CDC Tema 1 SPC Variables

30/12/23, 11:30 CdC_Tema_1_SPC_Variables
CdC_Tema_1_SPC_Variables Code
CONTROL DE CALIDAD
UC3m / Depto. Estadística / MAD
curso 2023-24
1 Introducción
2 Cartas de Control para Xbar y R
2.1 Fundamentos Estadísticos de las Cartas
2.2 Carta de Control R
2.3 Carta de Control Xbar
2.4 Desarrollo de las Ecuaciones
2.5 Límites de Control de Prueba
2.6 Desarrollo y uso de las cartas Xbar y R
2.7 Revisión de Límites de Control y Líneas Centrales
2.8 Subgrupos Racionales
2.9 Lineamientos para el Diseño de la Carta de Control
2.10 Cambio del Tamaño de la Muestra en las Cartas Xbar y R
2.11 Límites de Probabilidad en las Cartas Xbar y R
2.11.1 Límites de Probabilidad para la Carta Xbar
2.11.2 Límites de Probabilidad para la Carta R
2.12 Cartas Basadas en Valores Estándares
2.12.1 Parámetros de la Carta Xbar con Valores Estándares
2.12.2 Parámetros de la Carta R con Valores Estándares
2.12.3 Consideraciones
2.13 Interpretación de las Cartas Xbar y R
2.13.1 Patrones Comunes en Cartas Xbar y R
2.13.2 Consideraciones Finales
2.14 El Efecto del Incumplimiento de la Normalidad en las Cartas Xbar y R
2.14.1 Supuesto de Normalidad y Desviación
2.14.2 Investigación sobre el Efecto de la Desviación de la Normalidad
2.14.3 Diferencia en la Sensibilidad entre Carta Xbar y Carta R
2.15 La Función de Operación Característica en Cartas Xbar y R
2.15.1 Curva OC en Carta Xbar
2.15.2 Curva OC en Carta R
2.15.3 Estudio de Datos Pasados y Recomendación
2.16 La función de operación característica
2.17 La longitud promedio de la corrida para la carta Xbar
3 CARTAS DE CONTROL PARA XBAR Y S
3.1 Construcción y operación de las cartas Xbar y S
3.1.1 Tabla 5-3 Mediciones del diámetro interior (mm) de los anillos para pistones de automóvil
3.2 Las cartas de control Xbar y S con tamaño de la muestra variable
4 La carta de control S 2
5 La Carta de Control de Shewhart para Mediciones Individuales
5.1 Estableciendo la Carta de Control
5.1.1 Interpretación de las Cartas
5.1.2 Normalidad de los Datos
5.1.3 Estimación de σ (Desviación Estándar)
6 Resumen de Procedimientos para las Cartas Xbar, R y S
6.1 Tabla 5-9: Fórmulas para Cartas de Control (con Valores Estándar Dados)
6.2 Tabla 5-10: Fórmulas para Cartas de Control, Límites de Control Basados en Datos Pasados (Sin Valores Estándar)
7 Aplicaciones de las Cartas de Control para Variables
7.1 Ejemplo 5-7: Uso de Cartas de Control para Mejorar Procesos de Proveedores
7.2 Ejemplo 5-8: Uso del SPC para Adquirir una Máquina Herramienta
7.3 Ejemplo 5-9: Implementación del SPC en Talleres con Corridas de Producción Cortas
7.4 Ejemplo 5-10: Uso de Cartas Xbar y R en un Contexto no Manufacturero
8 APÉNDICE:
8.1 Tabla VI:
Este apartado ha sido tomado del capítulo 5 del libro recomendado en la bibliografía: “Control
Estadístico de la Calidad” Douglas C. Montgomery ISBN 968-18-6234-1
https://aulaglobal.uc3m.es/pluginfile.php/6531674/mod_resource/content/8/Cdc_Tema_1_SPC_Variables.html# 1/30
1 Introducción
En este capítulo se abordan las cartas de control de Shewhart para características de calidad que se pueden
medir en una escala numérica, denominadas variables. Estas cartas permiten monitorear tanto el valor
medio como la variabilidad de estas características.
Características Variables
Las características de calidad que pueden expresarse numéricamente, como dimensiones, pesos o
volúmenes, se denominan variables. Las cartas de control para variables son ampliamente utilizadas en el
control de calidad.
Importancia del Control
Cuando se trabaja con características de calidad como variables, es esencial monitorear tanto la media del
proceso como su variabilidad. Esto se logra mediante cartas de control específicas.
Cartas de Control Xbar y R
Las cartas de control Xbar y R se utilizan para monitorear la media y la variabilidad del proceso en variables.
Son técnicas estadísticas cruciales para el control y monitoreo de procesos en línea.
La carta Xbar se utiliza para controlar el promedio del proceso. Es esencial para mantener bajo control el
nivel de calidad medio.
La carta R se emplea para monitorear la variabilidad del proceso. Es una herramienta valiosa para
identificar cambios en la dispersión de las características de calidad.
Variaciones y Adaptaciones
En algunos casos, es necesario realizar adaptaciones a las cartas de control Xbar y R para ajustarse a
situaciones específicas. Se consideran variantes que se ajustan a mediciones individuales y se presentan
ejemplos de aplicaciones típicas.
Adaptación a Mediciones Individuales
Se describen procedimientos para adaptar las cartas Xbar y R cuando las mediciones se toman de forma
individual en lugar de en grupos.
En resumen:
Las cartas de control Xbar y R son herramientas esenciales en el control de calidad para características de
calidad medidas numéricamente. Estas cartas permiten monitorear tanto la media como la variabilidad del
proceso, garantizando que los productos cumplan con las especificaciones requeridas.
2 Cartas de Control para Xbar y R

2.1 Fundamentos Estadísticos de las Cartas
Se considera una característica de calidad con distribución normal de media µ y desviación estándar σ,
donde ambos µ y σ son conocidos. Si x1 , x2 , … , xn son muestras de tamaño n, entonces el promedio de
la muestra es:
x1 + x2 + ⋯ + xn
x̄ =
n
σ
y se sabe que x̄ sigue una distribución normal con media µ y desviación estándar σx̄ = . Además, con
√n
probabilidad 1 − α , cualquier media muestral se encuentra entre:

σ
μ + Zα/2 σx̄ = μ + Zα/2 −
−
√n
σ
μ − Zα/2 σx̄ = μ − Zα/2 −
−
√n
donde Z α
es el valor crítico de la distribución normal estándar.
2
La variabilidad del proceso debe controlarse tanto en la media como en la desviación estándar.
Figura 5-1 La necesidad de controlar tanto la media como la variabilidad del proceso. a) La media y la
desviación estándar en sus valores nominales. b) La media del proceso μ1 > μ0 , . c) La desviación
estándar del proceso σ1 > σ0 .
Las cartas de control Xbar y R son herramientas efectivas para este propósito.
En la práctica, generalmente no se conocen los valores de μ y σ. Por lo tanto, deben estimarse a partir de
muestras o subgrupos preliminares tomados cuando se considera que el proceso está bajo control. En
general, estas estimaciones deberán basarse en al menos 20 o 25 muestras. Suponer que se cuenta con m
muestras, cada una de las cuales contiene n observaciones de la característica de la calidad. De manera
típica, n será pequeña, con frecuencia será 4, 5 o 6. Estos tamaños pequeños de la muestra suelen resultar
de la construcción de subgrupos racionales.
2.2 Carta de Control R

