraccin no conforme. Algunos ejemplos son la canti-
dad de soldaduras defectuosas en 100 m de oleoducto; el nmero de remaches rotos en un ala
de un avin, la cantidad de defectos funcionales en un dispositivo lgico electrnico, etctera.
Es posible desarrollar diagramas de control para el nmero total de disconformidades en una
unidad, o bien para el nmero promedio de defectos por unidad. P ara estos diagramas se supone
~al;;;~-;;i~ que la ocurrencia de disconformidades en muestras de tamao constante puede mo-~f-"""'''''
delarse bien mediante una distribucin de P oisson. P or esto suele requerirse que el nmero de
oportunidades b lugares potenciales para las disconformidades sea infinitamente grande, y que la
probabilidad de ocurrencia de una disconformidad en cualquier lugar sea pequea y constante,
.' Adems, la uni dad de i nspe cci n tiene que ser la misma para cada muestra. Es decir, cada unidad -~.
de inspeccin tiene que representar un "rea de oportunidad" idntica para la ocurrencia de dis- ~.:.L -
t
~-'-c--
l
124
Ej em p l o 5.2
45
125
;..
\
'1
,i';
"
: : 1
.- .
" : f
1 8
21
16
22
1 9
12
14
9
1 6
21
Nmero de
disconformidades
1 1
12
1 3
1 4
15
1 6
1 7
1 8
1 9
2 0
Nmero
de mestra
16
1 8
1 2
1 5
24
21
28
20
25
1 9
Diagrama de control de disconformidades para el Ejemplo 5.2.
Figura 5.8.
5
L1C = e - 3.[c = 1 9.67 - 3/1 9.67 =6.37.
L1C = e +3.[c = 1 9.67 +3/1 9.67 =32.97
Lnea central =e =1 9.67
1 2 3 4 5 6 7 8 91 0 1 2 1 4 1 6 1 8 20 22 24 26
Nmero de muestra
O
V >
Q)
'tl
'" 'tl
.~
- 2
e
O
ii
'O
Q J
'tl 1 5
e
Q J
.~ 1 0
z
1
2
3
4
5
6
7
8
9
1 0
Datos adiionales para el diagrama de control de disconformidades, Ejemplo 5.2
Nmero Nmerode
de meslra disconformidades
Tabla 5-8
y los lmites de control revisados son
stos sern los valores estndares para verificar la produccin del prximo periodo.
Se obtuvieron subsecuentemente veinte muestras nuevas, cada una de ellas de una uni-
dad de inspeccin (es deci;, 1 00 tarjetas). Se anota el nmero de disconformidades .en cada
( f J muestra y se registran en la Tabla 5.8. Se grafican estos puntos en el diagrama de control
- 472 =1 9.67
c =24
Tabla 5.7
Datos para el nmero de disconformidades en muestras de
100 tarjetas de circuitos impresos
Nmero de Nmerode Nmero de Nmero de
m e s t r a disconformidades m e s t r a disconformidades
1 21 1 4 1 9
2
24 1 5 1 0
3
1 6 1 6 1 7
4 1 2 1 7 1 3
5 1 5 1 8 22
6 5 1 9 1 8
7 28 20 39
8
20 21 30
9 31 22 24
1 0 25 23 1 6
1 1 20 24 1 9
1 2 24 25 1 7
1 3 1 6 26 1 5
L1C =e - 3.[c =1 9.85 - 3119.85 =6.48
L nea central = e = 1 9.85
P or lo tanto, los lmites de control de prueba son
51 6 =1 9.85
c= 26
LSC=e +3.[c =1 9.85 + 3119.85 =33.22
En la tabla 5-7 se presenta el nmero de disconformidades observadas en 26 muestras sucesi.
vas, cada una con 1 00 tarjetas de circuitos impresos. Obsrvese que se defini conveniente.
mente la unidad de inspeccin como 1 00 circuitos. Y a que las 26 muestras contienen un
total de 51 6 disconformidades, se estimina c por
En la Fig. 5-8 se muestra el diagrama de control. Aqur se grafia el nmero de disconfor.
midades observadas de las muestras preliminares. Dos puntos caen .fuera de los lmites de
control, las muestras 6 y 20. La investigacin de la muestra 6 revel que un inspector nuevO
haba examinado las tarjetas de dicha muestra y no reconoci varios tipos de disconformida.
_ _ _ _ ~d_ e_ s.guep99ran haber estado presentes. Adems, el nmero demasiado grande de disconfor.
.. ~~" '-" " midades e'n la'muestra 20 se debi a un problema en el control de la temperatura en la mquina"
. de soldar en onda, el cual se resolvi inmediatamente. P or lo tanto, parece razonable excl.!!!~.
estas dos muestras y revisar los lmites de control de prueba. Ahora se calcula c por
5.3 Diagrama de Control de Disconformidades (Defectos) 126
40
3 5
L SC ~ 32.97
T'
. t
l'
~
0 : 2 = >
U
~~~~~~::f!?~ag;q;~Ql;~~8
; ; j ; ; ; ~~R Z~g 3 g ~o r ; ~~&: ~g
, ...
127
.9
':;
l:!
'
<l 1
"O
<l 1
"O
~
<l 1
U
e
a.
Oi
f!
'" a.
'"
l:i
<l 1
.t:'
l:i
'"
:~
:;;
e
<
e
...
.; ,
:::
:l
..,
:
o
., .
ce
, .,
'"
, .,
., .
, .,
N
, .,
ce
N
'"
N
o
, .,
'" <l 1
"O
- 8
.~
., . w o
N<' 'E
~ o
NZ U
N ~ g
~ O <l 1
o . "O
.9
~
r f .
<l 1
"O
ce
~
'"
~
N
~
;!
o
~
ce
'"
., .
f f 'N
. . .
.
. .
.
.
. . .
.
. .
. . .
. . . . . .
N, . . . .NO~~~ . . . NNNNN
OJ . , ..., ..., ...OOOOOOOOOOO
d O r ' \ . u) r r ) ..- ) ev) N"NN..: ~ r - = .- : .- :
' tN
OO"' \ , !)l f )M("f ")MNNN~; -r -, \
"' N
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
~
3: 6~ ~'" ~
w < z O '" g 'z
< ~ '" U 5 > ~ N ~ w 6
~'O ~ = > W 00 Z ~ w U ~ ~
. u. ~ . Cl wx O ~ z ~ z O
U ~ ~ u ~~OwCl Z - O ~
~, < ~Q u w w ~ < < < O ~ ~ = >
: : J ~ w ~: : J : : J : : J N 'Z S Cl Q '"
~ Z m z ~ ~ ~ ~ ~ < < < _ ~ u ~
~2<-: ~m"' : ~~~o . : o . . : tQ~
Q Q Q ~ Q ~ ~ ~ ~ ~ ~ ~ ~ ~ Q ~.
~ ~ ~ O ~ ~OO O5 ~ ~ ~ '"
~ ~ ~ u ~ ~ ~ ~ u u u ~ ~~ ~
~
o'
li~ OO"<')OJ, ... . "O', ...<') . l f )~"OJ
~ ~ . ~ ~ " " OJ OJ OJ OJ O' O' O' O' 0'0' O'
u. ~
li
w
'"
u.
g
~
w
Cl
w
Cl
O
tJ
o
8
Nmero de muestra
o
5' ~
~
~
- o
~
- o
.~
2
e
~
'O
de l a Fi gur a 5.9. No se i ndi ca f al ta de contr ol ; si n embar go, el nmer o de no conf or mi dades

por tabl i l l a es todava demasi ado gr ande. Se necesi tan acci ones admi ni str ati vas par a mejor ar
el pr oceso.
Fi gur a 5.9. Conti nuaci n del di agr ama de contr ol de di sconf or mi dades, Ejempl o 5.2.
A nl i si s adi ci onal de di sconf or mi dades. B L os datos con r especto a def ectos o no conf or mi da.
des si empr e conti enen ms i nf or maci n que l a f r acci n di sconf or me, por que habr nor mal mente
tipos di sti ntos de no conf or mi dades. A nal i zando l as di sconf or mi dades segn el ti po, muchas ve.=,
ces puede tener se una i dea de sus causas. Por ejempl o', en el pr oceso de l as tar jetas de ci r cui tos
i mpr esos, hay 1 6 ti pos de def ectos. En l a Fi g. S- l Ose pr esentan l os datos de l os def ectos en
500 tar jetas. Obsr vese que ms de 60% del total de di sconf or mi dades se debe a dos tipos de
defectos: i nsuf i ci enci as y juntas f r as de sol dadur a. Esto i ndi ca ms pr obl emas con el pr oceso
de sol dadur a. Si se pudi er an ai sl ar y el i mi nar esos pr obl emas, habr a un aumento notabl e en l a'.
pr oducci n del pr oceso. Ntese que l as no conf or mi dades si guen l a di str i buci n de Par eto; es'
deci r , puede atr i bui r se l a mayor a de l os def ectos a unos pocos (en este caso dos) ti pos de di scon:
f or m i dades.
En este pr oceso se f abr i can var i os ti pos de tar jetas de ci r cui tos i mpr esos. Por l o tanto, puede' , .
ser ti l exami nar l a ocur r enci a del ti po de def ecto por ti po de tar jeta (nmer o de catl ogo). L a
Tabl a 5- 9 conti ene tal i nf or maci n. Obsr vese que l as 40 i nsuf i ci enci as de sol dadur as y l as 20
juntas f r as de sol dadur a ocur r i er on par a el mi smo nmer o de pi eza, 0001 285. El l o i mpl i ca que
este ti po par ti cul ar de tar jetas es muy suscepti bl e a pr obl emas de sol dadur a en onda, y se ti ene
que poner atenci n especi al a f i n de mejor ar este paso del pr oceso par a di cho nmer o de pi eza.
Otr a tcni ca ti l par a un anl i si s adi ci onal de di sconf or mi dades es el di agr ama de ca u sa Y
- .ef ecto o dia gra m a de espina zo de pesca do (tambi n l l amado dia gra m a de /shika w a , en honor
a su i nventor , el Dr . K aor u I shi kawa). Este di agr ama se uti l i za par a i l ustr ar cl ar amente l as di sti !as'
- . f uentnte di sconf or mi dades en pr oductos y sus i nter r el aci ones. Es ti l par a centr ar l a atenci n
" de oper ador es, i ngeni er os de pr oducci n y di r ector es en l os pr obl emas de cal i dad. El desar r ol l o de
.- un bu di ~gr ma'causa- ef ecto, suel e mejor ar el ni vel de compr ensi n tecnol gi ca del pr obl ema. , .
En .I aFi gur a 5- 1 1 se muestr a un dagr ama causa- ef ecto par a el pr oceso de montaje de tar jeta\
de ci r cui tOs i mpr esos. Exi sten var i as maner as de tr azar el di agr ama. ste se centr a en l as tr es f uei i ="
r : , \ ~"
: t , !
~ : .
..
. 1\)
, 00
o
-~ .

3
l
Ul
a.
< 1 >
O
O
~ -
- . 'O
l

~
cr
c:
O-
Ul
Soldadura
juntas fras
Soldadur:a
abierta/DEWE
escasa
Soldadura
Tarjeta
en bruto
daada
Envoltura
de tarjeta
en bruto
RE
Cdigo de
defecto
de componente
impropio I
Componente
sobrante
Componente
daado (NO)
'1
Tabla 5-9 Tabla:dedefect os, clasificadospor nmer odepar t ey por nmer odecdigodedefect o
N~ er o Ide parte
'fr ec~ eQcia porcentual
Porcen;~i'e de la fila
~. Porcentaje de Componente
la columna faltante
0001285
1 O O O O 1 O S 20
1. 02
0. 00 0. 00 0. 00 0. 00 1. 02 0. 00
5. 10 20. 41
1. 41 0. 00 0. 00 0. 00 0. 00 1. 41 0. 00 7. 04 28. 17
50. 00
0. 00 0. 00 0. 00 0. 00 100. 00 0. 00 71. 43 100. 00
0001481
1 2 2 6 3 O 1 2
O
1. 02 2. 04 6. 12
3. 06, 0. 00 0. 00 1. 02
2. 04 0. 00
3. 70 7. 41 22. 22 11. 11 0. 00 0. 00 3. 70
7. 41 0. 00
50. 00 100. 00 100. 00 100. 00 100. 00 0. 00 100. 00
28. 57 0. 00
0006429 O O O O O O O O O
0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
0. 00
0. 00 0. 00 0. 00 0. 00 0. 00 0. 00 0. 00
0. 00 0. 00
0. 00 0. 00 0. 00
0. 00 0. 00 0. 00 0. 00 0. 00
Q. OO
Total 2 2 2
6 3 1 1 7
20
2. 04 2. 04 2. 04 6. 12 3. 06 1. 02 1. 02
7. 14 20. 41
,
U1
W
l
c. a

3
l
a.
< 1 >
O
O
~
- a.
< 1 >
O
Ul
()
O
: : >
O'
3
c. :
l
a.
< 1 >
Ul
-O
< 1 >
ro
()
O-
. 5!2.
Unidad(es) alambrado
Marca de
prueba
M C
Marca de
prueba
bla e M
Cdigo de
defecto
ID aperador
de estampad~
Estampado
faltante
Salpicadura
de soldadura
Soldadura
insuficiente
Tabla 5-9 , Cont in'uacin)
Nmero de parte
Frecuencia porcentual
Porcentaje de fila
Porcentaje.
n a arca E incorrecto S correcta(s) Total
0001285 40
I
O O O 2 1
40. 82 0. 00
1 O 71
0. 00 0. 00
56. 34 0. 00
2. 04 1. 02 1. 02 0. 00 72. 45
0. 00 0. 00 2. 82 1. 41 1. 41
100. 00 0. 00
0. 00
0. 00 0. 00 (>6. 67 33. 33 100. 00
0001481 O S
0. 00
1 1 1 2
0. 00 5. 10
O O 27
1. 02 1. 02 1. 02 2. 04 0. 00
0. 00 18. 52 3. 70 3. 70 3. 70
0. 00 27. 55
0. 00
7. 41 0. 00 0. 00
100. 00 100. 00 100. 00 33. 33 66. 67 0. 00
0006429 O
0. 00
O O O O O
0. 00 0. 00
O O O
0. 00 0. 00 0. 00 0. 00 0. 00
0. 00 0. 00 0. 00
0. 00 0. 00
0. 00 0. 00 0. 00 0. 00
0. 00 0. 00 0. 00
0. 00
0. 00 0. 00 0. 00 0. 00 0. 00
Total 40 S 1 1 3 3
40. 82 5. 10
1 O 98
1. 02 1. 02 3. 06 3. 06 1. 02 0. 00 100. 00
..
N
ce
130 5 Diagramas de Contrl para Atributos
r'
131
N6tese que u es una variable aleatoria de Poisson, ya que es una combinacin lineal de n varia-
bles aleatorias independientes de Poisson (Seccin 3-1.3). Por consiguiente, los parmetros del
diaprama de control son
ques generales para construir la grfica revisada, una vez elegido un nuevo tama/io muestra!. El
primero es simplemente redefinir una nueva unidad de inspeccin, que es igual a n veces la uni-
dad de inspeccin anterior. En este caso, la lnea central de la nueva grfica de control es ne,
y los lmites de control se localizan en nc . 2 : 3 ; donde e es el nmero medio observado
de no conformidades de la unidad de inspeccin original. Supngase que en el Ejemplo 5-2, des-
pus de revisar los lmites de control de prueba, se hubiera decidido usar un tamano muestral
de n =2.5 unidades de inspeccin. Entonces la lnea central se ubicara en ne =(2.5)(19.67)
=49.18, Y los lmites de control seran 49.18 .2: 3 49.18, o L1C =28.14 Y LSC =70.22.
El segundo enfoque implica elaborar un diagrama de control basado en el promedio de dis-
conformidades por unidad de inspeccin. Si encontramos un total de c disconformidades en una
muestra de n unidades de inspeccin, entonces el nmero prom edio de no conformidades por
unidad de inspeccin ser
Co r t o c i r c u i t o
Figura 5-11. Diagrama de causa y efecto (o causa-efecto).
Defectos en
tarjetas de
c i r c u i t o s
i m p r e s o s
e
u=-
n
(5-17)
j
,
',;
(5-18)
- ;
LSC = + 3 V -;
Lnea central =
L1C = - 3 { P ;
Lmite central = =1.93
Por lo tanto, los parmetros de la gr~fica de control son
Uri fabricante de computadoras personales desea establecer un diagrama de control de
disconformidades por unidad en la lnea de montaje fina!. Seseleccionan como tamao muestral
cinco computadoras. Los datos respecto al nmero de no conformidades en 20 muestras, de
cinco computadoras cada una, aparecen en la Tabla 5.10. A partir de estos datos estimara-
mos el nmero medio de no conformidades por unidad:
20
L u :
= ;=1 =38.60 =1.93
20 20
r o {T93
LSC=+3y-;;- =1.93 + 3ys-s- =3.79
r o{T93
L1C =-3y-;;- =1.93-3ys-s- =0.07
donde u representa el nmero promedio observado de no conformidades por unidad en un
conjunto preliminar de datos. Los lmites de control obtenidos a partir de (5-18) se consideraran
lmites de control de prueba. Esta grfica se denomina diagrama de control de disc onform idades
por unidad, o diagrama de u.
Ej em p l o 5-3
G i
Figura 5.12. Diagrama de concentracin de defectos
para una parte de plstico moldeada por inyeccin.
-+
tes genricas principales de disconformidades: materiales, operadores y equipo. Otro enfoque til
es organizar el diagrama segn el flujo del material a travs del proceso.
El diagram a de c onc entrac in de defec tos se usa para determinar si las no conforrnidades ..,.
se localizan en la misma rea del producto. Este diagrama es normalmente un bosquejo o esque-
ma del producto, en el que se indica la frecuencia media de ocurrencia de no conformidades me-
diante zonas sombreadas. La Fig. 5.12 es un diagrama de concentracin de defectos que sirve
para examinar las burbujas en una pieza de plstico. obtenida por inyeccin, y que se utiliza en
una impresora de grficas. La ubicacin de las burbujas indica que la mayor parte se enc uentr
aliado derecho. Su origen se hall subsecuentemente en un calentamiento irregular en el molde.
Seleccin d e l tamao muestral: Diagrama de u. El Ejemplo 5.2 ilustra un diagrama de con.
trol de disconformidades con tamao muestral exactamente igual a una unidad de inspeccin.
Se escoge dicha unidad por su sencillez operacional o su facilidad de obtener los datos. Sin
embargo, no hay razn alguna para restringir el tamao muestral a una unidad de inspeccin.
L
- .-En realidad, preferiramos mucha.s veces utilizar va. rias unidades de inspeccin en la muestra,
aumentando as el rea de oportunidad para la ocurrencia de disconformidades. Se tendra que -
escoger el tamao muestral conforme a consideraciones estadsticas, por ejemplo especificar un
. tamao muestral suficientemente grande para asegurar un limite inferior de calidad positivo opa.
_. atener una probabilidad particubi de detectar un cambio en el proceso. Por otro lado, factores_
~
_ _ econmicos podran influir en la determinacin del tamao de la muestra.
- -~ -, Supngase"que decidimos basar el diagrama de control en un tamaomuestral de n unidades-
1
'.' - de i.nSlJ eCci~~ .. .N. te.se q.ue n no necesariamente fiene que ser entero. Para il.ustrar esto, supngase
--1' - que en el Ejemplo 5.2 se hubiera especificado un tamao de los subgrupos igual a n = 2.5 unida.
G des dECinspeccin. Entonces el tamao m:estral sera (2:~1:~ ~o~rj~tas. EXisten.dos enfo; _ L . :
133
En una fbrica de acabado de tejidos, se inspeccionan telas teidas para detectar los defectos
en 50 metros cuadrados. Los datos para diez rollos de tela se presentan en la Tabla 5-11.
Utilizaremos estos datos para elaborar una grfica de control de disconformidades por unidad.
