Se desea conocer el estudio de repetibilidad y reproducibilidad en una altura de eje pistón

usado en barras estabilizadoras, pues se sospecha del método de liberación y la efectividad

del equipo (micrómetro digital), el valor máximo esperado por el cliente es menor o igual
al 20% del total de variación como porcentaje de tolerancia.

Equipos de medición:
Micrómetro con block magnético

Altura eje pistón, especificación 10.23 +/- 0.05 inches 0.1

Operadores: Juan (T1)

Pablo (T2)
Pedro (T3)

Muestras Operadores Resultados Valor referencia

1 Juan 10.285 10.28
2 Juan 10.200 10.195
3 Juan 10.252 10.251
4 Juan 10.254 10.255
5 Juan 10.195 10.18
6 Juan 10.219 10.215
7 Juan 10.231 10.233
8 Juan 10.193 10.18
9 Juan 10.208 10.25
10 Juan 10.330 10.329
1 Juan 10.290 10.28
2 Juan 10.202 10.195
3 Juan 10.250 10.251
4 Juan 10.255 10.255
5 Juan 10.195 10.18
6 Juan 10.215 10.215
7 Juan 10.232 10.233
8 Juan 10.190 10.18
9 Juan 10.210 10.25
10 Juan 10.329 10.329
1 Juan 10.288 10.28
2 Juan 10.208 10.195
3 Juan 10.253 10.251
4 Juan 10.253 10.255
5 Juan 10.191 10.18
6 Juan 10.217 10.215
7 Juan 10.232 10.233
8 Juan 10.192 10.18
9 Juan 10.207 10.25
10 Juan 10.331 10.329
1 Pablo 10.284 10.28
2 Pablo 10.210 10.195
3 Pablo 10.250 10.251
4 Pablo 10.251 10.255
5 Pablo 10.194 10.18
6 Pablo 10.211 10.215
7 Pablo 10.231 10.233
8 Pablo 10.184 10.18
9 Pablo 10.207 10.25
10 Pablo 10.327 10.329
1 Pablo 10.283 10.28
2 Pablo 10.209 10.195
3 Pablo 10.250 10.251
4 Pablo 10.252 10.255
5 Pablo 10.199 10.18
6 Pablo 10.213 10.215
7 Pablo 10.230 10.233
8 Pablo 10.185 10.18
9 Pablo 10.206 10.25
10 Pablo 10.332 10.329
1 Pablo 10.283 10.28
2 Pablo 10.208 10.195
3 Pablo 10.248 10.251
4 Pablo 10.252 10.255
5 Pablo 10.191 10.18
6 Pablo 10.210 10.215
7 Pablo 10.230 10.233
8 Pablo 10.183 10.18
9 Pablo 10.207 10.25
10 Pablo 10.330 10.329
1 Pedro 10.282 10.28
2 Pedro 10.195 10.195
3 Pedro 10.248 10.251
4 Pedro 10.249 10.255
5 Pedro 10.188 10.18
6 Pedro 10.216 10.215
7 Pedro 10.227 10.233
8 Pedro 10.196 10.18
9 Pedro 10.201 10.25
10 Pedro 10.328 10.329
1 Pedro 10.280 10.28
2 Pedro 10.198 10.195
3 Pedro 10.248 10.251
4 Pedro 10.248 10.255
5 Pedro 10.189 10.18
6 Pedro 10.218 10.215
7 Pedro 10.228 10.233
8 Pedro 10.199 10.18
9 Pedro 10.202 10.25
10 Pedro 10.325 10.329
1 Pedro 10.279 10.28
2 Pedro 10.197 10.195
3 Pedro 10.244 10.251
4 Pedro 10.248 10.255
