NOMBRE DEL CURSO / CLAVE: Sistemas de control de procesos in217

NOMBRE DEL PROFESOR TITULAR: José G. Ríos

TITULO DEL LIBRO
:

TITULO DEL CAPÍTULO

: LECTURA DE LA SEMANA 5.
AUTOR/EDITOR: José G. Ríos
EDITORIAL:
EDICIÓN:
NÚMERO DE ISSN/ISBN:
FECHA DE PUBLICACIÓN:
PÁGINAS
:
TOTAL DE PÁGINAS: 11
OBSERVACIONES:
2.4 ANÁLISIS DE CAPACIDAD DE PROCESOS

El análisis de capacidad de procesos pretende evaluar la habilidad del proceso para

cumplir con las especificaciones determinadas. El análisis de capacidad de procesos se puede
realizar mediante la estimación de los límites de tolerancia y la estimación de un índice de
capacidad de procesos que son los tópicos que se abordan en esta sección.

2.4.1 LÍMITES DE TOLERANCIA

Sea X una variable aleatoria continua la cual es una característica de calidad y sigue una
distribución normal con parámetros conocidos µ, σ. Los límites de tolerancia superior e
inferios (LTS, LTI) se definen como,

LTI = µ - 3σ LTS = µ + 3σ (2.55)

a estos límites también se les llama limites naturales del proceso y entre ellos se encuentra el
99.73% de los valores de X. Los límites de tolerancia de comparan contra los límites de
especificación y con esto el ingeniero se puede dar una idea acerca de que tan bien el proceso
puede cumplir con dichas especificaciones. Los límites de especificación inferior y superior
(LEI, LES) son los valores mínimo y máximo que debe tener la característica de calidad para
que se considere aceptable. Recordemos que los límites de especificación son determinados
por el cliente o por el equipo de diseño del producto.

0.4

0.3

0.2

0.1

0.0

LEI LTI LTS LES

X

Figura 2.16 Comparando los límites de tolerancia y de especificaciones.

De la figura 2.16 se ve el aspecto deseable de la ubicación de los límites de tolerancia

comparados con los límites de especificación superior e inferior (LES, LEI). Es deseable que
los límites de tolerancia queden dentro del intervalo generado por los límites de
especificación y mientras más alejados estén los límites de tolerancia a sus correspondientes
límites de especificación más evidencia habrá de que el proceso puede cumplir holgadamente
con las especificaciones.

Sin embargo, los valores de µ y σ generalmente no son conocidos y se deben estimar a

partir de una muestra aleatoria. En estas circunstancias, los límites de tolerancias estimados
se definen de la siguiente manera.

Sea un muestra aleatoria de tamaño n que proviene de una población con distribución

normal, con promedio y desviación estándar muestral X y S. Los límites de tolerancia que
incluye por lo menos al 100(1 - α)% de los valores de X con una probabilidad γ se define
como:

LTI = X - k S LTS = X + k S (2.56)

con 0 < α < 1 y 0 < γ < 1. Donde el valor de k se indica en la tabla 3 de los anexos.

EJEMPLO 2.28
Suponer que el peso de un paquete de cereal es una variable aleatoria con distribución
normal. Se toma una muestra de 60 paquetes y se registra el peso en gramos obteniendo un
promedio muestral de 997.46 gr. con una desviación estándar muestral de 1.6323 gr. Se desea
estimar los límites de tolerancia que incluyan a por lo menos el 99% del peso de los paquetes
con una probabilidad de 90%.

Para estimar estos límites de tolerancia tenemos que n = 60, X = 997.46 gr, S = 1.6323
gr, 1 - α = 0.99 y γ = 0.90. Entonces, de la tabla 3 de anexos tenemos que k = 2.955, luego
los límites de tolerancia estimados son:

LTI = 997.46 – 2.955(1.6323) = 992.64 LTS = 997.46 + 2.955(1.6323) = 1002.28

Lo anterior se puede interpretar de la siguiente manera. Hay una probabilidad de 0.90 de

que por lo menos el 99% de los pesos de los paquetes de cereal están entre 992.64 y 1002.28
gramos. Luego, comparando estos límites de tolerancia estimados con los límites de
especificación del peso de los paquetes, el ingeniero se puede dar una idea de que tan bien el
proceso puede cumplir con las especificaciones.
 En algunos procesos solo hay un límite de especificación que puede ser el LEI o solo el
LES. Para estos casos, solo será importante un límite de tolerancia, y la estimación de este
límite de tolerancia de obtiene de manera similar al (2.56) solo que el valor de k se obtiene
de la tabla 4 de los anexos.