La lnea central de la grfica debe ser el nmero medio de no conformidades por unidad
de inspeccin; es decir, el promedio del nmero de no confOrmidades por 50 metros
cuadrados. Esto se calcula de la manera siguiente:
153
TI = 107.5 = lA2
5.3.2 Pr oc edi mi ent os c on Tamao Mues t r al Var i abl e
Modelos probabilsticos alternativos para datos de recuento En la mayora de las aplicacio-
nes del diagrama de c supone que la distribucin de P oisson es el modelo probabilstico correcto
para el proceso. Sin embargo, no es el nico que se podra utilizar como modelo para datos de
"recuento" o datos del tpo disconformidades por unidad. Varios fenmenos pueden producir
distribuciones de defectos que no se modelan bien con una distribucin de P oisson. P or ejemplo,
supngase que las no conformidades tienden a ocurrir en cmulos o conglomerados; es de-
cir, si hay una disconformidad en cierta parte del producto, entonces es probable que haya
ms. Ntese que aqu hay por lo menos dos procesos aleatorios; uno que genera el nmero y
la ubicacin de los conglomerados, y otro que genera el nmero de disconformidades dentro de
cada cmulo. Si el nmero de conglomerados tiene distribucin de P oisson, y el nmero de dis-
conformidades dentro de cada cmulo tiene una distribucin comn (por ejemplo, f), entonces
el nmero total de disconformidades tiene distribucin de Poisson compuesta. Hay muchos tipos
de distribuciones compuestas o generales que se podran utilizar como un modelo para datos de
recuento. P or ejemplo, si el nmero de conglomerados tiene distribucin de P oisson, y el nmero
de disconformidades dentro de cada uno es tambin de P oisson, entonces la distribucin tipo A de
Neyman modela el nmero total de no conformidades. P or otro lado, si la distribucin de los con.
glomerados es la de tipo gamma, y el nmero de disconformidades dentro de cada uno de ellos
es de P oisson, la distribucin binomial resultar negativa. J ohnson y Kotz (l969) hacen un buen
resumen de stas y otras distribuciones discretas que podran ser tiles para modelar datos
de recuento.
'Mezclas de varios tipos de no conformidades pueden llevar a situaciones en las que el nme-
ro total de disconformidades no es modelado adecuadamente por la distribucin de P oisson. Si-
tuaciones similares se presentan cuando los datos de recuento tienen demasiados o muy pocos
ceros. El artculo de J ackson (1972) es un buen anlisis de este problema general. Schaeffer y
Leavenworth (1976) estudiaron el uso de la distribucin binomial negativa para modelar datos
de recuento en unidades de inspeccin de tamao variable.
Ocasionalmente se construyen diagramas de control de disconformidades usando una inspeccin
al 100% del producto. Al hacer uso de este mtodo de muestreo, el nmero de unidades de ins-
peccin en una muestra normalmente no ser constante. La inspeccin de rollos detela o de pa-
pel lleva tambin a una situacin en la que el tamao muestral v~ra, porque no todos los rollos
tienen la misma longitud o anchura. Si se usa un diagrama de control de disconformidades (dia-
grama de c) en esta situacin, la lnea central y los lmites de control variarn con el tamao de
la muestra. P odra ser difcil interpretar esta grfica de control. El procedimiento correcto es utili-
zar un diagrama de control de no conformidades por unidad (diagrama de u). ste tendr una l-
nea central constante; sin embargo, los lmites de control variarn en forma inversamente
proporcional al tamao n del subgrupo.
Ej em p l o 5.4
T
f
j ' l umer o t Odl ~(; :
disconformidades, c
N mer o de mues t r a
Figura5-13, Diagrama de control de disconformidades por
unidad.
l amao
mues t r al , n
5 10 2,0
5 12 2A
5 8 1.6
5 14 2,8
5 10 2.0
5 16 12
5 11 2,2
5 7 lA
5 10 2,0
5 15 10
5 9 1.8
5 5 1,Q
5 7 lA
5 11 2,2
5 12 2A
5 6 1.2
5 8 1.6
5 10 2.0
5 7 1.4
5 5 1.0
193 38.6
5
~
-g' 4
-o
'"
~
o
'"
~
-o
~
-o
E
.E
c:
o
:,(
i:5
1
2
3
4
5
6
7
8
9
10
11
1 2
13
1 4
1 5
16
17
18
19
2 0
Tabla 5-10
N mer o
de mues t r a
"
El diagrama de control se muestra en la Figura 5-13. Los datos preliminares no presentan una
falta de control estadstico; por lo tanto, se adoptaran los lmites de control de prueba par,_ _
el contmlaCtual. Una ve~~is, nt5eque el 'nmero medio de disconformidades por unidad
es demasiado alto,-aunque el proceso se encuentre bajo control. An cuando se trata de dis-'-
conformidades no funcionales o de apariencia, hay demasiadas. La administracin debe
emprender acciones para' mejorar el proceso.
1
5 D,iagramas de Control para Atributos
~-::'---"'.--;
134
I
5 Diagramas de Control para Atributos ~r - '~
135
(5- 19)
(5- 20)
o
u=-
n
0= 100cA + sOcs + 10c
c
+ C
o
Defectos Clase C: Moderadamente importantes. La unidad probablemente fallar durante el
servicio, causar problemas menos graves que una falla de operacin, tendr tal vez duracin re-
ducida, producir un aumento en los costos de mantenimiento, o bien tendr un defecto impor-
tante en el acabado, la presentacin o la cal idad del trabajo .
Defectos Clase B: Graves. La unidad sufrir tal vez una falla Clase A durante el servicio, gene-
rar seguramente problemas operacionales menos graves, o con seguridad reducir su duracin
o incrementar los costos de mantenimiento.
Defectos Clase A: Muy graves. La unidad es completamente inadecuada para el uso, o fallar
en servicio de tal manera que no se pueda reparar con facilidad en el lugar de trabajo, o bien
ocasionar lesiones personales o daos materiales.
1 !1
En el caso de productos complejos, como automviles, computadoras o aparatos mayores, suele
observarse que pueden ocurrir muchos tipos de disconformidades o defectos. No todos los defec-
tos tienen la misma importancia. P robablemente una unidad del producto con un defecto muy
grave se clasificara como no conforme respecto a los requisitos, pero una unidad con varios de-
fectos menores no necesariamente tendra que ser disconforme. En tales situaciones, necesitamos
tener un mtodo para clasificar las no conformidades o defectos de acuerdo con su gravedad, y
ponderar los diversos tipos de defectos de alguna manera razonable.
Un posible esquema de demritos es el siguiente:
. : . _ "
5. 3. 3 Si s t em as d e Dem r i t o
Obsrvese que u es el cociente del nmero total de no conformidades observadas entre
el nmero total de unidades de inspeccin o inspeccionadas.
Los lmites de control para esta grfica se calculan a partir de la Ecuacin (5.1 8), cam-
biando n por ni' La amplitud de los lmites de control variar de manera inversamente pro-
porcional a ni ' que es el nmero de unidades de inspeccin en el rollo. Los clculos de los
lmites de control se representan en la Tabla 5-1 2. En la Fig. 5-1 4 se muestra el diagrama
de control.
Defectos Clase D: P oco importantes. La unidad no fallar durante el servicio, pero presenta
defectos menores en el acabado, la presentacin o la cal idad del trabajo.
Sean CA , Cs, Cc Y CD el nmero de defectos Clase A, Clase B, Clase C y Clase D, respecti-
vamente, en una unidad de inspeccin. Supngase que cada clase de defecto es independiente,
y que la ocurrencia de las disconformidades en ida clase se modela bien mediante una distribucin
de P oisson. Entonces definimos el nmero de demri tos en la unidad de inspeccin como
Las ponderaciones o pesos de los demritos d las Clases A-lOO, Clase B-50, Clase C-l0 y
Clase D-1 se emplean mucho en la prctica. Sin embargo, se podra utilizar tambin cualquier
conjunto razonable de ponderaciones, apropiadas para un problema especfico.
Supongamos que se utiliza una muestra de n unidades inspeccionadas o de inspeccin. En-
tonces el nmero de demritos por unidad es
. : . ;t~~.
Figura 5- 14. Diagrama de control de discon-
formidades por unidad, con tamao muestral variable,
Ejemplo 5- 4.
Tabla 5-1 2 Clculo de los lmites de ontrol, Ejemp!o 5- 4
Nme;del
rollo,
n UCL = + 3//n LCL = - 3//n
1 1 0.0 2.55 0.29
2 8.0 2.68 0.1 6
3 1 3.0 2.41 0.43
4 1 0.0 2.55 0.29
5 9.5 2.58 0.26
6 1 0.0 2.55 0.29
7 1 2.0 2.45 039
8 1 0.5 2.52 032
9 1 2.0 2.45 039
1 0 1 2.5 2.43 0.41
.
Tabla 5. 11
Ocurrencia de disconformidades en telas teidas
N m er o . Cantidadde
N m er o t o t al
Nmerode unidadesde Nmerode disconformidades
de rollo m et r o s c u ad r ad o s
de disconformidades inspeccinpor rollo, n por unidadde inspeccin
1 500
1 4 1 0.0 1 40
2
400
1 2 8.0 1 .50
3
650
20 1 3.0 1 .54
4 500
1 1 1 0.0 l1 0
5
475 7 9.5 0.74
6
500 1 0 1 0.0 lOO
7 600 21 1 2.0 1 .75
8 525 1 6 1 0.5 1 .52
9 600 1 9 1 2.0 1 .58
1 0 625 23 1 2.5 1 .84
1 53 1 07.50
.... ~....,.
.~,
3 . 5
- . 0
~
3 . 0
- g~
"O
2 . 5
' "
~
o
a.
~
v
"O
.
"O
.~
' "
e
O
~
i 5
,11
1i
~
i !;
}I
~.
{!l
' jtl
' ":' !:'
W j
~
"
;,
~,
:Ir,
donde O es el nmero total de demritos en todas las n unidades inspeccionadas. Y a que u es
lll1acombinacin lineal de variables aleatorias ind~pendientes de Poisson, podemos usar este he-
cho para definir el diagrama de control. Se podra representar la estadstica u en un diagrama de
control con los parmetros siguientes:
137
Figura 5-15 Curva CO para una grfica c con UC : 6.48
y L SC - 33.22.
5 10 15 20 25 30 35 40 45 50
1.00
0.90
0,80
f3 0.70
0.60
0.50
0,40
0.30
0.20
0.10
0.00
(5-23)
(5-22)
(5- 21)
(5- 22)
L SC '" u + 3a u
L nea central'" u
L 1 C '" u - 3a u,
U'" 100uA + sOua + 10uc + UD
a
u
'" [ (100)2uA +(sO)2~a +(10)2uc + UD t
2
Y
donde'
136
donde x es una variable aleatoria de Poisson con parmetro c.
P "'P { x < L SC,lc}-P{x~ utlc}
Y a que el nmero de no conformidades tiene que ser entero, esto equivale a
P =P { x ~ 331e} - P { x ~ ?le}
Estas probabilidades se evalan en la Tabla 5-13. En la Figura 5-15 se muestra la curva ca.
Para la grfica de u es posible trazar la curva ca a partir de
P =P { x <33.22lc} - P { x ~ 6.48lc}
P =P { x < L SC I u} - P { x ~ L 1C I u}
=P { e <n L SC u} - P { e ~ n uc u}
=P { n L SC <e ~ n UC I u}
[n~C] e - nu( nu) C
,= i... -c~l~ (5-25)
c=(nllC} .
donde )denota el menor entero que es mayor que o igual a y, y [y] denota el mayor entero que
es menor que o igual a y. L os lmites de la sumatoria en (5-25) provienen del hecho de que
el nmero total de disconformidades observadas en una muestra de n unidades de inspeccin
debe ser entero. Ntese que n no se restringe a un valor entero.
Generaremos la curva ca para la grfica de e del Ejemplo 5-2. En este caso, como L 1C
=6.48 y L SC =33.22, la ecuacin (5-24) es
p =P { x ~ 331e} -' P { x ~ 71e}'
0.001
0.012
0,134
0.402
0.778
0.981
0.995
0.. 945
0.709
0.500
OJ 7
0.131
0.037
P { x ~ 71e}
0.999
0.988
0.866
0.598
0.222
0.018
0.000
0.000
0.000
0.000
0.000
0,000
0.000
P { x ~ 331e} e
Se pueden obtener las curvas caradersticas de operacin (Ca) para el diagrama de c y para el
de u a partir de la distribucin de Poisson. Para la grfica de c, la curva ca representa la probabili-
dad del error tipo 11,~contra la media verdadera del nmero de defectos c. L a expresin para ~es,
Tabla 5-13' Clculo de la curva CO para un diagrama de c, con L SC = 33.22 Y UC - 6.48
5.3.4 Func i n Car ac t er s t i c a de Oper ac i n
li
A
, li
B
, Uc, y U
A
representan el nmero medio de defectos de Clases A , B, C y D por unidad. 't'
Se obtendrn los valores de U
Ar
U
B
, U
Y uA a partir del anlisis de datos preliminares, obtenidos"

C1elproceso que se supone bajo control. Pueden utilizarse valores estndares parauA , UB, UY
U
A
cuando estn disponibles.
Hay muchas variaciones posibles para esta idea. Por ejemplo, podemos clasificar las dis-
conformidades como defectos funciona les o de a specto si se prefiere un sistema de dos clases.
Tambin es prctica comn manejar separadamente diagramas de control para cada clase de
defectos, en vez de combinarlos en uno solo.
1 1.000
3 1.000
5 1.000
7 1.000
10 1,000
15 0.999
20 . 0.995
25"'--' - 0.945
",:';'".-.-30_' __ .~' 0.709
33 0.500
35- -,~' OJ 7
40 0.131
45 0.037
5.3 L os datos que siguen corresponden a los resultados de la inspeccin de todas las unidades
de una computadora personal, producidas en los ltimos 10 das. Parece estar bajo control
el proceso?
5.4 Se quiere controlar un proceso mediante un diagrama de la fraccin no conforme .. lnicial-
mente, 'se toma una muestra de tamao 100 cada da, durante 10 das, y los resultados se
presentan a continuacin.
1
138 5 Diagramas de Control para Atributos
Q5.4. EJERCICIOS 1
e
J VA,-~.1- os datos expuestos a continuacin .se refieren al nmero de montajes disconformes d,e coji_
< . . . . . 1. netes y sellos, en muestras de tamano 150, Trace un diagrama de control de la fraCClon dis-
. conforme para estos datos, Si algunos puntos caen fuera de control, suponga que pueden
encontrarse causas atribuibles y determine los lmites de control revisados,
Nmero de Nmero d-e montajes Nmero de Nmero de montajes
muestra disconformes muestra disconformes
-- ---
1 7 11 6
2 4 12 15
3 1 13 O
4 3 14 9
5 6 15 5
6 8 16 1
7 10 17 4
8 5 18 5
9 2 19 7
10 7 20 12
T
J
I
5. 4 Ejercicios
Da
1
2
3
4
5
6
7
8
9
10
Unidades
inspeccionadas
80
110
90
75
130
120
70
125
105
95
Unidades
disconformes
4
7
5
8
6
6
4
5
8
7
Fraccin
disconforme
0.050
0.064
0.056
0.107
0.048
0.050
0.057
0.040
0.076
0.074
139
~ A continuacin se presenta el nmero de interruptores disconformes en muestras de tamao
V100. Trace un diagrama de control de la fraccin no conforme para estos datos, Parece estar
bajo control el proceso? Si no es as, suponga que se pueden encontrar causas atribuibles
para todos los puntos fuera de control, y determine los lmites de control revisados, ;>
Nmero de Nmero de interruptores Nmero de Nmero de interruptores
muestra disconformes demuestra disconformes
-
-- ---
1 8 11 6
2 1 12 O
3 3 13 4
4 O 14 O
'S 2 15 3
L
6 4 16 1 I
1
I
7 O 17 15
8 1 18 2
9 10 19 3
10
6 20 O
Nmero de la muestra Nmero de unidades disconformes
1 3
2 2
3 6
4 2
5 7
6 2
7 1
8 2
9 O
10 5
(a) Establezca un diagrama de control para verificar la produccin futura.
lb) Cul es el menor tamao muestral que se podra utilizar para este proceso y todava
garantizar un lmite inferior de control positivo?
5.7 Un diagrama de control indica que la fraccin no conforme del proceso actual es 0.02. Si
se inspeccionan 50 artculos cada da, cul es la probabilidad de detectar un cambio en
la fraccin no conforme hacia 0.04 en el primer da despus del cambio? Al final del tercer
da despus del cambio?
140
...,2500
~
5.5 Un proceso pruduce bandas de goma en lotes de tamao 2 300. L os registros de la inspec_
P;;:cin de los ltimos 20 lotes revelan proporcionan' los datos siguientes:
~ 1
5.4 Ejercicios
141
Nmero
Nmero de bandas Nmero de Nmero de bandas
de muestra disconformes lote disconformes
u
--
1 2 3 0 1 1 4 5 6
2 4 3 5 1 2 3 9 4
3 2 2 1 1 3 2 8 5
4 3 4 6 1 4 3 3 1
5 2 3 0 1 5 1 9 8
6 3 2 7 1 6 4 1 4
7 2 8 5 1 7 1 3 1
8 3 1 1 1 8 2 6 9
9 3 4 2 1 9 2 2 1
1 0 3 0 8 2 0 4 0 7
5.8.
5.9
B
G~IO
Una compaa compra pequeos soportes metlicos en envases con 5 000 de ellos. Diez
cajas llegaron a las instalaciones de desembarque, y se seleccionan al azar 250 soportes de
cada caja. L a fraccin no conforme en cada muestra es: O, O, 0.004,0.008, 6, 0.Q20, 0.004,
O, O Y 0.008. indican los datos de este embarque un control estadstico?
Se producen artculos en lotes de tamao 1 000. Se desea controlar el proceso de fabrica.
cin de' estos artculos tomando muestras de tamao 64 de cada lote. Si el valor nominal
de la fraccin disconforme es p =0.10, determine los parmetros del diagrama de control
adecuado. A qu nivel debe incrementarse la fraccin no conforme para que el riesgo p
sea jgual a 0.50? Cul es el mnimo tamao muestral necesario para tener un lmite inferior
de control positivo en este diagrama?
Se us~un diagrama de control para el nmero de disconformes en un proceso con np
= 16.0. Se toma diariamente una muestra de tamao 100 para su anlisis.
(a) Cul es la probabilidad de que un cambio en el promedio del proceso hacia np = 20.0
sea detectado en el primer da despus del cambio? Qu probabilidad hay de que se
detecte el cambio por lo meno, al final del tercer da?
(b) Encuentre el menor tamao muestral que da un lmite inferior de control positivo.
\.
-
5- 6
(a). Determine los lmites de control de prueba para una grfica de control de la fraccin no
conforme.
(b) Si quisiera trazar un diagrama de control para controlar la produccin futura, cmo utili:
zaria los datos anteriores para obtener la lnea central y los lmites de control?
Considere los siguientes datos. Qu recomendara como lnea central y como lmites de ,.
control para una grfica de np, basndose en tales datos?_ .
Da Nmero de unidades disconformes
1 5
2 4
3 3
4 2
5 6
6 18
7 5
8 8
9 2
1 0 2
5.11 Se tiene que elaborar una grfica de control de la fraccin no conforme, con la lnea central
en p =0.10. Qu tamao muestral se necesita para poder detectar un cambio en la frac-
cin no conforme del proceso hacia 0.16, con una probabilidad de 0.50?
5.12 Se vigila un proceso mediante un diagrama de control de la fraccin no conforme, con
lmites de tres sigmas, n = 100, L SC - 0.161, lnea central =0.080 Y L 1C _ O.
(a) Trace el diamgrama de control equivalente del nmero de disconformes.
(b) Utilice la aproximacin de Poisson a la binomial para hallar la probabilidad de un error
tipo 1.
(c) Use la aproximacin correcta para obtener la probabilidad de un error tipo 11,si la frac-
cin no conforme del proceso cambia hacia 0.2.
(d) Cul es la proeabilidad de detectar el cambio del inciso (c) para a ms tardar la cuarta
muestra despus del cambio?
5.13 Se controla un proceso mediante un diagrama de control de la fraccin disconforme. El
promedio del proceso resulta ser igual a 0.07. Se emplean limites de control de tres sigmas,
y el procedimiento necesita muestras diarias de 400 artculos.
(a) Calcule los lmites superior e inferior de control.
(b) Si el promedio del proceso cambiara de repente hacia 0.10, cul sera la probabilidad
de detectar el cambio en la primera' muestra subsecuente?
(c) Qu probabilidad hay de que se detecte el cambio del inciso (b) en la primera o la
segunda muestra despus del cambio?
5.14 Cul es el tamao muestral necesario para producir un lmite inferior de control positivo
en el diseo de un diagrama de control de la fraccin no conforme, con la lnea central en
p =0.20 Y con lmites de control de tres sigmas? Cul es el valor de n que se necesita para
tener una probabilidad de 0.50 de detectar un cambio en el proceso hacia 0.26?
!!
