Grficas de Control

para
Variables
 Introduccin
Variable: es una caracterstica de la calidad que
se mide en una escala numrica. Por ejemplo,
ancho, largo, temperatura, volumen.
Al trabajar con variables, debemos monitorear
tanto la tendencia central de la caracterstica en
cuestin como su variabilidad.
Medidas de tendencia central: media, mediana,
moda.
Medidas de variabilidad: varianza, desviacin
estndar, rango.

2
 Eje horizontal: medida de tendencia central
Eje vertical: medida de variabilidad
Varianza grande

Sesgo pequeo Sesgo grande

Varianza pequea
 Medidas estadsticas
Medidas de tendencia central
Media de la poblacin (total): es el promedio aritmtico de los
elementos de la poblacin. N

x i
i 1
N
donde N es el tamao de la poblacin y las xi son los elementos de la
poblacin.
Media muestral: es el promedio aritmtico de los elementos de la
muestra. n

y i
y i 1
n
donde n es el tamao de la muestra y las yi son los elementos de la
muestra.

4
 ... Medidas estadsticas
Medidas de tendencia central
Mediana: es el valor que divide a los datos en dos
conjuntos iguales. Para obtenerlo se ordenan los datos
de menor a mayor. En caso de que el nmero de datos
sea impar, entonces el valor central es la mediana. En
caso de que el nmero de valores sea par, entonces la
mediana es el promedio de los dos valores centrales.
Moda: es el valor ms frecuente.

5
 Aspectos importantes

de la media
Representa el centro de masa o de gravedad de los datos.

Es altamente influenciada por outliers. Se dice que los outliers

jalan la curva.
Ejemplo: el nmero de jonrones que Mark McGwire conect en las
temporadas 87 hasta la 98 fueron 49(87), 32(88), 33(89), 39(90), 22(91),
42(92), 9(93), 9(94), 39(95), 52(96), 58(97) y 70(98). Su promedio fue
49 32 33 39 22 42 9 9 39 52 58 70
x 37.8
12

Qu pas en las temporadas 93 y 94? En 93 estuvo lesionado y en 94 la

liga estuvo en huelga. Si se eliminan esos aos, entonces el promedio es 43.6.
Media truncada: se eliminan los valores mnimo y mximo y se obtiene la
media de los datos restantes. Esto evita un poco el efecto de los outliers.
En el ejemplo de McGwire, la media truncada es 40.67
6
 Propiedades de la
media muestral
Si el conjunto de valores en la muestra es multiplicado por una
constante, entonces la media de los valores resultantes es igual a
la media original multiplicada por la constante.
Si al conjunto de valores en la muestra se le suma una constante,
entonces la media de los valores resultantes es igual a suma de la
media original y la constante.
n n

x i (ax b)
i
Si x i 1
, entonces x i 1
ax b
n n
La suma de las diferencias entre la media y cada uno de los
n

( xi x) 0
valores es cero
i 1 n

El valor x que minimiza la suma de cuadrados i 2

( x x )
es x x i 1

7
 Estimador de la
media poblacional
Si tenemos una poblacin con media y desviacin estndar ,
entonces la media muestral n

x i
x i 1
n
es un estimador insesgado de y su desviacin estndar es

x
n
Por lo que, mientras ms grande es la muestra, ms pequea es la
desviacin estndar y, con alta probabilidad, el estimador nos dar
estimaciones cercanas al valor real de .

8
 Grfica de medias y rangos
Se utilizan cuando los datos son datos de
variables, es decir, mediciones de caractersticas
importantes, y los datos se agrupan en subgrupos o
muestras de cierto tamao.
Los puntos que se grafican son las medias y los
rangos de cada muestra.
La grfica de medias muestra como cambia el
promedio (tendencia central) del proceso y la grfica
de rangos muestra como cambia la variacin del
proceso.
Debiera haber, por lo menos, 20 muestras cuyos
tamaos estn entre 2 y 15. Es muy comn tener
tamaos 3 4 5.

9
 Pasos para construir
la grfica de medias y rangos
1. Determinar los datos que se recolectarn.
2. Recolectar los datos y registrarlos por muestra.
3. Calcular y registrar la media de cada muestra.
x1 x2 xn
xj
n
Las xi, son las mediciones individuales dentro de cada
muestra.
n es el nmero de mediciones en cada muestra.
x j es la media o promedio de los valores en la muestra j,
j = 1, 2, , m.
4. Calcular y registrar los rangos de cada muestra.
Rango de la muestra = valor mximo valor mnimo.
10
 Pasos para construir
la grfica de medias y rangos
5. Obtener las lneas de control para la grfica de medias.
Tericamente, tenemos,
Lnea central de control: LC x x
Lneas inferior y superior de control:
LIC x x 3 x , LSC x x 3 x
Cmo obtenemos x y x ?
Sabemos que y , donde n es el tamao de la
x x
n
muestra y y son, respectivamente, la media y desviacin
estndar del proceso las cuales, por lo general, no se conocen y
deben ser estimadas utilizando los datos recolectados y valores
proporcionados en tablas..
Cmo obtenemos y ? 11
 Pasos para construir
la grfica de medias y rangos
se estima por medio de la Gran Media, es decir, la
media de las medias. Por lo tanto, este valor define la
lnea central en la grfica de medias
x1 x 2 x m
LC x x
m
donde las x j son las medias de las muestras y m es el
nmero de muestras.
R R1 R2 Rm
se estima por medio de . Donde R
d2 m

es la media de los rangos muestrales y d2 se obtiene de la

tabla en el Apndice VI del texto. Adelante se muestra el
valor de d2 para algunos valores de n.

12
 Pasos para construir
la grfica de medias y rangos
6. Obtener las lneas de control para la grfica de rangos.
Tericamente, tenemos,
Lnea central de control: LC R R
Lneas inferior y superior de control:
LIC R R 3 R , LSC R R 3 R
Cmo obtenemos R y R ?
Estos valores se aproximan utilizando los datos recolectados y
valores proporcionados en la tabla del Apndice VI. A saber,
R se aproxima por medio de R
R se aproxima por medio de R d 3 donde es la
desviacin estndar del proceso, la cual se aproxima por
R

d2 13
 Pasos para construir
la grfica de medias y rangos
7. Resumiendo, tenemos:
Grfica de medias
R d2 3
LIC x x 3 x x 3 x 3 x R x A2 R
n n d2 n
LC x x
3
LSC x x 3 x x A 2 R donde A2
d2 n
Grfica de rangos
R d
LIC R R 3 R R 3d 3 D3 R donde D3 1 3 3
d2 d2
LC R R
R d
LSC R R 3 R R 3d 3 R 3d 3 D4 R donde D4 1 3 3
d2 d2 14
 Tabla tomada del Apndice VI
n d2 A2 n d2 A2 n d2 A2
2 1.128 1.880 7 2.704 0.419 12 3.258 0.266
3 1.693 1.023 8 2.847 0.373 13 3.336 0.249
4 2.059 0.729 9 2.970 0.337 14 3.407 0.235
5 2.326 0.577 10 3.078 0.308 15 3.472 0.223
6 2.534 0.483 11 3.173 0.285 16 3.532 0.212

n D3 D4 n D3 D4 n D3 D4
2 0 3.267 7 0.076 1.924 12 0.284 1.716
3 0 2.575 8 0.136 1.864 13 0.308 1.692
4 0 2.282 9 0.184 1.816 14 0.329 1.671
5 0 2.115 10 0.223 1.777 15 0.348 1.652
6 0 2.004 11 0.256 1.744 16 0.364 1.636