EJEMPLO 2.29
La fuerza de tensión de un pegamento debe ser por lo menos de 20 Kg. Se tomaron al
azar 25 frascos de este pegamento y se midió su fuerza de tensión, obteniendo un promedio
muestral de 23.993 Kg y una desviación muestral de 0.59312 Kg. Se desea estimar el límite
de tolerancia que incluya por lo menos al 99% de la fuerza de tensión de los frascos de este
pegamento con una probabilidad de 0.95 .

Es claro que aquí se tiene solo el LEI que es 20 Kg, entonces se debe estimar solo el

LTI, donde n = 25, X = 23.993 Kg, S = 0.59312 Kg, 1 - α = 0.99 y γ = 0.95. De la tabla 4 de
anexos se tiene que k = 3.158, entonces LTI = 23.993 – 3.158(0.59312) = 22.12 Kg.

Lo anterior se puede interpretar de la siguiente manera. Hay una probabilidad de 0.95, de

que por lo menos el 99% de la fuerza de tensión de los frascos de pegamento es mayor a
22.12 Kg, lo cual indica que el proceso si puede cumplir con las especificaciones
establecidas.

No olvidar que las estimaciones anteriores son válidas si la variable sigue una distribución
normal. Pero en algunos procesos no se cumple esta condición, para estos casos se puede
aplicar una estimación no paramétrica en donde los límites de tolerancia son el valor menor
y el valor mayor de la muestra. Pero solo falta determinar el tamaño de la muestra, la cual se
da a continuación.

Para un límite bilateral de tolerancia el tamaño de la muestra está dado por

χ12−γ, 4
1 2 −α (2.57)
n≈2+ α 4

donde γ es la probabilidad de que los límites contengan al menos el (1 – α)% de los valores.

Para un límite unilateral el tamaño de la muestra está dado por,

 n (2.58)

EJEMPLO 2.30
Para el ejemplo 2.28 se tiene que 1 – α = 0.99 y γ = 0.90, luego el tamaño de muestra
adecuado es (usando 2.57), n

≈ 2 + 0.01 4 =2+ 0.01

4 = 387.56 ≈ 388

para el ejemplo 2.29 se tiene que 1 – α = 0.99 y γ = 0.95, luego el tamaño de muestra

adecuado es (usando 2.58), n = 298.07 = 298

y el limite unilateral LTI estimado es el valor mínimo de la muestra. Si se desea estimar solo
el LTS, el valor máximo de la muestra será dicho estimador. La desventaja de este método
es que el tamaño de las muestras son muy grandes.

Por último, es importante indicar que estas estimaciones se deben realizar cuando el
proceso está bajo control.

2.42 El Indice Cp.

El índice Cp se define como:

LES −LEI
Cp = 6σ (2.59)

Se relaciona con la proporción de productos no conformes p (fuera de especificaciones);

p ≥ 2Φ(-3Cp) (2.60)
donde Φ(x) es la probabilidad acumulada de una distribución normal estándar. La igualdad
en (2.60) se da cuando el proceso está centrado, es decir cuando la media del proceso es µ =
(LES + LEI)/2 el valor central de los límites de especificación.

El estimador de Cp está dado por,

 ∧
LES −LEI 6S
C p= (2.61)

la proporción de productos no conformes se puede estimar usando (2.60) sustituyendo Cp

∧
por C p.

EJEMPLO 2.31
En la fabricación de capacitores para chips de circuitos integrados, una variable
importante es el “ancho de banda”ya que de éste depende la conductividad de la energía
aplicada a través de los electrodos del capacitor. Si este ancho de banda se encuentra por
debajo del LEI, entonces la conexión no puede ser buena y si se encuentra por arriba del LES
se haría un puente eléctrico y se genera un corto en el capacitor, además de que se estaría
desperdiciando materia prima. Los límites de especificación son: LEI = 0.012 milésima de
pulgada, LES = 0.032 milésima de pulgada y el “target” es 0.022 milésiams de pulgada. Se
tomó una muestra de 200 capacitores, obteniendo una media muestral de 0.02507 milésimas
de pulgada, y una desviación estándar muestral de 0.00062 milésimas de pulgada.