5 Pedro 10.189 10.18
6 Pedro 10.216 10.215
7 Pedro 10.228 10.233
8 Pedro 10.197 10.18
9 Pedro 10.204 10.25
10 Pedro 10.329 10.329
Appraiser Sample Attribute/Response Known Standard
Steve 1 Good Good
Steve 2 Bad Bad
Steve 3 Good Good
Steve 4 Good Good
Steve 5 Good Good
Steve 6 Bad Bad
Steve 7 Good Bad
Steve 8 Bad Bad
Steve 9 Bad Bad
Steve 10 Good Good
Steve 11 Bad Bad
Steve 12 Good Good
Steve 13 Bad Bad
Steve 14 Good Good
Steve 15 Good Good
Steve 16 Bad Bad
Steve 17 Bad Bad
Steve 18 Good Good
Steve 19 Bad Bad
Steve 20 Bad Good
Steve 1 Bad Good
Steve 2 Bad Bad
Steve 3 Good Good
Steve 4 Good Good
Steve 5 Good Good
Steve 6 Bad Bad
Steve 7 Bad Bad
Steve 8 Bad Bad
Steve 9 Good Bad
Steve 10 Good Good
Steve 11 Bad Bad
Steve 12 Good Good
Steve 13 Bad Bad
Steve 14 Good Good
Steve 15 Good Good
Steve 16 Bad Bad
Steve 17 Bad Bad
Steve 18 Good Good
Steve 19 Bad Bad
Steve 20 Good Good
Cindy 1 Good Good
Cindy 2 Bad Bad
Cindy 3 Good Good
Cindy 4 Good Good
Cindy 5 Good Good
Cindy 6 Bad Bad
Cindy 7 Bad Bad
Cindy 8 Bad Bad
Cindy 9 Bad Bad
Cindy 10 Bad Good
Cindy 11 Bad Bad
Cindy 12 Bad Good
Cindy 13 Good Bad
Cindy 14 Good Good
Cindy 15 Good Good
Cindy 16 Bad Bad
Cindy 17 Bad Bad
Cindy 18 Good Good
Cindy 19 Bad Bad
Cindy 20 Good Good
Cindy 1 Good Good
Cindy 2 Bad Bad
Cindy 3 Good Good
Cindy 4 Good Good
Cindy 5 Good Good
Cindy 6 Bad Bad
Cindy 7 Bad Bad
Cindy 8 Bad Bad
Cindy 9 Bad Bad
Cindy 10 Bad Good
Cindy 11 Bad Bad
Cindy 12 Bad Good
Cindy 13 Good Bad
Cindy 14 Good Good
Cindy 15 Good Good
Cindy 16 Bad Bad
Cindy 17 Bad Bad
Cindy 18 Good Good
Cindy 19 Bad Bad
Cindy 20 Good Good
George 1 Good Good
George 2 Bad Bad
George 3 Good Good
George 4 Good Good
George 5 Good Good
George 6 Bad Bad
George 7 Bad Bad
George 8 Bad Bad
George 9 Bad Bad
George 10 Good Good
George 11 Bad Bad
George 12 Good Good
George 13 Good Bad
George 14 Good Good
George 15 Good Good
George 16 Bad Bad
George 17 Bad Bad
George 18 Good Good
George 19 Bad Bad
George 20 Good Good
George 1 Bad Good
George 2 Bad Bad
George 3 Good Good
George 4 Good Good
George 5 Good Good
George 6 Bad Bad
George 7 Bad Bad
George 8 Bad Bad
George 9 Bad Bad
George 10 Good Good
George 11 Bad Bad
George 12 Good Good
George 13 Bad Bad
George 14 Good Good
George 15 Good Good
George 16 Bad Bad
George 17 Bad Bad
George 18 Good Good
George 19 Good Bad
George 20 Good Good
 p p_Bar UCL LCL

