Curso CEC 4-6 Cap

TEMA IV
Distribuciones de probabilidad
Binomial / Poisson / Normal
oas
Distribución binomial
• Se llama binomial a la ley de distribución de una variable aleatoria

discreta 𝑋 que describe el número 𝑥 de éxitos en una sucesión de
𝑛 pruebas de Bernoulli independientes, en cada una de las cuales
la probabilidad de éxito es igual a 𝑝. La probabilidad se calcula
mediante:
n x
P( X = x ) =   p (1 − p )
n− x
k  x = 0,1,..., n.
• A la variable aleatoria X sigue una ley binomial de parámetros 𝑛 y
𝑝 se la notará como 𝑋~𝐵(𝑛, 𝑝).
• Si 𝑋~𝐵(𝑛, 𝑝) se tiene que:
𝜇 = 𝐸 𝑋 = 𝑛𝑝
𝜎2 = 𝑉(𝑋) = 𝑛𝑝𝑞
oas
Ejemplo 4.1:
• En un proceso de fabricación que produce gran cantidad de
artículos, se sabe que en promedio 2% de ellos son defectuosos.
Los artículos son empacados en cajas de 10, y se quiere saber
cuál es la probabilidad de que no haya ningún artículo
defectuoso en cada caja. Si 𝑋 es el número de artículos
defectuosos por caja, entonces se quiere obtener 𝑃(𝑋 = 0), lo
cual es:
P( X = 0) = (0,02)0 (1 − 0,02)10−0 = 0,82

10!
0!(10 − 0)!
• Por tanto, se espera que 82% de las cajas no tenga ningún

artículo defectuoso. Mientras que el restante 18% tendrá al
menos un defectuoso.
oas
Ejemplo 4.1:
• Si se requiere saber cuál es la probabilidad de que cada caja
tenga exactamente un artículo defectuoso 𝑃(𝑋 = 1), entonces:
P( X = 1) = (0,02)1 (1 − 0,02)10−1 = 0,167

10!
1!(10 − 1)!
• Entonces, se espera que 16,7% de las cajas tengan

exactamente un artículo defectuoso. De manera similar se podría
calcular cualquier otra probabilidad.
oas
Ejercicio 4.1:
1. La probabilidad de un artículo que sea defectuoso en un proceso
de manufactura continua es 0,06 ¿Cuáles son las respectivas
probabilidades de que 0,1,2,3,4 y 5 artículos sean defectuosos
de una muestra al azar de 5 artículos extraídos del proceso?
2. Supóngase que la tasa de infección de una enfermedad
contagiosa es del 25%. En una oficina hay 10 personas que se
vacunaron contra la enfermedad y ninguna se contagió.
a) Determine la probabilidad de que ninguna persona se hubiera
contagiado a pesar de que no se hubiera vacunado;
b) De este resultado, ¿deduce usted que la vacuna es efectiva?
3. Se conoce que en promedio la mortalidad de transporte de pollos
en pie desde granjas hasta la planta faenadora es del 0.30%.
Los pollos son transportados en camiones con capacidad de
5,000 unidades, se quiere saber cuál es la probabilidad de que
no haya ningún pollo muerto por cada viaje.
oas
Distribución de poisson
• Una variable aleatoria discreta 𝑋 que puede tomar un número

infinito de valores 0,1,2, … , se dice que sigue una ley de Poisson
de parámetros 𝜆 (𝜆 > 0), si la probabilidad de que 𝑋 tome el valor
𝑥 es
x
P( X = x ) = e −
x! x = 0,1,2,...
• A esta variable aleatoria se le nota como 𝑋~𝑃(𝜆).
• Su esperanza y su varianza son, respectivamente, iguales a
𝜇=𝐸 𝑋 =𝜆
𝜎2 = 𝑉(𝑋) = 𝜆
oas
• La distribución de Poisson parte de la distribución binomial.
• Cuando en una distribución binomial se realiza el experimento

muchas veces, la muestra 𝑛 es grande y la probabilidad de éxito 𝑝
en cada ensayo es baja, es aquí donde aplica el modelo de
distribución de Poisson.
• Para tener un mayor grado de seguridad, en la aplicación de la

Distribución de Poisson se sugiere utilizar la siguiente regla
empírica, esto es:
1. Si se cumple que 𝑛𝑝 ≤ 0 y si 𝑛 ≥ 50; se aplica la distribución

de Poisson ó,
2. Si se cumple que 𝑝 ≤ 0,10 se aplica la distribución de Poisson,

pero si no cumplen los dos; entonces se aplica la distribución
Binomial.
oas
Ejemplo 4.2:
• La probabilidad de que un producto salga defectuoso es de
0,012. ¿Cuál es la probabilidad de que entre 800 productos ya
fabricados hayan 5 defectuosos?
 = 0,012 * 800 = 9,6
9,65 −9, 6
P ( X = 5) = e = 0,0460
5!
• Por lo tanto, la probabilidad de que haya 5 productos

defectuosos entre 800 recién producidos es de 4,6%.
oas
Ejercicio 4.2:
1. Un ingeniero que labora en el departamento de control de
calidad de una empresa eléctrica inspecciona una muestra al
azar de 200 alternadores de un lote. Si el 2% de los
alternadores del lote están defectuosos. Cuál es la probabilidad
de que, en la muestra,
a) ninguno esté defectuoso,
b) uno salga defectuoso,
c) al menos dos salgan defectuosos,
d) más de tres estén con defectos.
2. Se conoce que el número de personas que se hospedan en la

casa de huéspedes en una semana tiene una distribución
Poisson con media igual a 6. Evalúe las probabilidades de que:
a) Durante una semana se hospeden exactamente 4 personas;
b) Durante una semana se hospeden más de 5 personas.
oas
Distribución normal
• La distribución de probabilidad de una variable aleatoria continua

𝑋 se llama normal si su función de densidad es
f (x ) =
1 − ( x −  )2 / 2 2
e
2  x  (− ,  )
• La función de distribución correspondiente es la integral
x
F (x ) =
1 − (t −  )2 / 2 2
2  e
−
dt
• A esta variable aleatoria se le nota como 𝑋~𝑁(𝜇, 𝜎2) . Su

esperanza y su varianza son:
𝜇 = 𝐸(𝑋)
𝜎2 = 𝑉(𝑋)
oas
Figura 4.1 Funciones de densidad y de distribución de una variable aleatoria normal.
f(x)
x F(x)
 1
x
 oas
Algunas Propiedades:
1. Es simétrica respecto a su media, ;
2. La moda y la medina son ambas iguales a la media, ;
3. Los puntos de inflexión de la curva se dan para x=- y x=+.
4. Distribución de probabilidad en un entorno de la media:
• en un intervalo [-, +] se encuentra comprendida,
aproximadamente el 68,27% de la distribución;
• en un intervalo [-2, +2] se encuentra comprendida,
aproximadamente el 95,45% de la distribución;
• en un intervalo [-3, +3] se encuentra comprendida,
aproximadamente el 99,73% de la distribución.
Figura 4.2 Área bajo la

curva de la distribución
normal.
oas
Cálculo de probabilidades:
• Cuando es una distribución normal con parámetros 𝜇 = 0 y 𝜎2 =
1 , entonces a la distribución se le conoce como distribución
normal estándar 𝑋~𝑁(0,1). Estandarizar una variable es fácil,
puesto que si 𝑋 tiene una distribución normal con 𝜇 = 𝐸(𝑋) y 𝜎2 =
𝑉(𝑋), entonces la variable (estandarizada)
X −
Z=

se distribuye de manera normal estándar. La ventaja de
estandarizar es que cualquier probabilidad de interés, por ejemplo,
𝑃(𝑋 ≤ 𝑥) , se puede escribir en términos de la variable
estandarizada 𝑍 como:
 X − x− 
P ( X  x ) = P   = P(Z  z )
   
oas
Ejemplo 4.3:
• Se sabe que la dimensión de una pieza se distribuye normal con
media 𝜇 = 82 𝑚𝑚, y 𝜎 = 0,5. se desea calcular el porcentaje de
piezas que cumplen con especificaciones 82 ± 1. Lo que se
puede obtener calculando la siguiente probabilidad:
P(81  83) = P( X  83) − P( X  81)

• Para calcular cada una de estas probabilidades se estandariza:
 83 −    83 − 82 
P( X  83) = P Z   = P Z   = P(Z  2,0)
    0,5 
P(Z  2,0) = 0,977
oas
Ejemplo 4.3:
• Para calcular 𝑃(𝑋 < 81) se procede de la misma manera.
P( X  81) = P(Z  −2,0) = 1 − P(Z  2,0) = 1 − 0,997 = 0,023
• Por lo tanto, la probabilidad de que 𝑋 esté dentro de

especificaciones es (0,997 − 0,023) = 0,954. Así, se espera que
95,4% de las piezas cumpla con las especificaciones.
oas
Test de normalidad
• Los test de normalidad se aplican a conjuntos de datos para
determinar su similitud con una distribución normal. La hipótesis
nula es, en estos casos, si el conjunto de datos es similar a una
distribución normal, por lo que un valor- 𝑝 suficientemente
pequeño indica datos no normales.
• Prueba de Kolmogórov-Smirnov
• Test de Lilliefors
• Test de Anderson–Darling
• Test de Ryan–Joiner
• Test de Shapiro–Wilk
• Normal probability plot (rankit plot)
• Test de Jarque–Bera
• Test omnibús de Spiegelhalter
oas
Test de normalidad
Test de Anderson–Darling:
El test de normalidad de Anderson-Darling se define como:

𝑛
1
𝐴𝐷 = −𝑛 − ෍(2𝑖 − 1) ln 𝐹 𝑋𝑖 + ln(1 − 𝐹 𝑋𝑛+1−𝑖 )
𝑛
𝑖=1
Donde:
• F es la función de distribución acumulada de la distribución
normal.
• Xi son las observaciones ordenadas.
Hipótesis:
H0: Los datos siguen una distribución normal.