15
 Pasos para construir
la grfica de medias y rangos
8. Graficar las medias y rangos con sus respectivas
lneas centrales y lmites inferior y superior.
9. Documentar e interpretar la grfica.
Informacin de quin, qu, cundo, dnde, por qu y cmo
se obtuvieron los datos graficados. Incluir informacin
sobre los grupos de trabajo, tamao de las muestras y
cualquier otra informacin necesaria para interpretar la
grfica.

16
 Ejemplo
En la manufactura de semiconductores, un proceso de
horneado junto con uno de fotolitografa es utilizado
para obtener la impresin de los circuitos en las obleas.
Se desea establecer un control estadstico del grosor
del flujo de una capa sensitiva a la luz utilizando
grficas de medias y rangos.
Obtener las lneas de control de ambas grficas.
Obtener la capacidad del proceso si los lmites de
especificacin del flujo son 1.50 0.50 micrones y el grosor
del flujo tiene una distribucin normal con media 1.5056 y
desviacin estndar de 0.1398.
Obtener el ndice de Capacidad del Proceso Cp.

17
 Lmites de Control de Prueba
Los lmites de control obtenidos segn el
procedimiento descrito, deben tratarse como Lmites de
Control de Prueba porque se utilizaron muestras
preliminares para obtener las grficas de medias y
rangos.
Si este proceso est en control con las m muestras que
se tenan, entonces el sistema estaba bajo control
cuando se recogieron esas muestras.
Si todos los puntos caen dentro de los lmites de control
y no se identifica un comportamiento sistemtico,
entonces puede decirse que el proceso estaba bajo
control estadstico y los lmites de control son
adecuados para controlar la produccin presente o
futura.
18
 Proceso fuera de control
Si aparecen puntos fuera de los lmites de control,
entonces estos lmites deben ser reconsiderados.
Antes de revisar los lmites de control,
identifquense los puntos fuera de control y
bsquense causas especiales que los produzcan.
Si se encuentran las causas especiales, elimnense los
puntos fuera de control y recalclense los lmites de
control.
Si no se encuentran las causas especiales entonces,
Elimnense los puntos fuera de control como si se hubieran
encontrado las causas especiales,
Consrvense los puntos fuera de control considerando que los
lmites de control de prueba son apropiados.

19
 Ejemplo
Muestra 1 2 3 4 5 6 7 8 9
X1 15.3 14.4 15.3 15.0 15.3 14.9 15.6 14.0 14.0
X2 14.9 15.5 15.1 14.8 16.4 15.3 16.4 15.8 15.2
X3 15.0 14.8 15.3 16.0 17.2 14.9 15.3 16.4 13.6
X4 15.2 15.6 18.5 15.6 15.5 16.5 15.3 16.4 15.0
X5 16.4 14.9 14.9 15.4 15.5 15.1 15.0 15.3 15.0
Promedio 15.36 15.04 15.82 15.36 15.98 15.34 15.52 15.58 14.56
Rango 1.5 1.2 3.6 1.2 1.9 1.6 1.4 2.4 1.6
138.56
Gran media x 15.40
9
16.4
Promedio de rangos R 1.8
9
LIC x 15.40 0.577 1.8 14.3614
LSC x 15.40 0.577 1.8 16.4386
LSC R 2.114 1.8 3.8052
20
 Grficas de medias y rangos
16.50

16.00
Medias

15.50

15.00

14.50

14.00

4.0
3.5
3.0
Rangos

2.5
2.0
1.5
1.0
0.5
0.0
1 2 3 4 5 6 7 8 9

21
 Interpretacin de las grficas
de medias y rangos
Si un proceso es estable, la probabilidad de que un punto caiga
fuera de la banda acotada por LIC y LSC es tan pequea que
tal ocurrencia sera indicacin de una causa especial de
variacin.
An en el caso de que todos los puntos caigan dentro de esta
banda, puede haber causas especiales cuya existencia se
evidencia por la presencia de patrones poco comunes en las
grficas.
La banda se divide en tres zonas
Zona A: est compuesta por las reas entre 2 y 3 desviaciones
estndar arriba y abajo de la lnea central.
Zona B: est compuesta por las reas entre 1 y 2 desviaciones
estndar arriba y abajo de la lnea central.
Zona C: est compuesta por las reas entre la lnea central y 1
desviacin estndar arriba y abajo de ella.

22
 Zonas en las
grficas de control
LSC
Zona A

Zona B

Zona C 1/3 de la
Lnea central distancia
Zona C entre la
lnea central
y los lmites
Zona B de control.

Zona A
LIC

23
 Interpretacin de las
grficas de medias y rangos
Regla 1: Siempre que un punto caiga fuera de los lmites de control, es
indicacin de que el proceso est fuera de control ya que la probabilidad de tal
evento es muy pequea.
Regla 2: Siempre que al menos dos de tres puntos caigan en el mismo lado de la
lnea central y ms all de dos sigmas de ella (zona A o ms), es indicacin de
falta de control en el proceso. El tercer punto no tiene que estar en el mismo lado
que los otros dos.
Regla 3: Siempre que cuatro de cinco puntos sucesivos caigan en el mismo lado
de la lnea central y a ms de una sigma de ella (zonas A o B o ms), una falta de
control del proceso es probable. El quinto punto puede estar en cualquiera de los
lados de la lnea central.
Regla 4: Siempre que ocho o ms puntos sucesivos caigan en el mismo lado de
la lnea central, es indicacin de que el proceso est fuera de control.
Regla 5: siete puntos sucesivos que crecen o decrecen, muy probablemente
indican un proceso fuera de control.