':1
J
f,
5.4 Ejercicios
143
142 5Diagrari,~s de Control para Atributos
"-,. -. . -:. d' ama'para controla'r la fraccin no conforme de un proceso. Diez subgrupos
Nmero de Tamao
Nmero de
Nmero de Tamao
Nmero de
. " 5.15c> Se usa un lagr
, "c' ":r". .""...... ,~, prducn los datos siguientes:
muestra muestral disconformes
muestra muestral
disconformes
; '.;.14'; '1'. .~'. --,J
--- ---
--- --- ---
,r ~.. ' / ' : 1
' .~. -'o
;,
1 2 0 0
6
1 1 1 0 0 1
Nmero de muestra Tamao muestral I Nmero de disconformes
2 2 5 0 ~
8
1 2
1 0 0 O
1 1 0 0 2 0
3
2 5 0 " 9
1 3 1 0 0 1
2 1 0 0 2 5
4 250 v
7
1 4 2 0 0 ~
4
3 1 0 0 3 5
5 2 0 0
3
1 5 2 0 0 ~
5
4 1 0 0 1 0
6 2 0 0
4 1 6 2 0 0 .
3
5 1 0 0 3 0
.
7 1 5 0
2
1 7 2 0 0 1 0
6 1 0 0 5
8 1 5 0
1
1 8 2 0 0 4
7 1 0 0 4 5
9 1 5 0
O 1 9
2 5 0 7
8 1 0 0 2 0
1 0 1 5 0
2 2 0 2 5 0 6
9
I
1 0 0 1 0
1 0 1 0 0 1 0
~.
1,.
1
(a) Si se emplean lmites de tres sigmas, encuentre el tamao muestral para la grfica de control.
(b) Utilice la aproximacin de Poisson a la binomial para obtener la probabilidad de error
tipo 1.
(e) Use la aproximacin de Poisson a la binomial para determinar la probabilidad del error
tipo 11,si la fraccin defectuosa del proceso es realmente p ~ 0.20.
(a) Encuentre los lmites de control de prueba para este proceso.
(b) Trace una grfica de control para vigilar la produccin futura,
LSC =0 , 0 6 0 9
Lnea central =0 , 0 5 0 0
L1C ':' 0 , 0 3 9 1
l S C =0 , 0 9 6 2
Lnea central =0 . 0 5 0 0
L1C = 0 . 0 0 3 8
Analice los datos del Ejercicio 5-19, utilizando un tamao muestral promedio,
Trace una grfica de control estandarizada para los datos del Ejercicio 5-19,
Un diagrama de control de la fraccin no conforme tiene su lnea central en 0,01, su LSC
~ 0.0399, L1C - O Y n ~ 100, Si se usan lmites de tres sigmas, determine el tamao mues-
tral ms pequeo que producir un lmite inferior de cor.trol positivo,
Por qu el diagrama de control de np no es adecuado con un ta'mao muestral variable?
Una grfica de control de la fraccin no conforme con n ~ 400 tiene los siguientes parmetros:
(a) Encuentre la amplitud de los lmites de control en unidades de desviacin estndar,
(b) Cules sern 10 '5 parmetros correspondientes de una grfica de control equivalente
basada en el nmero de disconformes?
(e) Cul es la probabilidad de que se detecte un cambio en la fraccin no conforme del
proceso hacia 0,0300 en la primera muestra despus del cambio?
5.19 Se dispone de los siguientes datos de un proceso:
5.25 Un diagrama de control de la fraccin no conforme con n = 400 tiene los siguientes par-
metros:
5.23
5.24
5.20
5.21
r 1 i f - - .
\po'~ 5.22
(a) Trace un diagrama de control del nmero no conforme en muestras de n ~ 100,
(b) Cul es la probabilidad, para la grfica del inciso (a), de detectar un cambio en el proce-
so de la fraccin no conforme hacia 0.30 en la primera muestra despus de la ocurrencia
del cambio?
(a) Encuentre los limites de control de tres sigmas para la grfica.
(b) Cul es la probabilidad de que un cambio en el promedio del proceso hacia 0.08 sea
detectado en la primera muestra subsecuente? Cul es la probabilidad de detectar este
cambio por lo menos en la cuarta muestra despus del cambio?
5.16 Un diagrama de control de la fraccin no conforme indica que el promedio actual del proce-
so es 0,03. El tamao muestral de 200 unidades es consta me,
5.17 (a) Se tiene que elaborar una grfica de control del nmero de disconformes, basada en mues-
tras de tamao 400. Para empezar la grfica de control se seleccionaron 30 muestras,
y se determin el nmero de disconformes en cada muestra, lo que produjo L ? ~ 1D I
~ 1 200, Cules son los parmetros de la grfica de np ?
(b) Suponga que el promedio de la fraccin no conforme del proceso cambi hacia 0.15,
Cul es la probabilidad de que se detecte el cambio en la primera muestra subsecuente?
~ Se usa un diagrama de control de la fraccin no conforme, con lnea central 0.10, LSC
~ ~ 0.19 Y L1C ~ 0,01, para controlar un proceso,
l O
C/
5.31 Considere el diagrama de control de la fraccin no conforme del Ejercicio 5-5. Determine
la grfica de np equivalente.
5.32 Trace un diagrama de control estandarizado para 105 datos del Ejercicio 5-3.
5.33 Se contaron 105defectos en la superficie de 25 placas rectangulares de acero. Establezca
un diagrama de control de disconformidades usando estos datos. Parece estar bajo control
estadstico el proceso de fabricacin de las placas?
Nmero de
Nmero de
Nmero de Nmero de
placa
disconformes
placa disconformes
--
1
1
14
O
2 O
1S
2
3
4
16 1
4
3 17
3
5
1
18
5
6
2 19
4
7
5
20 6
8
O
21 3
9
2
22 1
10
1
23 O
11
1
24 2
12
O
25 4
13
8
144 5 Diagramas de Control para Atributos
(a) Determine la amplitud de 105 limites de control en unidades de desviacin estndar.
(b) Suponga que la fraccin no conforme del proceso cambia hacia 0.15. Qu probabilidad
hay de detectar el cambio en la pFimera muestra subsecuente?
5.26 Se tiene que elaborar una grfica de control de la fraccin no conforme con lnea central
en 0.01 y limites de control de dos sigmas.
(a) Cun grande tendra que ser el tamao muestral para que el limite inferior. de control
fuera diferente de cero?
(b) Qu tan grande tendra que ser el tamao muestral si quisiramos tener una probabili-
dad de 0.50 de detectar un cambio hacia 0.04?
5.27 Se usa el siguiente diagrama de control de la fraccin no conforme con n ~ 100 para vigilar
un proceso:
L SC =0.0750
. L nea central =0.0400
L 1C =0.0050
(a) Utilice la aproximacin de Poisson a la binomial para encontrar la probabilidad de un
error tipo 1.
(b) Use la aproximacin de Poisson a la binomial para obtener la probabilidad de un error'
tipo 11,si la verdadera fraccin disconforme del proceso es 0.0600.
(c) Trace la curva CO para este diagrama de control.
5.28 Se controla un proceso mediante un diagrama de la fraccin no conforme, usando un tama-
o muestral n ~ 100 Y una linea central p - 0.02.
(a) Determine 105 lmites de tres sigmas para este diagrama.
(b) Analice 105diez nuevos subgrupos (n - 100) que se presentan a continuacin para un .
control estadstico. Qu conclusiones puede hacer ahora acerca del proceso?
-r~
5.4 Ejercicios
145
Una fbrica de papel utiliza un diagrama de control para vigilar 105defectos en rollos de
papel termnados. Se inspecciona la salida de la produccin durante 20 das, y 105datos
resultantes se muestran a continuacin. Use estos datos para establecer un diagrama de
control de disconformidades por rollo de papel. Parece estar bajo control estadstico el pro-
ceso? Qu lnea central y qu lmites recomendara para controlar el proceso actual?
5.34
'-sr
Nmero de
Nmero de
rollos
Nmero total de
rollos Nmero total de
Da producidos
defectos
Da producidos defectos
- ---
- --- --
1 18
12 11 18 8
2 18
14 12 18 14
3 24
20 13 18 9
4 22
18 14 20 10
5 22
15 15 20 14
6 22
12 16 20 13
7 20 11 17 24 16
8 20 15 18 24 18
9 20 12 19 22 20
10 20 10 20 21 17
{..j,j !'l
5
2
3
8
4
1
2
6
3
4
Nmero de disconformes
1
2
3
4
5
6
7
8
9
10
Nmero de subgrupo
Considere una grfica de np con lmites de control de k sigmas. O btenga una frmula gene-
ral para determinar el mnimo tamao muestral que asegura un lmite inferior de control~
positivo para la grfica.
Considere el diagrama de control de la fraccin no conforme del Ejercicio 5.4. O btenga la,;
grfica de np equivalente.
5.4 Ejercicios
147
5.38 Considere los datos del Ejercicio 5.36. Suponga que se define una nueva unidad de inspec-
cin de 2 500 m de cable.
(a) Cules son la lnea central y los limites de control para un diagrama de control, basado
en el nmero total de disconformidades en la nueva unidad de inspeccin, para vigilar
la produccin futura?
Cules son la lnea central y los lmites de control para una grfica de control de discon-
formidades por unidad que se utilizar para vigilar la produccin futura?
5.39 Un fabricante de automviles quiere controlar el nmero de disconformidades en un rea
de montaje parcial que produce transmisiones manuales. Se define la unidad de inspeccin
como cuatro transmisiones, y los datos de 16 muestras (de tamao 4 cada una), se presentan
a continuacin.
Nmero de
muestra
Nmero de
disconformidades
Nmero de
muestra
Nmero de
disconformidades
--
5.37 Considere los datos del Ejercicio 5-35. Suponga que se desea definir una nueva unidad de
inspeccin de cuatro grabadoras de casetes. - -;--.,
(a) Cules son la linea central y los lmites de control para un diagrama de control, basado
en el nmero total de defectos en la nueva unidad de inspeccin, para vigilar la produc'
cin futura?
(b) Cules son la lnea central y los limites de control para una grfica de control de no
. conformidades por unidad, usada para vigilar la produccin futura?
1 2 9 2
2 4 10 1
3 3 11 3
4 1 12 4
5 O 13 1
6 2 14 5
7 1 15 2
8 8 16 3
(a) Obtenga una grfica de control de disconformidades por unidad.
lb) Provienen estos datos de un proceso bajo control? Si no es as, suponga que se pueden
encontrar causas atribuibles para todos los puntos fuera de control, y calcule los parme-
tros revisados del diagrama de control.
Ic) Suponga que se vuelve a definir la unidad de inspeccin, ahora como de ocho transmi.
siones. Disee una grfica de control apropiada para vigilar la produccin futura.
5.40 Encuentre los lmites de control de tres sigmas para:
(a) Una grfica de c, con el promedio del proceso igual a cuatro disconformidades.
(b) Una grfica de u con c - 4 Y n ~ 4.
5.41 Determne los lmites probabilsticos de 0.900 y 0.100 para una grfica de c, cuando el
promedio del proceso es igual a 16 disconformidades.
5.42 Obtenga los lmites de control de tres sigmas para:
(a) Un diagrama de c, con el promedio del proceso igual a nueve disconformidades.
(b) Un diagrama de u, con c ~ 16 Y n ~ 4.
5.43 Encuentre los lmites probabilsticos de 0.980 y 0.020 para una grfica de control de discon.
formidades por unidad, cuando u - 6.0 Y n - 3.
5.44 Determine los lmites probabilsticos de 0.980 y 0.020 para una grfica de control de dis-
conformidades, cuando c ~ 7.6.
5 Diagramas de Control. para Atributos
(a) Halle los lmites de control de dos sigmas y comprelos con los lmites encontrados en
el inciso (a) del Ejercicio 5-51.
(b) Determine el riesgo a para el diagrama de control con los lmites de control de dos
sigmas y comprelo con el resultado del inciso (b) del Ejercicio 5-51.
(e) Obtenga el riesgo ~ para c = 6.0 es el caso del diagrama con lmites de control de dos
sigmas, y comprelo con el resultado del inciso (c) del Ejercicio 5-51.
se desea obtener un diagrama de control de disconformidades conjuntamente con la inspec-
cin final de un radio. La unidad de inspeccin ha de ser un grupo de cuatro radios. El
promedio del nmero de las disconformidades por radio ha sido, en lo pasado, igual a cua-
tro. Encuentre los lmites de control de tres sigmas para una grfica de c, basados en este
tamao de la unidad de inspeccin.
Se utiliza una grfica de control de disconformidades para un proceso en el que se fabrican
calculadoras de mesa. Se define la unidad de inspeccin corno dos calculadoras. Se estima
en ocho el nmero medio de disconformidades por mquina, cuando el proceso est bajo
control.
(a) Determine los lmites de control de tres sigmas apropiados para este tamao de la unidad
de inspeccin.
(b) Cul es la probabilidad del error tipo I para este diagrama de control?
149
En una lnea de produccin se arman relojes elctricos. Se estima en cuatro el nmero me-
dio de disconformidades por reloj. El ingeniero de calidad desea establecer un diagrama de
c para esta operacin, utilizando una unidad de inspeccin de seis relojes. Halle los lmites
de tres sigmas para este diagrama.
Suponga que se quiere disear un diagrama de control de disconformidades por unidad, con
lmites de k sgmas. Obtenga el tamao muestral ms pequeo que conduce a un lmite infe-
rior de control positivo.
(b) Cul es el riesgo a para esta grfica de control?
(e) Cul ser el riesgo ~si el nmero medio de defedos es realmente del (es decir, si c = 6.0)?
c::.
5.52 Considere la situacin descrita en el Ejercicio 5-51.
5.53
5.54
5.55
5.56
5.4 Ejercicios
/ \
Nmero de subensambles Nmero total
Da inspeccionados de disconformidades
-
1 2 10
2 4
30
3 2
18
4 1 10
5 3
20
(a) Encuentre el LSC.
(b) Cul es la probabilidad del error tipo I si se supone que el proceso est fuera de control
nicamente cuando dos puntos consecutivos caen fuera de los lmites de control?
Una fbrica de textiles quiere establecer un procedimiento de control para los defectos en
las toallas que produce. Utilizando una unidad de inspeccin de 50 piezas, los datos de las'-", ~
inspecciones anteriores muestran que 100 unidades de inspeccin contenan un total de
850 defectos. Qu tipo de diagrama de control es apropiado? Disee la grfica de control
de manera que tenga lmites probabilsticos bilaterales de a =0.06, aproximadamente. Ob-
tenga la lnea central y los lmites de control.
Un fabricante'quiere establecer un diagrama de control para la estacin de inspeccin final.
de un calentador de gas para agua. Se verifican los defectos en la fabricacin y calidad de'
aspecto. Para los ltimos 22 das laborales, se revisaron 176 calentadores y se informaron
924 disconformidades.
(a) Qu tipo de grfica de control recomendara en este caso, y cmo la utilizara?
(b) Utilizando dos calentadores como unidad de inspeccin, calcule la lnea central y los
lmites de control congruentes con los datos de inspeccin de los 22 das.
(c) Cul es la probabilidad del error tipo I para la grfica de control del inciso (b)?
Despus del montaje, se someten a una inspeccin final televisores porttiles para detectar
defectos en la superficie. Se establece un procedimiento de control, basado en el requisito
de que la probabilidad de concluir que el proceso est bajo control es de 0.99, si el prome-
dio del nmero de disconformidades por unidad es 8.0. No debe haber un lmite inferior
de control. Cul es el tipo apropiado de diagrama de control, y cul el lmite superior de
control? - ... 'I~-'
Se tiene que elaborar un diagrama de control para un proceso en el que se fabrican refrigera.-
dores. La unidad de inspeccin es un refrigerador, y se quiere utilizar una grfica de control _
de disconformidades. En la inspeccin de 30 refrigeradores se encontraron 360 no confor.~.
midades, como datos preliminares.
(a) Cules san los lmites de control de tres sigmas?
5.45 En un diagrama de control de disconformidades por unidad se usan los lmites probabilsti_
cos de 0.95 y 0.05. La lnea central se encuentra en u =1.4. Determine los lmites de
control si el tamao muestral es n =10.
5.46 El nmero de disconformidades observadas en la inspeccin final de montajes parciales es
como sigue. Parece estar bajo control el proceso?
5.47 Se tiene que trazar una grfica de control de disconformidades con c = 2.0, L1C = O Y un
LSC tal que la probabilidad de ubicar un punto fuera de los lmites de control sea de slo
0.005 cuando c ~ 2.0.
5.50
5.48
G
G-74
5.51
~r~Y,
148
T Cap t u l o 6
Di ag r am as d e Co n t r o l d e
Var i ab l es
6.1 INTRODUCCi N
't.
i
..~
Muchas caractersticas de calidad se pueden expresar en trminos de una medida numrica. Por
ejemplo, podra medirse el dimetro de un cojinete con un micrmetro y expresarse en milme-
tros. Una caracterstica de calidad medible, como dimensin, peso o volumen, se llama variable.
Los diagramas de control para variables se usan ampliamente. Suelen permitir el uso procedimientos
de control ms eficientes, y proporcionan ms informacin respecto al rendimiento del proceso
que 1 0 ' 5 ' diagramas de control de atributos.
Cuando se trata con una caracterstica de calidad que es una variable, es una prctica estn-
dar controlar el valor medio de la caracterstica de calidad y su variabilidad. El control de la media
del proceso, o del nivel de calidad promedio, suele ejercerse con el diagrama de control de me-
dias, o diagrama de X. Es posible controlar la variabilidad o dispersin del proceso mediante
un diagrama de control de la desviacin estndar, llamado diagrama de S, o con un diagrama
de control de la amplitud, llamado diagrama de R. Este ltimo es ms usado. Por lo general se
utilizan diagramas de x y de R por separado para cada caracterstica de calidad que interese
(sin embargo, sidichas caractersticas estn estrechamente relacionadas, esto puede llevar a veces
a resultados errneos; vase la Seccin 7-4). Los diagramas de x y de R (o S) se hallan entre las
ms importantes y tiles tcnicas de controlestadstico de procesos en lnea.
Ntese que es importante mantener el control de la media del proceso y su variabilidad. En
la Fig. 6-1 se ilustra el rendimienio de un proceso de fabricacin. En la Fig. 6-1a, la media/L y
la desviacin estndar u estn bajo controlen sus valores nominales (digamos / L o Y U
o
); por consi-
guiente, la mayor parte de la salida del proceso cae dentro de los lmites de especificacin. Sin
embargo, en la Fig. 6- 1b la media se transform en un valor / L l >/ L o, lo que genera una mayor
fraccin de productos disconformes. En la Fig. 6-1 c, la desviacin estndar del proceso cambi
a un valorlr1 >< T o . Esto tambin da como resultado un mayor rechazo del proceso, aunque la
media todava se halla en su valor nominal.
6.2 DIAGRAMAS DE CONTROL DE X Y R
6.2.1 . Bas e Es t ad s t i c a d e l o s Di ag r am as
Supongamos que una caracterstica de calidad est distribuida normalmente, con media i.y des-
viacin estndar u , ambas conocidas. Si xl' x~,... x
n
es una muestra de tamao n, entonces la
media de tal muestra es
X + X + " ' + X
ji =1 2 . n
n
151
153
(6-2)
(6-3)
(6-4)
R
0=-
d
2
= x
1
+ x
2
+ ... +x
m
x=------
m
- R +R + ... +R
R = 12m
m
6.2 Diagramas de Control de x y R
De modo que se utilizara x como la linea central del diagrama X.
Para fijar los lmites de control se necesita un estimador de la desviacin estndar . Es posi-
ble evaluar. a partir de las desviaciones estndares o de las amplitudes de las m muestras. Por
el momento nos concentraremos en el mtodo de la amplitud. Si xl' x
2
, , \ es una muestra
de tamao n, la amplitud R de la muestra es la diferencia entre la mayor y menor observa-
ciones; o sea,
n Eficiencia relativa
";: ..
R =x .-x .
max m m
En la prctica, habitualmente se desconocen J L y (J . Por lo tanto, hay que estimarlas a partir
de muestras preliminares, tomadas cuando se considera que el proceso est bajo control. Estas
estimaciones suelen basarse en por lo menos 20 a 25 muestras. Supongamos que se dispone de
m muestras, cada una con n observaciones de la caracterstica de calidad. Por lo general n ser
pequeo, muchas veces igual a 4, 5 o 6. Estos tamaos muestrales pequeos resultan de la cons-
truccin de subgrupos racionales, y del hecho de que los costos de muestreo e inspeccin asocia-
dos a mediciones de variables, son, por lo regular, relativamente altos. Sean xl' x
2
, ... , x
m
las
medias de las muestras. Entonces, el mejor estimador de J L , la media del proceso, es el "gran
promedio" o promedio agregado, digamos .
2 1.<X X l
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Existe una relacin bien conocida entre la amplitud de una muestra proveniente de una dis-
tribucin normal y la desviacin estndar de dicha distribucin. La variable aleatora W = R I.
se llama amplitud relativa. Los parmetros de la distribucin de W son funciones del tamao muestral
n. La media de W es dl' Por consiguiente, un estimador de a es a = Pld
2
En la Tabla VI del Apn-
dice se dan valores de d2 para diversos tamaos muestrales.