La carta R se utiliza para monitorear la variabilidad del proceso. Si µ y σ no son conocidos
El rango de la muestra es la diferencia entre las observaciones menor y mayor; es decir,
R = xmax − xmin
Sean R1 , R2 , … , Rm , los rangos de las m muestras. El rango promedio es
R1 + R2 + ⋯ + Rm
¯
R =
m
Los límites de control para esta carta se calculan utilizando:
¯ ¯ ¯
UCL = D4 R Center line = R LCL = D3 R
donde D3 y D4 son constantes tabuladas. Tabla VI
2.3 Carta de Control Xbar

La carta Xbar se utiliza para controlar la media del proceso. Si µ y σ no son conocidos,
El mejor estimador de μ es el promedio del proceso, es decir, el gran promedio, el promedio de los
promedios de las m muestras:
x̄1 + x̄2 + ⋯ + x̄m

¯ =
x̄
m
los límites de control pueden establecerse utilizando:
¯ + A R¯
UCL = x̄ 2
Center line ¯
= x̄
¯ − A R¯
LCL = x̄ 2
donde A2 es una constante tabulada. Tabla VI

Si µ y σ son desconocidos, se estiman a partir de muestras preliminares.
2.4 Desarrollo de las Ecuaciones

Los límites de control para las cartas Xbar y R se desarrollan a partir de la relación entre el rango y la
desviación estándar de una muestra. La estimación de σ se realiza a través de los rangos y se utilizan
constantes tabuladas (A2 , D3 , D4 , etc.) para calcular los límites de control.
Existe una relación bien definida entre el rango de una muestra de una distribución normal y la desviación
estándar de esa distribución. A la variable aleatoria W = R/σ se le llama el rango relativo. Los
parámetros de la distribución de W son una función del tamaño de la muestra n. La media de W es d2 ,
E[W ] = d2 . Por consiguiente, un estimador de σ es σ = R/d2 . En la Tabla VI del apéndice se presentan
los valores de d2 , para varios tamaños de la muestra. Por lo tanto, si R

¯
es el rango promedio de las m
muestras preliminares, puede usarse para estimar σ:
¯
R
σ
^ =
d2
Se trata de un estimador insesgado de σ. Si se usa ¯

x̄ como estimador de μ y R/d2 , como estimador de σ ,
entonces los parámetros de la carta Xbar son
3
¯ + ¯
UCL = x̄ −R
−
d2 √n
Center line ¯
= x̄
3
¯ − ¯
LCL = x̄ −R
−
d2 √n
Si se define
3
A2 = −
−
d2 √n
entonces la ecuación para los límites de Xbar se reduce a la ecuación basada en la constante A2 :
¯ ¯
UCL = x̄ + A2 R Center line = x̄ LCL = x̄ − A2 R
Consideremos ahora la carta R. La línea central será R ¯

. Para determinar los límites de control se necesita
un estimador de σR . Suponiendo que la característica de la calidad tiene una distribución normal, ó, puede
encontrarse a partir de la distribución del rango relativo W = R/σ . La desviación estándar de W es d3 que
es una función conocida de n. Por tanto, ya que
R = Wσ
la desviación estándar de R es
σR = d3 σ
Puesto que σ es desconocida, puede estimarse con σR por
¯
R
σ
^R = d3
d2
Por consiguiente, los parámetros de la carta R con los límites de control tres sigma usuales son
¯
R
¯ ¯
UCL = R + 3σ
^R = R + 3d3
d2
¯
Center line = R
¯
R
¯ ¯
LCL = R − 3σ
^R = R − 3d3
d2
d3 d3
y si se hace D3 = 1 − 3
d2
y D4 = 1 + 3
d2
las escuaciones del gráfico R quedan así:
¯ ¯ ¯
UCL = D4 R Center line = R LCL = D3 R
En la Tabla VI del apéndice se presentan los valores de D3 y D4 .
2.5 Límites de Control de Prueba

Cuando se utilizan muestras preliminares para construir las cartas de control, los límites obtenidos se
consideran límites de control de prueba. Si los valores de las muestras se encuentran fuera de estos
límites, se revisa la hipótesis del control pasado. Se busca una causa asignable para los puntos fuera de
control. Si no se encuentra una causa, se pueden recalcular los límites de control con los puntos restantes.
En situaciones donde muchos puntos están fuera de control, es importante analizar el patrón de los puntos
antes de eliminarlos. El patrón puede revelar una causa asignable que, una vez solucionada, mejore el
proceso.
Cuando se utilizan muestras preliminares para construir las cartas de control Xbar y R, se acostumbra a
tratar a los límites de control obtenidos de las ecuaciones anteriores como límites de control de prueba.
Si todos los puntos se localizan dentro de los límites de control y no es evidente ningún comportamiento
sistemático, se concluye entonces que el proceso estaba bajo control en el pasado, y los límites de control
de prueba son apropiados para controlar la producción actual o futura. En ocasiones se hace referencia a
este análisis de datos pasados como un análisis de fase 1. Es altamente deseable contar con 20 o 25
muestras o subgrupos de tamaño n (normalmente n estará entre 3 y 5) para calcular los límites de control de
prueba.
Suponer que uno o más de los valores de Xbar o de R se localizan fuera de control cuando se comparan con
los límites de control de prueba. Evidentemente, si los límites de control para la producción actual o futura
deben ser significativos, deben basarse en datos de un proceso que esté bajo control. Por lo tanto, cuando
la hipótesis del control se rechaza. es necesario revisar los límites de control de prueba. Esto se hace
examinando cada uno de los puntos fuera de control y buscando una causa asignable.
Si se encuentra una causa asignable, el punto se descarta y los límites de control de prueba se recalculan
de nuevo utilizando únicamente los puntos restantes. Después estos puntos restantes vuelven a examinarse
para el control. (Obsérvese que los puntos que inicialmente estaban bajo control quizá estén ahora fuera de
control, ya que por lo general los nuevos límites de control de prueba serán más estrechos que los
anteriores.)
Este proceso se continúa hasta que todos los puntos se localicen bajo control, punto en el cual los límites de
control de prueba se adoptan para uso actual.
2.6 Desarrollo y uso de las cartas Xbar y R

video: Los anillos para pistones (https://youtu.be/gJfPNhlMIFs)
(del ejemplo 5-1 del libro) Los anillos para pistones de un motor de automóvil se producen mediante un
proceso de fundición. Quiere establecerse el control estadístico del diámetro interior de los anillos fabricados
con este proceso utilizando cartas Xbar y R. Para ello se toman 25 muestras, cada una de tamaño cinco,
cuando se considera que el proceso está bajo control. En la tabla siguiente se muestran los datos de la
medición del diámetro interior de estas muestras.
Hide
library(qcc)
library(knitr)
library(kableExtra)
library(tidyverse)
data("pistonrings")
datos<-pistonrings[pistonrings$trial,1:2]
dato<-matrix(datos$diameter, ncol=5, byrow=T)
colnames(dato)<-c("X1","X2","X3","X4","X5")
df<-as.data.frame(dato)
df$Xbar<-round(rowSums(dato)/5,3)
max<-aggregate(datos$diameter, by=list(datos$sample), FUN=max)[,2]
min<-aggregate(datos$diameter, by=list(datos$sample), FUN=min)[,2]
df$Ri<-max-min
df$num<-1:25
df<-df[, c(8,1:7)]
#kable(df, "simple")%>%
# kable_styling(font_size = 6)
#kable(df, booktabs = TRUE) %>%