24
 Regla 1
LSC
Fuera de lmites Zona A

Zona B

Zona C
Lnea central
Zona C

Zona B

Zona A
LIC

25
 Regla 2
LSC

Dos de tres Zona A

sucesivos en
la zona A Zona B

Zona C
Lnea central
Zona C

Zona B

Zona A
LIC

26
 Regla 3
LSC
Zona A

Zona B

Zona C
Lnea central
Zona C
Cuatro de cinco
Zona B
sucesivos en
las zonas A o B
Zona A
LIC

27
 Regla 4
LSC
Zona A

Zona B

Zona C
Lnea central
Zona C

Ocho puntos Zona B

sucesivos en el
mismo lado de Zona A
LIC la lnea central

28
 Regla 5
LSC
Zona A

Zona B

Zona C
Lnea central
Zona C

Zona B
Siete o ms puntos
en tendencia creciente Zona A
LIC o decreciente

29
 Medias vs Rangos

Si la grfica de rangos muestra que el proceso

est bajo control, entonces se analiza la grfica
de medias. En caso contrario, se decide que el
proceso est fuera de control.
Una vez que se concluye que la grfica de
control de rangos no muestra indicaciones de
que el proceso est fuera de control, entonces se
analiza la grfica de control de medias y se
decide lo que esta grfica indique.

30
 Ejemplo

Por medio de un proceso de forjado se fabrican

anillos de pistn para motores automotrices. Se
desea ver si el proceso que produce el dimetro
interior est bajo control estadstico utilizando
grficas de medias y rangos.
Se tomaron 25 muestras de tamao cinco cada
una cuyos valores, en milmetros, se muestran
en la siguiente tabla.

31
Muestra x1 x2 x3 x4 x5 Media Rango
1 74.030 74.002 74.019 73.992 74.008
2 73.995 73.992 74.001 74.011 74.004
3 73.988 74.024 74.021 74.005 74.002
4 74.002 73.996 73.993 74.015 74.009
5 73.992 74.007 74.015 73.989 74.014
6 74.009 73.994 73.997 73.985 73.993
7 73.995 74.006 73.994 74.000 74.005
8 73.985 74.003 73.993 74.015 73.988
9 74.008 73.995 74.009 74.005 74.004
10 73.998 74.000 73.990 74.007 73.995
11 73.994 73.998 73.994 73.995 73.990
12 74.004 74.000 74.007 74.000 73.996
13 73.983 74.002 73.998 73.997 74.012
14 74.006 73.967 73.994 74.000 73.984
15 74.012 74.014 73.998 73.999 74.007
16 74.000 73.984 74.005 73.998 73.996
17 73.994 74.012 73.986 74.005 74.007
18 74.006 74.010 74.018 74.003 74.000
19 73.984 74.002 74.003 74.005 73.997
20 74.000 74.010 74.013 74.020 74.003
21 73.988 74.001 74.009 74.005 73.996
22 74.004 73.999 73.990 74.006 74.009
23 74.010 73.989 73.990 74.009 74.014
24 74.015 74.008 73.993 74.000 74.010
25 73.982 73.984 73.995 74.017 74.013
Gran media:
Rango promedio:

32
 Lneas de control
Grfica de medias
LIC x x A 2 R 74.001 0.577 0.023 73.988
LC x x 74.001
LSC x x A 2 R 74.001 0.577 0.023 74.014
Grfica de rangos
LIC R D3 R 0 0.023 0
LC R R 0.023
LSC R D4 R 2.115 0.023 0.049

33
 Ejercicio
Muestra x1 x2 x3 x4 Obtener las medias
1 72 84 79 49 y rangos para cada
2 56 87 33 42
subgrupo.
3 55 73 22 60
4 44 80 54 74 Obtener la gran media
5 97 26 48 58 as como el promedio
6 83 89 91 62 de los rangos.
7 47 66 53 58
8 88 50 84 69
Obtener los lmites de
9 57 47 41 46 control superior e inferior
10 13 10 30 32 para las medias
11 26 39 52 48 y rangos.
12 46 27 63 34
13 49 62 78 87
Obtener la grfica de
14 71 63 82 55 medias y rangos.
15 71 58 69 70 Hay alguna indicacin
16 67 69 70 94 de variacin debida a
17 55 63 72 49
18 49 51 55 76 causas especiales?
19 72 80 61 59 En caso afirmativo,
20 61 74 62 57 Qu regla utiliz para
identificarla?
34
 Nivel de significancia y potencia
Nivel de significancia (): probabilidad de cometer el error
tipo I, es decir, es la probabilidad de rechazar la hiptesis nula
cuando es verdadera.
Probabilidad de cometer el error tipo II (): probabilidad
de no rechazar la hiptesis nula cuando es falsa.
Potencia = 1 : probabilidad de rechazar la hiptesis nula
cuando es falsa.
El experimentador no tiene control de la potencia de una prueba
porque depende de la distribucin de la estadstica de prueba
bajo la suposicin de que es verdad la hiptesis alternativa, la
cual, por lo general, no se conoce con precisin.
Para encontrar la potencia de una prueba
La regin de rechazo de la hiptesis nula debe conocerse.
La distribucin de la estadstica de prueba bajo la suposicin de
que la hiptesis alternativa es verdad tambin debe conocerse.
35
Significancia () y Potencia (1)
Distribucin alternativa
Distribucin nula

Z
Significancia ()

Distribucin alternativa
Distribucin nula

Z
Potencia (1)
36
 Detectar un corrimiento de la media
del proceso
Distribucin despus
Distribucin antes
K

LIC 0 LSC 1=0+K

Qu tan pronto se detecta este desplazamiento

de la media del proceso en la grfica de medias?

DEPENDE DEL TAMAO DE LA MUESTRA Y, POR

SUPUESTO, DEL TAMAO DEL DESPLAZAMIENTO
37
 Curvas de operacin caracterstica
Las Curvas de Operacin Caracterstica (Operating Characteristic
Curves) son tiles para detectar variaciones del proceso.
Por ejemplo, consideremos un proceso cuya media se ha desplazado
k desviaciones estndar de su valor en control. Si la siguiente
muestra despus de la variacin no cae fuera de control, entonces no
se detectar el desplazamiento. La probabilidad de que esto ocurra
se llama riesgo-.
P[LIC x LSC | real 1 0 k ]
Sabemos que x-barra tiene una distribucin normal con media 1 y
desviacin estndar /n (sigma entre raiz de n). Adems, los lmites
de control estn a L desviaciones estndar de la lnea central, es
decir,
LIC 0 L n y LSC 0 L n
Por lo tanto,
LSC ( 0 k ) LIC ( 0 k )

n n
L n ( 0 k ) 0 L n ( 0 k )
0
n n 38
 COCs
Simplificando la expresion, obtenemos que la probabilidad
de no detectar un desplazamiento en la media del proceso en
la primera muestra despus del desplazamiento es

( L k n ) ( L k n )
L= mltiplo of desviaciones estndar en los lmites de
control. Usualmente se toma L = 3.
k = desplazamiento de la media del proceso (# de
desviaciones estndar)
(x) es la funcin de distribucin normal con media 0 y
desviacin estndar 1, es decir, N(0, 1).
Las COCs son grficas de contra k.
es la probabilidad de no detectar un desplazamiento
igual a k desviaciones estndar,
39
 Ejemplo
Supongamos que estamos utilizando una grfica de medias
con lneas de control a 3 de la lnea central, es decir, L = 3.
Supongamos tambin que el tamao de la muestra es 5.
Si hay un desplazamiento de la media del proceso de 2 (1 =
0 + 2)
Cul es la probabilidad de que este corrimiento no sea
detectado en la primera muestra despus de que ocurri
dicho corrimiento?