H1: Los datos no siguen una distribución normal.
oas
Test de normalidad
Test de Anderson–Darling:
Cálculo del p-valor:
0.75 2.25
𝐴𝐷∗ = 𝐴𝐷 ∗ 1 + + 2
𝑛 𝑛
Rango Fórmula
2)
0.6 ≤ 𝐴𝐷 ∗ < 13 𝑒 (1.2937−5.709∗𝐴𝐷+0.0186∗𝐴𝐷
2)
0.34 ≤ 𝐴𝐷 ∗ < 0.6 𝑒 (0.9177−4.279∗𝐴𝐷−1.38∗𝐴𝐷
2)
0.2 ≤ 𝐴𝐷∗ < 0.34 1 − 𝑒 (−8.318+42.796∗𝐴𝐷−59.938∗𝐴𝐷
2)
0 ≤ 𝐴𝐷 ∗ < 0.2 1 − 𝑒 (−13.436+101.14∗𝐴𝐷−223.73∗𝐴𝐷
oas
Test de normalidad
Ejercicio 4.3:
• Generar una variable con 100 números aleatorios con una
distribución normal con parámetros 25 y 0.83 𝑁~(25; 0.70 ).
Realizar el test de normalidad de Anderson–Darling.
oas
TEMA V
Índices de capacidad
Doble-Una especificación / Largo plazo / Métricas seis sigma
oas
Proceso con doble especificación:
Ejemplo 5.1:
• Una característica de calidad importante en la fabricación de una
salsa de tomate es su peso en el momento del embotellado, que
para cierto tipo de salsa debe ser de 395 cm3 con una tolerancia
de ± 10 cm3. El peso es el resultado del proceso de embotellado,
por lo que este proceso debe garantizar que el peso esté entre la
especificación inferior EI = 385 y la superior ES = 405, con un
valor ideal o nominal de N = 395. Para monitorear el correcto
funcionamiento del proceso de embotellado, cada media hora se
toman cinco botellas y se pesan. De acuerdo con las mediciones
hechas en el último mes, en el que el proceso ha estado
trabajando de manera estable, se tiene que la media y la
desviación estándar del proceso son  = 395.88 y  = 4.14,
respectivamente. Con base en esto se requiere tener una
evaluación de la manera que el proceso ha estado cumpliendo
con especificaciones. Haremos esto con base en los índices de
capacidad.
oas
Capacidad de un proceso
• Consiste en conocer la amplitud de la variación natural del

proceso para una característica de calidad dada, ya que esto
permitirá saber en qué medida tal característica de calidad es
satisfactoria.
Figura 5.1 Capacidad de un proceso.

oas
Índice Cp
• El índice de capacidad potencial del proceso, Cp, se define de la

siguiente manera:
ES − EI
C p=
6
donde  representa la desviación estándar del proceso, y ES y EI
son las especificaciones superior e inferior para la característica
de calidad.
• El índice Cp, compara el ancho de las especificaciones o variación

tolerada para el proceso con la amplitud de la variación real del
proceso:
Tolerada
C p=
Real oas
Interpretación del índice Cp
• Para que el proceso pueda considerar potencialmente capaz de

cumplir con especificaciones, se requiere que la variación real
siempre sea menor que la variación tolerada. De aquí que lo
deseable es que el índice Cp sea mayor que 1, y si el valor del
índice Cp es menor que 1 es una evidencia de que no cumple con
especificaciones.
• Se presentan cinco categorías de procesos que dependen del

valor del índice Cp, suponiendo que el proceso está centrado.
Tabla 5.1 Valores Cp y su interpretación. oas

Niveles típicos de Cp
• La mayoría de los procesos industriales están en un Cp entre 1 a

1.33.
Figura 5.2 Niveles típicos de Cp.
oas
Proceso 6
• Un proceso 6 tiene Cp = 2.
Figura 5.3 Proceso 6.

oas
%Fuera de especificaciones y partes
por millón (PPM)
Tabla 5.2 Índices Cp, Cpi y Cps en términos de la cantidad de piezas malas; bajo normalidad
y proceso centrado en el caso de doble especificación. oas
Cálculo del índice Cp
• En el caso del ejemplo 5.1 el peso de las salsas de tomate en el

proceso de embotellado, su índice Cp está dado por:
405 − 385 20
C p= = = 0,80
6 * 4,14 24,87
• La variación tolerada es de 20, pero la variación real es mayor.

Por tanto, el proceso es incapaz, ya que embotella salsas de
tomate con un peso no satisfactorio.
• De acuerdo con los valores del Cp y su interpretación, el proceso

es de 3ra categoría, y en función de porcentaje de artículos que no
cumplirían especificaciones se espera que aproximadamente
1,640% , es decir 16.395,072 partes por millón de las salsas de
tomate embotelladas tengan un peso no satisfactorio.
oas
Índices Cpi, Cps, Cpk
• La desventaja del índice Cp es que no toma en cuenta el centrado,

en su definición nunca interviene la media del proceso, .
• Para superar esta desventaja será necesario recurrir a otros

índices, uno de ellos el llamado índice de capacidad real (el
índice Cpk). Su cálculo consiste en calcular un índice de capacidad
para la especificación inferior, Cpi, y otro para la superior, Cps, de la
siguiente manera:
 − EI ES − 
C pi = C ps =
3 3
• El índice Cpk está definido por:

C pk = mín C pi , C ps 
oas
Cálculo de los índices Cpi, Cps, Cpk
• En el ejemplo 5.1 del peso de las salsas de tomate en el proceso

de embotellado es, tenemos que:
395,88 − 385 405 − 395,88

C pi = = 0,88 C ps = = 0,73
3 * 4,14 3 * 4,14
• Como el índice para la especificación superior, Cps, es la más

pequeño, eso quiere decir que los mayores problemas del
proceso están en la parte superior, aunque también hay
problemas con la especificación inferior, ya que 0.88 es un valor
aún pequeño. En consecuencia, el índice Cpk es:
C pk = mín0,88;0,73 = 0,73
oas
Índice K
• El índice de descentrado de proceso o índice de localización, K,

es una medida especializada para evaluar el centrado del
proceso, ya que mide en términos relativos y porcentuales qué
tan descentrada o alejada está la media de un proceso respecto
al valor nominal, N, (target) para la característica de calidad. Este
índice se calcula de la siguiente manera:
2 * ( − N )
K= *100
ES − EI
• De esta forma el índice K es igual a la media del proceso  menos
el valor nominal para la característica de calidad N, dividida entre
la mitad de la distancia de las especificaciones. Es decir, el índice
K mide qué tan descentrado está el proceso en función de la
mitad de la amplitud de las especificaciones, y al multiplicar por
100 se convierte en una medida porcentual.
oas
Índice K
Interpretación usual de los valores de K:

• Si el signo del valor K es positivo significa que la media del
proceso es mayor al nominal y será negativo cuando <N.
• Valores de K menores a 20% en términos absolutos se

consideran aceptables, pero a medida que el valor absoluto de K
sea más grande que 20%, indica un proceso muy descentrado, lo
cual contribuye de manera significativa a que la capacidad del
proceso para cumplir especificaciones sea baja.
• El valor nominal, N, es la calidad objetivo y óptima; cualquier

desviación con respecto a este valor lleva un detrimento en la
calidad. Por ello, cuando un proceso esté descentrado de manera
significativa se deben hacer esfuerzos serios para centrarlo, lo
que por lo general es más fácil que disminuir la variabilidad.
oas
Cálculo del índice K
• En el ejemplo 5.1 del peso de las salsas de tomate en el proceso

de embotellado, el índice K es:
2 * (395,88 − 395)
K= *100 = 8,80%
405 − 385
• De esta forma la media está desviada 8,80% a la derecha del

valor nominal, por lo que el centrado del proceso se puede
considerar aceptable y esto no contribuye de manera significativa
a la baja capacidad del proceso.
oas
Índice Cpm
• Taguchi (1986) propone una definición alternativa de los índices

de capacidad del proceso, la cual se fundamente en lo que él
denomina función de pérdida. Al índice propuesto por Taguchi,
que se denota con Cpm, toma en cuenta en forma simultánea el
centrado y la variabilidad del proceso. El índice Cpm está definido
por:
ES − EI
C pm =  =  + ( − N )
2 2
6
• El índice Cpm compara el ancho de las especificaciones con 6;
pero  no sólo toma en cuenta la variabilidad del proceso, a través
de ², sino que también toma en cuenta el centrado a través de
(-N)². De esta forma, si el proceso está centrado, es decir, si  =
N, entonces el Cp, Cpk y Cpm son iguales.
oas
Cálculo del índice Cpm
• En el caso del ejemplo 5.1 del peso de las salsas de tomate en el

proceso de embotellado, el índice Cpm está dado por:
 = 4,14 + (395,88 − 395) = 4,24