# kable_styling(font_size = 8)
df %>% kbl(caption = "Tabla muestras anillos de pistón")%>% kable_classic(full_width = F, html_font = "Cambria", fon
t_size = 11)
Tabla muestras anillos de pistó n

num X1 X2 X3 X4 X5 Xbar Ri
1 74.030 74.002 74.019 73.992 74.008 74.010 0.038
2 73.995 73.992 74.001 74.011 74.004 74.001 0.019
3 73.988 74.024 74.021 74.005 74.002 74.008 0.036
4 74.002 73.996 73.993 74.015 74.009 74.003 0.022
5 73.992 74.007 74.015 73.989 74.014 74.003 0.026
6 74.009 73.994 73.997 73.985 73.993 73.996 0.024
7 73.995 74.006 73.994 74.000 74.005 74.000 0.012
8 73.985 74.003 73.993 74.015 73.988 73.997 0.030
9 74.008 73.995 74.009 74.005 74.004 74.004 0.014
10 73.998 74.000 73.990 74.007 73.995 73.998 0.017
11 73.994 73.998 73.994 73.995 73.990 73.994 0.008
12 74.004 74.000 74.007 74.000 73.996 74.001 0.011
13 73.983 74.002 73.998 73.997 74.012 73.998 0.029
14 74.006 73.967 73.994 74.000 73.984 73.990 0.039
15 74.012 74.014 73.998 73.999 74.007 74.006 0.016
16 74.000 73.984 74.005 73.998 73.996 73.997 0.021
17 73.994 74.012 73.986 74.005 74.007 74.001 0.026
18 74.006 74.010 74.018 74.003 74.000 74.007 0.018
19 73.984 74.002 74.003 74.005 73.997 73.998 0.021
20 74.000 74.010 74.013 74.020 74.003 74.009 0.020
21 73.988 74.001 74.009 74.005 73.996 74.000 0.021
22 74.004 73.999 73.990 74.006 74.009 74.002 0.019
23 74.010 73.989 73.990 74.009 74.014 74.002 0.025
24 74.015 74.008 73.993 74.000 74.010 74.005 0.022
25 73.982 73.984 73.995 74.017 74.013 73.998 0.035
Cuando se establecen las cartas de control Xbar y R, es mejor empezar con la carta R. Debido a que los
límites de control de la carta Xbar dependen de la variabilidad del proceso, a menos que la variabilidad del
proceso esté bajo control, estos límites no tendrán mucho sentido.
Utilizando los datos de la tabla anterior, se encuentra que la línea central de la carta R es:
25
∑ Ri
i=1
¯
R = = 0.023
25
Para muestras con n = 5, en la Tabla VI del apéndice del libro se encuentra que D3 = 0 y D4 = 2.115 . Por
lo tanto, los límites de control para la carta R son:
LCL = RD3 = 0.023(0) = 0
U CL = RD4 = 0.023(2.115) = 0.049
En la figura se muestra la carta R. Cuando los 25 rangos muestrales se grafican en esta carta, no hay
indicios de una condición fuera de control.
En R , para obtener este gráfico es necesario indicar el argumento type="R" en la función qcc() .
Puesto que la carta R indica que la variabilidad del proceso está bajo control, puede construirse ahora la
carta Xbar. La línea central es
25
∑ x
¯i 1850.028
i=1
¯ =
x̄ = = 74.001
25 25
Para encontrar los límites de control de la carta Xbar, se usa A2 = 0.577 de la Tabla VI del apéndice del
libro para muestras de tamaño n = 5 y las ecuaciones quedan así:
¯ + A R¯
U CL = x̄ 2 = 74.001 + (0.577)(0.023) = 74.014
¯ − A R¯
LCL = x̄ 2 = 74.001 − (0.577)(0.023) = 73.988
La carta Xbar se muestra en la figura siguiente.
En R , para obtener este gráfico es necesario indicar el argumento type="xbar" en la función qcc() .
Cuando los promedios muestrales preliminares se grafican en esta carta, no se observa ningún indicio de
una condición fuera de control.
Por lo tanto, puesto que las cartas Xbar y R indican control, se concluiría que el proceso está bajo control
en los niveles establecidos y se adoptan los límites de control de prueba para usarlos en el control
estadístico del proceso en línea.
Estimación de la capacidad del proceso
Las cartas Xbar y R proporcionan información acerca del desempeño o capacidad del Proceso, A partir de
la carta Xbar el diámetro medio de los anillos para pistones puede estimarse como X
¯
= 74.001mm.
La desviación estándar del proceso puede estimarse usando la ecuación:
¯
R 0.023
σ
^ = = = 0.0099
d2 2.326
donde el valor de d2 para muestras de tamaño cinco se encuentra en la Tabla VI del apéndice del libro. Los
límites de la especificación para estos anillos para pistones son 74.000 ± 0.05mm.
Los datos de la carta de control pueden usarse para describir la capacidad del proceso para producir
anillos para pistones respecto de estas especificaciones.
Suponiendo que el diámetro de los anillos para pistones es una variable aleatoria con una distribución
normal, con media 74.001 y desviación estándar 0.0099, la fracción disconforme de los anillos para pistones
producidos puede estimarse como
p = P {x < 73.950} + P {x > 74.050}
73.950 − 74.001 74.050 − 74.001