(3 2 5 ) (3 2 5 ) (1.472136) (7.472136)
0.070492113 0.000000000000084599 0.070492113
Por lo tanto, la probabilidad de que el corrimiento s sea
detectado en la primera muestra despus de que ocurri el
corrimiento es
1 1 0.070492113 0.929507887
40
 COCs para x y L = 3
Probabilidad de
que una muestra
de tamao 5
no detecte un
desplazamiento
de una desviacin
estndar es,
aproximadamente,
0.75

Probabilidad obtenida en la lmina anterior 41

 Longitud promedio
de corrida
Longitud promedio de corrida (Average Run
Length) es el nmero promedio de muestras
para que aparezca una fuera de control.
1
ARL
P(un punto est fuera de los lmites de control )
Si el proceso est bajo control:
1
ARL0

Si el proceso est fuera de control:
1
ARL1
1

42
 Ejemplo
En muestras de tamao 5, si se tiene un
corrimiento de 1.0, la probabilidad de
detectarlo en la grfica de medias en la primera
muestra despus del corrimiento es 1 = 0.25,
la cual es algo baja. El valor se aproxim de
la grfica 5-15.
Sin embargo, el nmero promedio de muestras
que se requieren para detectar el corrimiento
es 1/(1) = 4, el cual no es muy alto.

43
Grficas de medias
y
desviacin estndar
 Medidas de variabilidad
o dispersin
Ejemplo 1: Los conjuntos {48, 49, 50, 50, 51, 52} y {0, 1, 50, 50, 99, 100}
tienen la misma media, la misma moda y la misma mediana, sin embargo hay
una gran diferencia entre ellos.
Ejemplo 2: la siguiente tabla muestra la fuerza requerida para que una
componente soldada a una tarjeta de circuitos impresos se despegue o se
quiebre.
Soldadura Soldadura
Nmero de
de baja de alta
observacin
temperatura temperatura
1 65.3 62.0
2 65.6 64.5
3 64.3 67.3
4 64.8 65.1
5 66.1 61.2
6 64.8 63.5
7 67.1 67.5
8 64.3 69.7
9 63.4 66.4
10 66.7 64.6
Media muestral 65.24 65.18
45
 Ejemplo 2

63.0 64.1 65.3 66.4 67.5

Soldadura de baja temperatura

60.0 62.5 65.0 67.5 70.0

Soldadura de alta temperatura

Los dos ejemplos muestran que las medidas

de tendencia central no son suficientes para
describir un conjunto de observaciones.

46
 ... Medidas estadsticas
Medidas de dispersin o variabilidad
Varianza poblacional: es el promedio del cuadrado de las diferencias
entre cada observacin y la media poblacional. N es el tamao de la
N
poblacin.
N
2
x i
1
( xi )
2
2 i 1
2
N i 1 N

Varianza muestral: es casi el promedio del cuadrado de las distancias

entre cada observacin y la media muestral. n es el tamao de la muestra.

1 n
1
n

n
y
2

Por qu se divide entre
i i
2
s ( y y ) 2
y 2
i 1 i
n 1 y no entre n? Para
n 1 i 1 n 1 i 1 n

evitar un sesgo que sub-
estimara el valor de la
Desviacin estndar: es la raz cuadrada
varianza poblacional.
de la varianza.
2, s s2
47
 ...Medidas estadsticas
Otras medidas de dispersin
Recorrido o rango: es la diferencia entre los valores mayor y menor de
los datos.
Percentil p: es el valor tal que a lo ms p por ciento de las observaciones
son menores que el y a lo ms (100 - p) por ciento son mayores. Por ejemplo,
el percentil 90 es el valor que es mayor que 90% de las observaciones y es
menor que el 10%.
Cuartil: divide a los datos en cuartos.
Primer cuartil o cuartil inferior = percentil 25.
Segundo cuartil = percentil 50 = mediana.
Tercer cuartil o cuartil superior = percentil 75.
Para calcular los cuartiles de n mediciones se ordenan los datos en orden
creciente. El cuartil inferior es el valor en la posicin 0.25(n + 1) y el cuartil
superior es el valor en la posicin 0.75(n +1). Cuando estas posiciones no son
enteros, entonces se procede por interpolacin.
Ejemplo: Obtener la mediana, cuartiles superior e inferior de {2, 5, 8, 10, 11,
14, 17, 20}
48
 Otras medidas estadsticas
Curtosis: es una medida de qu tan puntiaguda es la
distribucin de las mediciones.
Leptocrtica: pico relativamente alto.
Platicrtica: distribucin relativamente plana.
Mesocrtica: la distribucin no presenta un pico ni muy alto ni
muy bajo.
Sesgo: es una medida de qu tan asimtrica es la
distribucin de mediciones.
Sesgo positivo: valores cargados hacia la derecha
Sesgo negativo: valores cargados hacia la izquierda.
Sin sesgo: la distribucin es simtrica con respecto a la media.

49
 Ejemplo
Obtener la desviacin estndar de los
datos en los ejemplos 1 y 2.
Ejemplo 1:
{48, 49, 50, 50, 51, 52}
(48 50) 2 (49 50) 2 (50 50) 2 (50 50) 2 (51 50) 2 (52 50) 2 10
s 2 1.4142
6 1 5
{0, 1, 50, 50, 99, 100}

(0 50) 2 (1 50) 2 (50 50) 2 (50 50) 2 (99 50) 2 (100 50) 2 9802
s 1960 44.2764
6 1 5
Ejemplo 2: 10
Baja temperatura ( x 65.24)
i
2
12.04
s i 1
1.15
10 1 9

10
Alta temperatura
( x 65.18)
i
2
61.376
s i 1
2.61
10 1 9
50
 Propiedades de la varianza
Si al conjunto de valores en la muestra se le suma
una constante, entonces la varianza y la desviacin
estndar no cambian.
Esto es de esperarse porque son medidas de
dispersin y no de ubicacin.
Si el conjunto de valores en la muestra es
multiplicado por una constante, entonces la
varianza de los valores resultantes es igual a la
varianza original multiplicada por el cuadrado de
la constante y la desviacin estndar de los valores
resultantes es igual a la desviacin estndar
original multiplicada por la constante.
51
 Grficas de medias y
desviacin estndar
Se utilizan en lugar de las grficas de medias y rangos
cuando
El tamao de la muestra es mayor a 10. La estimacin de la desviacin
estndar utilizando los rangos pierde significancia estadstica para
muestras moderadamente grandes.
El tamao de la muestra es variable.
El procedimiento es semejante al de las grficas de medias y
rangos
La grfica de medias se puede obtener de la misma manera, sin embargo,
se prefiere utilizar la desviacin estndar muestral en lugar de los rangos
para obtener los lmites de control. Los lmites de control obtenidos por
los dos mtodos por lo general no coincidirn aunque diferirn poco.
Para la grfica de desviacin estndar, se calculan las desviaciones
estndar de cada muestra en lugar de los rangos.
52
 Valores tiles
Media muestral: x1 x2 xn
x
n
Gran media: x x1 x 2 x m n
m i
( x x ) 2