Sean Rt, , Rm las amplitudes de las m muestras. La amplitud media es
Entonces, un estimador de (J se calcula como
Si el tamao muestral es relativamente pequeo, el mtodo dela amplitud produce un esti-
mador de la variancia casi tan bueno como el estimador cuadrtico usual (la variancia muestral
52). La eficiencia relativa del procedimiento de la amplitud, con respecto a 52, se expone a con-
tinuacin para varios tamaos muestrales:
L m i t e
superior de
es p ec i f i c a c i n
(b)
Limite
inferior de
especificacin
Figura 6-1. Necesidad de controlar la media del proceso y
suvariabilidad. (a)Media y desviacin estndaren susnive-
les nominales. (b) Media del proceso "'1 > fl o (e) Desvia-
cin estndar del proceso "1 >"0
(J
J L + Z./t'x =J L + Z./2 {
(J
J L - Z./t'x =J L - Z./2 {
"limite
s u p er i o r d e
lmite
superior de
es p eCi f i c a c i n
1'0
(a)
1'0
(e)
6 Diagramas de Control de Variables
y se sabe que x tiene distriqucin normal, con media J L y desviacin estndar a, =al I.
ms la probabilidad de que cualquier media muestral se halla entre
y
L i m i t e
i n f er i o r d e
Limite
inferior de
152
es , -a. Por lo tanto, si se conocen J L y (J se podran utilizar las ecuaciones (6-' a) y (6-' b) como
lmites superior e inferior de control en un diagrama de control para medias muestrales. Co-
mo se hzo notar antes, se acostumbra reemplazarZ./
2
Por 3, de manera que se usan lmites de
tres sigmas. Si una media muestral cae fuera de estos limites, ello indica que la media del
--------y-a-nc}es~ " g u a l a } . L .
Se ha supuesto aqu que la distribucin de la caracterstica de calidad es normal. Sin
go, los resultados anteriores son aproximadamente correctos aunque la dstribucin subyacente
no sea normal, por el teorema central de lmite. En la Seccin 6-2.5 se analizar el efecto de
suposicin de normalidad en as grficas de control de variables.
r::~'1S4 6 Diagramas de Control de Variables
6.2 Diagramas de Cor.tiui de x y R
155
En el caso de valores moderados eJ en, digamos n ~10, la amplitud pierde rpidamente su efi-
ciencia pues no tom.a en cuenta toda la informacin en la muestra, entre Xma' y xmn. Sin embar_
gO,para los valores pequeos de los tamaosmuestrales que se usan a menudo en los diagramas
de control de variables (n ~4, 5, o 6), es del todo' satisfactorio.
Si se utiliza x como un estimador de ia, y Rld
l
como un estimador de a, los parmetros
del diagrama de J i son
Porlo tanto, los parmetros del diagrama de R, con los lmites de control de tres sigmas habitua-
les, son
3 -
LSC =x + dl R
L nea central =x
(6-S)
- - R
LSC =R + 30
R
= R + 3d
3d
1
Lnea central =R
- - R
L1C =R - 30
R
= R - 3d
3d
1
Si se toma
(6-9)
es una constante que depende nicamente del tamao muestral y, porlo tanto, es posible volver
" expresar (6-5) como
(6-10)
d
3
0=1 - 3-
d 3 2
d
3
04 =1 + 3
d
1
LSC =R0
4
Lnea central = R
L1C =R0
3
y
pueden redefinirse los parmetros de la grfica de R como
6.2.2 Des ar r o l l o y Us o d e l o s Di ag r am as d e x R
Las constantes DJ y 04 se dan en la Tabla VI del Apndice para varios valores de n.
Cuando se Usan muestras preliminares para construir los diagramas de J i y de R, se acos-
tumbra tratarlos lmites de control como valores de prueba. Luego se grafican los valores medios
y las ampltudes de la muestra m en los diagramas, y se investiga cualquier punto que caiga fuera
de los lmites de control. En caso de que puedan hallarse causas atribuibles para tales puntos,
stos se descartan y se determinan nuevos lmites de control de prueba.
En la seccin anterior se presentaron las bases estads5icas para los diagramas de control de J i y R.
Se ilustra ahora la construccin y la aplicacin de estos diagramas. Tambin se examinarn algu-
nas directrices para su uso la prctica.
(6-7)
(6-6)
3 -
= _.- R
L1C =x - dl
3
Al =dl
UCL =x + Az I ?
Lnea central =x
LCL =x - AlR
R= Wo
Se observa que la cantidad
J a desviacin estndar de R es.
La constante Al se encuentra tabulada en la Tabla VI del Apndice para distintos tamaos mues-
trales.
Se vio que la amplitud muestral est relacionada con la desviacin estndardel proceso. Por
consiguiente, la variabilidad del proceso puede controlarse representando los valores de R de mues-
tras sucesivas en un diagrama de control, el cual se llama diagrama de R. Es posible determinar
con facilidad los parmetros de dicho diagrama. La lnea central corresponder a R. Para ob-
tener los lmites de control se necesita un estimador de a
R
Suponiendo que la caracterstica de
calidad est distribuida normalmente, puede encontrarse a
R
a partir de la distribucin de la am-
plitud relativa W =R/ a. La desviacin estndar de W, digamos d
3
, es una funcin conocida dt
n. As, puesto que
0R =d,o
Como se. desconoce 0, es posible estimar 0R :con
R
R =d3 d
l
__ t~
(6-8)
-,
Ej em p l o 6.1
'Se fabrican anillos de pistn para motor de automvil mediante un proceso de forjado. Se
desea controlar ste por medio de diagramas de J i y de R. Se tomaron 25 muestras de
',A
j
' - 1 '
' 1
- 1
.'.J
- ' :1
' . - " ; 1
!
- ~
- , '
157
Figura 6- 2. Diagrama de R para el Ej emplo 6- 1 .
o
0.05 I L SC=0.049
0.06
0.01
0.02
R
y
El diagrama de R se presenta en la Figura 6- 2. Cuando se grafican las 25 amplitudes en este
diagrama no hay indicios de una condicin fuera de control.
Como el diagrama de R indica que la variabilidad del proceso est baj o control, puede
trazarse ahora el diagrama de X. la lnea central es
2S
L X
x = ;=1 = 1850.024 = 74001
25 25 .
L1 C = x - A R = 74.001 - (0.577)(0.023) = 73.988
LSC = x + A2 R = 74.001 +(0.577)(0.023) = 74.014
Con el fin de determinar los lmites de control del diagrama de Ji se utiliza A =0.577
de la Tabla VIdel Apndice para muestras de tamao n ~ 5, Y la ecuacin (6- 7), lo que da
En la Figura 6- 3 se presenta el diagrama de Ji . No se observa indicio alguno de una con -
dicin fuera de control cuando se grafican las medias muestra/es preliminares en este diagra-
ma. Por consiguiente, se concluye que el proceso est controlado a los niveles establecidos, ya
que ambos diagramas indican, y se adoptan los lmites de control de prueba para utilizarlos
en el control en lnea del proceso.
Los diagramas de Ji y R proporcionan informacin sobre la capacidad de funciona-
miento del proceso. Con el diagrama de Ji se puede estimar el dimetr9 medio de los anillos
6. 2 Diagramas de Control de x y R
Tabla 6- 1 Datos acerca de los anillos de pistn forj ados, Ej emplo 6- 1
Nmero de
muestra Observaciones
~j R
1 74.030 74.002 74.019 73.992 74.008 74.010 0.038
2 73.995 73.992 74.001 74.011 74.004 74.001 0.019
3 73.988 74.024 74.021 74.005 74.002 74.008 0.036
4 74.002 73.996 73.993 74.015 74.009 74.003 0.022
5 73.992 74.007 74.015 73.989 74.014 74.003 0.026
6 74.009 73.994 73.997 73.985 73.993 73.996 0.024
7 73.995 74.006 73.994 74.000 74.005 74.000 0.012
8 73.985 74.003 73.993 74.015 73.988 73.997 0.030
9 74.008 73.995 74.009 74.005 74.004 74.004 0.014
10 73.998 74.000 73.990 74.007 73.995 73.998 0.017
11 73.994 73.998 73.994 73.995 73.990 73.994 0.008
12 74.004 74.000 74.007 74.000 73.996 74.001 0.011
13 73.983 74.002 73.998 73.9,97 74.012 73.998 0.029
14 74.006 73.967 73.994 74.000 73.984 73.990 0.039
15 74.012 74.014 73.998 73.999 74.007 74.006 0.016
16 74.000 73.984 74.005 73.998 73.996 73.997 0.021
17 73.994 74.012 73.986 74.005 74.007 74.001 0.026
18 74.006 74.010 74.018 74.003 74.000 74.007 0.018
19 73.984 74.002 74.003 74.005 73.997 73.998 0.021
20 74.000 74.010 74.013 74.020 74.003 74.009 0.020
21 73.988 74.001 74.009 74.005 73.996 74.000" 0.033
22 74.004 73.999 73.990 74.006 74.009 74.002 0.019
23 74.010 73.989 73.990 74.009 74.014 74.002 0.025
24 74.015 74.008 73.993 74.000 74.010 74.005 0.022
25 73.982 73.984 73.995 74.017 74.013 73.998 0.035
}; = 1850.024 0.581
x = 74.001 R = 0.023
Para muestras de n =5, se obtiene de la Tabla V I del Apndice que OJ ~ O Y 04 =2:i 15?i \- - -
Por lo tanto, los lmites de control para la grfica de R son, usando (6- 10),
L1 C = RO , = 0.023(0) = O
LSC = R0
4
= 0.023(2.115) = 0.049
Para construir los diagramas de Ji y R es mej or empezar por este ltimo. Como los lmites I~
de control de la grfica de Ji dependen de la variabilidad del proceso, estos lmites no'
tendrn mucho sentido a menos que la variabilidad del proceso est baj o control. A partir"
de los datos de la Tabla 6- 1 , la lnea central para la grfica de R es
2S
L R
R = =1 = 0.581 = 0023
25 25 .
tamo cinco cada una cuando se consider que el proceso estaba baj o control. Los
de estas muestras aparecen en la Tabla 6- 1 .
- ,
- .
. . , r . , , :, ~;
156 6 Diagramas de Contrul de Variables
l
=1.01
159
LSE -- L1E
6 ( J
RCP =
Otra manera de expresar la capacidad del proceso es en trminos de la relacin de capacidad
d e l proceso (RCP), que se define, para una caracterstica de calidad con lmites superior e inferior
de especificacin (LSE y LlE, respectivamente), como
RCP =74.03 - 73.97
6(0.0099)
0.06
=--
0.0594
Obsrvese que la dispersin 6crdel proceso es la definicin bsica de la capacidad de ste. Para
el proceso de los anillos de pistn se encuentra que
L1C = 73.988
73.990
i
158
p =P { x < 73.970} +P { x> 74.030}
= (73.970 - 74.001 ) + _ ~(74.030 - 74.001 )
~ 0.0099 1 0.0099
=~( - 3.13) +1 - ~(2.93)
=0.00087 +1 - 0.99831
=0.00256
Es decir, aproximadamente 0.256% de los anillos producidos estaran fuera de las espe-
cificaciones. ~ e
' ; I
i
(6)
Figura 6-4. Rechazo de proceso y relacin de
capacidad de proceso (RCP).
Esto implica que los lmites de tolerancia "natural" en el proceso (tres sigmas por arriba y por
abajo dela media) coinciden casi exactamente con los lmites inferior y superior de especifica-
cin. Por ' consiguiente, se producir un nmero moderadamente bajol de anillos disconformes.
En la Fig. 6-4a se muestra un proceso con RCP >1. Obsrvese que los lmites de espe-
cificacin quedan fuera de los lmites superior e inferior de tolerancia natural (LSTN =I J . + 3
sigmas, LlTN =I J .- 3 sigmas). Por consiguiente, no se producirn virtualmente unidades discon-,
formes. En la Fig.6-4b se presenta un proceso con RCP =1. Para una distribucin normal, esto
implicara alrededor de 27 artculos no conformes de 10000 producidos. Finalmente, en la
Fig. 6.4c se muestra un proceso con RCP < 1. Cuando las tolerancias naturales caen fuera de
las especificaciones, el proceso es muy sensible a la produccin o rendimiento, y se generar un
gran nmero de artculos con disconformidad.
' Oforg,lmicnto de0.256% de no conformantes parece muy pequeo hastaque se comprende que esto equivale a 2560
de partes no conforman les por milln. Si el Vnlllm()n r1p rW.~"rri';... ~_~_.J~ " ... ~rn
I ~I
. " ' w ~ , . >1. "~I "' ~
L 1T N ; L ST N
lI E 3 3 L SE
f-< : a >-< a >1
-' ~I
. L iT N lI E Il L SE L ST N
' ~ 3a , . . I < 3a ~
(e )
Nmero de muestra
Figura 6-3. Diagrama de x para el Ejemplo 6-1.
73.985
para pistn en x = 74.001 mm. Es posible estimar la desviacin estndar del proceso me.
diante la Ecuacin (6-4); es decir,
a = ~= ~:~~~= 0.0099
donde el valor de d para muestras de tamao cinco se encuentra en la Tabla VI del Apn-
dice. Los lmites de especificacin para este tipo de anillos son 74.000.: t: 0.03 mm. Es posi-
ble usar la grfica de control para describir la capacidad del proceso, con el fin de producir-
anillos de pistn conforme a estas especificaciones. Puede estimarse la fraccin de anillos
disconformes producidos suponiendo que el dimetro es una variable aleatoria normal, con
media 74.001 y desviacin estndar 0.0099, de la manera siguiente:
"; "{"
.~.: .'7::;c "sv ,-
6.2 Diagramas de Control de XI ' R
160 6 Di?gramas de Control de Variables
Tabla 6.2
Muestras adicionales para el Ejemplo 6-1
Nmer de
la muestra, i
Observaciones x i R
1 74.012 74.015 74.030 73.986 74.000 74.009 0.044
2 73.995 74.010 73.990 74.015 74.001 74.002 0025
3 73.987 73.999 73.985 74.000 73.990 73.992 0.015
4 74.008 74.010 74.003 73.991 74.006 74.004 0.019
5 74.003 74.000 74.001 73.986 73.997 73.997 0.017
6 73.994 74.003 74.015 74.020 74.004 74CXl7 0026
7 74.008 74.002 74.018 73.995 74.005 74.006 0.023
8 74.001 74.004 73.990 73.996 73.998 73.998 0.014
9 74.015 74.000 74.016 74.025 74.000 74.011 0.025
10 74.030 74.005 74.000 74.016 74012 74.013 0.030
11 74:001 73.990 73.995 74.010 74.024 74.004 0.034
12 74.015 74.020 74.024 74.005 74.019 74.017 0.019
13 74.035 74.010 74.012 74015 74.026 74.020 0.025
14 74.017 74.013 74.036 74.025 74.026 74.023 0.023
15 74.010 74.005 74.029 74.000 74.020 74.015 0.029
x
74.040
74.030
74.020
74.010
74.000
73.99
73.980
73.970
I.i m i t l ' " u p p r i o r d p es p ec i f i c ac i n = 74.03b
.(.irniteinferior de especificacin = 73.970
6.43%
161
1 2 3 4 5 6 7 8 9 1011121314 15
figura 6-6. Grfica de las observaciones individuales, Ejemplo 6-1.
73.960
, Cuando se examinan los datos de un diagrama de control, suele ser til elaborar una grfica
de las observaciones individuales en cada muestra. Tal grfica se llama, a veces, diagrama de tole-
rancia o diagrama de empalme. Esta grfica puede revelar algn patrn en los datos, o mostrar
que una o dos observaciones inusitadas en la muestra produjeron un valor particular de x
o R . En la Fig. 6-6 se presenta una grfica de las observaciones individuales en las ltimas 15 mues-
tras. Esta representacin no indica las observaciones inusitadas que generaron las seales de fuera
de control. sino probablemente provinieron de un cambio en la media en el momento aproxima-
da que se tomaron las muestras 9 o 10. El promedio de las tiledias de las muestras 9 a 15 es
74.015 mm. En la Fig. 6-6 se grafican los lmites de especificacin de 74.000 i0.03 mm, junto
con un bosquejo de la distribucin normal que representa el rendimiento del proceso cuando
su media es igual al valor bajo control de 74.001 mm. Tambin aparece en la misma figura un
bosquejo de la distribucin normal que representa el rendimiento del proceso con un nuevo di-
metro medio aparente de 74.015 mm. Es obvio que se producir un porcentaje mucho mayor
de anillos disconformes para este nuevo dimetro medio. En realidad, alrededor de 6.43% de
la salida del proceso es ahora no conforme. Se tiene que buscar la causa de este cambio en la
media. Muchas veces se necesita la colaboracin de operarios, ingenieros de produccin, admi-
nistradores y uerpo tcnico de ingeniera de calidad para encontrar y eliminar las causas atribuibles.
Lmites de control, lmites de especificacin y lmites de tolerancia natural 1lI Un hecho en el
que debe hacerse incapi es que no existe relacin entre los lmi tes de control de los diagramas
de x y de R y los lmi tes de especificacin del proceso. Los primeros son motivados por la
variabilidad natural del proceso (medida por la desviacin estndar del proceso, a ); esto es, por
los lmi tes de toleranci a natural del proceso. P or otro lado, los limites de especificacin son deter-
N m e r o d e m u e s t r a
0.06
0.051 L SC ~ 0.049
0.04
R
0.03
figura 6-5., Continuacin de los diagramas de x y R, Ejemplo 6-1 .
Despus de la elaboracin de las grficas de control se obtuvieron quince muestras ms del-
proceso de fabricacin de anillos de pistn. En la Tabla 6-2 se presentan los datos correspondien~
tes, y en la Fig. 6-5, la continuacin de los diagramas de x y R . Los diagramas de control in:.~
dican que el proceso est controlado, hasta que se grafica el valor de x para la muestra n-
mero 12. Como este puntoy los tres subsecuentes se encuentran por arriba del lmite superior de
control, es de conjeturar se present una causa atribuible en este lapso. El esquema general~i1 . -.
de los puntos en la grfica de x desde aproximadamente el subgrupo 9 o 10 en adelante es
un indicio de un cambio en la media del proceso. En un control en lnea, probablemente se hu- ~._
biera detectado el cambio para la muestra 10, en particular si se hubieran usado lmites de adve('
terrcia o cualquierade las otras reglas de decisin, descritas en el Cap. 4, para sensibilizar e interpretar
el diagrama de control.
L1C - 73.988
73.990
73.980
74.020
74.000
74.030
74.010
x
162
6 Diagramas de Control de Variables 6.2 Diagramas de Control de x y R
163
plitudes de muestreo individuales). En consecuencia, la estimacin de a refleja slo la variabilidad
dentro de una muestra. No es correcto estimara con base en el estimador cuadrtico usual, digamos
donde xii es la j-sim a observacin en la i-sim a m uestra, ya que si fas m edias muestrales difie-
ren, S ser demasiado grande. En consecuencia, se sobreestimar a. Es peligroso agrupar todos
105 datos preliminares de esta manera para estimar o, debido a que al hacerlo potencialmente se
combina la variabilidad entre muestras y la variabilidad dentro de las muestras. Los lmites de
control deben basarse slo en .Ia variabilidad dentro de las muestras.
m n
I : I : ( X j -X ) 2
j='1 =1
m n -1
5=
Di r ec t r i c es p ar a el d i s e o d el d i ag r am a d e c o n t r o l . 11 Para disear los diagramas de x
de R, es necesario especificar el tamao muestral, la amplitud de 105 lmites de control y la fre-
cuencia de muestreo que se van a utilizar. No es posible dar una solucin exacta al problema
del diseo, a menos que el anlista tenga informacin detallada sobre las caractersticas estadsti-
cas de las pruebas de los diagramas de control y obre 105 factores econmicos que influyen en
el prob{~ma. Para obtener una solucin completa del problema es necesario conocer 105 costos
de muestreo, y de investigacin y posiblemente corregir el proceso en respuesta a las seales de
fuera de control, y 105 costos asociados a la elaboracin de un producto que no satisface las espe-
cificaciones. Con esta informacin se podra construir un modelo de decisin econmica para
permitir un diseo econmicamente ptimo del diagrama de control. En el Cap. 9 se analizar
este enfoque del problema. Sin embargo, ahora es posible dar algunas directrices generales como
ayuda para disear un diagrama de control.