La figura 2.17 muestra un resumen estadístico de los datos, el cual indica que se ajustan
a una distribución normal (observe el p-valor de 0.747 de la prueba Anderson-Darling).
Luego, el valor estimado del indice Cp es:

= 5.38

la proporción estimada de capacitores fuera de especificaciones usando (2.60) es:

[-3(5.38)] = 2(0) = 0

Descriptive Statistics
0.248
0.747

2.51E-02

6.20E-04 3.84E-07
4.55E-02
-8.8E-02
200

2.32E-02
2.46E-02
2.51E-02 2.55E-02
2.68E-02

95% Confidence Interval for Median 2.50E-02 2.52E-02

Figura 2.17 Resumen estadístico de los datos del ejemplo 2.31

30

LEI LES

20

10

0.012 0.022 0.032

A. de banda
 Figura 2.18 Histograma de los datos del ejemplo 2.31.

Los valores arrojados por la estimación de Cp son excelentes, un valor muy alto y
prácticamente cero productos fuera de especificaciones si el proceso estuviera centrado. Pero
observando la figura 2.18, tenemos el histograma de los datos junto con los límites de
especificación y se ve claramente que el proceso no está centrado, sino que los valores están
desplazados hacia el LES. Esto nos muestra un área de oportunidad para el mejoramiento del
proceso. Es decir, se debe centrar el proceso ya que con ello se lograrían considerables
ahorros en materia prima.

Lo anterior es una estimación puntual del índice Cp, sin embargo con ello no tenemos idea
de que tan cerca estamos del valor real del índice. Lo anterior se puede lograr mediante una
estimación por intervalo. El intervalo de confianza del 100(1 - α)% para Cp está dado por:

∧ ∧χ
χ12−α/2, n−1 α2 /2, n−1

C p< C p < C p (2.62)

n −1 n −1

donde 0 < α < 1, n es el tamaño de la muestra y χt2, q es un valor de la distribución χ2 con q

grados de libertad cuya probabilidad de la cola es t. No olvidar que este intervalo de confianza
es válido si los datos se ajustan a una distribución normal y el proceso está bajo control.

EJEMPLO 2.32
Si se desea estimar Cp para el caso del ejemplo 2.31 mediante un intervalo de confianza

del 95%, entonces tenemos que = 5.38, n = 200, α = 0.05, χ02.975, 199 = 161.826, χ02.025, 199
= 239.96. Entonces, aplicando (2.62) tenemos:
161.826 239.96
(5.38) 199 < Cp < (5.38) 199 finalmente 4.852 < Cp < 5.908

El intervalo de confianza se puede interpretar de la siguiente manera: hay un 95% de

probabilidad de que el valor real de Cp esté entre 4.852 y 5.908. Además, el intervalo de
confianza nos puede dar evidencia acerca del cumplimiento de un valor de Cp que se le exija
a la planta.

En ocasiones, se aplica un programa de mejora en los procesos, en donde se tiene como

meta incrementar el valor de Cp mayor a cierto valor c0. La evidencia estadística acerca de si
se tiene o no una valor de Cp mayor a c0 se puede lograr mediante una prueba de hipótesis,
en la cual se procede de la siguiente manera.

Sea H0: Cp ≤ c0 y H1: Cp > c0 . Se rechaza H0 con un nivel de significancia > c,

donde:
n−1 c = c0
2 (2.63)
χ1−α, n−1

EJEMPLO 2.33
Continuando con el ejemplo 2.31, se tiene que los clientes de la plante le exigen un Cp
mayor a 3. Se desea saber si efectivamente se tiene un Cp mayor a 3. Para ello se aplica un
prueba de hipótesis con un nivel de significancia del 5%.