= Φ( ) + 1 − Φ( )
0.0099 0.0099
= Φ(−5.15) + 1 − Φ(4.04)
≃ 0 + 1 − 0.99998
≃ 0.00002
Es decir, aproximadamente 0.002% [20 partes por millón (ppm)] de los anillos para pistones producidos
estarán fuera de las especificaciones.
Otra manera de expresar la capacidad del proceso es en términos del índice de capacidad del proceso
(PCR, por sus siglas en inglés) CP , que para una característica de la calidad con límites tanto superior como
inferior de la especificación (USL y LSL, respectivamente) es:
U SL − LSL
Cp =
6σ
la extensión 6σ del proceso es la definición básica de la capacidad del proceso. Puesto que por lo general σ
es desconocida, debe sustituirse con una estimación. Se usa con frecuencia σ ^ = R/d2 , como estimación
¯
de σ, de donde se obtiene la estimación C^P , de Cp . Para el proceso de los anillos para pistones, puesto
que R
¯
^ = 0.0099 , se encuentra que
/d2 = σ
74.05 − 73.95
^
Cp =
6(0.0099)
0.10
=
0.0594
= 1.68
Hide
pc<-processCapability(object = q3, spec.limits = c(73.95,74.05), target = 74, confidence.level = 0.95)

plot(pc)
Hide
# pc$indices[1] para obtener Cp
En R , para obtener este gráfico es necesario usar la función processCapability:

processCapability(object = q3, spec.limits = c(73.95,74.05), target = 74, confidence.level = 0.95) .
Esto implica que los límites de tolerancia “natural” en el proceso (tres sigma arriba UNTL y abajo LNTL de la
media) están muy adentro de los límites inferior y superior de la especificación. Por consiguiente, se
producirá un número relativamente pequeño de anillos para pistones disconformes.
Caso I Caso II Caso III

Cp > 1 Cp = 1 Cp < 1
Se producen gran
No se producen casi Se producen muy pocas
cantidad de unidades
unidades disconformes unidades disconformes
disconformes.
El PCR; CP tiene otra interpretación. La cantidad
1
P = ( )100%
CP
es simplemente el porcentaje de la banda de las especificaciones que utiliza el proceso. Para el proceso de
los anillos para pistones, una estimación de P es:
1 1
P = ( )100% = ( )100% = 59.5%
CP 1.68
Es decir, el proceso utiliza un 60% de la banda de las especificaciones.

CP = 1.68 es mayor que la unidad. Esto significa que el proceso utiliza mucho menos del 100% de la
banda de tolerancia. Por consiguiente, en este proceso se producirá un número relativamente reducido de
unidades disconformes.
2.7 Revisión de Límites de Control y Líneas Centrales

Es fundamental realizar revisiones periódicas de los límites de control y las líneas centrales en las cartas de
control. Los límites iniciales deben tratarse como límites de prueba, sujetos a revisión y ajuste. Las prácticas
varían, pero es común establecer intervalos regulares de revisión, como semanalmente, mensualmente o
después de cierto número de muestras (por ejemplo, cada 25, 50 o 100 muestras). Al revisar los límites de
control, es recomendable usar al menos 25 muestras o subgrupos para obtener límites confiables.
En algunas situaciones, la línea central de la carta Xbar puede ser reemplazada por un valor objetivo, como
Xo . Esto puede ser útil si la carta R muestra control y se busca ajustar la media del proceso a un valor
deseado. Sin embargo, si influir en la media no es sencillo o depende de múltiples variables complejas, el
uso de un valor objetivo puede no ser útil y podría generar puntos fuera de los límites de control.
Cuando la carta R está fuera de control, es común eliminar los puntos fuera de control y recalcular el valor
revisado del rango R. Luego, este valor se utiliza para determinar los nuevos límites y la línea central en la
carta R, así como los nuevos límites en la carta Xbar. Este proceso permite estrechar los límites de ambas
cartas, alineándolos con una desviación estándar σ consistente con el uso del valor revisado de R ¯
y la
relación R/d2 . Esta estimación de σ podría servir como base para un análisis preliminar de la capacidad del
¯
proceso.
2.8 Subgrupos Racionales

El concepto de subgrupo racional es crucial en el uso de las cartas de control Xbar y R. Para entenderlo
mejor, es importante comprender las funciones de ambos tipos de cartas de control.
La carta Xbar monitorea el promedio del proceso, mientras que la carta R mide la variabilidad dentro de una
muestra. Por lo tanto, las muestras deben seleccionarse de manera estratégica para maximizar la detección
de cambios en el promedio del proceso en la carta Xbar, y para medir solo las causas aleatorias de
variabilidad dentro de las muestras en la carta R.
Una observación crucial es que la estimación de la desviación estándar del proceso (σ) utilizada en la
construcción de los límites de control se calcula a partir de la variabilidad dentro de cada muestra (usando
los rangos muestrales individuales). Por lo tanto, esta estimación refleja solo la variabilidad interna de las
muestras y no debe calcularse mediante la estimación cuadrática convencional,
−−−−−−−−−−−−−−−−−
m n 2
∑ ∑ ¯)
(xij − x̄
i=1 j=1
√
s =
mn − 1
ya que esta combinación incorrecta de variabilidades entre y dentro de las muestras puede sobrestimar σ.
Para el caso del ejemplo de los anillos de pistones con m=25 muestras y n=5 observaciones, el valor de
la media global x̄
¯ = 74.00112 el valor de R̄/d = 0.0098 siendo el valor de s aplicando la fórmula
2
anterior s= 0.0101.
Los límites de control deben basarse únicamente en la variabilidad dentro de las muestras, y agrupar todos
los datos preliminares de manera inapropiada para estimar σ no es recomendable.
En resumen, los subgrupos racionales se seleccionan cuidadosamente para asegurar que la carta Xbar
monitoree cambios en el promedio del proceso, mientras que la carta R mida solo la variabilidad dentro de
las muestras.
2.9 Lineamientos para el Diseño de la Carta de Control

El diseño de las cartas Xbar y R involucra la especificación del tamaño de la muestra, la anchura de los
límites de control y la frecuencia del muestreo. Aunque no se puede ofrecer una solución exacta sin
información detallada sobre estadísticas y factores económicos, hay lineamientos generales que pueden
ayudar en este proceso.
Tamaño de Muestra:
Para detectar corrimientos moderados a grandes en el proceso (2σ o mayores), tamaños de
muestra pequeños (n = 4, 5, 6) son efectivos.
Para detectar cambios pequeños, se necesitarán tamaños de muestra más grandes (n = 15, 25).
El tamaño de muestra debe ser consistente con la magnitud del corrimiento que se busca detectar.
Carta R:
Insensible a los corrimientos en la desviación estándar del proceso para muestras pequeñas.
Para n > 10 o 12, considerar usar una carta de control para S o S 2 en lugar de R.
En nuestro caso si n < 10 utilizaremos la carta R y si n ≥ 10 utilizaremos la carta S.
Curvas de Operación Característica:

Útiles para elegir el tamaño de la muestra.
Ayudan a comprender la probabilidad de detectar un corrimiento con cierto tamaño de muestra.
Asignación del Muestreo:
Decidir entre muestras pequeñas y frecuentes o muestras más grandes y menos frecuentes.
La práctica actual favorece las muestras pequeñas y frecuentes para evitar producción defectuosa.
Velocidad de Producción:
La velocidad afecta la elección del tamaño de muestra y la frecuencia del muestreo.
Velocidades altas requieren muestreo más frecuente y tamaños de muestra moderados/grandes.
Límites de Control:
Uso común de límites de control tres sigma (3σ) en cartas Xbar y R.
En situaciones específicas, ajustar los límites de control según costos de falsas alarmas y tiempo.
2.10 Cambio del Tamaño de la Muestra en las Cartas Xbar y R