Defectuosos Total registros

31 3450 0.00898551 0.00929643

34 2364 0.0143824 0.00929643
27 2677 0.01008592
5 1315 0.00380228
28 3401 0.00823287
29 3500 0.00828571
17 2949 0.00576467
3 1778 0.00168729
16 2506 0.00638468
45 2902 0.01550655
17 2727 0.00623396
26 2862 0.00908456
27 3164 0.0085335
23 2871 0.00801115
30 3026 0.00991408
21 1808 0.01161504
25 2767 0.00903506
18 2148 0.00837989
40 3055 0.01309329
24 2741 0.00875593
22 2900 0.00758621
29 2712 0.01069322
28 3187 0.00878569
35 2806 0.01247327
35 2653 0.01319261
13 2128 0.00610902
9 2119 0.00424729
15 1321 0.01135503
41 3212 0.01276463
41 3437 0.01192901
33 3018 0.01093439
33 3129 0.0105465
28 3080 0.00909091
34 2833 0.01200141
26 1447 0.01796821
24 2470 0.0097166
23 3284 0.00700365
22 2671 0.00823662
16 1986 0.00805639
38 3212 0.01183064
18 1543 0.01166559
33 3073 0.01073869
22 2772 0.00793651
11 2533 0.00434268
35 3109 0.01125764
8 1712 0.0046729
18 2276 0.00790861
11 2240 0.00491071
18 2199 0.00818554
28 1914 0.01462905
12 2486 0.00482703
34 2821 0.01205246
19 2691 0.00706057
36 3352 0.01073986
29 2561 0.0113237
33 1905 0.01732283
18 2781 0.00647249
18 3008 0.00598404
45 3391 0.01327042
24 2366 0.0101437
20 2724 0.00734214
8 1837 0.00435493
16 2222 0.00720072
11 2196 0.00500911
26 2669 0.00974148
24 3131 0.00766528
29 1941 0.01494075
24 1497 0.01603206
30 2823 0.01062699
16 2501 0.00639744
28 1939 0.01444043
15 1757 0.00853728
30 3087 0.00971817
20 1542 0.01297017
4 1800 0.00222222
6 1639 0.00366077
28 1968 0.01422764
 26 3418 0.00760679
10 2280 0.00438596
28 2668 0.01049475
21 2818 0.00745209
31 3363 0.00921796
26 2063 0.01260301
23 2596 0.00885978
13 2066 0.00629235
14 1322 0.01059002
7 2402 0.00291424
35 2616 0.0133792
51 3368 0.01514252
27 3292 0.0082017
11 1655 0.00664653
20 2842 0.0070373

2179 234391
Un supervisor de un pequeño hospital
desea asegurarse de que el número de
errores en los registros médicos del
hospital se mantenga bajo control. El
supervisor registra el número total de
registros médicos que se archivan cada
día y el número de registros que están
incompletos o son inexactos
(defectuosos).

El tamaño de subgrupo promedio es

más de 2500. Debido al gran número
de pacientes, el supervisor utiliza una
prueba de diagnóstico con gráfica P
para evaluar si hay dispersión excesiva.
La relación de variación observada a
variación esperada es 184.3%. Este
valor indica dispersión excesiva,
porque es mayor que el límite de
confianza superior de 129.4%. La
dispersión excesiva puede hacer que
los puntos de una gráfica P tradicional
parezcan estar fuera de control cuando
no lo están. Para ajustar para la
dispersión excesiva, el supervisor debe
utilizar una gráfica P' de Laney para
monitorear los registros de
defectuosos en lugar de una gráfica P
tradicional.
 Un supervisor de un pequeño hospital desea
asegurarse de que el número de errores en los
registros médicos del hospital se mantenga bajo
control. El supervisor registra el número total de
registros médicos que se archivan cada día y el
número de registros que están incompletos o son
inexactos (defectuosos).
Defectuosos Total registros