Desviacin estndar muestral: s

i 1

(sta se obtiene para cada una de las m muestras)

n 1
Desviacin estndar promedio: S s1 s2 sm
m es el nmero de muestras, cada m
una de tamao n, y si son las desviaciones
estndar de las muestras.
Estimacin de desviacin estndar del proceso:
S
c4 es una constante que se busca en tablas porque c4
depende del tamao de la muestra.
53
 Lmites de control para la grfica
de medias y desviacin estndar
Medias: LIC x 3 x
Lnea central x
LSC x 3 x
Desviacin estndar: LICS S 3 S
Lnea central S
LSC S S 3 S

Cmo obtenemos estas desviaciones estndar?

54
Estimacin de las desviaciones estndar
La desviacin estndar de la desviacin estndar muestral se
puede obtener de la siguiente manera
S 1 c 2
4
Adems, la desviacin estndar del proceso se puede estimar
de la siguiente manera S

c4
Por lo tanto, S se puede estimar de la siguiente manera
S
S 1 c4
2

c4
Y la desviacin estndar de la media muestral?
S / c4 S
x
n n c4 n
55
 Lmites de control para la grfica
de medias y desviacin estndar
S 3
Medias: LIC x 3 x S x A3 S
c4 n c4 n
Lnea central x
S 3
LSC x 3 x S x A3 S
c4 n c4 n
Desviacin estndar:
S 3 1 c 2
LICS S 3 1 c42 1 4 S B S
c4 c 3
4
Lnea central S
S 3 1 c 2
LSC S S 3 1 c42 1 4 S B S
c4 c4 4
56
 Tabla de constantes

n c4 A3 B3 B4 n c4 A3 B3 B4
2 0.7979 2.659 0.000 3.267 10 0.9727 0.975 0.284 1.716
3 0.8862 1.954 0.000 2.568 11 0.9754 0.927 0.321 1.679
4 0.9213 1.628 0.000 2.266 12 0.9776 0.886 0.354 1.646
5 0.9400 1.427 0.000 2.089 13 0.9794 0.850 0.382 1.618
6 0.9515 1.287 0.030 1.970 14 0.9810 0.817 0.406 1.594
7 0.9594 1.182 0.118 1.882 15 0.9823 0.789 0.428 1.572
8 0.9650 1.099 0.185 1.815 16 0.9835 0.763 0.448 1.552
9 0.9693 1.032 0.239 1.761 17 0.9845 0.739 0.466 1.534

57
 Ejemplo
Muestra x1 x2 x3 x4 x5 Media Desv. Est.
1 74.030 74.002 74.019 73.992 74.008
2 73.995 73.992 74.001 74.011 74.004
3 73.988 74.024 74.021 74.005 74.002
4 74.002 73.996 73.993 74.015 74.009
5 73.992 74.007 74.015 73.989 74.014
6 74.009 73.994 73.997 73.985 73.993
7 73.995 74.006 73.994 74.000 74.005
8 73.985 74.003 73.993 74.015 73.988
9 74.008 73.995 74.009 74.005 74.004
10 73.998 74.000 73.990 74.007 73.995
11 73.994 73.998 73.994 73.995 73.990
12 74.004 74.000 74.007 74.000 73.996
13 73.983 74.002 73.998 73.997 74.012
14 74.006 73.967 73.994 74.000 73.984
15 74.012 74.014 73.998 73.999 74.007
16 74.000 73.984 74.005 73.998 73.996
17 73.994 74.012 73.986 74.005 74.007
18 74.006 74.010 74.018 74.003 74.000
19 73.984 74.002 74.003 74.005 73.997
20 74.000 74.010 74.013 74.020 74.003
21 73.988 74.001 74.009 74.005 73.996
22 74.004 73.999 73.990 74.006 74.009
23 74.010 73.989 73.990 74.009 74.014
24 74.015 74.008 73.993 74.000 74.010
25 73.982 73.984 73.995 74.017 74.013
Gran media:
Desviacin estndar promedio:
58
 Medias vs
Desviaciones estndar
Si la grfica de desviaciones estndar muestra
que el proceso est bajo control, entonces se
analiza la grfica de medias. En caso contrario,
se decide que el proceso est fuera de control.
Una vez que se concluye que la grfica de
desviaciones estndar no muestra indicaciones
de que el proceso est fuera de control,
entonces se analiza la grfica de control de
medias y se decide lo que esta grfica evidencie.

59
 Lmites de control, de especificacin,
de tolerancia natural?
Lmites de control (LIC, LSC): son regidos por la variacin
natural del proceso y son los que se utilizan en las grficas de
control para decir si un proceso est bajo control estadstico o
no. Es usual colocarlos a 3W de la lnea central W, donde W
es la estadstica que se grafica.
Lmites de especificacin (LIE, LSE): se determinan de
manera externa al proceso. Pueden ser establecidos por el
cliente, o por la administracin, o por los ingenieros o
diseadores del producto. Estos lmites definen que productos
cumplen con los criterios de aceptacin.
Lmites de tolerancia natural del proceso (LITN, LSTN): son
los que estn a 3 de la media del proceso. Esta es la
desviacin estndar del proceso. Se les llama lmites de
tolerancia natural del proceso porque dentro de estos lmites se
encuentran casi todos los productos (99.73%).
60
 Capacidad del proceso
La capacidad del proceso puede expresarse de
diferentes maneras de las cuales podemos
mencionar:
Porcentaje de artculos producidos por el proceso que
cumplen especificaciones.
ndice de Capacidad del Proceso (PCR: Process
Capability Ratio) definido por
Cp = (LSE LIE)/6
Donde LIE y LSE son los lmites de especificacin y
es la desviacin estndar del proceso.
Este ndice relaciona las especificaciones con la
capacidad natural del proceso. Bajo ciertas condiciones,
mientras mayor es su valor, mejor es la capacidad del
proceso.

61
 Cp
Ejemplo.
Consideremos los datos en la tabla anterior y supongamos que los
lmites de especificacin son 74.000 0.05 mm. Podemos obtener
una estimacin de la desviacin estndar del proceso de cualquiera
de las dos maneras siguientes:
R S

d2 c4
Si utilizamos la primera estimacin, obtenemos
0.023
0.0099
2.326
Por lo tanto, Cp = (74.05 73.95)/(60.0099) = 1.68
Este valor indica que los lmites de tolerancia natural del proceso
estn adentro de los lmites de especificacin, lo cual es bueno.
62
 Cp
La cantidad
P = (1/Cp)100%
es el porcentaje del intervalo de especificaciones (LSE
LIE) que es utilizado por el proceso.
Advertencia: para que el ndice Cp represente la
capacidad real del proceso, es necesario que el proceso
est centrado dentro de los lmites de especificacin. Si
no fuera as, podramos tener un Cp grande pero el
proceso casi completamente fuera de especificaciones,
como se ilustra en esta figura.