2 2
405 − 385
C pm = = 0,79
6 * 4,24
• Que al ser menor que uno muestra que el proceso de

embotellado de salsas de tomate no es capaz, como ya lo
sabíamos por los análisis previos.
oas
Capacidad de largo plazo
• Cuando hablamos de capacidad de un proceso podemos tener

una perspectiva de corto o largo plazo.
• La capacidad de corto plazo se calcula a partir de muchos datos

tomados durante un periodo corto para que no haya influencias
externas en el proceso, o con muchos datos de un período largo,
pero calculado  con el rango promedio:
R
ˆ =
d2
• La capacidad de largo plazo se calcula con muchos datos
tomados en un período largo para que los factores externos
influyen en el proceso, y S se estima mediante la desviación
estándar de todos los datos:
ˆ = S oas
Índices Pp y Ppk
Índice Pp
• Indicador del desempeño potencial del proceso, que se calcula en
forma similar al índice Cp pero usando la desviación estándar de
largo plazo.
ES − EI
P p=
6 L
Índice Ppk
• Indicador del desempeño real del proceso, que se calcula en
forma similar al índice Cpk pero usando la desviación estándar de
largo plazo.
  − EI ES −  
P pk = mín  , 
 3 L 3 L 
oas
Índice Z
• Otra forma de medir la capacidad del proceso es mediante el

índice Z, el cual consiste en calcular la distancia entre las
especificaciones y la media  del proceso en unidades de la
desviación estándar, . De esta manera, para un proceso con
doble especificación se tiene Z superior, Zs, y Z inferior, Zi, que se
definen de la siguiente manera:
ES −   − EI
Z s= Z i=
 
• La capacidad de un proceso medida en términos del índice Z es
igual al valor más pequeño de entre Zs y Zi, es decir:
Z = mínZ s , Z i 
oas
Índice Z
• Si la desviación estándar utilizada para calcular el índice Z es de

corto plazo, entonces el correspondiente Z también será de corto
plazo y se denota como ZC. En cambio, si la s es de largo plazo,
entonces el correspondiente Z será designado de largo plazo y se
denota con ZL. La diferencia entre la capacidad de corto y largo
plazo se conoce como desplazamiento o movimiento del proceso
y se mide a través del índice Z de la siguiente manera:
Z m= Z C − Z L
• El índice Zm representa la habilidad para controlar la tecnología. Si
no se conoce Zm, se asume un valor de 1,5.
• De la forma que se obtiene el índice Z, es posible ver que:
3C pk = Z C 3P pk = Z L
oas
Índice Z
Ejemplo 5.2:
• En un proceso de envasado de azúcar en un ingenio azucarero
se tiene como especificación del contenido de los costales 50 kg,
con una tolerancia de 0,6 kg. De esta manera forma, la
especificación inferior es EI = 49,4 kg, y la superior ES = 50,6 kg.
De acuerdo con los datos históricos se tiene que la media del
proceso es  = 50,01 y la desviación estándar es 0,2 kg. De aquí
que,
50,6 − 50,01 50,01 − 49,4

Z s= = 2,95 Z i= = 3,05
0,2 0,2
Z = mín2,95;3,05 = 2,95
• Por lo que, el proceso tiene una calidad de Z = 2.95 sigmas.

oas
Calidad 3
• Proceso cuya capacidad para cumplir especificaciones a corto

plazo es igual a ZC = 3 y el índice Cpk = 1. En el caso del ejemplo
5.2 prácticamente tiene una calidad 3 porque Z = 2,95. Sus
límites reales 𝜇 ± 3𝜎 coinciden con las especificaciones de
calidad para el peso del contenido de los costales. En efecto,
LRI =  − 3 = 50,01 − 3(0,20) = 49,41

LRS =  + 3 = 50,01 + 3(0,20) = 50,61
• Esto significa que bajo condiciones de estabilidad se espera que

el peso de los costales varíe de 49,41 a 50,61 kg. Suponiendo
que el peso sigue una distribución normal, se espera que el
porcentaje de costales envasados que cumplan con
especificaciones sea de 99,73% y sólo 0,27% no, lo cual
corresponde a 2.700 partes por millón (PPM) fuera de
especificaciones.
oas
Calidad 6
• Proceso cuya capacidad para cumplir especificaciones a corto

plazo es igual a ZC = 6 o cuando es a largo plazo ZL = 4,5, lo cual,
a corto plazo significa Cpk = 2 y a largo plazo Ppk = 1,5. En el caso
del ejemplo 5.2, tener una calidad 6 significa que en lugar de
que la desviación estándar tenga un valor de 0,2, se requiere que
 = 0,1. Es decir, implica reducir la variación un 50% con respecto
a la calidad 3.
• Suponiendo que el los pesos del ejemplo 5.2 tienen un proceso

6, se espera que el porcentaje de costales envasados que
cumplan con especificaciones sea de 99,9999998% y sólo
0,0000002% no, lo cual corresponde a 0,002 partes por millón
(PPM) fuera de especificaciones en un proceso a corto plazo.
Para un proceso a largo plazo con un movimiento de 1,5 los
costales envasados que cumplan con especificaciones es de
99,9996602% y sólo 0,0003398% no, lo cual corresponde a 3,398
partes por millón (PPM) fuera de especificaciones.
oas
Calidad a corto y largo plazo
Tabla 5.3 Calidad de corto y largo plazo en términos de Cp, ZC, ZL y PPM.
Tabla 5.4 Reducción de defectos al subir el número de sigmas de un proceso.
oas
Métrica 6 para atributos
• Si se quiere medir la calidad de un proceso que tiene variables de

salida de atributos, en términos de los índices Cp o Cpk, lo que se
debe hacer es estimar el porcentaje promedio de defectos o el
porcentaje de defectuosos del proceso y convertir este porcentaje
al correspondiente índice Cp.
• Por ejemplo, si el porcentaje promedio de artículos defectuosos

es de 13,361%, que corresponde a un índice de Cp de 0,5, que
refleja una capacidad inadecuada.
• Para que el proceso se pueda considerar de primera categoría,

de acuerdo a los criterios del índice Cp, requiere que el porcentaje
de defectuosos sea menor a 0,0096%.
oas
Métrica 6 para atributos
• Algunas variables de atributos en lugar de medirse en porcentajes

de defectos se miden en número de partes con defectos por cada
millón de oportunidades (PPM). Otra forma de medir las variables
de atributos es por el número de defectos por millón de
oportunidades (DPMO).
• Para calcular las PPM se divide el total de artículos con defectos

entre el total de artículos inspeccionados, y al resultado se le
multiplica por un millón. Por ejemplo, si de un total de 1000 piezas
inspeccionadas se encuentran cinco defectuosas, entonces las
PPM correspondientes son de 5000, ya que:
Total de artículos con defectos

PPM = *1000000
Total de artículos inspeccionados
5
PPM = *100000 = 5000
1000
oas
Proceso con sólo una especificación
• Si se tienen características de calidad del tipo “entre más

pequeña mejor” o “entre más grande mejor”, los índices de
capacidad inferior Cpi y superior Cps, están definidos por:
 − EI ES − 
C pi = C ps =
3 3
donde  y  son la media y la desviación estándar de la
característica de calidad, (EI) y (EI) son las especificaciones
inferior y superior. La interpretación de los índices Cpi y Cps es
parecida al Cp y Cpk.
• El valor mínimo de los índices Cpi y Cps para que el proceso se

pueda considerar capaz de cumplir con la correspondiente
especificación es de 1.25. Si la característica de calidad es crítica,
entonces el valor mínimo debe ser 1.45.
oas
Ejemplo 5.3: Variable entre más pequeña mejor

• En las plantas tratadoras de aguas residuales, una forma de
medir la eficacia del tratamiento biológico aerobio de la
clarificación secundaria y de la filtración, es mediante los sólidos
suspendidos totales (SST), ya que la alta concentración impedirá
su rehúso. En una planta, en particular, se tiene que los SST no
deben ser mayor a ES = 30 para considerar que el proceso fue
satisfactorio. De acuerdo con datos históricos, se tiene que la
media y la desviación estándar son  = 10,2 y  = 5,1. En este
caso de tenemos que el Cps es igual a:
30 − 10,2
C ps = = 1,29
3 * 5,1
• De acuerdo a la tabla 5.2, tiene un porcentaje fuera de
especificación cercano a 0,005%.
oas
Ejemplo 5.4: Variable entre más grande mejor

• En una armadora de autos, en el área de pintado, una
característica de calidad es el espesor de la capa antipiedra en la
zona trasera de los arcos de rueda, que debe tener un espesor
mínimo de 100 micras (EI = 100). A partir de la carta de control 𝑋-
𝑅ത que se lleva para monitorear el espesor, se sabe que  = 105 y
 = 6,5. Por lo que el Cpi en este caso es:
105 − 100
C pi = = 0,26
3 * 6,5
que es un valor pequeño, por lo que el proceso es incapaz de
cumplir con la especificación, el porcentaje aproximado de
productos que tienen espesor menor a 100 micras está entre
18,406% y 27,425%, por lo que es necesario hacer esfuerzos
serios para mejorar ese proceso.
oas
Estudio real (integral) de capacidad
• En una industria láctea en el proceso de producción de un tipo de

yogurt, se tiene que el peso del producto empaquetado debe ser
de 550 gramos con una tolerancia de ± 8 gramos. El proceso
debe garantizar que el peso del yogurt esté entre la especificación
inferior EI = 542 y la superior ES = 558, con un valor nominal de N
= 550. Para detectar la posible presencia de causas especiales
de variación, y en general para monitorear el correcto
funcionamiento del proceso de empaquetado, en este caso, cada
hora se toman cinco muestras de yogurt empaquetado y se
pesan.
• Realizar un análisis de la capacidad del proceso.
oas
Estudio real (integral) de capacidad
Datos:
Tabla 5.5 Datos de pesos, ejemplo 5.5

oas
Estadístico Análisis y comentarios
Medidas de tendencia central:
Medidas de dispersión:
Rango medio y desviación

estándar:
Medidas de forma:
Límites reales ( ± 3):
Porcentaje fuera de
especificaciones:
Histograma:
Índices corto plazo:
Índices largo plazo:
Índice Z:
Conclusiones finales:
Datos: oas
TEMA VI
Cartas de control
Variación / Cartas de control para variables-atributos /

Interpretación de las cartas
oas
Variación:
Leyes de variación:
• La variación es parte de nuestra vida diaria, prácticamente todo

a nuestro alrededor varía.
• Toda variación es causada.
• Es imposible prever un resultado individual.
• Sin embargo, un grupo de resultados, originado del mismo

conjunto de causas, tienden a ser previsibles, siguiendo un cierto
“patrón”.
• Cuando aquel conjunto de causas es perturbado por causas

externas, el patrón de variación se altera.
oas
Variación:
¿Qué haría en un caso como este?