En ciertas situaciones, el tamaño de la muestra n puede variar en las cartas Xbar y R. Esto puede ser
debido a circunstancias como cambios de costos o la estabilidad del proceso. Aquí se exploran dos
escenarios: el tamaño de muestra variable y el cambio permanente en el tamaño de la muestra.
Tamaño de Muestra Variable:
En general, las cartas Xbar y R no se utilizan con tamaños de muestra variables debido a
problemas con la interpretación de una línea central móvil en la carta R.
En estos casos, se prefieren las cartas Xbar y S (sección 5-3.2).
Cambio Permanente en el Tamaño de Muestra:
Cuando se produce un cambio permanente o semipermanente en el tamaño de la muestra, se
pueden calcular los nuevos límites de control directamente a partir de los anteriores sin necesidad
de recolectar más muestras.
Los nuevos límites de control para la carta Xbar son calculados en función del factor A2 y los
parámetros anteriores.
Los nuevos parámetros para la carta R también se calculan considerando el factor D3 y D4 según
el nuevo tamaño de la muestra.
Nuevos Límites de Control para la Carta Xbar: -
d2 (new)
¯ + A [ ¯
UCL = x̄ 2 ] Rold
d2 (old)
d2 (new)
¯ − A [
LCL = x̄ ¯
]R
2 old
d2 (old)
Nuevos Parámetros para la Carta R: -
d2 (new)
¯
UCL = D4 [ ] Rold
d2 (old)
d2 (new)
¯ ¯
CL = Rnew = [ ] Rold
d2 (old)
d2 (new)
¯
LCL = max {0, D3 [ ] Rold }
d2 (old)
En ambos casos, los factores A2 , D3 y D4 se ajustan según el nuevo tamaño de la muestra. Estos cambios
permiten adaptar las cartas de control a diferentes escenarios de tamaño de muestra y cambios en el
proceso.
2.11 Límites de Probabilidad en las Cartas Xbar y R

En las cartas de control Xbar y R, es común expresar los límites de control como un múltiplo de la desviación
estándar del estadístico graficado. La elección usual es k = 3, lo que se refiere a los límites como “límites
3 sigma”. Sin embargo, también es posible definir los límites de control en términos del nivel de error tipo I
(α) de la prueba, lo que se llama “límites de probabilidad”.
2.11.1 Límites de Probabilidad para la Carta Xbar

Para la carta Xbar, donde la distribución es aproximadamente normal, los límites de probabilidad
pueden elegirse relacionándolos con el error tipo I deseado (α).
Un múltiplo de sigma para el límite de control se selecciona como k = Zα/2 , donde Zα/2 es el
percentil α/2 de la distribución normal estándar.
Los límites convencionales “3 sigma” corresponden a α = 0.0027 . Al elegir α = 0.002 (una práctica
común en límites de probabilidad), Zα/2 = Z0.001 = 3.09, resultando en una pequeña diferencia entre
estos límites y los límites convencionales.
2.11.2 Límites de Probabilidad para la Carta R

También es posible construir cartas R utilizando límites de probabilidad.
Si α = 0.002 , se requieren los percentiles 0.001 y 0.999 de la distribución del rango relativo
W = R/σ , que dependen del tamaño n del subgrupo.
Los límites de probabilidad para la carta R se obtienen a partir de D0.001 = W0.001 (n)/d2 y
D0.999 = W0.999 (n)/d2 .
¯ ¯
Los límites de control para la carta R son UCL = D0.999 R y LCL = D0.001 R .
En situaciones prácticas, estos límites de probabilidad no diferirán significativamente de los límites
convencionales “3 sigma”. Sin embargo, para tamaños de muestra 3 < n < 6, los límites de probabilidad
generarán un límite de control inferior positivo en la carta R, a diferencia de los límites convencionales.
2.12 Cartas Basadas en Valores Estándares

En ciertos casos, cuando es posible especificar valores estándares para la media (μ) y la desviación
estándar (σ) del proceso, se pueden establecer las cartas de control Xbar y R sin el análisis de datos
pasados.
2.12.1 Parámetros de la Carta Xbar con Valores Estándares

Supongamos que los valores estándares dados son μ y σ.
Los parámetros de la carta Xbar son:
−
−
Límite Superior de Control (UCL) = μ + 3σ/√n
Línea Central = μ
−
−
Límite Inferior de Control (LCL) = μ − 3σ/√n
−
−
Aquí, se denota como A, una constante determinada en la Tabla VI del apéndice.
3/√n
Los parámetros podrían expresarse como: UCL = μ + Aσ , Línea Central = μ, LCL = μ − Aσ .
2.12.2 Parámetros de la Carta R con Valores Estándares

Para la carta R con valor estándar de σ, se recuerda que σ = R/d2 , donde d2 es la media de la
distribución del rango relativo.
La desviación estándar de R es σR = d3 σ, donde d3 es la desviación estándar de la distribución del
rango relativo.
Los parámetros de la carta R son:
UCL = d2 σ + 3d3 σ
Línea Central = d2 σ
LCL = d2 σ − 3d3 σ
Se definen las constantes D1 = d2 − 3d3 y D2 = d2 + 3d3 para simplificar los parámetros.
Por tanto, los parámetros se expresan como: UCL = D2 σ, Línea Central = d2 σ, LCL = D1 σ.
Las constantes d2 , d3 , D1 , y D2 están determinadas en la Tabla VI del apéndice.
2.12.3 Consideraciones
Es importante tener cuidado cuando se utilizan valores estándares de μ y σ.
Los valores estándares podrían no ser aplicables al proceso real, lo que podría llevar a señales de
fuera de control en las cartas Xbar y R.
Los valores estándares de σ pueden causar más problemas que los de μ.
En procesos donde la media se controla mediante ajustes de la máquina, los valores estándares
pueden ser útiles para alcanzar objetivos de desempeño del proceso.
2.13 Interpretación de las Cartas Xbar y R

Las cartas de control Xbar y R pueden mostrar patrones no aleatorios que brindan información útil sobre el
proceso y su variabilidad. Estos patrones son cruciales para entender y mejorar el proceso bajo control
estadístico.
2.13.1 Patrones Comunes en Cartas Xbar y R

Para interpretar patrones en una carta Xbar, primero se debe verificar si la carta R está bajo control.
Algunos patrones aparecen en ambas cartas.
Si tanto Xbar como R muestran un patrón no aleatorio, eliminar las causas asignables de la carta R
suele eliminar automáticamente el patrón de la carta Xbar.
2.13.1.1 Patrones Cíclicos
Patrones cíclicos en la carta Xbar pueden deberse a cambios ambientales sistemáticos (temperatura,
fatiga del operador, rotación de operadores, fluctuaciones en voltaje o presión, etc.).
Cartas R pueden mostrar ciclos debido a mantenimiento, fatiga del operador o desgaste de
herramientas.
2.13.1.2 Patrones Mezclados
Un patrón mezclado se presenta cuando los puntos se encuentran cerca o ligeramente fuera de los
límites de control, con pocos puntos cerca de la línea central.
Resulta de la superposición de dos o más distribuciones en la salida del proceso.
Puede ser causado por sobrecontrol o mezcla de productos de diferentes fuentes.
2.13.1.3 Corrimientos en el Nivel del Proceso
Corrimientos en el nivel del proceso pueden deberse a introducción de nuevos trabajadores, métodos,
materias primas, máquinas, cambios en estándares o inspección, habilidades de operadores, etc.
A veces, la introducción de cartas de control puede mejorar el desempeño debido a factores
motivacionales.
2.13.1.4 Tendencias en el Nivel del Proceso
Tendencias muestran movimiento continuo en una dirección.