Si se usa la grfica de x para detectar sobre todo cambios moderadamente grandes en el
poceso del orden de 2a o mayores, entonces tamaos muestrales relativamente pequeos, como
n ~ 4, 5 o 6, sern eficientes en forma razonable. Por otra parte, si se quiere detectar pequeos
cambios, entonces se necesitarn tamaos mayores, probablemente de n =15 a n = 25. Cuando
se emplean muestras ms pequeas, es menor el riesgo de ocurrencia de un cambio del proceso
durante el muestreo. Si sucede .un cambio al tomar sta, la media muestral podra ocultar dicho
efecto. Por consiguiente, ste es un argumento para utilizar un tamao muestrallo ms pequeo
posible, pero congruente con la magnitud del cambio del proceso que se quiere detectar. Por
otro lado, en vez de incrementar el tamao muestral se pueden usar lmites de advertencia y otros
procedimientos de sensibilizacin, con el fin de mejorar la capacidad de la grfica de control para
detectar pequeos cambios en el proceso.
La grfica de R es relativamente insensible a cambios en la desviacin estndar del proceso
para muestras pequeas. Por ejemplo, muestras de tamao n =5 tienen slo un 40% de posibili-
dad aproximada de detectar un cambio en la desviacin estndar de o a 20 en la primera muestra.
Parecen ms eficaces muestras grandes, pero tambin sabemos que la eficiencia del mtodo de
la amplitud para estimar la desviacin estndar, disminuye en forma notable al aumentar n. Por
tanto, para valores de n grandes, digamos n > 100 12, probablemente es mejor utilizar un dia-
grama de control para S o 52, en vez del diagrama de R . Los detalles de la construccin de estas
grficas se presentan en las Secciones 6-3.1 y 6-3.2.
Desde un punto de vista estadstico, las curvas caractersticas de operacin de los diagramas
de x y R pueden ser tiles para elegir el tamao muestral. Darn al analista una idea de la
magnitud del cambio del proceso, y se detectarn con una probabilidad dada para cualquier
tamao muestra 1n. En la Seccin 6-2.6 se describen estas curvas caractersticas de operacin.
El problema de escoger el tamao muestral y la frecuencia de muestreo es de asignar o distri-
buir el esfuerzo del m uestreo. Generalmente, la persona que toma la decisin tendr slo un n-
'LSE(Determinado exteriormente)
L n ea c en t r al
del diagrama
de x
LSC
lI C
L1E(Determinado exteriormente)
30,= 3 J n
Figura 6.7. Relacin entre lmites de tolerancia natural, lmites de control y lmites de especificacin.
minados externamente. Pueden ser impuestos por la administracin, los ingenieros de manufactu.
ra, el cliente o los desarrolladores/diseadores del producto. Es necesario conocer la variabilidad
inherente del proceso al fijar las especificaciones, pero recurdese que no existe relacin mate-
mtica o estadstica entre los lm ites de control y los lmites de especificacin. Esta situacin se
resume en la Fig. 6-7. Quien esto escribe sabe de algunas personas del medio que han graficado
lmites de especificacin en el diagrama de control de x . Esta.prctica es del todo incorrecta.
Cuando se trabaja con grficas de observaciones individuales ( no promedios), como en la
Fig. 6-6, es til graficar ah los lmites de especificacin.
Subgrupos racionales E l El concepto de subgrupo racional es importante en el uso de los dia.
gramas de control de x y R. Puede ser ms fcil definir un subgrupo racional en la prctica si
se tiene una idea clara de las funciones de los dos tipos de diagramas de control. Con el diagrama
de control de x se vigila el nivel de calidad promedio en el proceso. Por tarito, las muestras
deben seleccionarse de modo que se maximicen las oportunidades de que ocurra una diferencia
entre promedios muestrales. Por otro lado, con el diagrama de R se mide la variabilidad dentro
de una muestra. Por tanto, las muestras deben elegirse de modo que se maximicen las diferencias
dentro de las muestras. Dicho esto de otra forma con el diagrama de x se vigila la variabilidad
~~es\ras (variabilidad en el proceso con el tiempo), mientras que con el diagrama de R
se mide la variabilidad dentro de una muestra (variabilidad instantnea del proceso en un-" - .
momento dado).
Un aspecto importante de lo anterior se descubre cuando se examina con cuidado la forma
en que datos pasados determinan 105 lmites de control para 105 diagramas de x y R. La esti.
macin de la desviacin estndar o del proceso empleada para establecer 105 lmites de control
" '.": se hace a partir~e la variabilidad dentro de cada muestra (esto es, a partir de 105 intervalos o amo
I
,
'i
11:
."
~
, 1
..~
165
(6-11)
(6-12)
(6-13)
(6-14)
a
L1 C =J L - 3 ;
a
LSC =J L +3 ;
LSC =Op
Lnea central =dp
L1 C =Ola
LSC =J L +Aa
Lnea central =J L
L1 C =P . - Aa
Lnea central =J L
LSC =dp +3dp
Lnea central =dp
L1 C =dp - 3dp
6.2.3 Diagramas Basados en Valores Estndares
Cuando es posible especificar valores estndares para.la media y la desviacin estndar del proce-
so, pueden utilizarse tales valores con el fin de estabtecer los diagramas de control de x y R ,
sin l analisis de datos pasados. Supngase que los valores estndares dados son . t y o.Entonces
los parmetros de la grfica de x son
En la obra de Grant y Leavenworth (1980, 292) se encuentran tablas de pares de valores 100OlJI'
011"'1")' (O"OO,' 00. 99,), Y (0002" 0097,) para 2 .s n :$ 10. Dchos lmites de control no sern
muy diferentes de los lmites de tres sigmas ac05lUmbrados. Sn embargo, para tamalios muestra-
les 2 . :o s ; n . :o s ; 6, producirn un lmite inferior de control positivo para la grfica de R , mientras
que los lmites de tres sigmas ordinarios no lo hacen.
La cantidad 3/ n = A es una constante que depende de n y se presenta en la Tabla VI del Apn-
dice. P or consiguiente, los parmetros del diagrama de x se podran escribir
P ara construir la grfica de R con un valor estndar de o, recurdese que o =R ld" donde
d, es la media de la distribucin de la ampl itud relativa. Adems, la desviacin estndar de R
e~0g =dIO, donde d ] es la desviacin estndar de la distribucin de la amplitud relativa. P or
lo tanto, los parmetros del diagrama de control son
Se acostumbra definir las constantes
01 =d
2
- 3d)
02 =d
2
+3d)
stas aparecen en la Tabla VI del Apndice. As, los parmetros de la grfica de R con un estndar
o dado son
L1 C =00001R LSC =00mR
Ir .....,
6 Diagramas de Control de Variables .:t 'C ti': .
mero li~litado de recursos que pu~de as~gnara'lproceso de inspeccin. Las estrategias disponibl~s.':' ..',$: . . . . Z
sern tomar a menudo muestras pequenas, o bien nluestras grandes, pero con frecuenCia menor .
P or ejemplo, la eleccin puede hallarse entre muestras de tamao cinco cada media hora o d~' I '"
tamao 20 cada dos horas. Esimposible decir cul estrategia es la mejor en todos los casos, pero
la prctica industrial actual est a favor de pequelias muestras frecuentes. El sentir general es que,
con un intervalo demasiado grande entre las muestras, se producirn demasiados productos de.-
tectuosos antes de tener otra oportunidad de detectar el cambio enel proceso. Desde el P unto
de vista econmico, si el costo asociado a la produccin de artculos defectuosos es alto, ser'
mejor usar muestras pequeas con mayor frecuencia que muestras grandes menos frecuentes. t
La tasa de produccin influye tambin en la eleccin del tamao de la muestra y en la fre~ .
cuencia de muestreo. Si la tasa es alta. (por ejemplo de 50000 unidades por hora) se necesita ...
un muestreo ms frecuente que para una tasa de produccin extremadamente baja. Con una tasa"
de produccin alta se producirn muchas unidades disconformes del producto en un periodo muy~"
corto cuando ocurra un cambio en el proceso. Adems, con altas tasas de produccin a veces':-
es posible obtener econmicamente muestras bastante grandes.P or ejemplo, si se producen 50000'0-"'; 1:'
artculos por hora, la diferencia en tiempo necesario para obtener una muestra de tamao 20 y "
una muestra de tamao cinco respectivamente, es depreciable. Si los costos por unidad de la ins.
peccin y la prueba no son demasiado altos, a menudo los procesos de produccin de alta velociJ V
dad se controlarn mediante tamalios muestrales moderadamente grandes.
~ El uso de lmites de control de tres sigmas para las grficas de cOl1 trol de x y R es una prctica'
generalizada. Sin embargo, existen casos en los que puede ser til desviarse de esta eleccin acoso
tumbrada. P or ejemplo; si es muy costoso investigar falsa's alarmas o errores tipo 1 (se genera una'
seal de fuera de control cuando el proceso realmente est bajo control), entonces podr ser m~"
jor utilizar lmites de control ms amplios que tres sigmas, tal vez hasta de cuatro sigmas. Sin
embargo, si se puede investigar las seales de fuera de control en el proceso con rapidez y facili.'
dad, con un mnimo de tiempo perdido y a un costo pequeo, entonces sern adecuados lmites'
de control ms estrechos, quiz de dos sigmas. Los lmites de advertencia en las grficas dex
y R , y procedimientos corno las reglas de Westem Electrc, tambin pueden servir para mejorar.'~
la sensibilidad con respecto a cambios pequeos en el proceso.
Lmites probabilsticos en los diagramas de x y R . Se acostumbra expresar los lmites d~;.f'.''''.c.' .. 'I''''''-
control en las grficas de x y de R como un mltiplo de la desviacin estndar de la estadstica, '
que se representa en los diagramas.Si el mltiplo en cuestin es k, los lmites se denotarn como' .
de k sigmas, donde k =3 es la eleccin usual. Sin embargo, como se mencion en el Cap.4, , '
es posible definir tambin los lmites de control especificando el nivel del error tipo I para la pruec;;', l. ; . ,.
bao Tales lmites de control se llaman lmites probabilsticos o de probabilidad, y se usan amplia-
mente en el Reino Unido y en algunas partes de Europa occidental.
Es fcil escoger lmites probabilsticos para la grfica de X.Ya que x est distribuida
modo aproximadamente normal, podemos obtener un error tipo I deseado de (X escogiendo el,
mltiplo de sigma para los lmites de control como k =Z"'2' donde Z"'2 es el punto porcentual, '.~~
superior 02 de la distribucin normal estndar. Obsrvese que los lmites normales de tres sigm~~~!'
implican que la probabilidad del error tipo 1 es (X =0. 0027. Si se escoge (X =0. 002, por ejemplo/e,
como lo hace la mayora de los autores que recomiendan lmites probabilsticos, entonce~, -
Z,/2 =lo o o l =3. 09. P or consiguiente, existe muy poca diferencia entre tales lmites de contro)"
y los lmites de tres sigmas."';;.
Tambin se pueden construir grficas de R usando lmites de probabilidad. Si (X = o. ooi, '
se necesitarn los puntos porcentuales 0. 001 y 0. 999 de la distribucin de la amplitud relativa
W =R /o. Estos puntos dependern, obviamente, del tamao del subgrupo n. Denotando fales.' I~
puntos por Wo o 01(n) y W
O
.
999
0), y estimando o por R ld
2
, se obtendran los lmites O. OOl,y . ~
0. 99. 9 para R como W
oo01
( n)( R /d
2
) y W 09 9 9 ( n)( R ld2 )' Si se hace 00. 001 =Wo o o I(n)/d2 y 0099,9. ~,
~" '0/'; ; 9 9 ( n)ld
2
, entonces los lmites probabilsticos para el diagrama de R son''''
:'.;, 1 ' '.t'.q., .
164
166
,
.
Hay que tener cuidado cuando se dan valores estndares para Il y a. Tal vez no se puedan
apjicar realmente estos valores al proceso, lo que implica que los diagramas de : ; y de R pro-
ducirn muchas seales de fuera de control respecto a los estndares especificados. Si el proceso
en realidad est bajo control para otra media y otra desviacin estndar, el analista podr esforzar-
se mucho buscando causas atribuibles que no existen. Los valores estndares de a parecen causar
ms problemas que los valores estndares de !l. P ara los procesos en los que la media de la (arac-
terstica de calidad se controla mediante ajustes a la mquina, los valores estndares u objetivos
de Il son a veces de utilidad para alcanzar metas administrativas con. respecto al rendimiento del
proceso.
6.2.4 Int er pr et ac i n de l os Di agr amas de x y R
6. 2 Diagramas de Control de x y R
L1 C
N mer o de mu es t r a
167
Figura 6-9. P atrn que indica mezclado.
Figura 6. 1 0. Cambio en el nivel de un proceso.
LSC
Se indica un m ezclado cuando los puntos ubicados tienden a quedar cerca de o un poco
fuera de los lmites de control, con relativamente pocos puntos cercanos a la lnea central, como
se muestra en la Fig. 6-9. Dos (o ms) distribuciones superpuestas que generan la salida del proce-
so provocan un patrn de mezclado. Del lado derecho de la Fig. 6-9 aparecen las distribuciones
de probabilidad que se podran asociar a dicho patrn. La gravedad de ste depende del grado de
superposicin de las distribuciones. A veces, las mezclas se deben a un "sobrecontrol", que ocu-
rre cuando los operadores ajustan con demasiada frecuencia el proceso, reaccionando a la varia-
cin aleatoria en la sal ida en vez de hacerlo a causas sistemticas.
En la Fig. 6-1 0 se ilustra un cam bio en el nivel de un proceso. Estos cambios pueden ser el
resultado de la introduccin de nuevos trabajadores, mtodos, materias primas o mquinas, de
cambios en el mtodo o en los estndares de inspeccin, o bien de cambios en la destreza, aten-
cin o motivacin de los operarios. A veces se nota una mejora en el funcionamiento del proceso
despus de la introduccin de un programa de diagramas de control, slo por los factores motiva-
cionales que influyen en los trabajadores.
En el diagrama de control de la Fig. 6-1 1 se presenta una tendenca, o sea un desplazamiento
continuo en cierta direccin. Las tendencias suelen deberse a desgaste o deterioro graduales de
una herramienta u otro componente crtico del proceso. Ocurren con frecuencia en procesos qu-
micos debido a la sedimentacin o separacin de los componentes de una mezcla. Tambin pue-
den ser resultado de causas humanas, como el cansancio de un operador o la presencia de un
supervisor. Finalmente, las tendencias pueden provenir de influencias estacionales, como la tem-
peratura. Cuando las tendencias provienen del desgaste de herramientas u otras causas sistemti-
cas de deterioro pueden incorporarse directamente al modelo del diagrama de control. Un
~ . - ...........- - .-
Ya se mencion que una grfica de control puede indicar una condicin fuera de control sin que
un solo punto est fuera de los lmites, si el patrn de los puntos ubicados muestra un comporta-
miento no aleatorio o sistemtico. En muchos casos, . el patrn de los puntos proporcionar infor-
macin til para el diagnstico del proceso, la cual se puede usar para modificar el proceso, a
fin de reducir la variabilidad (la meta de los controles estadsticos de procesos). En esta seccin
se examinarn brevemente algunos de los patrones ms comunes que aparecen en los diagramas
de x y de R, y se indicarn algunas caractersticas del proceso que los producen. P ara interpretar
eficientemente los diagramas de x y R, el analista debe estar familiarizado con los principios es-
tadsticos subyacentes a los diagramas de control y con el proceso mismo. En la obra Statistical
Q uality Control H andbook (1 956, 1 49-1 83), de Western Electric, puede consultarse ms informa-
cin respecto a la interpretacin de patrones o esquemas de disposicin en las grficas de control.
P ara interpretar patrones en el diagrama de x, hay que determinar primero el diagrama de
R est bajo controlo no. Algunas causas atribuibles se presentan en las dos grficas, la de x y
la de R. Si ambas presentan un patrn no aleatorio, la mejor estrategia es eliminar primero las
causas atribuibles en el diagrama de R. En muchos casos, esto eliminar automticamente el pa-
trn no aleatorio en el diagrama de x. Nunca hay que tratar de interpretar la grfica de x cuando .
la de R indica una condicin fuera de control.
Ocasionalmente aparecen patrones cclicos en un diagrama de control. En la Fig. 6-8 se muestra
un ejemplo clsico. Tal esquema puede ser el resultado de cambios ambientales cclicos, como
temperatura, fatiga o cansancio del operario, rotacin regular de operarios o mquinas (o ambos),
f1 uctu9cin de voltaje o presin, o de alguna otra variable en el equipo de produccin. Los diagra-.
mas de R a veces revelan ciclos debidos a horarios de mantenimiento, fatiga del operario o.
desgaste de las herramientas, que provocan variabilidad excesiva. En un estudio en el que intervi-
no el autor de este libro, el ciclo "encendido-apagado" de un compresor de una mquina llena-
dora caus una variabilidad sistemtica en el volumen de llenado de envases metlicos.
Figura 6. 8. Ciclos en un diagrama de control.
LSC
169
6.2.5 Ef ec t o d e l a No No r m al i d ad en l o s Di ag r am as d e x y R
Una suposicin fundamental en el desarrollo de los diagramas de control de x y R es que la
distribucin subyacente de la caracterstica de calidad es normal. En muchas situaciones puede
haber razones para dudar de la validez de esta suposicin. Por ejemplo, puede saberse que la
distribucin subyacente no es normal, debido a que se ha colectado un conjunto ex tenso de datos
que indican que es inadecuado suponer la normalidad. Ahora, si se conoce la forma de la distri-
bucin subyacente, ser posible deducir las distribuciones muestrales de x y R (o de alguna
otra medida de la variabilidad del proceso), y obtener lmites probabilsticos ex actos para los dia-
gramas de control. Esto podra ser difcil en algunos csos, y la mayora de los analistas preferran
probablemente utilizar el enfoque estndar, basado en la suposicin de normalidad, si considera-
ran que el efecto de esto no sera demasiado grave. Sin embargo, es posible desconocer por com-
pleto la forma de la distribucin subyacente, y entonces la nica posibilidad podra ser el uso
de los resultados de la teora normal. Obviamente, en cualquier caso, se estara interesado en co-
nocer el efecto de las desviaciones de la normalidad en los diagramas de control de x y R usuales.
Varios autores han estudiado el efecto de las desviaciones respecto de la normalidad en los
diagramas de control. Burr (1967) hace notar que las constantes de los lmites de control, segn
la teora normal comn, son muy slidas respecto a la suposicin de normalidad y pueden utili-
zarse a no ser que la poblacin sea ex tremadamente anormal. Schilling y Nelson (1976) tambin
estudiaron el efecto de la no normalidad' sobre los limites de control del diagrama de X. In-
vestigaron la distribucin uniforme, la de tringulo recto, la gamma (con =1 Y r =y " 1, 2,
3 y 4), Y dos bimodales, formadas por la combinacin de dos distribuciones normales. Su estudio
indica que, en la mayora de los casos, es suficiente utilizar muestras de tamao 4 o 5 para asegu-
rar una solidez razonable con respecto a la suposicin normal. Los peores casos se observaron
para valores pequeos de r en la distribucin gamma [r ~ y , y r = 1 (la distribucin ex ponen-
cial)]. Por ejemplo, tales investigadores informan que el riesgo a real es de 0.014 o menos si n ;:::
4 para la distribucin gamma con r ~ ) 1" en contraste con un valor terico de 0.0027 para la
distribucin normal.
Mientras que el uso de limites de control de tres sigmas en el diagrama de J i producir un
riesgo a de 0.0027 si la distribucin subyacente es normal, no se puede decir lo mismo para el
diagrama de R. La distribucin muestral de Res asimtrica, incluso en un muestreo a partir de
la distribucin normal, y la larga ex tremidad (o cola) de la dstribucn se encuentra en el lado
alto o positivo. Por lo tanto, los lmites simtricos de tres sgmas son solamente una aprox imacin,
yel riesgo a en tal diagrama de R no es igual a 0.0027. (En realidad, para n =4, es a =0.00461.)
Adems, el diagrama de R es ms sensible a desviaciones respecto a la normalidad que el
diagrama de X.
r/'
LlC
Figura 6-11. Tendencia,
LSC
N(l m p r o de m u es t r a
dispositivo til para vigilar y analizar proce?os con tendencias es el diagrama de control de regre-
sin [vase Mandel (1969)]. El diagrama de control modificado, que se analiza en la Seccin 7.1,
se emplea tambin cuando en el proceso ex iste desgaste de herramientas.
La estratificacin, o tendencia de los puntos a quedar agrupados artificialmente alrededor de
la lnea central, se ilustra en la Fig. 6-12. Se nota una falta notable de variabilidad natural en el
patrn observado. Una posible causa de estratificacin es el clculo incorrecto de los lmites de
control. Tambin se puede presentar dicho esquema cuando el proceso de muestreo recoge una
o ms unidades de varias distribuciones distintas subyacentes. Si las unidades mayores y menores
en cada muestra son relativamente similares, entonces la variabilidad observada ser anormalmente -
pequea.