Ventas semestrales
130
A6 A10
A12
120 A2 C2 C10
A8 A9 C14
A5 A7 A11 C6
C8
110
C5
C12
A4
100 B1 C1
A1 C7
C9
B5 C3 C13 C15
90
B2 C4
B3
B7
B8
80 A3 B4 B10
B6
B9 C11
70
C15
A10
A11
A12
B10
C10
C11
C12
C13
C14
A6
C5
A1
A2
A3
A4
A5
A7
A8
A9
B1
B2
B3
B4
B5
B6
B7
B8
B9
C1
C2
C3
C4
C6
C7
C8
C9
Figura 6.1 Gráfico de ventas semestrales.
¿Qué tal premiar a los vendedores A6 y A10?
Los vendedores B9 y C11 tal vez necesiten una “inyección de

ánimo”, ¿verdad?
oas
Variación:
Entendiendo la variación:
• “Tenemos que entender la naturaleza de la variación, si

queremos tomar mejores decisiones”.
¿Cómo?
• “La Estadística permite tratar científicamente la cuestión de la

variación y de cómo hacer previsiones”.
• La Estadística está formada por un conjunto de técnicas y

conceptos orientados a la recolección y análisis de datos
tomando en cuenta la variación en los mismos. Por su parte, el
control estadístico de la calidad es la aplicación de técnicas
estadísticas al control de calidad.
oas
Variación:
Mejorando la calidad de las decisiones:

Ventas semestrales
LCS=148.9
150
LCS=141.9
140
130 A10
A6 A9
120 A2 A8 A12 C2 C10
C14
A5 C6 C8
110 A7 C5 C12
A11 C1
100 B1 LCS=95.6
A4
A1 B5 C7 C9 C13
90 B3 C3 C4 C15
B8 B9
80 B2
A3 LCI=83.4 B4 B6 B7 B10
70 C11
LCI=72.0
60
50 LCI=56.5
40
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15
Figura 6.2 Gráfico de ventas semestrales con límites.
¿Qué tal premiar al vendedor B1?
Los vendedores A3 y C11 tal vez necesiten una “inyección de

ánimo”, ¿verdad?
oas
Variación:
• Los procesos siempre tienen variación, ya que en él intervienen

diferentes factores sintetizados a través de las 6M:
Medición Mano de obra
Maquinaría Métodos
Materiales Medio ambiente
Variable de salida
Figura 6.3 La variabilidad de un proceso. oas
Variación:
• Bajo condiciones normales o comunes de trabajo, todas las 6M:

materiales, maquinaría, medición, mano de obra (gente),
métodos y media ambiente; aportan variación a las variables de
salida del proceso, en forma natural o inherente, pero además
aportan variaciones especiales o fuera de lo común, ya que a
través del tiempo las 6M son susceptibles de cambios,
desajustes, desgastes, errores, descuidos, fallas, etc.
• Así, hay dos tipos de variabilidad: la que se debe a causas

comunes y la que corresponde a causas especiales o atribuibles.
• Resulta “fundamental distinguir de forma eficiente entre ambos

tipos de variación”, para así tomar las medidas adecuadas en
cada caso.
oas
Variación:
Ejercicio 6.1:
• Entendiendo la variación: Caligrafía.
oas
Variación:
Causas comunes:
• La variación por causas comunes (o por azar) es aquella que
permanece día a día, lote a lote; y es aportada de forma natural
por las condiciones de las 6M. Esta variación es inherente a las
actuales características del proceso y es resultado de la
acumulación y combinación de diferentes causas que son
difíciles de identificar y eliminar, ya que son inherentes al sistema
y la contribución individual de cada causa es pequeña; no
obstante, a largo plazo representan la mayor oportunidad de
mejora.
Efecto de las causas comunes:

• El proceso se vuelve previsible.
• Los datos tienden a formar una “distribución” bien comportada,
variando dentro de una cierta franja.
oas
Variación:
Ejercicio 6.2:
• Previniendo resultados (proceso “bajo control”): Suma en el
lanzamiento de dos dados.
oas
Variación:
Características del proceso estable (bajo control):

1. La mayoría de los puntos cerca de la línea central.
2. Algunos puntos próximos de los límites de control.
3. Ningún punto (o uno solo, raramente) más allá de los
límites.
Límite de Control Superior (LSC)
100
80
60
Línea Central (LC)
40
20
0
Límite de Control Inferior (LIC)
Figura 6.4 Características del proceso estable.

oas
Variación:
Línea de acción:
• El mejoramiento, en el caso de causas comunes es más compleja.
• Requiere análisis de todo el conjunto de datos.
• Requiere conocimiento profundo del proceso (aislar el efecto

individual de un parámetro en el desempeño final).
• Requiere cambios estructurales (procedimientos, personas,

equipos, ambiente, etc.).
• Deben ser aplicados métodos que conduzcan a modificaciones del

concepto o diseño del proceso, o ajuste de las variables
intrínsecas al mismo.
oas
Variación:
Causas especiales:
• La variación por causas especiales (o atribuibles) es causada por
situaciones o circunstancias especiales que no están de manera
permanente en el proceso. Las causas especiales por su
naturaleza relativamente discreta a menudo pueden ser
identificadas y eliminadas si se cuenta con los conocimientos y
condiciones para ello.
Efecto de las causas especiales:

• Alteran la distribución natural del proceso.
• El proceso se vuelve imprevisible.
• No están presentes todo el tiempo, o sólo afectan a algunos
resultados.
• Por lo general, pueden ser fácilmente aisladas y eliminadas,
desde que se puedan distinguir de las causas comunes.
oas
Variación:
Características del proceso inestable (fuera de control):

1. Puntos fuera de los límites de control.
2. Ausencia de puntos próximos a la LC (Línea Central).
3. Ausencia de puntos próximos a los límites.
4. Falta de “equilibrio” en relación a la LC.
Límite de Control Superior (LSC)
100
80
60
Línea Central (LC)
40
20
0
Límite de Control Inferior (LIC)
Figura 6.5 Características del proceso inestable.

oas
Variación:
Línea de acción:
• Deben ser atacadas inmediatamente.
• Solución por lo general es sencilla y está al alcance de las

personas directamente involucradas en la realización de las
actividades:
1. Recoleccionar datos (a tiempo).
2. Verificar si los datos indican la presencia de causa especial.
3. En caso afirmativo, investigar (inmediatamente) que hay de

especial asociado a aquella ocurrencia.
4. Eliminar las “causas malas” y prevenir su reincidencia.

Incorporar las “causas buenas” al proceso.
oas
Variación:
Entendiendo la variación:
• “El 94% de los problemas y oportunidades de mejora, se deben
a causas comunes. Apenas 6% se deben a causas especiales”
(W. E. Deming1).
• Cuando el proceso trabaja sólo con causas comunes de

variación se dice que está en control estadístico o es estable,
porque su variación a través del tiempo es predecible.
• No distinguir entre estos dos tipos de variabilidad conduce a

cometer dos errores en la actuación de los procesos. Error 1:
reaccionar ante un cambio o variación (efecto problema) como si
proviniera de una causa especial, cuando en realidad surge de
algo más profundo en el proceso, como son las cusas comunes
de variación.
1William Edwards Deming fue un estadístico estadounidense, profesor universitario, autor de textos, consultor y
difusor del concepto de calidad total. Su nombre está asociado al desarrollo y crecimiento de Japón después de la
Segunda Guerra Mundial. oas
Variación:
Consecuencias de tratar causas comunes como causas

especiales:
• Aumento de la variabilidad debido a ajuste indebido del

proceso.
• Falsas soluciones, pérdida de tiempo, energía y dinero,
cuando problemas más importantes podrían ser atacados.
• Falsa sensación de “control” de la situación.
• Aumento de los costos.
• Reducción de la productividad.
• Frustración, escepticismo, animosidad.
• Carreras perjudicadas, baja moral.
• Pérdida de confianza en la gerencia.
Error 2: tratar un efecto o cambio como si procedieran de causas

comunes de variación, cuando en realidad se debe a una causa
especial.
oas
Variación:
Consecuencias de tratar causas especiales como causas

comunes:
• Oportunidades de mejoramiento son perdidas.

• Convivencia pacífica con problemas crónicos.
• Se perpetua el “caos”.
• Se mantiene la “fabrica escondida” de errores y desperdicios.
Error 1 / Error 2:
• Cada uno de estos errores causa pérdidas.