Pueden resultar de desgaste de herramientas, asentamiento o separación en procesos químicos,
influencias humanas o estacionales.
Pueden incorporarse en el modelo de la carta de control o monitorearse con cartas de control de
regresión.
2.13.1.5 Patrones de Estratificación
Estratificación se observa cuando los puntos se agrupan alrededor de la línea central.

Puede ser causado por límites de control incorrectos o muestreo de diferentes distribuciones dentro de
subgrupos.
R mide incorrectamente variabilidad entre distribuciones y variación fortuita.
2.13.2 Consideraciones Finales

La interpretación efectiva de patrones requiere conocimiento de principios estadísticos y del proceso.
Las cartas Xbar y R deben considerarse juntas.
La correlación entre Xbar y R indica posible sesgo en la distribución fundamental.
2.14 El Efecto del Incumplimiento de la Normalidad en las Cartas

Xbar y R
Las cartas de control Xbar y R se basan en el supuesto fundamental de que la distribución fundamental de la
característica de calidad es normal. Sin embargo, en situaciones donde este supuesto no se cumple, es
importante entender el efecto de la desviación de la normalidad en las cartas de control.
2.14.1 Supuesto de Normalidad y Desviación

Las cartas Xbar y R asumen que la distribución es normal.
En algunos casos, se sabe que la distribución no es normal debido a datos recopilados.
Si se conoce la forma de la distribución, es posible calcular límites de control exactos.
Si no se sabe nada de la distribución, se pueden utilizar los resultados de la teoría normal.
2.14.2 Investigación sobre el Efecto de la Desviación de la Normalidad

Varios autores han estudiado cómo las desviaciones de la normalidad afectan las cartas de control.
Las constantes de límites de control basadas en la teoría normal son robustas para supuestos
moderados de desviación.
Schilling y Nelson estudiaron distribuciones uniformes, del triángulo rectángulo, gamma y bimodales.
Muestras de tamaño cuatro o cinco suelen ser suficientes para mantener la robustez.
2.14.3 Diferencia en la Sensibilidad entre Carta Xbar y Carta R

La carta Xbar es más robusta ante desviaciones de la normalidad.
Usar límites de control tres sigma en la carta Xbar resulta en riesgo α de 0.0027 para distribución
normal.
La carta R no es simétrica, y los límites tres sigma no se aplican directamente.
El riesgo α en la carta R no es 0.0027, siendo más sensible a desviaciones de la normalidad.
2.15 La Función de Operación Característica en Cartas Xbar y R

La función de operación característica (OC) describe la habilidad de las cartas Xbar y R para detectar
cambios en la calidad del proceso. En esta sección, se exploran las curvas OC de estas cartas para el
control en línea de un proceso.
2.15.1 Curva OC en Carta Xbar

La curva OC muestra la probabilidad de no detectar un cambio en la media del proceso.
La probabilidad de no detectar el cambio (riesgo β) se calcula usando la función de distribución normal.
Se grafica β en función del tamaño del corrimiento en unidades de desviación estándar.
Para diferentes tamaños de muestra (n), se obtienen curvas OC diferentes.
La curva OC indica que la carta Xbar no es muy efectiva para detectar corrimientos pequeños con
tamaños de muestra típicos.
β = P {LCL ≤ x̄ ≤ UCL ∣ μ = μ1 = μ0 + kσ}
2.15.2 Curva OC en Carta R

La curva OC de la carta R se basa en la distribución del rango relativo (W = R/σ).
Se grafica β contra el cociente de la nueva desviación estándar sobre la anterior (λ = σ1/σ0).
La carta R no es muy efectiva para detectar corrimientos con tamaños de muestra pequeños.
La carta S suele ser preferida sobre la carta R para tamaños de muestra mayores a 10 o 12.
2.15.3 Estudio de Datos Pasados y Recomendación

Se puede estudiar la curva OC de la carta usada para analizar datos pasados.
Esto permite entender cómo el número de subgrupos preliminares afecta la capacidad de detectar
condiciones fuera de control.
La recomendación común es usar aproximadamente 20 o 25 subgrupos preliminares para establecer
las cartas Xbar y R.
2.16 La función de operación característica

La habilidad de las cartas Xbar y R para detectar corrimientos en la calidad del proceso se describe por sus
curvas de operación característica (OC). En esta sección se presentan estas curvas OC para las cartas
usadas para el control en línea de un proceso.
Considérese la curva OC de una carta Xbar con desviación estándar σ conocida y constante. Si la media se
corre del valor bajo control —por ejemplo, μ0 — a otro valor μ1 = μ0 + kσ , la probabilidad de no detectar
este corrimiento en la primera muestra subsecuente, o el riesgo β, es
β = P {LCL ≤ x̄ ≤ U CL ∣ μ = μ1 = μ0 + kσ}
Puesto que:
2
σ
x̄ ∼ N (μ, )
n
y los límites de control superior e inferior son:

σ σ
U CL = μ0 + L −
− , LCL = μ0 − L −
−
√n √n
La expresión para β es:
U CL − (μ0 + kσ) LCL − (μ0 + kσ)

β = Φ[ −
− ] − Φ[ −
− ]
σ/√n σ/√n
donde Φ denota la función de distribución normal estándar acumulada. Esta expresión se reduce a:
−
− −
−
β = Φ(L − k√n ) − Φ(−L − k√n )
Para ilustrar la aplicación de la ecuación 5-19, suponer que se está usando una carta Xbar con L = 3 (los
límites tres sigma usuales), que el tamaño de la muestra n = 5 y que quiere determinarse la probabilidad de
detectar un corrimiento a μ1 = μ0 + 2σ en la primera muestra después del corrimiento. Entonces, puesto
que L = 3, k = 2 y n = 5 , se tiene:
– –
β = Φ[3 − 2√5] − Φ[−3 − 2√5] ≈ Φ(−1.47) − Φ(−7.37) ≈ 0.0708
Se trata del riesgo β, o la probabilidad de no detectar este corrimiento. La probabilidad de que este
corrimiento se detectará en la primera muestra subsecuente es 1 − β = 1 − 0.0708 = 0.9292.
Para construir la curva OC de la carta Xbar, se grafica el riesgo β contra la magnitud del corrimiento que
quiere detectarse expresado en unidades de desviación estándar para varios tamaños de la muestra n.
Estas probabilidades pueden evaluarse directamente con la ecuación 5-19. Esta curva OC se muestra en la
figura 5-15 para el caso de los límites tres sigma (L = 3 ).
Figura 5-15: Curvas de operación característica de la carta Xbar con límites tres sigma. β = Probabilidad
de no detectar un corrimiento de kσ en la media en la primera muestra después del corrimiento.
La figura 5-15 indica que para los tamaños de la muestra típicos de cuatro, cinco y seis, la carta Xbar no es
particularmente efectiva para detectar un corrimiento pequeño —por ejemplo, aquellos en el orden 1.5σ o
menos— en la primera muestra después del corrimiento. Por ejemplo, si el cambio es 1.0σ y n = 5 ,
entonces por la figura 5-15 se tiene β = 0.75, aproximadamente. Por tanto, la probabilidad de que el
corrimiento se detectará en la primera muestra es tan sólo 1 − β = 0.25. Sin embargo, la probabilidad de
que el corrimiento se detecte en la segunda muestra es β(1 − β) = 0.75(0.25) = 0.19, mientras que la
probabilidad de que el corrimiento se detecte en la tercera muestra es
β (1 − β) = (0.75) (0.25) = 0.14 . Por tanto, la probabilidad de que el corrimiento se detectará en la r-
2 2
ésima muestra subsecuente es simplemente (1 − β) veces la probabilidad de no detectar el corrimiento en