Entonces se tiene que c0 = 3.0, n = 200, = 5.38, χ02.95, 199 = 167.36 . Luego,
199 H0: Cp ≤ 3.0 y H1: Cp > 3.0 y de (2.63) se tiene que c = 3.0= 3.27. 167.36
Finalmente tenemos que efectivamente > c (5.38 > 3.27) y se rechaza H0, lo cual significa
que hay evidencia estadística de que se tiene un Cp mayor a 3.0 con un nivel de significancia
del 5%. Observe que esto ya se notaba con el intervalo de confianza obtenido en el ejemplo
2.32.

2.42 El Indice Cpk.

La principal desventaja del índice Cp es que no toma en cuenta la media del proceso.
Entonces, un proceso puede tener un alto valor de Cp con un alto porcentaje de productos
fuera de especificaciones si la media está muy lejos del “target” o del centro (LEI+LES)/2.

Para considerar la media del proceso se diseño el índice Cpk, el cual se calcula de la
µ− LEI siguiente manera. Primero
se calcula el índice Cpl = , luego se cálcula el índice
3σ
LES −µ
Cpu = , y finalmente Cpk = min{Cpl, Cpu }, donde µ, σ son la media y desviacióne
3σ
estándar del proceso respectivamente.

Sin embargo, el índice Cpk se puede calcular directamente con la siguiente fórmula
 d− | µ−M |
Cpk = (2.64)
3σ

LES − LEI LEI + LES donde d =

yM= .
2 2

El estimador de Cpk es,

∧
d− | X − M | 3S
C pk = (2.65)

además, el porcentaje de productos fuera de especificaciones (%FE) está acotado por,

100Φ(-3Cpk) < %FE < 200Φ(-3Cpk) (2.66)

EJEMPLO 2.34
Consideraremos nuevamente el caso del ejemplo 2.31, donde: LEI = 0.012 milésima de
pulgada, LES = 0.032 milésima de pulgada, el “target” es 0.022 milésiams de pulgada, n =

200 capacitores, X = 0.02507 milésimas de pulgada, y S = 0.00062 milésimas de pulgada.

Luego, para estimar Cpk, tenemos que d = (0.032 – 0.012)/2 = 0.01, M = (0.032 +
∧
0.01− | 0.02507 − 0.022 | 0.012)/2 =
0.022, y usando (2.65) se tiene que C pk = = 3.726 .
3(0.00062)
∧ ∧
Observe que el valor de C pk es mucho menor que el valor de C p, la razón es que se penaliza
el hecho de que el proceso no está centrado.

Si se desea estimar el porcentaje de capacitores fuera de especificaciones, se tiene que

aplicando (2.66): 100Φ[-3(3.726)] < %FE < 200Φ[-3(3.726)] de donde se obtiene
finalmente 0 < %FE < 0, es decir, no hay capacitores fuera de especificaciones.

La estimación por intervalo de Cpk con un nivel de confianza 1 - α se puede hacer de la

siguiente manera:
∧ 2
C pk 1− − zα/2 2
∧
5(n −1) C pk 1
+ < C pk < ∧2
2(n −1) 9n
1
C pk
∧ 2
1− C pk + zα/2 +
5(n −1)
(2.67)
2(n −1) 9n

donde zα/2 es el valor de una variable aleatoria con distribución normal estándar, tal que la
probabilidad de la cola derecha de zα/2 es α/2.

EJEMPLO 2.35
Si se desea estimar Cpk con un intervalo de confianza del 95%, entonces se tiene que n =
∧

200, α/2 = 0.025, zα/2 = 1.96, C pk = 3.726, y aplicando (2.67)

2 3.7262 1 2 3.7262 1
3.726 1− −1.96 + <Cpk <3.726 1− +1.96 +
5(200−1) 2(200−1) 9(200) 5(200−1) 2(200−1) 9(200)

se tiene que 3.353 < Cpk < 4.086, esto se puede interpretar de la siguiente manera: hay una
probabilidad de 0.95 de que el verdadero valor de Cpk se encuentre entre 3.353 y 4.086.

Se puede aplicar una prueba de hipótesis para determinar si hay evidencia estadística de
que Cpk supera un valor preestablecido, construyendo un intervalo de confianza unilateral con
el límite inferior solamente. El intervalo de confianza unilateral con limite inferior, y con un
nievl de confianza 1 - α, se obtiene de la siguiente manera:

2
∧
∧ 2 C pk 1
1− −z +
C 5(n −1) α 2(n −1) 9n pk< Cpk (2.68)

entonces se rechaza H0: Cpk ≤ c0 con un nivel de significancia α, si c0 no se encuentra en el

intervalo determinado por (2.68).