• Se puede evitar uno u otro, pero no ambos.
• No es posible reducir a cero ambos errores.
• Lo mejor que se puede hacer es tratar de cometer rara vez
ambos, y para ello fueron ideadas las cartas de control por el
doctor Walter Shewhart en 1924.
oas
Cartas de control
• El objetivo básico de una carta de control es observar y analizar

el comportamiento de un proceso a través del tiempo.
Variación de W Causas
Límite de Control Superior (LSC) especiales
Causas
Línea Central (LC) comunes
Límite de Control Inferior (LSI) Causas

especiales
tiempo
Figura 6.6 Carta de control. oas
Cartas de control
• En la figura 6.6 se muestra una típica carta de control en la cual

se aprecia que el objetivo es analizar de dónde a dónde varía
(ver campana) y cómo varía el estadístico W a través del tiempo
y este estadístico puede ser una media muestral, un rango, un
porcentaje, etc. Los valores que va tomando W se representan
por un punto y éstos se unen con una línea recta.
• La línea central representa el promedio de W.
• Los límites de control, inferior y superior definen el inicio y final

del rango de variación de W, de forma cunado el proceso está en
control estadístico existe una alta probabilidad de que
prácticamente todos los valores de W caigan dentro de los
límites.
oas
Límites de control
• Se obtienen a partir de la relación entre la media y desviación

estándar de W, que para el caso que W se distribuye normal con
media W y desviación estándar W, y bajo condiciones de
control estadístico, se tiene que entre W - 3W y W + 3W se
encuentra 99.73% de los posibles valores de W.
• Bajo estas condiciones, un modelo general para una carta de

control es: Sea W el estadístico que se va a graficar en la carta y
supongamos que su media es W y su desviación estándar W,
entonces el límite de control inferior (LCI), la línea central (LC) y
el límite de control superior (LCS) están dados por:
LCI = W - 3 W
LC = W
LCS = W + 3 W
oas
Límites de control
• Con estos límites y bajo condiciones de control estadístico se

tendrá una alta probabilidad de que los valores de W estén
dentro de ellos. En particular, si W tiene distribución normal, tal
probabilidad será de 0.9973, con lo que se espera que bajo
condiciones de control sólo 27 puntos de 10.000 caigan fuera de
los límites. Este tipo de cartas fueron propuestas originalmente
por el doctor Walter A. Shewhart2, y por eso se les conoce como
cartas de control Shewhart.
• La forma de estimar la media y la desviación estándar de W a

partir de las observaciones del proceso dependerá del tipo de
estadístico que sea W, ya sea un promedio, un rango o un
porcentaje.
2Walter A. Shewhart (18 de marzo de 1891 - 11 de marzo de 1967) fue un físico, ingeniero y estadístico
estadounidense, a veces conocido como el padre del control estadístico de la calidad. Nacido en New Canton,
Illinois de Anton y Esta Barney Shewhart, asistió a la University of Illinois antes de obtener un doctorado en física
de la University of California, Berkeley en 1917.
oas
Tipos de cartas de control
• Existen dos tipos generales de cartas de control: para variables y

para tributos. Las cartas de control para variables se aplican a
características de calidad de tipo continuo, que intuitivamente
son aquellas variables que requieren un instrumento de medición
(peso, volumen, voltaje, longitud, resistencia, temperatura,
humedad, etc.).
• Existen características de calidad de un producto que no son

medidas con un instrumento de medición en una escala continua
o al menos en una numérica. En estos casos, el producto se
juzga como conforme o no conforme, dependiendo de si posee
ciertos atributos; también, al producto se le podrá contar el
número de defectos o no conformidades que tiene. Este tipo de
características de calidad son monitoreadas a través de las
cartas de control para atributos.
oas
Tipos de cartas de control
Figura 6.7 Cartas de control.

oas
ഥ -𝑹
Carta de control 𝑿
• Diagramas para variables que se aplican a procesos masivos, en

donde en forma periódica se obtiene un subgrupo de productos,
se miden y se calcula la media y el rango R para registrarlos en
la carta correspondiente.
X1 R1 X2 R2 X3 R3
ത
Figura 6.8 Operación de una carta 𝑋-R.
oas
ഥ -𝑹
• Con la carta 𝑋ത se analiza la variación entre las medias de los

subgrupos, para detectar cambios en la media del proceso.
Figura 6.9 La carta 𝑋ത detecta cambios significativos en la media del proceso. Cuando la curva se desplaza
la carta manda una o varias señales de fuera de control.
oas
ഥ -𝑹
• Mientras que con la carta R se analiza la variación entre los

rangos de los subgrupos, lo cual permite detectar cambios en la
amplitud o magnitud de la variación del proceso.
Figura 6.10 La carta R detecta cambios significativos en la amplitud de la dispersión.

oas
ഥ
Límites de control de la carta 𝑿
• En el caso de la carta de medias, el estadístico W es la media

ത por lo que los límites están dados por:
de los subgrupos, 𝑋,
 X  3 X
donde  X representa la media de las medias, y  X la desviación

estándar de las medias, que en un estudio inicial se estiman de
la siguiente manera:

X = X X =
n
donde X es la media de las medias de los subgrupos,  la

desviación estándar del proceso, que indica que tan variables
son las mediciones individuales y n es el tamaño de subgrupo.
oas
ഥ
• La estimación de  está dada a través de los rangos de los

subgrupos:
R
ˆ =
d2
donde R es la media de los rangos de subgrupos y d23 es una
constante que depende de n, el tamaño de subgrupo o muestra.
De esta manera, 3 X se estima con
 R d2  3
3 X = 3  = R = A2 R
 n  d2 n
Como se observa, se introduce la constante A2 para simplificar

los cálculos.
3d es la media del rango relativo, q=R/ una variable aleatoria que establece la relación entre el rango de una
2
muestra de una distribución normal, y la desviación estándar de la distribución. oas
ഥ
• Con base en lo anterior, los límites de control para una carta de

control 𝑋ത , en un estudio inicial, se obtienen de la siguiente
manera:
LCS = X + A2 R
LC = X
LCI = X − A2 R
• Cuando ya se conocen la media, , y la desviación estándar del

proceso, , entonces estos límites para la carta de medias están
dados por: 
LCS =  + 3
n
LC = 

LCI =  − 3
n oas
Límites de control de la carta 𝑹
• Sus límites se determinan a partir de la media y la desviación

estándar de los rangos de los subgrupos, ya que en este caso el
estadístico W se gráfica en la carta R. Por ello, los límites están
dados por:
 R  3 R
donde  R representa la media de los rangos, y  R la desviación

estándar de los rangos, que en un estudio inicial se estiman de
la siguiente manera:
R
R = R  R = d 3  d 3  
 d2 
donde R es la media de los rangos de los subgrupos,  la
desviación estándar del proceso y d3 es una constante que
depende del tamaño de subgrupo.
oas
Límites de control de la carta 𝑹
• Como por lo general en un estudio inicial no se conoce , está

puede estimarse a través de 𝑅/𝑑 ത 2 , como ya lo habíamos
explicado antes. En forma explícita, los límites de control para
carta R se calculan con:
R   d 3 
LCI = R − 3d 3   = 1 − 3  R = D3 R
 d2    d 2 
LC = R
R   d 3 
LCS = R + 3d 3   = 1 + 3  R = D4 R
 d2    d 2 
Donde se han introducido las constantes D3 y D4 para simplificar

los cálculos.
oas
ഥ -𝑹
Ejemplo 6.1:
• Una característica de calidad en el proceso de fabricación de
bebidas gaseosas es el contenido de sólidos disueltos expresado
en grados Brix; en particular una bebida gaseosa “negra” debe
tener un contenido de sólidos disueltos de 12.0 expresado en
grados Brix, con una tolerancia de ± 1.5 grados Brix. De esta
forma la especificación o tolerancia inferior es EI = 10.5 grados
Brix y la superior ES = 13.5 grados Brix.
• Cada hora en 5 botellas en presentación de 500 cm3 se mide el

contenido de sólidos disueltos por lectura refractométrica a 293
K (20ºC), en la tabla 6.1 se aprecian los datos de 4 turnos por
dos días. Se requiere analizar qué tan estable es el proceso de
fabricación de gaseosas en el contenido de sólidos disueltos
(grados Brix).
oas
ഥ -𝑹
Tabla 6.1 Datos grados Brix.

oas
ഥ -𝑹
• ധ
Se tiene que 𝑋=12.08, ത
𝑅=1.70 y para n =5, 𝐴2 =0.577; entonces:
LCS = X + A2 R = 12.08 − 0.577 *1.70 = 13.06