LIE LITN LSE LSTN

Es por esto que a Cp se le llama en ocasiones ndice de

capacidad potencial del proceso. 63
 Notas importantes

Para controlar la media o promedio del proceso, por lo general se

hace con la grfica de medias.
Para controlar la variabilidad o dispersin del proceso, por lo
general se utiliza la grfica de desviacin estndar o la de
rangos. Esta ltima es la ms ampliamente utilizada.
Es importante mantener control tanto sobre la media como sobre
la variabilidad del proceso.
En grficas de medias/rangos o de medias/desviacin estndar,
lo mejor es iniciar con la grfica de rangos o con la de desviacin
estndar, segn sea el caso. La razn es que los lmites de
control de la grfica de medias dependen de la variabilidad del
proceso y, a menos que esta variabilidad est bajo control, los
lmites de control para las medias no tendrn mucho sentido.

64
 Rangos o
Desviacin estndar?
Los rangos son algo inmunes a desviaciones del
proceso cuando se utilizan muestras pequeas,
sin embargo,
Los rangos pierden eficiencia para estimar la
variancia conforme aumenta el tamao de la
muestra. Esto es porque se ignora toda la
informacin en la muestra que se encuentra
entre el valor mnimo y el valor mximo.
Para muestras relativamente grandes ( > 10 o
12) es preferible utilizar grficas de control
para desviacin estndar que para rangos.

65
 Subgrupos racionales

Grfica x-barra: monitorea el nivel de calidad promedio del

proceso.
Se buscan corrimientos de la media entre muestras.
Monitorea la variabilidad entre las muestras.
Grfica R: mide la variabilidad dentro de la muestra.
Seleccionar muestras de tal manera que la variabilidad dentro de
la muestra s deba a causas comunes.
Monitorea la variabilidad dentro de las muestras.
La mayora de las grficas de control, incluyendo la de
medias y de valores individuales, se basan en subgrupos
racionales para estimar la variacin a corto plazo en el
proceso. Esta variacin a corto plazo es entonces utilizada
para predecir la variacin a largo plazo definida por los
lmites de control.

66
 Subgrupo racional: es una muestra en la cual todos los objetos son producidos bajo
condiciones en las cuales slo efectos aleatorios son los responsables de la variacin que se
observa.
Las observaciones que forman el subgrupo son independientes, es decir, ninguna
observacin influye o resulta de alguna otra.
Las observaciones dentro de un subgrupo provienen de un solo proceso. Si los subgrupos
contienen elementos provenientes de varios procesos, o si otras causas especiales ocurren
frecuentemente dentro de subgrupos, entonces la variacin intragrupos (dentro de grupos)
ser grande comparada con la variacin intergrupos (entre grupos). Esta variacin
intergrupos hace que los lmites de control estn muy separados, lo cual produces una
falta de sensibilidad a cambios en el proceso. La regla sobre 15 puntos sucesivos a no
ms de 1 de la lnea de control central es til para detectar esta condicin.
Los subgrupos estn formados por observaciones tomadas en una secuencia temporal. En
otras palabras, los subgrupos no pueden formarse escogindolos aleatoriamente de un
conjunto o urna de datos. Los datos que forman un subgrupo debe ser una
instantnea del proceso sobre una ventana de tiempo pequea, y el orden de los
subgrupos mostrar como estas instantneas varan en el tiempo. El tamao de la
ventana de tiempo pequea se determina sobre la base de un proceso individual para
minimizar la posibilidad de que ocurran causas especiales dentro de un subgrupo.

67
 Tamao de las muestras
La grfica de medias monitorea el nivel de calidad promedio en el
proceso, por lo tanto, el tamao de las muestras debe
seleccionarse de tal manera que se maximice la probabilidad de
que se presenten cambios entre las medias muestrales y de esta
manera se presenten puntos fuera de control en la grfica de
medias.
Por otro lado, la grfica de rangos mide la variabilidad dentro de
una muestra, por lo tanto, el tamao de la muestra debe
seleccionarse de tal manera que la variabilidad dentro de una
muestra slo mida causas aleatorias.
Resumiendo:

La grfica de medias monitorea la variabilidad inter-muestras

(variabilidad del proceso en el tiempo), mientras que la grfica de
rangos mide la variabilidad intra-muestras (variabilidad del proceso en
un instante de tiempo determinado).
68
Y si las
muestras
no tienen
el mismo
tamao?

69
 Grficas de medias y desviacin estndar
con tamao de muestra variable
Paso 1. Utilizamos promedios ponderados para obtener la gran
media y el promedio de las desviaciones estndar, las cuales se
utilizan como lneas centrales en sus respectivas grficas.
Asumimos que tenemos m muestras y que ni es el tamao de la
muestra i, i=1,2,,m. m

n x1 n2 x 2 nm x m i 1
ni x i
x 1 m
n1 n2 nm
ni
i 1
1/ 2
m
2
(n1 1) S (n2 1) S (nm 1) S
2 2 2
1/ 2
(ni 1) Si
S 1 2 m
i 1 m


n n n m
1 2 m
n m
i 1
i

70
 Paso 2. Para cada muestra se definen sus lmites de control inferior y superior tanto
para las medias como para las desviaciones estndar obteniendo as, no bandas de
control, sino intervalos de control. Para obtener estos intervalos de control se
utilizan las frmulas conocidas, es decir,
Medias Desviacin estndar
S S
LIC x 3 x A3 S LICS S 3 1 c42 B3 S
c4 ni c4
Lnea central x Lnea central S
S S
LSC x 3 x A3 S LSC S S 3 1 c42 B4 S
c4 ni c4

Los lmites de control varan de muestra a muestra. Es importante leer el valor

correcto de las constantes en el rengln correspondiente al tamao de la muestra.