cada una de las r − 1 muestras iniciales, o
r−1
β (1 − β)
En general, el número esperado de muestras tomadas antes de que se detecte el corrimiento es

simplemente la longitud promedio de la corrida (ARL = average run length), o
∞
1
r−1
ARL = ∑ rβ (1 − β) =
1 − β
r=1
Por lo tanto, en el ejemplo tratado aquí se tiene
1 1
ARL = = = 4
1 − β 0.25
En otras palabras, el número esperado de muestras tomadas para detectar un corrimiento de 1.0σ con
n = 5 es 4.
La discusión anterior proporciona un argumento en apoyo del uso de tamaños de la muestra pequeños en la
carta Xbar. Aun cuando los tamaños de la muestra pequeños resultan por lo general en un riesgo β
relativamente alto, debido a que las muestras se colectan y prueban de manera periódica, existe una buena
oportunidad de que el corrimiento se detectará con prontitud razonable, aun que quizá no en la primera
muestra después del corrimiento.
Para construir la curva OC de la carta R se emplea la distribución del rango relativo W = R/σ . Suponer
que el valor bajo control de la desviación estándar es σ0 . Entonces en la curva OC se grafica la probabilidad
de no detectar un corrimiento a un nuevo valor de σ —por ejemplo, σ1 > σ0 — en la primera muestra
después del corrimiento.
En la figura 5-16 se presenta la curva OC, en la que β se grafica contra λ = σ1 /σ0 , el cociente de la
desviación estándar nueva y la anterior del proceso, para varios valores de n.
Figura 5-16: Curvas de operación característica de la carta R con límites tres sigma. (Adaptación de A. J.
Duncan, “Operating Characteristics of R Charts”, en Industrial Quality Control, Vol. 7. No. 5, pp. 40-41, 1951,
con permiso de la American Society for Quality Control.)
Al examinar la figura 5-16, se observa que la carta R no es muy efectiva para detectar los corrimientos en el
proceso para tamaños de la muestra pequeños. Por ejemplo, si la desviación estándar del proceso se
duplica (λ = σ1 /σ0 = 2 ), que es un corrimiento bastante grande, entonces las muestras de tamaño cinco
solo tienen una oportunidad del 40% de detectar este corrimiento en cada muestra subsecuente. La mayoría
de los ingenieros de calidad sienten que la carta R no es sensible a los corrimientos de pequeños a
moderados para los tamaños usuales del subgrupo de n = 4 , 5 o 6. Si n > 10 o 12 , generalmente deberá
usarse la carta S, que se discute en el punto 3, en vez de la carta R.
En las curvas OC de las figuras 5-15 y 5-16 se supone que las cartas Xbar y R se usan para el control en
línea del proceso. En ocasiones es conveniente estudiar la curva OC de la carta usada para analizar datos
pasados. Esto puede dar cierto indicio de la manera en que el número de subgrupos preliminares usados
para establecer la carta de control afecta la habilidad de la carta para detectar las condiciones fuera de
control que existían cuando se colectaron los datos. Es a partir de estos estudios analíticos, así como de la
experiencia práctica, que ha evolucionado la recomendación de usar aproximadamente 20 o 25 subgrupos
preliminares para establecer las cartas Xbar y R.
2.17 La longitud promedio de la corrida para la carta Xbar

Anteriormente se señaló que, para cualquier carta de control de Shewhart, la ARL (Average Run Length,
longitud promedio de la corrida) puede expresarse como:
1
ARL =
P (one point plots out of control)
O bien como ARL0 para la ARL bajo control
1
ARL 0 =
α
y como ARL1 para la ARL fuera de control
1
ARL 1 =
1 − β
Estos resultados en realidad son muy intuitivos. Si las observaciones graficadas en la carta de control son
independientes, entonces el número de puntos que deben graficarse hasta que ocurra el primer punto que
exceda un límite de control es una variable aleatoria geométrica con parámetro p. La media de esta
distribución geométrica es simplemente 1/p, la longitud promedio de la corrida.
Puesto que es relativamente sencillo desarrollar una expresión general para β en la carta de control Xbar
para detectar un corrimiento en la media de kσ , entonces no es difícil construir un conjunto de curvas ARL
para la carta Xbar. En la figura 5-17 se presentan estas curvas ARL para la carta de control Xbar con los
tamaños de la muestra de n = 1, 2, 3, 4, 5, 7, 9 y 16 , donde la ARL está expresada en términos del
número esperado de muestras tomadas para detectar el corrimiento. Como ilustración del uso de la figura 5-
17, obsérvese que si quiere detectarse un corrimiento de 1.5σ utilizando un tamaño de la muestra de
n = 3 , entonces el número promedio de muestras requerido será ARL 1 = 3. Obsérvese asimismo que
podría reducirse la ARL a aproximadamente 1 si el tamaño de la muestra se incrementara a n = 16.
Figura 5-17: Longitud promedio de la corrida (muestras) en la carta Xbar con límites tres sigma, donde la
media del proceso se corre en kσ .
Recuérdese que ya se indicó que las ARL son objeto de ciertas críticas como medidas del desempeño de
cartas de control. Se señaló entonces (y arriba) que la distribución de la longitud de la corrida de una carta
de control de Shewhart es geométrica y que puede tratarse de una distribución con un sesgo muy
pronunciado, por lo que el promedio (es decir, la ARL) quizá no sea la mejor medida de la longitud “típica” de
la corrida.
Hay otra cuestión referente a la ARL relacionada con el hecho de que los cálculos para una carta de control
específica por lo general se basan en estimaciones de los parámetros del proceso. Esto resulta en valores
inflados de ARL0 y ARL1 .
Por ejemplo, suponer que la línea central de la carta se estima perfectamente, pero que la desviación
estándar del proceso está sobrestimada en un 10%. Esto resultaría en ARL0 = 517, valor que excede con
mucho el valor nominal o “teórico” de 370. Ahora bien, para un proceso que tiene una distribución normal es
igualmente posible que se subestime la desviación estándar del proceso en 10%, y esto resultaría en
ARL 0 = 268 , un valor considerablemente menor que 370. El promedio es (268 + 517)/2 = 392, el cual
sugiere que los errores al estimar la desviación estándar del proceso resultan en ARL que están
sobrestimadas.
En ocasiones son de interés otras dos medidas del desempeño basadas en la ARL. El ATS (Average Time
to Signal, tiempo promedio hasta la señal) es el número de periodos de tiempo que ocurren hasta que se
genera una señal en la carta de control. Si las muestras se toman en intervalos de tiempo h con el mismo
espaciamiento, entonces el ATS es:
ATS = ARL ⋅ h
Figura 5-18: Longitud promedio de la corrida (unidades individuales) de la carta Xbar con límites tres sigma,
donde la media del proceso se corre en kσ .
Puede ser útil también expresar la ARL en términos del número esperado de unidades individuales
muestreadas —por ejemplo, l— en vez de usar el número de muestras tomadas para detectar un
corrimiento. Si el tamaño de la muestra es n, la relación entre l y ARL es:
l = n ⋅ ARL
En la figura 5-18 se presenta un conjunto de curvas en las que se grafica el número esperado de unidades
individuales l que deben muestrearse para que la carta Xbar detecte un corrimiento de kσ . Para ilustrar el
uso de la curva, obsérvese que para detectar un corrimiento de 1.5σ, una carta Xbar con n = 16 requerirá
el muestreo de aproximadamente 16 unidades, mientras que si el tamaño de la muestra es n = 3 , solo se
necesitarán aproximadamente 9 unidades, en promedio.
3 CARTAS DE CONTROL PARA XBAR Y S