LC = X = 12.08
LCI = X − A2 R = 12.08 − 0.577 *1.70 = 11.10
LCS = 13.06
𝑿
ഥ
LCI = 11.10
Subgrupo
Figura 6.11 Carta 𝑋ത del ejemplo 6.1. oas
ഥ -𝑹
• Se tiene que los límites de control para la carta R están dados

por:
LCS = D4 R = 2.115 *1.70 = 3.58
LC = R = 1.70
LCI = D3 R = 0 *1.70 = 0.0
LCS = 3.58
Rango
LCI = 0.00
Figura 6.12 Carta R del ejemplo 6.1 Subgrupo

oas
ഥ -𝑹
• En las figuras 6.11 y 6.12 se observa que no hay puntos fuera de

los límites y además el comportamiento de los puntos no sigue
ningún patrón especial. Por lo tanto, el proceso de fabricación de
bebidas gaseosas es el contenido de sólidos disueltos
expresado en grados Brix ha estado funcionando de manera
estable en cuanto a la tendencia central y a la amplitud de su
variación.
• La variación que se observa en las medias es inherente al propio

proceso y se debe a muchas pequeñas causas que actúan en
común; no ocurrió ningún cambio ocasionado por alguna
situación o causa especial.
• La variación que se observa en los rangos muestrales se debe a

la variación que comúnmente tiene el proceso, por lo que no se
hizo presente ningún cambio ocasionado por una situación o
causa especial.
oas
ഥ -𝑹
• Se espera que, si en el proceso no ocurre un cambio

significativo, las medias de 5 botellas varíe de 11.10 a 13.06
grados Brix; y, los rangos de los subgrupos de 5 botellas varíen
de 0 a 3.58 grados Brix.
• Los límites reales para los sólidos disueltos en el proceso de

embotellado se pueden obtener estimando la desviación
estándar del proceso, , a través del método de rangos:
R 1.70
ˆ = = = 0.73
d 2 2.326
• Los límites reales son: LRI = 9.9 y LRS = 14.3, que por cierto
exceden las especificaciones (EI=10.5, ES=13.5), y por tanto el
proceso es incapaz.
oas
ഥ -𝑹
ES − EI 13.5 − 10.5
Cp = = = 0.69
6 6 * 0.73
• En cuanto a capacidad y estabilidad tenemos que el estado del

proceso es estable (o que está en control estadístico), pero
además el proceso es incapaz. Por tanto, el proceso
correspondiente es establemente incapaz (establemente malo),
por lo que se deben hacer análisis en busca de detectar fuentes
de variación que permanentemente están en el proceso, como
exceso de variación en materiales, en gente o en alguna de las
6M´s.
oas
ഥ -𝑹
Ejercicio 6.3:
• En una industria alimenticia se quiere garantizar que la
concentración mínima de grasa de un producto sea de 1.8%. En
la tabla 6.2 se muestran los datos obtenidos para un estudio
inicial, con tamaño de subgrupo de 4.
ത
a. Realice un estudio de estabilidad mediante la carta 𝑋-𝑅.
b. Comente los resultados obtenidos en cuanto a estabilidad.
c. Haga un estudio de capacidad. Reporte los principales

estadísticos obtenidos y coméntelos.
d. ¿Cuál es el estado del proceso?
oas
ഥ -𝑹
Datos:
Tabla 6.2 Datos ejercicio 6.3

oas
Interpretación de las cartas de control
• Para facilitar la identificación de patrones no aleatorios lo primero

que se hace es dividir la carta de control en seis zonas o bandas
iguales, cada una con amplitud similar a la desviación estándar
del estadístico W:
LCS
A
B
C
C
B
A
LCI
Figura 6.13 Zonas de una carta de control.

oas
Patrón 1: Desplazamientos o cambios en el nivel del proceso

• Ocurre cuando uno o más puntos se salen de los límites de
control o cuando hay una tendencia larga y clara a que los
puntos consecutivos caigan de un solo lado de la línea central.
LCS
LCI
Figura 6.14 Patrón1: Cambio de nivel.

oas
Estos cambios especiales pueden ser por:
• La introducción de nuevos trabajadores, máquinas, materiales o

métodos.
• Cambios en los métodos de inspección.
• Una mayor o menor atención de los trabajadores.
• Porque el proceso ha mejorado (o empeorado).
• Cuando este patrón ocurre en las cartas 𝑋, ത p, np, u o c, se dice

que hubo un cambio en el nivel promedio del proceso. En la carta
R y S un cambio de nivel significa que la variabilidad aumentó o
disminuyó, aunque por la falta de simetría de la distribución de R y
S, este patrón del lado inferior de estas cartas se debe ver con
mayor reserva y esperar la acumulación de más puntos por abajo
de la línea central para declarar que hay un cambio significativo
(disminución de la variabilidad).
oas
Los criterios más usuales para ver si este patrón se ha presentado

son4:
• Un punto fuera de los límites de control.

• Hay una tendencia clara y larga a que los puntos consecutivos
caigan de un solo lado de la línea central. Tres pruebas concretas
para este patrón son:
a) Ocho o más puntos consecutivos de un solo lado de la línea

central;
b) Al menos 10 de 11 puntos consecutivos caen de un mismo lado
de la línea central, y
c) Por lo menos 12 de 14 puntos consecutivos ocurren por un
mismo lado de la línea central.
4Dos pruebas más para detectar un cambio de nivel son: dos de tres puntos consecutivos en la zona A o más allá;
y cuatro de cinco puntos consecutivos en la zona B o más allá, Aunque recomendamos aplicar sólo las primeras,
pues consideremos que en la práctica es mejor limitarse a menos pruebas, pero atenderlas bien, y de paso evitar
un incremento de falsas alarmas. oas
Patrón 2: Tendencias en el nivel del proceso

• Consiste en una tendencia a incrementarse (o disminuirse) de los
valores de los puntos en la carta.
LCS
LCI
Figura 6.15 Patrón 2: Tendencias.

oas
Una tendencia ascendente o descendente bien definida y larga se

debe a alguna de la siguientes causas especiales:
• Deterioro o desajuste gradual del equipo de producción.

• Desgaste de las herramientas de corte.
• Acumulación de productos de desperdicios en la tuberías.
• Calentamiento de máquinas.
• Cambios graduales en las condiciones del medio ambiente.
Para determinar si hay una tendencia en el proceso se tiene los

siguientes criterios:
• Seis o más puntos consecutivos ascendentes (o descendentes).

• Un movimiento demasiado largo de puntos hacia arriba (o abajo)
de la carta de control, aunque no todos los puntos en ascenso (o
descenso).
oas
Patrón 3: Ciclos recurrentes (periodicidad)

• Otro movimiento no aleatorio que pueden presentar los puntos en
las cartas es un comportamiento cíclico de los puntos.
LCS
LCI
Figura 6.16 Patrón 3: Ciclos.

oas
Cuando un comportamiento cíclico se presenta en la carta 𝑋ത ,

entonces las posibles causas son:
• Cambios periódicos en el ambiente.

• Diferencias en los dispositivos de medición o de prueba que se
utilizan en cierto orden.
• Rotación regular de máquinas u operarios.
• Efecto sistemático producido por dos máquinas, operarios o
materiales que se usan alternadamente.
Si el comportamiento cíclico se presenta en la carta R o S, entonces

algunas de las posibles causas son el mantenimiento preventivo
programado o la fatiga de trabajadores o secretarias. Las cartas p,
np, c y u son afectadas por las mismas causas que las cartas de
medias y rangos.
oas
Patrón 4: Mucha variabilidad

• Una señal de que en el proceso hay una causa especial de
mucha variación, se manifiesta mediante la alta proporción de
puntos cerca de los límites de control, a ambos lados de la línea
central, y pocos o ningún punto en la parte central de la carta. En
estos casos se dice que hay mucha variabilidad. Algunas causas
que afectan a la carta de esta manera son:
• Sobrecontrol o ajustes innecesarios en el proceso.
• Diferencias sistemáticas en la calidad del material o en los
métodos de prueba.
• Control de dos o más procesos en la misma carta con diferentes
promedios.
Mientras que las cartas R y S resultan afectadas por la mezcla de

materiales de calidades bastante diferentes, diversos trabajadores
pueden utilizar la misma carta R, y datos de procesos operando bajo
distintas condiciones graficados en la misma carta. oas
Los criterios para detectar una alta proporción de puntos cerca o

fuera de los límites son los siguientes:
• Ocho puntos consecutivos en ambos lados de la línea central con
ningún en la zona C.
LCS
LCI
Figura 6.17 Patrón 4: Alta variabilidad. oas

Patrón 5: Falta de variabilidad (estratificación)

• Una señal de que hay algo especial en el proceso es que
prácticamente todos los puntos se concentren en la parte central
de la carta, es decir, que los puntos reflejen poca variabilidad o
estratificación.
LCS
LCI
Figura 6.18 Patrón 5: Falta de variabilidad. oas

Algunas de las causas que pueden afectar a todas las cartas de

control de esta manera son:
• Equivocación en el cálculo de los límites de control.
• Agrupamiento en una misma muestra a datos provenientes de

universos con medias bastante diferentes, que al combinarse se
compensan unos con otros.
• “Cuchareo” de los resultados.
• Carta de control inapropiada para el estadístico graficado.
Para detectar la falta de variabilidad se tienen los siguientes criterios:
• Quince puntos consecutivos en la zona C, arriba o debajo de la

línea central.
oas
Índice de inestabilidad, St
• El índice de inestabilidad proporciona una medición de qué tan

inestable es un proceso, con lo que se podrán diferenciar los
procesos que de manera esporádicamente tengan puntos o
señales especiales de variación.
• El índice de inestabilidad, St , se define como:
Número de puntos especiales

St =
Número total de puntos
donde el número total de puntos corresponde a la cantidad de

puntos que fueron graficados en una carta de control en cierto
período; mientras que por el número de puntos especiales se
designará a la cantidad de puntos que indicaron, en ese mismo
periodo, una señal de que una causa especial ocurrió en el
proceso.
oas
• Para interpretar el índice de inestabilidad St, se parte de que su

valor ideal es 05, que ocurre cuando no hubo puntos especiales.
Si todos los puntos graficados fueran especiales, entonces el
valor del índice St sería 100%. En general, valores de pocas
unidades porcentuales del índice St, indicarán un proceso con
poca inestabilidad.
• No hay acuerdos de qué tan pequeño tiene que ser el índice St

para considerar que un proceso tiene una buena estabilidad, un
valor entre 0 y 2% se puede decir que es un proceso con una
estabilidad relativamente buena, de 2 a 5%, regular; y en la
medida que el St supere estos porcentajes se considerará qué tan
mala es su estabilidad.
• Por ejemplo un St = 15% indica un proceso muy inestable.