El número de registros es alto, con un tamaño de

subgrupo promedio de más de 2500. Los datos
muestran una gran cantidad de dispersión excesiva.
Por lo tanto, el supervisor decide utilizar una gráfica P'
de Laney en lugar de una gráfica P tradicional para
monitorear los registros de los pacientes.
31 3450
34 2364
27 2677
5 1315
28 3401
29 3500
17 2949
3 1778
16 2506
45 2902
17 2727
26 2862
27 3164
23 2871
30 3026
21 1808
25 2767
18 2148
40 3055
24 2741
22 2900
29 2712
28 3187
35 2806
35 2653
13 2128
9 2119
15 1321
41 3212
41 3437
33 3018
33 3129
28 3080
34 2833
26 1447
24 2470
23 3284
22 2671
16 1986
38 3212
18 1543
33 3073
22 2772
11 2533
35 3109
8 1712
18 2276
11 2240
18 2199
28 1914
12 2486
34 2821
19 2691
36 3352
29 2561
33 1905
18 2781
18 3008
45 3391
24 2366
20 2724
8 1837
16 2222
11 2196
26 2669
24 3131
29 1941
24 1497
30 2823
16 2501
28 1939
15 1757
30 3087
20 1542
4 1800
6 1639
28 1968
26 3418
10 2280
28 2668
21 2818
31 3363
26 2063
23 2596
13 2066
14 1322
7 2402
35 2616
51 3368
27 3292
11 1655
20 2842

Puesto que las muestras no son del mismo tamaño,

los límites de control varían. El valor Sigma Z
(aproximadamente 1.7) es mayor que 1, lo que indica
que los límites de control en la gráfica P' de Laney son
más amplios que los de una gráfica P tradicional para
ajustar para la dispersión excesiva. Todos los
subgrupos pasaron las pruebas para detectar causas
especiales, por lo que el supervisor concluye que la
proporción de defectuosos está bajo control.
ID Día Muestra Quejas
1 Lunes 2266 20
2 Martes 2384 10
3 Miércoles 2529 13
4 Jueves 2576 21
5 Viernes 2472 13
6 Sábado 2752 25
7 Lunes 2381 7
8 Martes 2124 5
9 Miércoles 2053 5
10 Jueves 2319 22
11 Viernes 2883 14
12 Sábado 2146 28
13 Lunes 2793 19
14 Martes 2510 22
15 Miércoles 2326 9
16 Jueves 2954 20
17 Viernes 2075 18
18 Sábado 2164 29
19 Lunes 2264 13
20 Martes 2893 6
21 Miércoles 2928 10
22 Jueves 2140 10
23 Viernes 2672 19
24 Sábado 2400 23
25 Lunes 2973 14
26 Martes 2820 4
ID Día Muestra Quejas
1 Lunes 2500 15
2 Martes 2500 7
3 Miércoles 2500 12
4 Jueves 2500 18
5 Viernes 2500 11
6 Sábado 2500 24
7 Lunes 2500 6
8 Martes 2500 4
9 Miércoles 2500 2
10 Jueves 2500 17
11 Viernes 2500 11
12 Sábado 2500 22
13 Lunes 2500 14
14 Martes 2500 17
15 Miércoles 2500 5
16 Jueves 2500 15
17 Viernes 2500 20
18 Sábado 2500 25
19 Lunes 2500 12
20 Martes 2500 5
21 Miércoles 2500 9
22 Jueves 2500 5
23 Viernes 2500 14
24 Sábado 2500 22
25 Lunes 2500 9
26 Martes 2500 3
ID Día Muestra Quejas
1 Lunes 2500 15
2 Martes 2500 7
3 Miércoles 2500 12
4 Jueves 2500 18
5 Viernes 2500 11
6 Sábado 2500 24
7 Lunes 2500 6
8 Martes 2500 4
9 Miércoles 2500 2
10 Jueves 2500 17
11 Viernes 2500 11
12 Sábado 2500 22
13 Lunes 2500 14
14 Martes 2500 17
15 Miércoles 2500 5
16 Jueves 2500 15
17 Viernes 2500 20
18 Sábado 2500 25
19 Lunes 2500 12
20 Martes 2500 5
21 Miércoles 2500 9
22 Jueves 2500 5
23 Viernes 2500 14
24 Sábado 2500 22
25 Lunes 2500 9
26 Martes 2500 3
ID subgrupo Defectuosos
101 5
102 8
103 13
104 11
105 8
106 6
107 5
108 3
109 1
110 6
111 4
112 12
113 6
114 8
115 13
116 17
117 4
118 5
119 4
120 9
121 7
122 2
123 3
124 6
 Un gerente de una empresa de transcripciones desea evaluar la calidad del
servicio de transcripción. El gerente selecciona de forma aleatoria 25 conjuntos
No. de páginas Errores
de páginas de órdenes consecutivas y cuenta el número de errores tipográficos
(defectos). Cada conjunto tiene un número diferente de páginas.