Para interpretar patrones de los diagramas de x y R hay que considerar conjuntamente
las dos grficas. Si la distribucin subyacente es normal, las variables aleatorias x y R, calculadas
a partir de la misma muestra, son estadsticamente independientes. Por lo tanto, x y R tendran
que comportarse de manera independiente en el diagrama de control. Si ex iste una correlacin
entre los valores de x y R (es decir, si los puntos en las dos grficas se "siguen"), entonces
ello indica que la distribucin subyacente es sesgada. Si las especificaciones se determinaron su-,
poniendo normalidad, estos anlisis podran estar equivocados.
6 Diagramas de Control de Variables 168
LSC 6.2.6 Fu n c i n Car ac t er s t i c a d e Operaci~n
La idoneidad de los diagramas de x y R para detectar cambios en la calidad del proceso es
descrita por sus curvas curvas caractersticas de operacin (CO). En esta seccin se ex ponen tales
curvas CO para diagramas que se usan en el control en lnea de un proceso. ()'
Considrese la curva CO para un diagrama de x , con la desviacin estndar conocida
y constante. Si la media cambia de un valor bajo control, digamos fLo, hacia otro valor J 1 . 1
~ fLo + ka, la probabilidad de no detectar dicho cambio en la primera muestra subsecuente, o
el riesgo p, es
L1C
Nmer~ d e m u es t r a
Figura 6.12. ~stratificacin.
f 3 = P { L1C ~ x ~ LSC ! J 1 . = J .!l = J 1 . o + ka}
(6-15)
I
170
171
A =<1
1
/00, ,cociente de fa nueva desviacin estndar sobre la anterior
5 3 2
L a Fig. 6-13 indica que la grfica de x no es especialmente eficaz para detectar un pequeo
cambio, digamos del orden de 1.5 a o menor, en la primera muestra que sigue al cambio, para
los tamaos muestrales comunes de 4, 5 Y 6. Por ejemplo, si el cambio es 1.0a y n =5, se obten-
dr de la Fig. 6-13 P =0.75 aproximadamente. Por lo tanto, la probabilidad de descubrir el cam-
bio en la primera muestra es de slo 1 - P =0.25. Sin embargo, la probabilidad de lograrlo en
la segunda muestra es P(1 - P) =0.75(0.25) =0.19, mientras que la probabilidad de conseguirlo
en la tercera muestra es p
2
(1 - P) = (0.75
2
)0.25 = 0.14. A s, la probabilidad de que se detecte
el cambio en la k-sima muestra posterior, es simplemente 1 - P veces la probabilidad de no
descubrirlo en cada una de las k - 1 muestras iniciales,o
f 3 k - l ( l - 13 )
En general, el nmero esperado de subgrupos que hay que analizar antes de detectar el cambio es
E k f 3 k - l ( l - f3) = _1 _
k =l 1 - 1 3
Por lo tanto, en este ejemplo se tiene 1/( 1 - P ) =1/0.2 5 =4 como el nmero esperado de sub-
grupos que hay que analizar antes de detectar un cambio de 1.0a usando n = 5.
El anl isis anterior proporciona un argumento para apoy ar el uso de tamaos muestra les pe-
queos en el diagrama de X . A un cuando tamaos muestrales pequeos conducen a un riesgo
p relativamente grande, porque se seleccionan y prueban las muestras en forma peridica, hay
una muy )uena posibilidad de detectar el cambio de modo razonablemente rpido, aunque tal
vez no en la primera muestra despus del cambio. Recurdese adems que el uso de lmites de
advE:rtencia y procedimientos de sensibilizacin, como las reglas de Western Eiectric, mejQrarn
todava ms la capacidad de la grfica de control de descubrir cambios en el. proceso.
Figura 6-14. Curvas caractersticas ue operacin para el diagrama de. R con lmites de tres sigmas.
(A daptado de A .J . Duncan, "Operating Characteristics of R Charts", Industrial Quality Control, vol. 7,
no. 5, p. 40-41,1951, con permiso de A merican Society for Quality Control, A SQCl.
o
Figura 6-13. Curvas caractersticas de operacin para el diagrama de x con lmites de tres sigmas. Se tiene
que p =P (no detectar un cambio de k cr en la media en la primera muestra despus del cambio).
0.7
1 .0
0.8
1 3 =P[3- 2V 's] - P [ - 3 - 215]
=P( -'-1.47) - P( -7.37)
'" 0.0708
0.9
[
L SC. - (p.o+ k a) ] [L 1C - (p.o+ k a) ]
f3 =p - - a- '- /- '- {- - - P - - a- '- /{- - '- n- - '-
= p[/fO + 3 a/{ - (ifo + k a)] _ p[p. - 3 a/{ - (lo + k a)]
a/{ a/{
=P(3 - k '0")- P( -3 - k {) (6 - 1 6 )
Esto es el riesgo p, o la probabilidad de no detectar tal cambio. L a probabilidad de s detectar
dicho cambio en la primera muestra subsecuente es 1 - P = 1 - 0.0708 = 0.9293.
Con objeto de construir la curva CO para el diagrama x, hay que graficar el riesgo P contra
la magnitud del cambio que se quiere detectar, expresado en unidades de desviacin estndar, .
para varios tamaos muestrales n. Se pueden evaluar directamente tales probabilidades a partir'
de la Ecuacin (6-16). Esta curva CO aparece en la Figura 6-13.
donde < ! > denota la funcin de distribucin acuf!lulativa normal estndar. Por ejemplo, suponga-
mos que n =5, Y que se desea determinar la probabilidad de detectar un cambio hacia fll
= flo + 2a en la primera muestra despus del cambio. Entonces, como k = 2 Y n = 5, se
tiene que
,
Como x - N (fl, al/n), y los lmites superior e inferior de control son L SC = flo + 3 al ;;
y L 1C =flo - 3 al , se puede escribir (6-15) como
. .
No obstante, la desviacin estndar muestral S no es un estimador insesgado de a. Si la distribu'.
cin subyacente es normal, entonces S realmente estima C4 a, donde C4 es una constante] que
depende del tamao muestral n. Adems, la desviacin estndar de S es a / 1 - c~. Es posible
utilizar esta informacin con objeto de establecer las grficas de control para J i y S ..
173
(6- 1 9)
(6- 1 7)
( 6- 1 8a)
(6- 1 8b)
(6- 20)
(6- 21 a)
(6- 21 b)
L1C =850
LSC =860
- S ~
L / C =5- 3- y1 - c
4
c
4
- S ~
LSC =S +3 - Y 1 - c
c
4
Lnea central =c
4
0
3~
8 =1 - - y1 - c
4 ] C
4
4
8
4
=1 + .i / 1 - c
c
4
Lnea central =S
6.3 Otros Diagramas de Control de Variables
y
85 =c4 - 3/ 1 - d
86 =c4 + 3/ 1 - c
LSC =c40 +30/1 - c
L1C =c
4
0 - 30/1 - c
Suelen definirse las dos constantes
Considrese el caso en el que se tiene un valor estndar para a. Y a que E ( S ) =C40, la lnea
central para la grfica es C4a. Los lmites de coritrol de tres sigmas son eptonces
1 m
5= - L S
m ~1
P or consiguiente, los parmetros del diagrama d~ S , con un valor estndar dado para a, se
convierten en
En la Tabla VI del Apndice se presentan valores de 8
5
y 8
6
para distintos tamaos de subgru"
pos. Los parmetros para la grfica de x correspondiente se presentan en la Ecuacin (6- 12),
Seccin 6- 2.3 .
Si no se dispone de un valor estndar para a, hay que estimarlo mediante el anlisis de datos
anteriores. Supngase que se tienen m muestras preliminares, cada una de tamao n, y sea S i la
desviacin estndar de la i- sima muestra. El promedio de las m desviaciones estndares es
La estadstica S/c4 es un estimador nosesgado de a. P or lo tanto, los parmetros del diagrama
de S sern .
Suelen definirse las constantes
y
,
/>-
(
2 )'/ 1 r e n/2)
c, = ~ r [(n - 1) 12]
Di ag r am as d e Co n t r o l d e x y S
2Algunos autores designan el diagrama S como diagrama o
3Pu ede d em o s t r ar s e q u e
6.3.1
6.3 OTROS DIA GRA MA S D E CONTROL D E VA RIA B L ES
"..,--.-----..
.~- ~ '\
,/ I
Cuando el tamao muestral es moderadamente gran~~, digamos n >1 0 o 1 2/ el mtodo de
amplitud para estimar a pierde eficiencia estadlstica,>E.~ estos casos es ye10r reemfllazarl~s
grficas de J i y R por las de J i y 5, 2 donde se estima direQ.~/desviacin estndar en
vez de hacerlo en forma indirecta mediante el uso de R. P or lo tanto, con fines de control, hay
que calcular la media muestral J i y la desviacin estndar muestral S para cada subgrupo.
Si ies la variancia desconocida de una distribucin de probabilidad, un estimador noses-
gado de a
2
ser la varianza muestral
I
n
L (x- X ) 2
52 = _ i=_ 1 _ _
n - 1
Con el fin de construir la curva CO para el diagrama de R, se usa la distribucin de la
tud relativa W =R /~. Supngase que el valor bajo control de la desviacin estndar es ~o. En-
lances en la curva CO se grafica la probabilidad'de no detectar un cambio hacia un nuevo valor
de~, por ejemplo ~1 > ~o' en la primera muestra despus del cambio. En la Fig. 6- 1 4 se pre-
senta la curva CO, en la cual se grafica ~ en funcin de A ~ ~1 / ~o (el cociente de la nueva des-
viacin estndar del proceso entre la anterior), para diversos valores de n.
Ex aminando la Fig. 6- 14 se observa que la grfica de R no es muy eficaz para descubrir cam_
bios en el proceso con t;:marios muestrales pequeos. P or ejemplo, si la desviacin estndar del
proceso se duplica (es decir, A ~ a 1/a o ~ 2), lo que es un cambio bastante grande, con mues_
tras de tamao cinco se tiene solamente alrededor de 40% de posibilidades de detectar este cam_
bio en cada muestra subsecuente. La mayora de los ingenieros de control de calidad creen que
la grfica de R es insensible a cambios pequeos o moderados para los tamaos usuales de lot
subgrupos de n =4, 5 o 6. Sin embargo, los procedimientos para sensibilizar ex aminados ante-
riormente tambin pueden aplicarse al diagrama de R para mejorar su utilidad. Si n > 1 0 012
habr que utilizar la grfica de S , . descrita en la Seccin 6- 3.1 , en vez del diagrama de R. '
En las curvas CO de la Figs. 6- 1 3 y 6- 1 4 se supone que se aplican los diagramas de x
y R para el control en lnea. Ocasionalmente es til estudiar la curva CO del diagrama usado
analizar datos anteriores. Esto podra dar alguna indicacin de cmo el nmero de subgrupos pre-
liminares, empleados para establecer el diagrama de control, influye en la capacidad del diagra-
ma de detectar condiciones fuera de control que ex istan cuando se obtuvieron los datos. Esa
partir de tales estudios analticos, y de la ex periencia prctica, como surgieron las recomendacio-
nes para utilizar alrededor de 20 a 25 subgrupos preliminares con objeto de establecer los diagra>
mas de J i y R.
172
175
(6-26)
(6-27)
R
L1C =x- 3 d.
_ R
LSC = x + 3-
d
2
52 2
L1C =' --1X 1-(a/2),n-1
n-
-2
S 2
LSC =--1Xa/2 ,n-1
n-
Lnea central = x
Lnea central = 52
6.3 Otros Diagramas de Control de Variables
damente grandes. Algunos especialistas recomiendan un diagrama de control basado directamen-
te en la varianza muestral 52 Los parmetros para el diagrama de control de 52 son
La viscosidad de un producto qumico es una caracterstica de calidad importante. El produc-
to se elabora por lotes, y debido a que la produccin de cada lote tarda varias horas, la tasa
de produccin es demasiado lenta para permitir tamaos muestrales mayores de uno. La vis-
cosidad de los 15 lotes anteriores aparece en la Tabla 6-3.
P ara establecer el diagrama de control de observaciones individuales, obsrvese que la
media muestral de las 15 mediciones de viscosidad es x =33.52, y que el promedio de las
amplitudes mviles de dos observaciones es R . =0.48. A fin de elaborar el diagrama de la
amplitud mvil, se nota que 03 = O Y 04 = 3.267, para n = 2. P or lo tanto, dicho diagra-
ma tiene como lnea central R = 0.48, L1C = O y LSC = Di = (3.267)0.48 = 1.57. En
la Fig. 6-15 se presenta el diagrama de control. Como ningn punto ex cede el lmite superior
de control, se puede establecer ahora el diagrama de control para las mediciones individuales
de la viscosidad.
P ara el diagrama de control de tales mediciones, los parmetros son
6.3.3 Gr f i cas de Cont r ol par a Uni dades Indi vi dual es
donde : G r 2 ,n- y XJ O/2I.n-denotan los puntos porc~ntuales superior e inferior 02 de la distribu-
cin ji cuadrada con n - 1 grados de libertad, y 52 es una varianza muestral media, obtenida
del anlisis de datos preliminares. Se podra utilizar un valor estndar de r2 en la Ecuacin (6-26)
en vez de 52, si se tuviera tal valor. Obsrvese que esta grfica de control se define con lmites
probabilsticos.
Ex isten muchos casos en 105 que el tamao muestral utilizado para el control del proceso es
n =1. Esto ocurre frecuentemente cuando se usa tecnologa de inspeccin y medicin automati-
zadas, y se analiza cada undad fabricada. Tambin sucede cuando la tasa de produccin es de-
masiado lenta para permtir en forma conveniente tamaos muestrales n >1, o cuando mediciones
repetidas difiereri slo debido a errores de laboratorio o de anlisis, como en muchos procesos
qumicos. En estos casos, resulta til el diagrama de control de unidades individuales. En el proce-
dimiento de control se emplea la amplitud mvil de dos observaciones sucesivas para estimar
la variabilidad del proceso. Tambin es posible establecer una grfica de control para la amplitud
mvil de dos observaciones sucesivas. El procedimiento se ilustra en el siguiente ejemplo.
Ej em p l o 6.2
T
'
"'
... ,.~:".
(6- 22)
n-1
n
( X - X ) 2
;=1
L1C =8:J 5
LSC =B
4
S
L nea central =5
5=
6.3.2 Di agr ama de Cont r ol de 52
L nea central =X
Algunos autores definen S con n en el denominador de la Ecuacin (6-25), en vez de n-l. En- "
tal caso, las definiciones de las constantes c4, 83, 84 Y A3se modifican. Las constantes correspon:,
dientes, basadas en el uso de n para calcular S, se llaman c2, 81, 82 Y A , respectivamente. Van' .
se en la obra de Bowker y Lieberman (1972) sus definiciones.
Tradicionalmente, los ingenieros de control de calidad han preferido 'el diagrama de R en
vez del de S, debido a la sencillez del clculo de R para cada muestra. La disponibilidad ac-~
tual de calculadoras de bolsillo Con clculo automtico de S, y la disponibilidad creciente de micrO'
computadoras para la implementacin en lnea de grficas de control directamente en el sitio de~.
trabajo, han eliminado cualquier dificultad computacional. Adems, por el estudio de la curva'
CO en la Seccin 6-2.6, se sabe que el diagrama de R es relativamente insensible a cambios P ~.,.'
queos y moderados, para tamaos muestrales pequeos. As, en muchos casos de la prctca
en 105 que se necesita un control estricto de la variabilidad del proceso, se requieren tamaos'.
muestrales relativamente grandes, y debe utilizarse el diagrama de S. '. _ _
- 35
~IC =x- e/
La mayora de los ingenieros de control de calidad usan el diagrama de R , o el de S, para controlar ~"
la dispersin del proceso, con preferencia por el diagrama de 5 para tamaos muestrales modera.
LSC =X t A
3
5
Lnea central =x
L1C =x - A
3
5
Las constantes 8
l
, 8
4
Y A
3
para la construccin de 105 diagramas de x y S a partir de datos
anteriores se presentan en la Tabla VI del Apndice para distintos tamaos muestrales.
Notemos que se supone que la desviacin estndar muestral se define como
Sea la constante A
3
=3/(c
4
{riJ . Entonces 105 parmetros del diagrama de x se convierten en
P or consiguiente, 105 parmetros del diagrama de S pueden ex presarse como
6 Diagramas de Contr~1 de Variables
Obsrvese que 84 =8/c4 Y 83 =8 ; 1c 4
Cuando 5/c
4
se aplica para estimar c r , es posible definir 105 lmites de control para el dia-
grama control para el diagrama de x correspondiente como
- 35
LSC =x+- -
e/
1 7 4
~ /11
~ , ~
\J
\l~i
;
":;?
';"}
Tabla 6.3 Viscosidad de un producto qumico
Cuando se establecen diagramas de control sin contar con estndares, es necesario estimar los
parmetros del proceso (p. e., x y R ) del anlisis de datos anteriores. El mtodo usual es se-
leccionar m muestras preliminares cuando se considera controlado el proceso y usarlas para obte-
ner lmites de control de prueba. Si cualquier de ellas resulta fuera de control con respecto a di-
choslmites, son descartadas y se obtienen lmites de control revisados. Se sigue este proceso hasta
obtener un conjunto aceptable de lmites de control. P or lo general, se prefiere disponer de
20 aiS muestras preliminares para establecer lmites de control de prueba.
Este requisito de un nmero relativamente grande de muestras preliminares en ocasiones im-
pide el uso estadsticamente correcto de los diagramas de control durante las fases de inicio de
un proceso, o para procesos con salida demasiado pequea para obtener datos preliminares ade-
cuados. P uede demostrarse que [os lmites de control ordinarios, basados en m muestras prelimi-
nares, producen un error tipo I real que es mayor que el valor nominal de I X = 0.0027 (para
m = 5 muestras, la verdadera probabilidad del error tipo I para la grfica de x es I X = 0.012; para
m = 10 muestras, es I X = 0.0067, yen el caso de m =25 muestras, eso<= 0.0040). Hillier (1969)
ha descrito un mtodo de dos etapas para asignar lmites de control a [os diagramas de x y R
que producirn resultados estadsticamente correctos, sin importar el nmero de muestras utiliza-
das en el establecimiento de los diagramas. Como estos ltimos proporcionan exactamente los
lmites anunciados del error tipo 1, se pueden utilizar en cuanto sea necesario despus del inicio
del proceso, sin importar la cantidad de datos preliminares disponibles:
6.4 Seleccin entre Diagramas de Control de Atributos y de Variables 177
6.4 SEL ECCi N ENTRE DIA GRA MA S DE CONTROL DE A TRIB UTOS Y DE
VA RIA B L ES
corridas o ciclos en el diagrama. Sin embargo, se supone que las observaciones individuales
en el diagrama de x no estn correlacionadas, y se tiene que investigar con cuidado en este
diagrama cualquier patrn aparente.
P or ultimo, se observa que el diagrama de control de unidades individuales es til cuan-
do la tecnologa de la medicin automtica permite una inspeccin en lnea de cada unidad
al ser producida. Otros procedimientos estadfsticos de control de procesos tiles en este caso
son el diagrama de control de suma acumulativa y los diagramas de control basados en me-
dias ponderadas. En e[ Cap. 7 se analizan estos procedimientos.
6.3.4 L m i t es d e Co n t r o l B as ad o s en u n N m er o Peq u e o d e Mu es t r as
En muchas aplicaciones, el analista tendr que elegir entre un diagrama de control de variables,
como los de x y R , y uno de control de atributos, como el de p. En algunos casos, la seleccin
estar bien definida. P or ejemplo, si la caracterstica de calidad es el color del artculo, como pue-
de serlo en la produccin de alfombras o telas, se preferir frecuentemente la inspeccin de atri-
butos, en vez de tratar de cuantificar la caracterstica de calidad "color". En otros casos, la seleccin
no ser tan evidente, y el analista tendr que tomar en cuenta varios factores para poder elegir
entre diagramas de control de atributos y de variables.
Los diagramas de control de atributos tienen la ventaja de que hacen posible considerar va-
rias caractersticas de calidad al mismo tiempo, y clasificar el artculo como disconforme si no
satisface la especificacin de cualquier caracterstica. P or otra parte, si se manejan las diversas
caractersticas de calidad como variables, entonces habr que medir cada una de ellas, y utilizar
separadamente un diagrama de x y R para cada una, o bien alguna tcnica de control multiva-
riada, en el que se consideren simultneamente todas las caractersticas. Hay una evidente
sencillez asociada al diagrama de atributos en este caso. Adems, mediante la inspeccin por atri-
butos pueden evitarse mediciones ostosas tardadas.
0.70
0.95
019
0.35
0.56
0.34
0.41
0.22
0.29
0 . 4 2
0.62
0.54
0.42
0.72
R =0.48
Amplitud mvil
35.00 f- LSC ~ 34.80
Viscosidad
33.75
33.05
34.00
33.81
33.46
34.02
33.68
33.27
33.49
33.20
33.62
33.00
33.54
33.12
33.84
x =33.52
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Nmero de lote
R 0.48
LSC. = x + 3 d = 33.52 + 3
1
.