71
 Ejemplo
Muestra x1 x2 x3 x4 x5 Media Desv. Est.
1 74.030 74.002 74.019 73.992 74.008
2 73.995 73.992 74.001
3 73.988 74.024 74.021 74.005 74.002
4 74.002 73.996 73.993 74.015 74.009
5 73.992 74.007 74.015 73.989 74.014
6 74.009 73.994 73.997 73.985
7 73.995 74.006 73.994 74.000
8 73.985 74.003 73.993 74.015 73.988
9 74.008 73.995 74.009 74.005
10 73.998 74.000 73.990 74.007 73.995
11 73.994 73.998 73.994 73.995 73.990
12 74.004 74.000 74.007 74.000 73.996
13 73.983 74.002 73.998
14 74.006 73.967 73.994 74.000 73.984
15 74.012 74.014 73.998
16 74.000 73.984 74.005 73.998 73.996
17 73.994 74.012 73.986 74.005
18 74.006 74.010 74.018 74.003 74.000
19 73.984 74.002 74.003 74.005 73.997
20 74.000 74.010 74.013
21 73.988 74.001 74.009 74.005 73.996
22 74.004 73.999 73.990 74.006 74.009
23 74.010 73.989 73.990 74.009 74.014
24 74.015 74.008 73.993 74.000 74.010
25 73.982 73.984 73.995 74.017 74.013
Gran media:
Desviacin estndar promedio:
72
 Grfica de medias Grfica Desv. Est.
Muestra n xbar S A3 LIC LSC B3 B4 LIC LSC
1 5 74.010 0.0148 1.427 73.987 74.015 0 2.089 0 0.020
2 3 73.996 0.0046 1.954 73.982 74.020 0 2.568 0 0.025
3 5 74.008 0.0106 1.427 73.987 74.015 0 2.089 0 0.020
4 5 74.003 0.0091 1.427 73.987 74.015 0 2.089 0 0.020
5 5 74.003 0.0122 1.427 73.987 74.015 0 2.089 0 0.020
6 4 73.996 0.0099 1.628 73.985 74.017 0 2.266 0 0.022
7 4 73.999 0.0055 1.628 73.985 74.017 0 2.266 0 0.022
8 5 73.997 0.0123 1.427 73.987 74.015 0 2.089 0 0.020
9 4 74.004 0.0064 1.628 73.985 74.017 0 2.266 0 0.022
10 5 73.998 0.0063 1.427 73.987 74.015 0 2.089 0 0.020
11 5 73.994 0.0029 1.427 73.987 74.015 0 2.089 0 0.020
12 5 74.001 0.0042 1.427 73.987 74.015 0 2.089 0 0.020
13 3 73.994 0.0100 1.954 73.982 74.020 0 2.568 0 0.025
14 5 73.990 0.0153 1.427 73.987 74.015 0 2.089 0 0.020
15 3 74.008 0.0087 1.954 73.982 74.020 0 2.568 0 0.025
16 5 73.997 0.0078 1.427 73.987 74.015 0 2.089 0 0.020
17 4 73.999 0.0115 1.628 73.985 74.017 0 2.226 0 0.022
18 5 74.007 0.0070 1.427 73.987 74.015 0 2.089 0 0.020
19 5 73.998 0.0085 1.427 73.987 74.015 0 2.089 0 0.020
20 3 74.008 0.0068 1.954 73.982 74.020 0 2.568 0 0.025
21 5 74.000 0.0053 1.427 73.987 74.015 0 2.089 0 0.020
22 5 74.002 0.0074 1.427 73.987 74.015 0 2.089 0 0.020
23 5 74.002 0.0119 1.427 73.987 74.015 0 2.089 0 0.020
24 5 74.005 0.0087 1.427 73.987 74.015 0 2.089 0 0.020
25 5 73.998 0.0162 1.427 73.987 74.015 0 2.089 0 0.020

73
Grficas de control para
lecturas individuales
y rangos mviles
 Lecturas individuales
Con frecuencia los tamaos de las muestras es n = 1.
Ejemplos
Se utiliza tecnologa de medicin e inspeccin automatizada de tal manera
que cada unidad manufacturada es analizada.
La tasa de produccin es muy lenta y por lo tanto imprctico tomar muestras
de tamao mayor a uno para analizarlas.
Mediciones repetidas difieren entre si debido a errores de anlisis o de
laboratorio por lo que se desea comparar mediciones individuales, como en
muchos procesos qumicos.
En plantas de proceso las mediciones de algunos parmetros difieren poco y
por lo tanto su desviacin estndar ser muy pequea. Por ejemplo, papeleras
donde lo que se desea controlar es el grosor del papel a lo largo del rollo.
Se utiliza este mtodo de anlisis cuando un proceso se repite pocas veces o
cuando parece que opera de manera diferente en tiempos diferentes. Agrupar
los datos en estos casos puede ocultar los efectos de tales diferencias.
75
 Pasos para obtener
la grfica
Rango mvil: es el valor absoluto de la diferencia entre dos
mediciones consecutivas, es decir, se toma la diferencia
positiva.
MRi = |xi+1 xi|
1. Calcular los rangos mviles.
2. Calcular el promedio de los valores individuales.
3. Calcular el promedio de los rangos mviles.
4. Obtener los lmites de control para valores individuales x.
5. Obtener los lmites de control para los rangos mviles.
6. Interpretar la grfica.

76
 Obtencin de los
lmites de control
x1 x2 xn
Promedio de los valores individual es : x
n
RM1 RM 2 RM n 1
Promedio de los rangos mviles : RM
n 1
Lmites de control para valores individual es
R d2 D3 D4
RM
LIC x 3 x 3 2 1.128 0.000 3.267
d2 3 1.693 0.000 2.575
Lnea central x 4 2.059 0.000 2.282
RM 5 2.326 0.000 2.115
LSC x 3 x 3 6 2.534 0.000 2.004
d2
7 2.704 0.076 1.924
Lmites de control para RM
8 2.847 0.136 1.864
LIC D3 RM 9 2.970 0.184 1.816
Lnea central RM 10 3.078 0.223 1.777

LSC D4 RM R es el tamao del rango mvil.

77
 Ejemplo
La viscosidad de la pintura primer que se le aplica a un avin es una
caracterstica de calidad importante. El producto se produce en lotes; ya que
la produccin de cada lote tarda varias horas, la tasa de produccin es muy
lenta para poder obtener muestras de tamao mayor a 1.
La tabla siguiente muestra mediciones de viscosidad correspondientes a 15
lotes. Se incluye el rango movil RM.

Lote 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Viscosidad (x) 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
Rango mvil 0.70 0.95 0.19 0.35 0.56 0.34 0.41 0.22 0.29 0.42 0.62 0.54 0.42 0.72

x 33.52 RM 0.48
LIC x 32.24 LC x 33.52 LSC x 34.80

LICRM 0.00 LCRM 0.48 LSC RM 1.57

78
 Esperen, an no
terminamos de
analizar la grfica de
rangos mviles!!

79
 Interpretacin de
las grficas de
valores individuales
y de rangos mviles
Para la grfica de valores individuales, se aplican las
mismas reglas que para la grfica de medias descritas
en el anlisis de Grficas de medias y rangos.
Para la grfica de rangos mviles, slo se buscan
valores fuera de los lmites de control. La razn es que
los rangos mviles estn correlacionados y esta
correlacin puede producir patrones de corridas o
ciclos en la grfica.
80
 Cundo recalcular los
lmites de control?
Cuando se eliminen puntos fuera de control. Esto ocurre
cuando se ha corregido la causa especial que produjo estos puntos
fuera de control.
Cuando se reemplacen los lmites de control de prueba.
Cuando un proceso ha iniciado o ha cambiado, se calculan los lmites
de control con los datos disponibles. Estos lmites se llaman lmites de
control de prueba, los cuales se van recalculando conforme se van
obteniendo ms datos.
Cuando ha habido cambios en el proceso. Cuando hay
indicaciones de que el proceso ha cambiado, se deben recalcular los
lmites de control utilizando los datos obtenidos a partir del cambio.
81
 ANEXO 1
Uso de las tablas de la
Distribucin Normal
(Campana de Gauss)