5En el sentido estricto, el valor ideal de St es igual a la probabilidad de falsas alarmas en una carta de control, que
oas
con respecto a la carta de medias y considerando sólo el criterio de puntos fuera de los límites, es de 0.0027. Por lo
Ejemplo 6.2:
• En una fábrica de bolsas de plástico un aspecto importante de
calidad es la dimensión de las bolsas. En una fase del proceso
una máquina debe cortar automáticamente las bolsas, la medida
ideal es 300 mm, con una tolerancia de más menos 5 mm. Utilice
una carta 𝑋ത para los últimos 40 subgrupos de tamaño n = 5 y
calcule el índice de inestabilidad, St.
Tabla 6.4 Datos ejemplo 6.2.

oas
304
303
LCS = 302.3
302
301
𝑿
ഥ
300
299
LCI = 229.3
298
297
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334353637383940
Subgrupo
Figura 6.19 Carta 𝑋ത para el ejemplo 6.2.
• En particular se observa que, de 40 puntos graficados en la carta,

hay 4 por fuera de los límites de control.
4
St = *100 = 10%
40 oas
• Que se cataloga como moderadamente alto. De hecho, se tiene

más o menos un punto fuera de los límites cada 10 subgrupos o
puntos.
• En cuanto a capacidad:
ES − EI 305 − 295
Cp = = = 1.5
6 6 *1.12
• La capacidad del proceso en cuanto a la dimensión es adecuada,

ya que el índice Cp > 1.33. En resumen, el proceso es
moderadamente inestable y capaz.
oas
ഥ -𝑹
Carta de lecturas individuales 𝑿
• La carta de individuales es un diagrama para variables de tipo

continuo, pero en lugar de aplicarse a procesos semimasivos o
ത
masivos como es el caso de la carta 𝑋-R, se aplican a procesos
lentos, en los cuales para obtener una medición o una muestra
de la producción se requieren periodos relativamente largos.
Algunos ejemplos:
1. Procesos químicos para trabajar con lotes.

2. Industria de bebidas alcohólicas, en las que deben pasar
desde 1 hasta de 100 horas para obtener los resultados de
los procesos de fermentaciones y destilación.
3. Temperaturas en procesos, humedad relativa en el medio
ambiente, etc.
4. Mediciones de productividad, de desperdicio, de consumo de
agua, electricidad, combustibles, etc.
oas
ഥ -𝑹
Límites de control para la carta 𝑿
• ത
Los límites de control para una carta de lecturas individuales 𝑋-R,
se obtienen de la siguiente manera:
LCS = X + 2.66 R LCS = D4 R

LC = X LC = R
LCI = X − 2.66 R LCI = D3 R
• Donde:
• 𝑋ത es la media de las mediciones de los subgrupos;
• 𝑅ത es la media de los rangos móviles de orden 2;
• D3 y D4 son constantes que dependen del tamaño de
subgrupo o muestra.
oas
ഥ -𝑹
Ejemplo 6.3:
• En la producción de tequila se miden varias características de
calidad a lo largo del proceso, ya sea por regulaciones oficiales o
por criterios propios de cada empresa. Una de esas
características es el grado Brix residual después de la molienda
(cantidad de azúcar que queda en el bagazo del agave), que
mide la eficacia del proceso de molienda. Ésta es una variable
del tipo entre más pequeña mejor, y el valor máximo tolerado que
se tiene en una empresa en particular es ES = 3,5%. Después de
moler cada lote se determina el grado Brix residual, por lo que se
considera un proceso lento, que será más apropiado analizarlo
con una carta de individuales. En la tabla se aprecian los datos
para los últimos 40 lotes molidos, y se ha agregado la columna
para el rango móvil de orden 2, que se obtienen del rango entre
los dos datos consecutivos más recientes. A continuación, se
hará un estudio inicial y se analizará la estabilidad del proceso de
molienda.
oas
ഥ -𝑹
Datos:
Tabla 6.5 Datos ejercicio 6.3.

oas
ഥ -𝑹
• ത
Se tiene que 𝑋=1.95 ത
y 𝑅=0.43. De aquí que los límites de control
preliminares para el Brix son:
LCS = 1.95 + 2.66(0.43) = 3.10
LC = 1.95
LCI = 1.95 − 2.66(0.43) = 0.81
LCS = 3.10
Brix
LCI = 0.81
Figura 6.20 Carta 𝑋ത individual del ejemplo 6.3. Lote

oas
ഥ -𝑹
• Se tiene que los límites de control para la carta R están dados

por:
LCS = 3.2686 * 0.43 = 1.41
LC = 0.43
LCI = D3 R = 0 * 0.43 = 0.0
LCS = 1.41
Rango móvil
LCI = 0.00
Figura 6.21 Carta R individual del ejemplo 6.3 Lote

oas
ഥ -𝑹
Interpretación de la carta individual 𝑿ഥ:

• Nótese que el límite de control superior está dentro de ES = 3.5.
Por lo que si en este proceso se controlara (erróneamente) con
la especificación superior como límite de control superior, el lote
15 no caería fuera de la especificación superior = 3.5, y por tanto
no se hubiese detectado ese desajuste en el molino.
• Una vez que se ha identificado la causa, y como los puntos fuera

influyen en los límites calculados, entonces se excluyen los
datos que representan los puntos fuera y se recalculan los
límites de control sin la influencia de estas situaciones
especiales, con lo que se obtienen los límites con los se
analizarán el proceso de allí en adelante. Por lo que se tiene:
X = 1.92 R = 0.39
con lo que la desviación estándar del proceso es  = 0.35.
oas
ഥ -𝑹
• Luego los límites de control están dados por:
LCS = 1.92 + 2.66(0.39) = 2.97

LC = 1.92
LCI = 1.92 − 2.66(0.39) = 0.87
LCS = 2.97
Brix
LCI = 0.87
Lote
Figura 6.22 Carta 𝑋ത individual ajustada del ejemplo 6.3. oas
ഥ -𝑹
Estabilidad:
St =
1
(100) = 2.5
40
• Que se puede considerar relativamente bajo y por tanto la
estabilidad de proceso de molienda se puede considerar
moderadamente estable.
Capacidad:
ES −  3.5 − 1.92
C ps = = = 1.51
3 3(0.39)
• La capacidad del proceso en cuanto a brix es satisfactoria, ya

que el índice Cps = Cpk > 1.25. En resumen, el proceso es
moderadamente estable y capaz.
oas
ഥ -𝑹
Ejercicio 6.5:
• La pureza de un proceso químico es medida para cada lote, y los
datos obtenidos se registran en una carta de individuales.
Actualmente se tiene que los límites de control para dicha carta
son los siguientes:
LCS = 0.92
LC = 0.86
LCI = 0.80
oas
ഥ -𝑹
Conteste:
1. Bajo el supuesto de que el proceso está en control estadístico,
explique de manera sencilla el significado práctico de estos
límites.
2. Obtenga la deviación estándar del proceso.
3. Estime los límites reales, ¿coinciden en este caso con los límites
de control? ¿Por qué?
4. Se sugiere que el límite de control inferior sea igual a 0.84, ya
que se tiene la exigencia por parte de la administración de que
ésa sea la pureza mínima tolerable del proceso. ¿Es correcta
esta sugerencia? Argumente.
5. Si la pureza de los últimos 10 lotes es la siguiente: 0.90, 0.85,
0.83, 0.82, 0.84, 0.84, 0.85, 0.81, 0.83, 0.82. Grafique estos
datos en la carta y señale si ha pasado algo.
oas
Cartas de control para atributos
• Cualquier característica de calidad que pueda ser clasificada de

forma binaria: “cumple o no cumple”, “funciona o no funciona”,
“pasa o no pasa”, “conforme o disconforme” “defectuoso, no
defectuoso”, será considerado como un atributo y para su control
se utilizan Cartas de Control por Atributos.
• En el control por atributos, tanto la media como la variabilidad de
la proporción muestral dependen de un único parámetro, por lo
que se hace sólo una carta de control.
Atributos
Binomial Poisson
(0,1) (0,1,2,3,…)
p np u c
oas
Carta p – proporción de defectos
• Muestra las variaciones en la fracción de artículos defectuosos

por muestra o subgrupo, es ampliamente utilizada para evaluar
el desempeño de procesos.
• Los límites están determinados por:
p (1 − p )
LCS = p + 3
n
LC = p
p (1 − p )
LCI = p − 3
n
• Donde:
n es el tamaño de subgrupo;
𝑝ҧ es la proporción promedio de artículos defectuosos en el
proceso.
oas
Ejemplo 6.4:
• En una empresa del ramo alimenticio, mediante ciertas máquinas
se empaquetan salchichas en sobres o paquetes. La forma de
evaluar si el subproceso de empaquetado se hizo de manera
adecuada, es haciendo una inspección visual de los paquetes
para determinar que se satisfagan diferentes atributos de calidad,
por ejemplo: que la cantidad de salchichas dentro del sobre sea
la correcta o que dentro del sobre no quede aire. Se han tenido
problemas con este último atributo, por lo que hay un operador
que a la vez que está pendiente de la máquina empaquetadora,
hace la inspección para separar los paquetes con aire. Los que
son destruidos y las salchichas se regresan a la máquina para
que vuelvan a ser empaquetados.
• Los datos obtenidos durante tres días en la máquina se muestran

a continuación, analizar la variación mediante la carta p.
oas
Datos:
Tabla 6.6 Datos ejemplo 6.4.

oas
• Se tiene que 𝑝=0.011

ҧ y n =589.6.
275 23942
p= = 0.011 n= = 599
23942 40
• Los límites de control son:
0.011(1 − 0.011)
LCS = 0.011 + 3 = 0.023
599
LC = 0.011
0.011(1 − 0.011)
LCI = 0.011 − 3 = 0.000
599 oas
LCS = 0.023
𝒑
ഥ
LCI = 0
Subgrupo
Figura 6.23 Carta 𝑝ҧ del ejemplo 6.4.
• Se aprecia que el proceso no fue estable, el las proporciones 1,