128
= 34.80
Lnea central = x = 33.52
R 0.48
L1C = x - 3 d = 33.52 - 3
1
.
128
= 32.24
En la Fig. 6-15b se muestra el diagrama de control para las mediciones individuales
viscosidad en un lote. No hay indicio de una condicin fuera de control.
Debe tenerse cuidado al interpretar los patrones en el diagrama de la amplitud
Las amplitudes mviles estn correlacionadas, y esta correlacin puede inducir un
Si se utiliza una amplitud mvil de n ~ 2 observaciones, d
2
~ 1.128.
Tabla 6-3,
I
12345678910
Nmero de lote (b)
'. (a)
Figura 6-15: Grficas de control para (a) la amplitud mvil y (b) observaciones individuales a la
.176
1.75
1
1.50 ~ ~ 1.57
" .~... ' , 1.25
':'." 'O r~ ] 1.00
~ I ~ x
~ 0.75
0 50
; J I
178
6.5 Resumen de los Procedimientos para uso de los Diagramas X , R Y s 179
Ej em p l o 6.3
t t
I .DJ \ Ll
LS L 1"1 1"2 1"3 U S L
Figura 6-16. Por qu los diagramas de x y R pueden indicar problemas inminentes.
L mites de control
/ l o :f:Aa
LS c. =02a, L1C =01a
LS c. =& , a , L1C =8
5
a
- +-
x -AR
~.:I :.A
J
5
LS C ~ O )t L1C ~ OR~
LS C ~ 845. L1C ~ 8
1
5
/ l o
dl'
c
4
a
-
x
R
5
LJ nea central Diagrama
x (~y a Valor n)
R (a Valor n)
S (a Valor n)
X (usando R)
x (usando S )
R
S
Tabla 6-5 Frmulas para diagramas de control con l mites bao
sados en datos anteriores (no se dan valores estndares)
Diagrama L nea central L mites de control
I !i
n ~ (3/0.0175)(0.0027)(0.9963) ~ 79.23
n =( ~rp ( 1 - p )
donde k ~ 3 es el ancho de 105 l mites de control, p ~ 0.0027 es la fraccin disconforme
en un caso bajo control, y o ~ 0.0202 - 0.0027 ~ 0.0175 es la magnitud del cambio. Por
consiguiente, se obtiene que
S i se quiere que la probabilidad de detectar este cambio en la primera muestra subsecuente
sea 0.50 (por ejemplo), el tamao muestral para la grfica de x tendr que ser suficientemente
grande que el l mite superior de control de tres sigmas sea igual a 52. Esto implica que
o bien n ~ 9. S i se usa un diagrama de p, podemos encontrar el tamao muestral necesario
para garantizar la misma probabilidad de detectar el cambio a partir de la Ecuacin (5.10),
es decir,
o sea n ~ 80 ser a el tamao necesario para el diagrama de p . A menos que el costo de la
inspeccin de mediciones sea nueve veces mayor que el de la inspeccin de atributos, el
us' del diagrama de x ser menos costoso.
50+~
{ =52
6.5 RESUMEN DE L OS PROCEDIMIENTOS PA RA USO DE L OS
DIA GRA MA S DE X, R Y'S
Conviene resumir en un mismo sitio las diferentes frmulas computacionales para la mayor a de
105 diagramas de control de variables examinadas en este cap tulo. En la Tabla 6.4 se resumen
las frmulas para 105 diagramas de x, R y S cuando se dan valores estndares para Il y cr. La
Tabla 6.5 proporciona el resumen correspondiente cuando no se dispone de valores estndares,
y se tienen que establecer l mites de control de prueba a partir del anlisis de datos anterio-
res. Las constantes dadas para la grfica de S se basan en la suposicin del uso de n - 1 en el
denominador de S . Todas las constantes se encuentran en la Tabla VI del A pndice para distintos
tamaos muestrales.
Tabla 6-4 Frmulas para diagramas de control cuando se dan
valores estndares
Reacciona el diagrama de p
Reaccionan los diagramas de x y R
--" " -.t .: : ; :
El valor nominal de la media de una caracter stica de calidad es 50, y su desviacin estndar
es 2. El proceso se controla mediante una grfica de X. S e establecen los l mites de especr'"
ficacin en 23 sigmas, de manera que el l mite inferior de especificacin es 44, yell mite-I -'::
superior, 56. Cuando el proceso se encuentra bajo control al nivel nominal de 50, la fraccin
deart culos disconformes producidos es 0.0027, suponiendo que la caracter stica de calidad
estdistribuida normalmente. S upongamos que la media del proceso cambia hacia 52. l a
.fraccin de a!t culos conformes producidos despus del cambio ser alrededor de 0.0202.' .
'1
En contraste, 105 diagramas de contrO l de variabls proporcionan mucho ms informacin
til respecto al funcionamiento del proceso que 105 de atributos. S e obtiene directamente informa_
cin espec fica acerca de la media del proceso y su variabilidad. A simismo, cuando hay puntos
que caen fuera de control en 105 diagramas de variables, suelen haber mucha ms informacin
sobre la ca usa potencial de esta seal de fuera de control. Para un estudio de la capacidad de
un proceso, se prefieren casi siempre 105 diagramas de control de variables en vez de 105 de atri-
butos. Las excepciones son los estudios sobre las disconformidades producidas por mquinas u
operadores, en los cuales hay un nmero muy limitado de fuentes de disconformidad, o bien los
estudios relacionados directamente con el rendimiento y el rechazo del proceso.
Quiz la ventaja ms importante de los diagramas de control de x y R es que a menudo
proporcionan una indicacin de problemas inminentes, y permiten al personal operativo tomar
acciones correctivas a ntes de que ocurra la produccin real de art culos defectuosos. A s , dichos
diagramas son indica dores a nticip a dos de problemas, mientras que los diagramas de p (o los de
c o u) no reaccionarn a menos que el proceso haya cambiado tanto que se produzcan m s
art culos disconformes. Para ilustrar esto, considrese el proceso 'de produccin de la Fig. 6.16.
Cuando el promedio del proceso se encuentra en I ll' se producirn pocos art culos disconfor-
mes. S upongamos que la media del proceso empieza a cambiar hacia valores mayores. A l lI egar'- ,-
al valor I l, las grficas de x y R habrn reaccionado con respecto al cambio en la media, ge-
nerando un fuerte patrn no aleatorio y probablemente varios puntos fuera de control. S in embar-'
go, una grfica de p no reaccionar sino hasta que la media se haya desplazado a 1l J ' o hasta que
se haya incrementado nmero real de art culos disconformes producidos. A s , los diagramas de
x y R son herramientas de control ms potentes que el diagrama de p.
Para un nivel espec fico de proteccin contra cambios en el proceso, 105 diagramas de con-
trol de variables necesitan un tamao muestral mucho ms pequeo que el diagrama de control
de atributos correspondiente. De esta manera, mientras que la inspeccin del tipo de variables
es normalmente ms costosa y tardada por unidad que la inspeccin por atributos, se tendrn que"
inspeccionar menos unidades. sta es una consideracin muy importante, sobre todo en casos
en los que la inspeccin es destructiva (como abrir una lata para medir el volumen del contenido
o probar las propiedades qu micas del producto). El siguiente ejemplo ilustra la ventaja econmi.
ca de 105 diagramas de control de variables.
't. :
~_!'
i'l
"
'~i
~~,
-'1;
~I
!~
j
Al inicio de un programa de diagramas de control suele ser difcil determinar qu pro.
duetos o caractersticas del proceso habr que controlar, y en qu puntos del proceso
e._ deben aplicarse los diagramas.
Determinacin de las Caracterfsticas por Controlar y del Sito en que Habra que
Incorporar los Diagramas de Control
1. Procesos en los que es inconveniente o imposible obtener ms de una medicin por
muestreo, o cuando mediciones repetidas difieren slo por errores de laboratorio o de
anlisis. Esto ocurre a menudo en los procesos qumicos.
2. Procesos en los que la tecnologa de pruebas e inspeccin automatizadas permite medir
de toda unidad producida. En estos casos, considrese tambin el diagrama de control de
la suma acumulativa y el de control de promedios mviles ponderados exponencialmente,
que se estudian en el Cap. 7.
3. Situaciones en las que los datos se obtienen muy despacio y no sera prctico esperar
'una muestra mayor, lo que adems hara el procedimiento de control demasiado lento
para reaccionar los problemas. Esto sucede a menudo en situaciones no industriales, por
ejemplo, se dispone de datos sobre la contabilidad slo una vez al mes.
1. Al inicio de un programa d~ diagramas de control, es necesario aplicar estos medios a
cualquier caracterstica del producto u operaciones de manufactura que se considere im.
portante. Los diagramas proporcionarn una retroalimentacin inmediata en cuanto a
si se,necesitan realmente o no.
2. Se eliminan los diagramas de control que se encuentren innecesarios, y se aliaden otros
que juzguen necesarios los ingenieros y operarios. Normalmente se utilizan ms diagra.
mas de este tipo al principio que despus de la estabilizacin del proceso.
3. Se conserva informacin actual con respecto a nmero y tipos de diagramas de control
en el proceso. Es mejor llevar resgistros separados para los diagramas de variables y los
de atributos. a menudo, despus de la implantacin inicial de los diagramas de control
se encuentra que su nmero tiende a aumentar constantemente, para despus disminuir
casi siempre. Cuando se estabiliza el proceso, suele observarse que el nmero de diagra.
mas permanece constante de un ao o otro. Sin embargo, no son necesariamente las
mismas grficas. ' ,
4. Si los diagramas de control se usan de manera eficaz y se obtiene un nuevo conocimien.
to acerca de las variables clave del proceso, se ver que el nmero de diagramas de x
y R aumenta, y disminuye el nmero de los de control de atributos.
5. Al inicio de un programa de diagramas de control habr normalmente ms diagramas
de atributos, que se aplican a unidades semiterminadas o terminadas cerca del final del
proceso de fabricacn. Al aprender ms acerca del proceso, dichos diagramas se reem.
plazarn por los de x y R, aplicados ms temprano en el proceso a los parmetros
clave y a las operaciones crticas que producen disconformidades en el producto termi.
nado. En general, cuanto ms temprano sea posible establecer el control en el proceso,
tanto mejor. Lo anterior puede implicar, en procesos de montaje complejos, que es
necesario implementar controles de proceso al nivel del proveedor o fabricante.
6. Los diagramas de control son un procedimiento de control en lnea de procesos. Se de.
ben implementar y mantener lo ms cerca posible del centro de trabajo, para tener una
retroalimentacin rpda. Adems, los operadores del proceso y los ingenieros de pro.
duccin deben ser los responsables directos de colectar los datos del proceso; mantener
los dagramas e interpretarlos resultados. Los operadores e ngenieros tienen el conoci.
6.6 Directrices para Implementar Programas de Diagramas de Control 181
C. Grficas de control de artculos individuales. Es necesario considerar el uso de las grficas
de control para elementos individuales junto con un diagrama de amplitud mvil en las situa.
cones siguientes:
D i q,Q f l mas de Control de Variab~es
DIRECTRICES PA RA IMPL EMENTA R PROGRA MA S DE DIA GRA MA S
DE CONTROL
1. Se introduce un nuevo proceso, o se fabrica un nuevo producto mediante un proceso':'
ya existente.
2. El proceso ha estado funcionando durante algn tiempo, pero tiene problemas crnicos
o no puede cumplir con lastolerancias especificadas.
3. El proceso tiene problemas, y el diagrama de control puede ser til para fines de diag-
nstico (localizacin de averas). .
4. Se necesitan pruebas destructivas (u otros procedimientos de prueba costosos).
5. Es conveniente reducir al mnimo el muestreo para aceptacin u otras pruebas "corri.en~.""J '"
te abaJ o" cuando el proceso se puede manejar baJ O control.;":
6. Se han utilizado grficas de control de atributos, pero el proceso est fuera de control ...
o bajo control pero con produccin inaceptable.
7. Procesos con especificaciones muy estrechas, tolerancias de montaje traslapadas, u otros"",
problemas de manufactura difciles. '
8. Situaciones en las que el operario debe de decidir si ajusta o no el proceso, o cuando,
se tiene que evaluar una configuracin. ...:,:!
9. Se quiere un cambio en las especificaciones del proceso.
10. Se debe demostrar continuamente la estabilidad y capacidad del proceso, por ejempI2~.'
en industrias no reguladas.
B. Diagramas de atrib,utos (de p, c y u). Debe considerarse el uso de las grficas de control de
atributos en los casos siguientes:
1. Los operarios controlan las :ausas atribuibles, y es necesario reducir el rechazo del proceso':';j' ..':
2. El prOceso es una operaClon de montaje complicada, y la calidad del producto semlde -.:
en trminos de la ocurrencia de disconformes, del funcionamiento exitoso o fallido del-l~
producto, etctera (algunos ejemplos son computadoras, equipo de automatizaElO,. .-
de oficinas, automviles, y los subsistemas importantes de estos productos).
3. Se necesita un control del proceso, pero no se pueden obtener datos de medicioll
es
, 'l'
4. Casos en los que se necesita un resumen histrico del funcionamiento del proces
o
.l:
0 s
;'r.-
diagramas de control de atributos, como los de p, c y u, son muy eficaces para resumir .. e
informacin respecto al proceso desde el punto de vista de la administracin.
Eleccin del Tipo Adecuado de Diagrama de Control
A . Diagramas de x y R (o de x y S ). Hay que considerar el uso-de diagramas de control de
mediciones en los casos siguientes. .~
1. Elegir el tipo adecuado de diagrama de control.
2. Determinar qu caracterstica del proceso habr que controlar.
3. Definir en qu sitio del proceso habr que incorporar los diagramas.
Se pueden aplicar las directrices anteriores tanto a diagramas de control de mediciones como
de atributos. Recordemos que los diagramas de control no solamente se usan para vigilar proCe'Clq
sos, y que habra que usarlos como un mtodo activo, en lnea, para reducir la variabilidad del'
proceso.
Casi cualquier proceso puede beneficiarse con un programa de diagramas de control. En esta sec-
cin se presentan algunas guas o directrices generales, tiles para implementar diagramas de
control. Especficamente se trata de lo siguiente:
182
6 Diagramas de Control de Variables 6.7 Ejercicios
183
Se toman muestras de n ~ 8 de un proceso de manufactura a intervalos regulares. Se mide
cierta caracterstica de calidad, y se calculan 105 valores de x y R para cada muestra. Despus
de 50 muestras, se tiene que
'miento detallado del pr~ceso que se necesita con el fin de corregir trastornos en el
proceso, y usar el diagrama de control como un dispositivo para mejorar el funciona.
miento. Las microcomputadoras pueden acelerar la retroalimentacin, y tendran que
formar parte de cualquier sistema moderno de control de procesos en lnea.
-------------~------
6.4
50
[x =2000
i=1
50
[ R =250
i=1
6.7 EJ ERCi CIOS
Suponga que la caracterstica de calidad est distribuida normalmente.
6.5 Se toman muestras de n ~ 6 artculos de un proceso de manufactura, a intervalos regulares.
S - I A\~e mide una caracterstica de calidad, distribuida normalmente, y se calculan 105 valores de
x y S para cada muestra. Despus del anlisis de 50 subgrupos, se tiene que
Nmero
Nmero
de muestra Xl
X
2
Xl X4
de muestra Xl X2 Xl
- - - - -- - - -
1 6 9 10 15 11 8 12 14
2 10 4 6 11 12 6 13 9
3 7 8 10 5 13 16 9 13
4 8 9 6 13 14 7 13 10
5 9 10 7 13 15 11 7 10
6 12 11 10 10 16 15 10 11
7 16 10 8 9 17 9 8 12
8 7 5 10 4 18 15 7 10
-,... ;,.-;~,;.;..-;::: '_ ..: " "
9 9 7 8 12 19 8 6 9
-- _10_.
15 16 10 13 20 14 15 12 e",> ._
.-'
50
[5=75
i=1
50
[x =1000 Y
i=1
(a) Calcule 105 lmites de control para 105 diagramas de control de x y R.
(b) Todos 105 puntos de ambos diagramas caen entre 105 lmites de control calculados en
el inciso (a). Cules son 105 limites naturales de tolerancia del proceso?
(c) Si 105 lmites de especificacin son 41 .: !: 5.0, cul es su conclusin acerca de la capaci-
dad del proceso de producir artculos que satisfagan estas especificaciones?
(d) Suponiendo que se puede retrabajar un articulo que excede el lmite superior de espe-
cificacin, y que se 'debe rechazar tal artculo si est por debajo del lmite inferior de
especificacin, qu porcentaje de artculos para retrabajo y recha20 origina el proceso
ahora?
(e) Formule algunas sugerencias para mejorar el rendimiento del proceso.
(a) Calcule 105 lmites de control para 105 diagramas de control de x y S.
lb) Suponga que todos 105 puntos de ambas grficas caen entre 105 lmites de control. Cu-
les son 105 lmites naturales de tolerancia del proceso?
(c) Si los lmites de especificacin son 19.:!: 4.0, cul es su conclusin acerca de la capaci-
dad del proceso de producir artculos conformes con las especificaciones?
(d) Suponiendo que se puede retrabajar un articulo que excede el limite superior de especi.
ficacin, mientras que si se encu'entra por debajo del lmite inferior de especificacin
hay que rechaz~rlo, qu porcentaje de artculos de recuperacin y rechazo produce ahora
el proceso?
(e) Si el proceso se centrara en ~ ~ 19.0, cul sera el efecto en el porcentaje de artculos
para rechazo y retrabajo? '
El volumen de llenado de botellas de gaseosa es una caracterstica de calidad importante.
Se mide el volumen aproximado colocando un calibrador sobre la boca de la botella y
comparando la altura del liquido en el cuello de la botella con una escala codificada. En
tal escala, una lectura de cero corresponde a una altura de llenado correcta. Se analizaron
15 muestras de tamao n ~ 10, Y las lectur~s de llenado se presentan a continuacin.
Nmero
de muestra Xl X
2 Xl X4 X
s
X
6
X
7
X
a
X
9
x
lO
1 2.5 0.5 2.0 -1.0 lO -1.0 0.5 1.5 0.5 -1.5
2 0.0 0.0 0.5 1.0 1.5 lO -lO 10 1.5 -1.0
3 1.5 10 1.0 -lO 0.0 -15 -1.0 -1.0 1.0 -1.0
4 0.0 0.5 -2.0 0,0 -1.0 1.5 -12 0.0 -2.0 -1.5
5 0.0 0.0 0.0 -0.5 0.5 1.0 -0.5 -0.5 0.0 0.0
6 lO -0.5 0.0 0.0 0.0 0.5 -lO 1.0 -2.0 1.0
7 lO -lO -10 lO 0.0 1.5 0.0 1.0 0.0 0.0
6.6
C,L ,l.
/1
j
v=0.18"-,-"
ts:-1J 'i3: d ,',S ~"
z t : : : 1'/'(-'1 i(: um
16
11
15
12
_16~. _
14 .
10'-~1-
11.
1f-
16.:.
(a) Obtenga lo~ diagramas de control de x y R para este proceso. Parece estar bajo con:
trol estadstico tal proceso? Si es necesario, revise 105 limites de control de prueba.
(b) Si las especificaciones para este dimetro son 0.5030 .: !: 0.0010, halle el porcentaje de
disconformidades producidas por el proceso.
Considere 105 datos mostrados a continuacin. Elabore las grficas de x y R para tales datos.
Parece estar bajo control estadstico el proceso?
Deben mantenerse diagramas de control de X, R Y S con muestras de tamao n ~ 10 para un
proceso con distribucin normal, ~ ~ 80 Y a
2
~ 100. Determine la lnea central y 105 limi-
tes de control para cada una de estas grficas.
Los datos que siguen son 105 valores de x y R para 24 muestras de tamao n ~. 5, ob.
tenidas de un proceso de fabricacin de cojinetes. Las mediciones se realizan para el dime.
tro interior del cojinete, y se registran solamente las tres ltimas cifras decimales (p. e., 34.5
debe ser 0.50345).
6.3
6.2
6.1
/'
" )
Nmero
Nmero
de muestra x R de muestra x R
II~ -- - - -- - -
j/ 1 34.5 3 13 35.4 8
\
2 342 4 14 34.0 6
3 316 4 --
15 37.1 5
4 31.5 4 16 34.9 7
. \
5 35.0 5 17 33.5 4
~\Io 6 341 6 18 31.7 3
/(L '; 1'-)
7 32.6 4 19 34.0 8
0' " ' .
8 33.8 3 20 35.1 4
r," \\... " .
, .
9 348 7 21 33.7 2
(/
;).
10 33.6 8 22 32.8 1
'-;/ '", J'
!