EJEMPLO 2.36
 Continuando con el caso del ejemplo 2.31, si se le exige a la planta que debe tener un Cpk
mayor a 3, entonces debemos aplicar una prueba de hipótesis. Luego, H0: Cpk ≤ 3.0 vs
∧

H1: Cpk > 3.0 con un nivel de significancia del 5%. Luego, c0 = 3.0, α = 0.05, C pk =
3.726, n = 200, zα = 1.645 y de (2.68) se tiene que el intervalo de confianza de límite inferior
es:
2 3.7262 1
3.726 1− −1.645 + < Cpk , 3.413 < Cpk.
5(200 −1) 2(200 −1) 9(200)

Luego, vemos que el intervalo de confianza de límite inferior no contiene a 3.0, de donde
se concluye que hay evidencia estadística para rechazar H0, es decir, hay evidencia estadística
que indica que el valor de Cpk es mayor a 3 con un nivel de significancia de 5% y se cumple
con lo exigido a la planta. No olvidar que lo mencionado aquí sobre la inferencia para Cpk es
válido si la variable o característica de calidad sigue una distribución normal.
 ANEXOS

FACTORES DE LÍMITES DE TOLERANCIAS PARA DOS LADOS

gamma = 0.90 gamma = 0.95 gamma = 0.99
1-alfa 1-alfa 1-alfa

n 0.9 0.95 0.99 0.9 0.95 0.99 0.9 0.95 0.99

2 15.98 18.8 24.17 32.02 37.67 48.43 160.2 188.5 242.3
3 5.847 6.919 8.974 8.38 9.916 12.86 18.93 22.4 29.06
4 4.166 4.943 6.44 5.369 6.37 8.299 9.398 11.15 14.53
5 3.494 4.152 5.423 4.275 5.079 6.634 6.612 7.855 10.26
6 3.131 3.723 4.87 3.712 4.414 5.775 5.337 6.345 8.301
7 2.902 3.452 4.521 3.369 4.007 5.248 4.613 5.448 7.187
8 2.743 3.264 4.278 3.136 3.732 4.891 4.147 4.936 6.468
9 2.626 3.125 4.098 2.967 3.532 4.631 3.822 4.55 5.966
10 2.535 3.018 3.959 2.829 3.379 4.433 3.582 4.265 5.594
11 2.463 2.933 3.849 2.737 3.259 4.277 3.397 4.045 5.308
12 2.404 2.863 3.758 2.655 3.162 4.15 3.25 3.87 5.079
13 2.355 2.805 3.682 2.587 3.081 4.044 3.13 3.727 4.893
14 2.314 2.756 3.618 2.529 3.012 3.955 3.029 3.608 4.737
15 2.278 2.713 3.562 2.48 2.954 3.878 2.945 3.507 4.605
16 2.246 2.676 3.514 2.437 2.903 3.812 2.872 3.421 4.492
17 2.219 2.643 3.471 2.4 2.858 3.754 2.808 3.345 4.393
18 2.194 2.614 3.433 2.366 2.819 3.702 2.753 3.279 4.307
19 2.172 2.588 3.399 2.337 2.784 3.656 2.703 3.221 4.23
20 2.152 2.564 3.368 2.31 2.752 3.615 2.659 3.168 4.161
21 2.135 2.543 3.34 2.286 2.723 3.577 2.62 3.121 4.1
22 2.118 2.524 3.315 2.264 2.697 3.543 2.584 3.078 4.044
23 2.103 2.506 3.292 2.244 2.673 3.512 2.551 3.04 3.993
24 2.089 2.489 3.27 2.225 2.651 3.483 2.522 3.004 3.947
25 2.077 2.474 3.251 2.208 2.631 3.457 2.494 2.972 3.904
26 2.065 2.46 3.232 2.193 2.612 3.432 2.469 2.941 3.865
27 2.054 2.447 3.215 2.178 2.595 3.409 2.446 2.914 3.828
28 2.044 2.435 3.199 2.164 2.579 3.388 2.424 2.888 3.794
29 2.034 2.424 3.184 2.152 2.554 3.368 2.404 2.864 3.763
30 2.025 2.413 3.17 2.14 2.549 3.35 2.385 2.841 3.733
35 1.988 2.368 3.112 2.09 2.49 3.272 2.306 2.748 3.611
40 1.959 2.334 3.066 2.052 2.445 3.213 2.247 2.677 3.518
50 1.916 2.284 3.001 1.996 2.379 3.126 2.162 2.576 3.385
60 1.887 2.248 2.955 1.958 2.333 3.066 2.103 2.506 3.293
80 1.848 2.202 2.894 1.907 2.272 2.986 2.026 2.414 3.173
100 1.822 2.172 2.854 1.874 2.233 2.934 1.977 2.355 3.096
200 1.764 2.102 2.762 1.798 2.143 2.816 1.865 2.222 2.921
 500 1.717 2.046 2.689 1.737 2.07 2.721 1.777 2.117 2.783
1000 1.695 2.019 2.654 1.709 2.036 2.676 1.736 2.068 2.718
infinito 1.645 1.96 2.576 1.645 1.96 2.576 1.645 1.96 2.576