12 y 36, rebasan el LCS.
oas
Estado de un proceso
• Un proceso es capaz, con independencia de su estabilidad, si el

nivel de disconformidades es suficientemente bajo para
garantizar que no habrá esfuerzos inmediatos para tratar de
bajarlas y mejorar así su capacidad. Un proceso puede tener
cuatro estados en cuanto a capacidad y estabilidad.
Figura 6.27 Estado de un proceso.

oas
Proceso tipo A (estable y capaz)
• Proceso que cumple con especificaciones y es predecible en el

futuro inmediato.
• Sus variables de salida están catalogadas como estables y

capaces, por lo que se está ante un proceso sin problemas
serios de calidad.
• El objetivo básico sería explorar alternativas para mejorar su

productividad y/u operatividad.
• Algunas técnicas que se podrían emplear en esta etapa:
• Análisis de modo y efecto de falla (AMEF).
• Aplicar los principios de manufactura esbelta.
• Modelar el proceso mediante superficie de respuesta.

oas
Proceso tipo B (capaz pero inestable)
• Es cuando una o más de sus variables de salida fueron

inestables, pero el proceso aún es capaz de cumplir con
especificaciones.
• Un proceso capaz pero inestable opera en presencia de causas

especiales de variación, pero éstas son tales que se está
relativamente satisfecho con el desempeño del proceso respecto
a objetivos previos o especificaciones.
• Si se quiere conocer y mejorar tal proceso, habría que empezar

por identificar y eliminar las causas de la inestabilidad; por ello,
ése será el objetivo básico de las actividades sugeridas para
este proceso.
• Mejorar la aplicación y utilización de las cartas de control.

• Identificar las causas de la inestabilidad.
• Volver a evaluar el estado del proceso.
oas
Proceso tipo C (estable pero incapaz)
• Es cuando las variables de salida de un proceso se catalogaron

como estables, pero con baja capacidad de cumplir
especificaciones. Proceso establemente malo.
• Es decir, se está ante un proceso establemente malo que

genera piezas fuera de especificaciones o piezas que no
cumplen con ciertos atributos de calidad. Por ello, la actividad de
la estrategia de mejora que se debe seguir está orientada a
mejorar la capacidad de este proceso.
• Revisar y mejorar la aplicación de las cartas de control.

• Investigar las causas de la baja capacidad mediante un
proyecto de mejora.
• Corroborar especificaciones.
• Verificar exactitud y precisión de las mediciones.
oas
Proceso tipo D (inestable e incapaz)
• Proceso que no cumple con especificaciones y en el que las

causas especiales de variación aparecen con frecuencia.
Produce mala calidad y además es difícil de pronosticar su
desempeño.
• Por ello se recomienda orientar los esfuerzos de mejora a

detectar y eliminar las causas de inestabilidad. En un proceso
altamente inestable no tiene sentido hablar de capacidad, si
antes no se ha logrado cierta estabilidad. Dado que sé está ante
un proceso muy inestable, más que tratar de identificar qué pasó
en cada punto especial, es mejor orientarse a identificar patrones
que sigue tal inestabilidad, para que de esa manera poder
generar conjeturas sobre posibles causas de la inestabilidad.
• Mejorar la aplicación y uso de las cartas de control.

• Buscar y eliminar las causas de inestabilidad.
• Volver a evaluar es estado del proceso.
oas
Proceso tipo D (inestable e incapaz)
• Proceso que no cumple con especificaciones y en el que las

causas especiales de variación aparecen con frecuencia.
Produce mala calidad y además es difícil de pronosticar su
desempeño.
• Por ello se recomienda orientar los esfuerzos de mejora a

detectar y eliminar las causas de inestabilidad. En un proceso
altamente inestable no tiene sentido hablar de capacidad, si
antes no se ha logrado cierta estabilidad. Dado que se está ante
un proceso muy inestable, más que tratar de identificar qué pasó
en cada punto especial, es mejor orientarse a identificar patrones
que sigue tal inestabilidad, para que de esa manera poder
generar conjeturas sobre posibles causas de la inestabilidad.
• Mejorar la aplicación y uso de las cartas de control.

• Buscar y eliminar las causas de inestabilidad.
• Volver a evaluar es estado del proceso.
oas
Estado de un proceso
• En el ejemplo 6.3 se calculó los índices de estabilidad y

capacidad: 𝑆𝑡 = 2.5 y 𝐶𝑝𝑠 = 𝐶𝑝𝑘 = 1.51
• En resumen, el proceso es moderadamente estable y capaz. Con

base en los análisis anteriores, el proceso se catalogaría como
tipo A: muy capaz y modernamente estable.
oas
Bibliografía:
1. LIND, Douglas. 2008. Estadística Aplicada a los Negocios y la

Economía. Decimotercera Edición. McGraw-Hill. México.
2. FREUND, John E. 2000. Estadística Matemática con
Aplicaciones. Sexta Edición. Pearson Educación. México.
3. GALINDO, Edwin. 2006. Estadística Métodos y Aplicaciones.
Segunda Edición. ProCiencia Editores. Ecuador.
4. GUTIÉRREZ, Humberto. 2009. Control Estadístico de Calidad y
Seis Sigma. Primera Edición. McGRAW-HILL. México.
5. VERGARA, Juan Carlos. 2006. Estadística Básica con
Aplicaciones en MS Excel. Grupo Métodos Cuantitativos de
Gestión. Colombia.
6. MONTGOMERY, Douglas C. 1996. Probabilidad y Estadística
Aplicadas a la Ingeniería. Primera Edición. McGRAW-HILL.
México.
oas

Curso CEC 4-6 Cap

Cargado por

Copyright:

Formatos disponibles

Curso CEC 4-6 Cap

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso CEC 4-6 Cap

Cargado por

Copyright:

Formatos disponibles

TEMA IV

Binomial / Poisson / Normal

• Se llama binomial a la ley de distribución de una variable aleatoria

• Si 𝑋~𝐵(𝑛, 𝑝) se tiene que:

P( X = 0) = (0,02)0 (1 − 0,02)10−0 = 0,82

• Por tanto, se espera que 82% de las cajas no tenga ningún

P( X = 1) = (0,02)1 (1 − 0,02)10−1 = 0,167

• Entonces, se espera que 16,7% de las cajas tengan

• Una variable aleatoria discreta 𝑋 que puede tomar un número

• Su esperanza y su varianza son, respectivamente, iguales a

• La distribución de Poisson parte de la distribución binomial.

• Cuando en una distribución binomial se realiza el experimento

• Para tener un mayor grado de seguridad, en la aplicación de la

1. Si se cumple que 𝑛𝑝 ≤ 0 y si 𝑛 ≥ 50; se aplica la distribución

2. Si se cumple que 𝑝 ≤ 0,10 se aplica la distribución de Poisson,

 = 0,012 * 800 = 9,6

• Por lo tanto, la probabilidad de que haya 5 productos

2. Se conoce que el número de personas que se hospedan en la

• La distribución de probabilidad de una variable aleatoria continua

• A esta variable aleatoria se le nota como 𝑋~𝑁(𝜇, 𝜎2) . Su

Figura 4.1 Funciones de densidad y de distribución de una variable aleatoria normal.

Figura 4.2 Área bajo la

P(81  83) = P( X  83) − P( X  81)

P(Z  2,0) = 0,977

P( X  81) = P(Z  −2,0) = 1 − P(Z  2,0) = 1 − 0,997 = 0,023

• Por lo tanto, la probabilidad de que 𝑋 esté dentro de

El test de normalidad de Anderson-Darling se define como:

H0: Los datos siguen una distribución normal.

Cálculo del p-valor:

Doble-Una especificación / Largo plazo / Métricas seis sigma

• Consiste en conocer la amplitud de la variación natural del

Figura 5.1 Capacidad de un proceso.

• El índice de capacidad potencial del proceso, Cp, se define de la

• El índice Cp, compara el ancho de las especificaciones o variación

• Para que el proceso pueda considerar potencialmente capaz de

• Se presentan cinco categorías de procesos que dependen del

Tabla 5.1 Valores Cp y su interpretación. oas

• La mayoría de los procesos industriales están en un Cp entre 1 a

Figura 5.2 Niveles típicos de Cp.

Figura 5.3 Proceso 6.

• En el caso del ejemplo 5.1 el peso de las salsas de tomate en el

• La variación tolerada es de 20, pero la variación real es mayor.

• De acuerdo con los valores del Cp y su interpretación, el proceso

• La desventaja del índice Cp es que no toma en cuenta el centrado,

• Para superar esta desventaja será necesario recurrir a otros

• En el ejemplo 5.1 del peso de las salsas de tomate en el proceso

395,88 − 385 405 − 395,88

• Como el índice para la especificación superior, Cps, es la más

• El índice de descentrado de proceso o índice de localización, K,

Interpretación usual de los valores de K:

• Valores de K menores a 20% en términos absolutos se

• El valor nominal, N, es la calidad objetivo y óptima; cualquier

• En el ejemplo 5.1 del peso de las salsas de tomate en el proceso

• De esta forma la media está desviada 8,80% a la derecha del

• Taguchi (1986) propone una definición alternativa de los índices

• En el caso del ejemplo 5.1 del peso de las salsas de tomate en el

 = 4,14 + (395,88 − 395) = 4,24

• Que al ser menor que uno muestra que el proceso de

• Cuando hablamos de capacidad de un proceso podemos tener