30 3 El gerente crea una gráfica U para monitorear el número de errores.

24 4
23 2
25 6
32 5
30 18
24 6
30 5
27 10
24 4
30 4
32 7
26 5
31 8
24 5
27 7
27 4
30 17
32 5
24 8
26 6
32 8
30 9
24 5
25 3
27.56 6.56
 La directora de calidad de un grupo de hospitales
desea evaluar la tasa de errores relacionados con
medicamentos. Algunos ejemplos de errores
incluyen la administración de medicamentos a una
hora incorrecta, administración de una dosis
incorrecta y administración de un medicamento
equivocado. La directora registra el número de
pacientes y el número de errores de medicamentos
cada semana durante 32 semanas.

Errores Pacientes

El número de pacientes es alto, el tamaño de

subgrupo promedio es más de 7500 y los datos
presentan dispersión excesiva. Por lo tanto, el
director decide utilizar una gráfica U' de Laney en
lugar de una gráfica U tradicional para monitorear
los errores de medicación.
71 5750
15 9010
84 7179
56 6830
18 7134
69 8478
12 8858
20 7412
39 7537
93 8957
62 8330
33 9810
3 8645
79 5716
12 9240
28 7243
91 8846
42 6215
31 4718
13 4993
68 9356
15 7654
147 4535
67 5659
52 5593
94 9550
82 7589
91 8520
7 9606
58 6808
61 8876
16 5355

Puesto que las muestras no son del mismo tamaño, los límites de control varían. El valor Sigma Z (aprox
ID Muestras Defectos
1 23
2 27
3 44
4 60
5 24
6 23
7 34
8 22
9 45
10 30
11 34
12 30
13 44
14 47
15 36
16 31
16 554
 Un ingeniero especializado en calidad que
trabaja para un fabricante de papel tapiz desea
evaluar la estabilidad del proceso de
impresión. Cada hora, el ingeniero toma una
muestra de 100 pies de papel tapiz y cuenta el
número de defectos de impresión, que
incluyen manchas de impresión, distorsiones
del patrón y tinta faltante.
ID Muestras Defectos
El ingeniero crea una gráfica C para monitorear
1 24 el número de defectos.
2 28
3 36
4 47
5 23
6 26
7 29
8 45
9 48
10 32
11 45
12 56
13 58
14 41
15 25
16 38
17 21
18 29
19 38
20 32
21 45
22 42
23 26
24 38
25 45

El número promedio de defectos por muestra

es 36.68. Las muestras 12 y 13 no pasaron la
Prueba 1, porque están fuera de los límites de
control. Por lo tanto, el proceso está fuera de
control. El ingeniero debe identificar y corregir
cualquier factor que contribuya a la variación
por causas especiales.
Identificación de Vehículo VIN Número de carros inspeccionados Número de no conformidades
xxxyysz 6 28
sadsfa 5 27
jjjsad 7 62
kjdqejqk 5 60
kjasdfjañ 8 38
quueu 7 32
ueinnas 8 54
xxams 9 40
xxamein 8 72
jdasidna 10 60
asldfaie 7 48
qeueosjqo 9 54
znxc,adf 7 62
euqorn 8 75
quepnsx 6 43
qeirqjasb 5 31
115 786