FACTORES DE LÍMITES DE TOLERANCIAS PARA UN LADO

gamma = 0.90 gamma = 0.95 gamma = 0.99
1-alfa 1-alfa 1-alfa

n 0.9 0.95 0.99 0.9 0.95 0.99 0.9 0.95 0.99

3 4.258 5.31 7.34 6.158 7.655 10.552 *** *** ***
4 3.187 3.957 5.437 4.163 5.145 7.042 *** *** ***
5 2.742 3.4 4.666 3.407 4.202 5.741 *** *** ***
6 2.494 3.091 4.242 3.006 3.707 5.062 4.408 5.409 7.334
7 2.333 2.894 3.972 2.755 3.399 4.641 3.856 4.73 6.411
8 2.219 2.755 3.783 2.582 3.188 4.353 3.496 4.287 5.811
9 2.133 2.649 3.641 2.454 3.031 4.143 3.242 3.971 5.389
10 2.065 2.568 3.532 2.355 2.911 3.981 3.048 3.739 5.075
11 2.012 2.503 3.444 2.275 2.815 3.852 2.897 3.557 4.832
12 1.966 2.448 3.371 2.21 2.736 3.747 2.773 3.41 4.633
13 1.928 2.403 3.31 2.155 2.67 3.659 2.677 3.29 4.472
14 1.895 2.363 3.257 2.108 2.614 3.585 2.592 3.189 4.336
15 1.866 2.329 3.212 2.068 2.566 3.52 2.521 3.102 4.224
16 1.842 2.299 3.172 2.032 2.523 3.463 2.458 3.028 4.124
17 1.82 2.272 3.136 2.001 2.486 3.415 2.405 2.962 4.038
18 1.8 2.249 3.106 1.974 2.453 3.37 2.357 2.906 3.961
19 1.781 2.228 3.078 1.949 2.423 3.331 2.315 2.855 3.893
20 1.765 2.208 3.052 1.926 2.396 3.295 2.275 2.807 3.832
21 1.75 2.19 3.028 1.905 2.371 3.262 2.241 2.768 3.776
22 1.736 2.174 3.007 1.887 2.35 3.233 2.208 2.729 3.727
23 1.724 2.159 2.987 1.869 2.329 3.206 2.179 2.693 3.68
24 1.712 2.145 2.969 1.853 2.309 3.181 2.154 2.663 3.638
25 1.702 2.132 2.952 1.838 2.292 3.158 2.129 2.632 3.601
30 1.657 2.08 2.884 1.778 2.22 3.064 2.029 2.516 3.446
35 1.623 2.041 2.833 1.732 2.166 2.994 1.957 2.431 3.334
40 1.598 2.01 2.793 1.697 2.126 2.941 1.902 2.365 3.25
45 1.577 1.986 2.762 1.669 2.092 2.897 1.857 2.313 3.181
50 1.56 1.965 2.735 1.646 2.065 2.863 1.821 2.296 3.124