3 2 + +2 +3
 Probabilidad y
Funcin densidad
Si X es una variable aleatoria continua cuya funcin
densidad es f(x), entonces la probabilidad de que X tome
valores entre a y b es igual al rea bajo la curva f(x) entre a
y b, es decir,
b
P[a X b] f ( x)dx Nota:
a a y b pueden
tomar cualquier
f(x) valor entre
y ,
inclusive.
P[a X b]

83
 Tablas de la
Distribucin Normal
En la tabla anexa se lee la probabilidad de que una variable
aleatoria Z con distribucin normal con media 0 y desviacin
estndar 1, tome un valor menor o igual a z (y mayor o igual que
), es decir, en las tablas se est obtiene
P[ Z z ] P[ Z z ]
N(0,1)

3 2 1 0 +1 +2 +3
z
A la distribucin normal con media 0 y desviacin estndar igual
a 1 se le denota N(0,1).
84
 Ejemplos

P[ Z ] 1 P[ Z ]
P[ Z ] 1 P[ Z ]
P[ Z ] P[ Z ] P[ Z ]
P[ Z 2.36] 0.99086
P[ Z 3.42] 1 P[ Z 3.42] 1 0.99969 0.00031
P[ Z 0.09] 1 P[ Z 0.09]
P[ Z 1.43] 1 P[ Z 1.43] 1 (1 P[ Z 1.43]) P[ Z 1.43] 0.92364
P[1.45 Z 2.48] P[ Z 2.48] P[ Z 1.45] 0.99343 0.07353 0.91990

85
 Y si la variable aleatoria
no es N(0,1)?
Pues la convertimos en N(0,1).
Cmo?
Pues estandarizndola.
Y cmo la estandarizamos?
Pues muy fcil....
N(,)
N(0,1)

3 2 + +2 +3 3 2 1 0 +1 +2 +3
z

86
 Estandarizacin de
una variable aleatoria
Estandarizar una variable aleatoria X significa convertirla en una
variable con media 0 y desviacin estndar 1.
Esto se logra primero restndole a X su media (X) y despus
dividiendo entre su desviacin estndar (X) .
X X
Z
X
As ya se pueden utilizar las tablas para N(0,1).
Es decir, si X tiene distribucin N(X,X)

X X X X
P[ X ] P P Z
X X X
y la ltima probabilidad se busca en las tablas de N(0,1).

87
 Ejemplos
Si X es N(10,5), entonces
23 10
P[ X 23] P Z P[ Z 2.6] 0.99534
5
Si X es N(5,10), entonces
3.5 5
P[ X 3.5] P Z P[ Z 0.85] 0.80234
10
Si X es N(-20,1), entonces
22.45 (20)
P[ X 22.45] P Z P[ Z 2.45] 0.00714
1
Si X es N(0,5), entonces
17.2 0
P[ X 17.2] P Z P[ Z 3.44] 0.00029
5
Si X es N(100,10), entonces
90 100 90 100
P[90 X 110] P Z P[1 Z 1]
10 10
P[ Z 1] P[ Z 1] 0.84134 0.15866 0.68268
88
 Capacidad del proceso
(Medias y rangos)
La media del proceso se estima con la gran media
X x
La desviacin estndar del proceso se estima con
R
X
d2
Por lo tanto, si el lmite inferior de especificacin es
y el lmite superior de especificacin es ,
entonces el porcentaje de artculos que cae dentro de
especificaciones es
X
X x x
P[ X ] P Z P Z
X X R R
d
2 d 2 89
 Ejemplo

En 25 muestras de tamao 5 cada una, se obtuvo que la gran media y

el promedio de los rangos son, respectivamente:
x 74.001, R 0.023
Si los lmites de especificacin son 74 0.05 mm.
Qu porcentaje de artculos est fuera de especificaciones?
Los que estn fuera de especificaciones son los que miden menos que
73.95 o ms que 74.05, por lo tanto, el porcentaje buscado es:

73.95 74.001 74.05 74.001
P[ X 73.95] P[ X 74.05] P Z P Z
0.023 0.023

2.326 2.326
P[ Z 5.15] P[ Z 4.95] 0.00000013 0.00000037 0.0000005 0.5 / milln

90
 Anexo 2
Capacidad del proceso
(Medias y desviacin estndar)
La media del proceso se estima con la gran media
X x
La desviacin estndar del proceso se estima con
S
X
c4
Por lo tanto, si el lmite inferior de especificacin es
y el lmite superior de especificacin es ,
entonces el porcentaje de artculos que cae dentro de
especificaciones es
X
X x x
P[ X ] P Z P Z
X X S S
c
4 c 4 91
 Ejemplo

En 25 muestras de tamao 5 cada una, se obtuvo que la gran media y

el promedio de las desviaciones estndar muestrales son,
respectivamente:
x 74.001, S 0.009
Si los lmites de especificacin son 74 0.005 mm.
Qu porcentaje de artculos est fuera de especificaciones?
Los que estn fuera de especificaciones son los que miden menos que
73.995 o ms que 74.005, por lo tanto, el porcentaje buscado es:

73.995 74.001 74.005 74.001
P[ X 73.995] P[ X 74.005] P Z P Z
0.009 0.009

0.94 0.94
P[ Z 0.627] P[ Z 0.418] 0.26533 0.33797 0.6033 60.33%

92
 Comparacin en
los ejemplos
La estimaciones de la desviacin estndar del
proceso son:
Rangos:
R 0.023
0.009888
d 2 2.326
Desviaciones estndar:
S 0.009
0.009574
c4 0.94

93
 Anexo 3
Derivacin de constantes
La desviacin estndar de la media muestral es
igual a la desviacin estndar del proceso entre la
raz cuadrada del tamao de la muestra, es decir,

x
n
Por lo que una estimacin para la desviacin
estndar de la media muestral es:
Medias y rangos: R
x
d2 n
Medias y desviaciones estndar:
S
x
c4 n
94
 ...Notas
Por lo tanto, las lneas de control para las medias son:
Medias y rangos:
LC x
R
LIC x 3 x x 3 x A2 R
d2 n
R
LIC x 3 x x 3 x A2 R
d2 n
Medias y desviaciones estndar:
LC x
S
LIC x 3 x x 3 x A3 S
c4 n
S
LIC x 3 x x 3 x A3 S
c4 n
95