'-\.
11 319 3 23 33.5 3
"
nl ~
12 38.6 9 24 34.2 2
U d I
I
185
36
L R =150
;=1
36
LX i =6000
;=1
Nmero de muestra x R
- -
/ - !
1 103 4
)1 \ O ' : >
2 102 5
,(. \03
Z .
3 104 2
13
IG 2.
4 105 11 ~'1 lOS - <j
5 104 4
iS- 10 ~
5
6 106 3
(
\05 'p
7 102 7
('7
\OC "' .-'
8 105 2
p
! O "'
2
9 106 4
Q
IU~ ' 1 ' ,
10 104 3
20 \0';'
~,
.,
(a) Establezca.la lnea central y los lmites de control para el diagrama de x .
(b) Halle la lnea central y los lmites de control para el diagrama de R .
(e) Obtenga la lnea central y los lmites de control para el diagrama de 5.
Se obtienen cada hora muestras de n =6 artculos de un proceso. Se d~terminan los valores de
x y R para una caracterstica de calidad en particular. Despus de obtener 25 muestras, se
calculan ~- 20 Y R - 4.56.
(a) Cules son los lmites de control de tres sigmas para x y R ?
(b) A mbos diagramas indican control. Estime la desviacin estndar del proceso.
(e) Suponga que el rendimiento del proceso est distribuido normalmente. Si las especifica-
ciones son 19.:! : 4.0, cules sern sus conclusiones respecto a la capacidad del proceso?
(d) Si la media del proceso cambia a 23, cul es la probabilidad de no detectar este cambio
en la primera muestra subsecuente?
Se deben establecer diagramas de control de x y R Rara controlar la resistencia a la tensin
de una pieza metlica. Suponga que dicha resistencia est distribuida normalmente. Se ob-
tienen 30 muestras de tamao n - 6 en cierto tiempo, con los resultados siguientes:
(a) Calcule los lmites de control para x y R .
(b) A mbos diagramas indican control. L as especificaciones para la resistencia a la tensin
son 200 .:! : 5. Cules son sus conclusiones acerca de la capacidad del proceso?
(e) Encuentre el riesgo P para el diagrama de x anterior cuando la verdadera media del
proceso es 199.
Un diagrama de x tiene lnea central de 100 Y lmites de control de tres sigmas, y se basa en
un tamao muestral de 9. Se sabe que la desviacin estndar del proceso es 6. Si la media
del proceso 'cambia de 100 a 92, cul ser la probabilidad de detectar este cambio en la
primera muestra despus del cambio?
Se obtuvieron los datos siguientes de un proceso de fabricacin de fuentes de energa elc-
trica. L a variable que interesa es el voltaj e de salida, y n = 5.
media del proceso cambia a 188, determine la probabilidad de que se detecte este cambio
en la primera muestra subsecuente.
6.11 Una caracterstica de calidad de una pieza fabricada mediante un torno tiene como especifi-
caciones lOO.:! : 10. El anlisi~del diagrama de control indica que el proceso se encuentra
baj o control, con x =104 Y R ~ . 9.30. En los diagramas usan muestras de tamao n =5.
Se puede colocar la media (aj ustando la posicin de la herramienta], de manera que toda
la produccin satisfaga las especificaciones, suponiendo que la caracterstica est distribuida
normalmente? Cul es la capas idas actual del proceso?
6.12 Se quiere controlar un proceso con valores estndares fl =10 y' - 2.5. El tamao muestral
es 10.
6.13
6.14
6.15
6.16
~-2~S
6.7 Ejercicios
/ :
/
\
25
L R i =9.00
i-1
35
L R =1200
;=1
35
L X =7805 y
i=1
25
L X i =662.50 y
i-1
(a) Halle los lmites de control para los diagramas de x y R .
(b) Suponga que ambos indican control. Si las especificaciones son 26.40 .:! : 0.50,
la fraccin disconforme.
(e) Si la media del proceso fuera 26.40, cul sera tal fraccin disconforme?
Se obtienen mueWas de tam- o n ~6 de un proceso cada media hora. Despus de SO mues:.
tras, se calculan x - 20.0 Y R =1.5. Suponga que ambos diagramas indican control, y que
la caraderstica de calidad se distribuye normalmente.
8
0.0 - 1.5 - 0.5 1.5 0.0 0.0 0.0 - 1.0 0.5 - 0.5
9
- 2.0 - 1.5 1.5 1.5 0.0 0.0 0.5 1.0 0.0 1.0
10 - 0.5 3.5 0.0 - 1.0 - 1.5 - 1.5 - 1.0 - :- 1.0 1.0 0.5
11 0.0 l5 0.0 0.0 2.0 - 1.5 0.5 - 0.5 2.0 - 1.0
12 0.0 - 2.0 - 0.5 0.0 - 0.5 2.0 1.5 0.0 0.5 - 1.0
13 - lO - 0.5 - 0.5 - la 0.0 0.5 0.5 - 1.5 - 1.0 - 1.0
14 0.5 lO - lO - 0.5 - 2.0 - 1.0 - 1.5 0.0 1.5 l5
15 1.0 0.0 l5 l5 lO - 1.0 0.0 1.0 - 2.0 - l5
(a) Haga diagramas de x y R utilizando estos datos.
(b) Suponiendo que ambos diagramas indican control, estime la media y la desviacin es-
tndar del proceso.
(e) Si la caracterstica de calidad est distribuida normalmente, y si las especificaciones son
220 .:! : 35, podra el proceso satisfacer las especificaciones? Estime la fraccin dis- .,
conforme.
(d) Suponiendo que la variancia permanece constante, dnde se tendra que ubicar la me-
dia del proceso para minimizar la fraccin disconforme? Cul sera el valor de la frac- '
cin de disconformes en estas condiciones?
Cada hora se obtienen muestras de tamao n = S de un proceso de fabricacin. Se mide
una caracterstica de calidad, y se calculan los valores de x y R para cada muestra. Despus
del anlisis de 25 muestras, se tiene que
Elabore los diagramas de control de x y 5 para este proceso. Est el proceso baj o control
estadstico? Si es necesario, establezca lmites de control revisados.
Haga un diagrama de R , y comprelo con el diagrama de 5 del inciso (a).
Haga un diagrama de 52, y comprelo con el diagrama de 5del inciso (a).
Se usan diagramas de control de x y R para cierta caracterstica de calidad. El tamao mues-
tral es n ~ 7, Y se determinan los valores de x y R para cada muestra. Despus de 35
muestras, se tiene que
(a) Estime la desviacin estndar del proceso.
(b) Halle los lmites de control para los diagramas de x y 5.
(e) Si la media del proceso cambia a 22, cul ser la probabilidad de concluir que el proce-
so todava est baj o control? .
Seutiliza un diagrama de x para controlarla media de una caracterstica de calidad. Se sabe
. que, =6.0 Y n =4. L a lnea central corresponde a 200, y L SC = 209, L 1C - 191. Si la
(a)
6.9
6.8
(b)
(e)
6- 7
- - - - - - ,
187
J O
L ~=426
i=1
J O
L R =1350
;=1
Diagrama de S
LSC = 2.266
Lnea centrl ~ 1.000
L1C ~ O
EG
30
LX=12,870 Y
i=1
J O
L x =12, 870
i=1
Diagrama de x
LSC ~ 201.88
Lnea central - 200.00
L1C ~ 198.12
Estime 0, y 0y.
8]
. (a) O btenga los lmites de control del diagrama de R.
(b) Estime los parmetros ~ y o, suponiendo que el diagrama de R indica control.
(c) Si el rendimiento (produccin) del proceso tiene distribucin normal y las especificacio-
nes son 440.:!: O , puede satisfacer el proceso dichas especificaciones? Estime la fraccin
disconforme.
(d) Si la variancia permanece constante, dnde se tendr que ubicar la media para minimi-
zar la fraccin disconforme?
Se usan diagramas de control de x y S para una caracterstica de calidad. El tamao mues-
tral es n ~ 7. Despus de 30 muestras, se tieneque
(a) Establezca los lmites de tres sigmas para el diagrama de 5.
(b) Halle los parmetros ~ y o, suponiendo que ambos diagramas indican control.
LSC = 104
Lnea central =100
L1C =96
n= 5
Se debe establecer un diagrama de x con los valores estndares ~ ~ 100, ~8 Y n
4. Determine lo siguiente:
(a) Los lmites de control de dos sigmas.
(b) Los limites de probabilidad a 0.005.
Un diagrama de x tiene los siguientes parmetros:
Suponga que la caracterstica de calidad del proceso bajo vigilancia tiene media verdadera de
98 y desviacin estndar de 8. Cul es la probabilidad de que por lo menos el tercer punto
representado en el diagrama indique falta de control?
Se usan diagramas de control de x y S con n = 4 para una caracterstica de calidad. Los parme-
tros de estos diagramas son
(b) Si se requiere que la probabilidad de una holgura (es decir, x - y) menor que 0.09 sea
igual a 0.006, qu distancia entre las dimensiones medias (es decir, ~x y ~) se tendra
que especificar?
6.20 Se conservan diagramas de control de x y R para la resistencia a la tensin de un cierre met-
lico. Despus del anlisis de 30 muestras de tamao n ~. 7, se obtiene que
6.21
6.22
6.23
6.24
6.7 Ejercicios
10
L R y =6. 978
;=1
(a) Elabore un diagrama de R y verifique si el proceso est bajo control estadistico.
(b) Qu parmetros se recomendaran en el caso de la grfica de R para un control en lnea?
(c) Estime la desviacin estndar del proceso.
(d) Cul es la capacidad del proceso?
Se ensamblan dos partes como se ilustra a continuacin. Suponga que las dimensiones x
y y estn distribuidas normalmente, con medias ~, y ~y y desviaciones estndares 0, y
y, respectivamente. Se producen dichas partes en mquinas diferentes, y se ensamblan al
azar. Se emplean diagramas de control para cada dimensin para la amplitud de cada mues-
tra (n ~ 5). Ambos diagramas de amplitud indican control. -,-~
(a) Para 20 muestras en el diagrama de amplitud que controla x, y lO en el diagrama de._
amplitud que controla y, resulta
20
L R , =18. 608 y
;-1
(a) Determine las lneas centrale's y los lmites de control adecuados para controlar la pr().<':~
duccin futura.
(b) Suponga que la caracterstica de calid.ad tiene distribucin normal. Estime la desviacin
estndar del proceso.
(c) Cules son los lmites de tolerancia natural de tres sigmas aparentes del proceso?
(d) Cul sera la estimacin de la fraccin disconforme del proceso si las especificaciones
para la caracterstica son 103 .:!: 4?
(e) Cules serian sus sugerencias para reducir la fraccin disconforme?
6- 19
6.17 Se deben utilizar diagramas de control de x y R con muestras de tamao 8 para la re-
sistencia a la tensin (en libras) de una hilaza. Para empezar los diagramas, se seleccionaron
30 muestras y se calcularon la media y la amplitud de cada una. Esto da
30 30
L X = 607. 8 y L R = 144
i=l ;=1
(a) Calcule la lnea central y los lmites de control para los diagramas de control de x y R .
(b) Suponga que ambas diagramas indican control. Hay un nico lmite inferior de especifi-
cacin de 161b. Si la resistencia se distribuye en forma normal, qu fraccin de hilaza ,,.. _
no satisfar las especificaciones?
6.18 Las especificaciones para el seguro de un encendedor de cigarrillos son 0.3200 y 0.3220 plg.
Se obtienen muestras de tamao 5 cada 45 minutos, con los resultados siguientes (medidos
como desviaciones respecto de 0.3210, y expresadas en diesmilsimos de pulgada,
0.0001 plg.).
Nmero
de muestra Xl X
2
Xl X
4
X
s
- - - - -
1 1 9 6 9 6
2 9 4 3 O 3
3 O 9 O 3 2
4 1 1 O 2 1
5 - 3 O - 1 O - 4
6 - 7 2 O O 2
7 - 3 - 1 - 1 O - 2
8 O - 2 - 3 - 3 - 2
9 2 O - 1 - 3 - 1
10 O 2 - 1 - 1 2
11 - 3 - 2 - 1 - 1 2
12 - 16 2 O - 4 - 1
13 - 6 - 3 O O , - 8
14 - 3 - 5 5 O 5
15 - 1 - 1 - 1 - 2' - 1
6 Diagramas de Control de Variables 186
* ' ;
~
- -----,
(";
~
~
189
Diagrama de R
L SC =16.18
L nea central ~ 8.91
L 1C = 1.64
L SC ~ 3.420
L 1C =0.052
Diagrama de R
L SC = 18.75
L 1 C = O
Diagrama de S
Diagrama de x
L SC ~ 363.0
L nea central =360.0
L 1C ~ 357, 0
Diagrama de x
L SC =708.20
L 1C = 703.80
L SC = 626.0
L 1C = 614.0
Diagrama de x
A mbos diagramas indican contro, .
El tamao muestral es n = 9, Y ambos diagramas indican control.
(a) Cul es el riesgo a . asociado al diagrama de x?
(b) L as especificaciones para esta caracterstica de calidad son 3582: 6. Cules son sus con-
clusiones acerca de la capacidad del proceso de fabricar artculos que satisfagan las especi-
ficaciones?
(c). Suponga que la media cambia a 357. Cul es la probabilidad de que no se detecte el cam-
bio en la primera muestra tomada despus de que ste ocurre?
I d) Cules sern los limites de control adecuados para un diagrama de x, si la probabilidad
del error tipo I tiene que ser 0.0l?
(a) Cul es la desviacin estndar estimada del proceso?
(b) Suponga que se cambiara el diagrama de R por otro de S. Cules seran los parmetros
apropiados para el diagrama de S?
(c) Si las especificaciones para el producto son 610 2: 15, cul ser la estimacin para la frac-
cin disconforme del proceso?
I d) Qu se podra hacer para reducir esta fraccin no conforme?
(e) Cul es la probabilidad de detectar un cambio a 610 en la media del proceso, en la prime-
ra muestra despus del cambio (o permanece constante)?
(O Cul es la probabilidad de descubrir el cambio del inciso (e), por lo menos para la tercera
muestra despus del cambio?
(a) Estime la media y la desviacin estndar del proceso.
lb) Estime los limites naturales de tolerancia al 90% para el proceso.
6.30 5e utilizan diagramas de control de x y R con los parmetros siguientes:
6.32 Se han llevado diagramas de control para x y S en un proceso, y han indicado control
estadistico. El tamao muestral es n = 6. L os parmetros de los diagramas de control son:
~un~ caracterstica de calidad, distribuida normalmente, se controla por medio de un diagrama
V de x y otro de R. L os diagramas tienen los siguientes parmetros (n =4):
S . _ L ) ' t "
6.7 Ejercicios
Diagrama de S
L SC ~ 46.98
L nea central = 20.59
L 1C = O
Diagrama de R
L SC ~ 32.36
L nea central = 17.82
L 1C ~ 3.28
30
L R ; =120
;=1
30
L X ; =2700
;=1
Diagrama de x
L 5C =815
L nea central = 800
L 1C ~ 785
L SC ~ 616
L nea central ~. 610
L 1C ~ 604
Diagrama de x
A mbos diagramas indican control. Cul es la probabilidad de que se detecte un cambio a
en la media del proceso, en la primera muestra despus del cambio? -- .-
Se tiene que elaborar un diagrama de x, basado en los valores estndares ~ =600 Y
12, con n = 9. Hay que basar los limites de control en un riesgo a . de 0.01. Cules son
limites de control apropiados? . ..
Se usan diagramas de x y R, con n =4, para controlar una caracteristica de calidad. L os parmetr<ii:_
de los diagramas son
'la) Determine los limites de control de prueba para los dos diagramas.
lb) Calcule la desviacin estndar del proceso suponiendo que el diagrama de R est bajo control...""
(e) Suponga que se quisiera obtener un diagrama de S. Cules seran los limites de control.
y la linea central?
A mbos indican control. L as especificaciones para la caracterstica de calidad son 197.50 y
Qu se puede decir acerca de la capacidad del proceso para fabricar productos
las especificaciones?
En un procedi'11iento de control para una caracterstica de calidad se utilizan diagramas de
y R a la vez. L os diagramas se basan en los valores estndares ~ ~ 200 Y o ~ 10, con n ~
(a) Encuentre los lmites de control de tres sigmas para el diagrama de S.
lb) Determine una linea central y los limites de control para el diagrama de x, tal que la prob~.
bilidad de un error tipo I es 0.05.
L as especificaciones para una pieza son 600.:!: 20. Se utilizan para la pieza diagrama de x y R q U e
han estado bajo control durante un largo tiempo. L os parmetros de estos diagramas de CO ntrol~
son (n ~ 9): .
6.28
6.29
6.26
6.25
6 Diagramas de C ontrol de Variables
(a) Cules son sus conclusiones respecto a la idoneidad del proceso para producir articulas.
que satisfagan las especificaciones? .
lb) Trace una curva CO para el diagrama de X , suponiendo que o es constante.
~e tomaron 30 muestras de tamao 7 cada una para controlar un proceso.
Vdatos siguientes:
'1 , , \ -
" ...- /
V)
188
1 ~"""."
. -~~-~.'<' &fS
6 Diagramas de Control de v~riables'/:'f. ti'
1:1 5"po"~q"~ro"",I , b1" ,1pro,=roedi"",""~di,"ib"i" oo~,1.(.;k"l, ",; ': ,,} ~
cin disconforme, si las especificaciones son 703 y 709. '
(d) Suponga que la media del proceso cambia a 702.00, mientras que la desviacin estndar'
permanece constante. Cul es la probabilidad de que una seal de fuera de Control se
presente en la primera muestra despus del cambio?
(e) Cul es la probabilidad de detectar el cambio del inciso (d) por lo menos para la tercera
muestra subsecuente?
6.33 L os siguientes diagramas x y S, basados en n ~ 4, indican control estadistico:
Se prueban respecto a su dureza 15grados sucesivos de una aleacin de acero. L os datos resul.
tantes aparecen a continuacin. Obtenga un diagrama de control de amplitud mvil y otro para
las m"ediciones individuales de la dureza.
190
Diagrama de x
LS C = 710
L inea central = 700
L 1C = 690
Diagrama de S
L SC =10.08
L inea central = 7.97.9
L 1C = O
6.7 Ejercicios
6.35
Grado Dureza (codificada)
Grado Dureza (codificada)
-
-
1 0.806
9 0.809
2 0.814
10 0.812
3 0.810
11
0.819
4 0.820
12
0.815
5 0.819
13
0813
6 0.815
14
0.816
7 0.817
15
0.810
8 0.810
191
T~
I"~ i .:
~:1."1
~lJ "A~'
']
j~
... ~4
,1
(a) Estime los parmetros Il y a del proceso.
(b) Estime la fraccin disconforme si las especificaciones son 70S':+: 15 y la salida del proceso
se distribuye normalmente.
(c) Para el diagrama de x , encuentre la probabilidad de un error tipo 1, suponiendo que es
constante.
(d) Suponga que la media del proceso cambia a 693 y la desviacin estndar lo hace a 12
simultneamente. Determine la probabilidad de detectar este cambio en la grfica de x , en I ~
primera muestra subsecuente.
(e) Obtenga la probabilidad de un error tipo 11para el cambio del inciso (d).
6.34 Una mquina I lenadora de latas para una libra de caf las sella, y despus las pesa auto~tica;
mente. Despus de hacer los ajustes por el peso de la lata, se retira del transportador todo enva.
se con peso menor de 16 lb. A continuacin se muestran los pesos de 25 latas sucesivas. Elabore
un diagrama de control de amplitud mvil y otro de control de artculos individuales. Estime~
la media y la desviacin estndar de la cantidad de caf envasada en cada lata. Si el proceso
permanece bajo control a este nivel, qu porcentaje de las latas tiene un llenado menor de
lo especificado?"
Nmero de lata . Peso
Nmero de lata Peso
-- --
1 16.11 14 16.12
2 16.08 15 16.10
3 16.12 16 16.08
4 16.10 17 1'6:13
5 16.10 18 16.15
6 16.11 19 16.12
7 16.12 20 16.10
8 16.09 21 1608
9 16.12 22 16.07
10 16.10 23 16.11
11 16.09 24 1613
-_._,---~
12 16.07 25 1610
13 16.13
'. ".1
"".1
~
.-.,._ ~ i
,
.,. '~~
~
I
1 i
. ,
~
~~

G y G

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

G y G

Diunggah oleh

Hak Cipta:

Format Tersedia

104 5 Diagramas de Co'ntrol para Atributos

." .4"-. "."

de l a Fi gur a 5.9. No se i ndi ca f al ta de contr ol ; si n embar go, el nmer o de no conf or mi dades

Y uA a partir del anlisis de datos preliminares, obtenidos"

Anda mungkin juga menyukai