Aunque es muy común la utilización de las cartas Xbar y R, en ocasiones es deseable estimar la desviación
estándar del proceso directamente en vez de indirectamente mediante el uso del rango R. Esto lleva a las
cartas de control para Xbar y S, donde S es la desviación estándar muestral. En general, las cartas Xbar y S
son preferibles a sus contrapartes más familiares, las cartas Xbar y R, cuando:
1. El tamaño de la muestra n es moderadamente grande —por ejemplo, n > 10 o 12 . (Recuérdese que
el método del rango para estimar σ pierde eficiencia estadística para muestras de moderadas a
grandes.)
En nuestro caso si n < 10 utilizaremos la carta R y si n ≥ 10 utilizaremos la carta S.
2. El tamaño de la muestra n es variable.

En esta sección se ilustra la construcción y operación de las cartas de control Xbar y S. Se indica asimismo
cómo tratar un tamaño de la muestra variable y se discute una alternativa de la carta S.
3.1 Construcción y operación de las cartas Xbar y S

Establecer y operar cartas de control Xbar y S requiere aproximadamente la misma secuencia de pasos que
para las cartas Xbar y R, excepto porque debe calcularse el promedio muestral Xbar y la desviación
estándar muestral S de cada muestra. Por ejemplo, en la Tabla 5-3 se presentan las mediciones del
diámetro interior de los anillos para pistones usados en el Ejemplo 5-1. Obsérvese que se ha calculado el
promedio muestral y la desviación estándar muestral de cada una de las 25 muestras. Se usarán estos
datos para ilustrar la construcción y operación de las cartas X y S.
3.1.1 Tabla 5-3 Mediciones del diámetro interior (mm) de los anillos para pistones
de automóvil
Número de muestra Observaciones Xbar_i S_i
1 74.030 74.002 0.0148
2 73.995 73.992 0.0075
3 73.988 74.024 0.0147
… … … …
25 73.982 73.984 0.0162
∑ ∑ xij = 1850.028 | x̄
¯ = 74.001 | S
¯
= 0.0094
Si σ 2 es la varianza desconocida de la distribución de probabilidad, entonces un estimador insesgado de σ 2

es la varianza muestral:
n 2
∑ (xi − x̄)
2 i=1
s =
n − 1
Sin embargo, la desviación estándar muestral S no es un estimador insesgado de σ. Si la distribución

fundamental es normal, entonces S es en realidad una estimación de c4 σ, donde c4 es una constante que
−−−−−
depende del tamaño de la muestra n . Además, la desviación estándar de S es S = √1 − c
2
4
. Esta
información puede utilizarse para establecer las cartas de control de Xbar y S.
Considérese el caso en que un valor estándar está dado por σ. Puesto que E(S) , entonces la línea
= c4 σ
central de la carta es c4 σ. Los límites de control tres sigma para S son entonces:
−−−−−
2
U CL = c4 σ + 3σ√ 1 − c
4
−−−−−
2
LCL = c4 σ − 3σ√ 1 − c
4
Se acostumbra a definir las dos constantes:

−−−−− −−−−−
2 2
B5 = c4 − 3√ 1 − c y B6 = c4 + 3√ 1 − c
4 4
Por consiguiente, los parámetros de la carta S con un valor estándar para σ dado, se vuelven:
U CL = B6 σ Center line = c4 σ LCL = B5 σ
En la Tabla VI del apéndice se tabulan los valores B5 y B6 para varios tamaños de la muestra.
Cuando no hay un valor estándar dado para σ, entonces debe estimarse analizando datos pasados.
Suponer que se cuenta con m muestras preliminares, cada una de tamaño n, y sea Si la desviación
estándar de la i-ésima muestra. El promedio de las m desviaciones estándar es:
m
1
s̄ = ∑ si
m
i=1
El estadístico s̄ /c4 , es un estimador insesgado de σ. Por lo tanto, los parámetros de la carta S serían:
s̄ −−−−−
2
U CL = s̄ + 3 √1 − c
4
c4
Centerline = s̄
s̄ −−−−−
2
LCL = s̄ − 3 √1 − c
4
c4
Generalmente se definen las constantes:
3 −−−−− 3 −−−−−
2 2
B3 = 1 − √1 − c y B4 = 1 + √1 − c
4 4
c4 c4
Por consiguiente, los parámetros de la carta S pueden escribirse como:
U CL = B4 s̄ Centerline = s̄ LCL = B3 s̄
Obsérvese que B4 = B6 /c4 y B3 = B5 /c4 .

Cuando se usa s̄ /c4 para estimar σ , los límites de control de la carta Xbar correspondiente pueden
definirse como:
¯ + 3/(c −
− ¯ ¯ − 3/(c −
−
U CL = x̄ 4 √n )s̄ Centerline = x̄ LCL = x̄ 4 √n )s̄
−
−
Sea la constante A3 = 3/(c4 √n ) . Entonces los parámetros de la carta Xbar se vuelven:
U CL = x̄ + A3 s̄ ¯
Centerline = x̄ LCL = x̄ − A3 s̄
En la Tabla VI del apéndice se enlistan las constantes B3 , B4 , y A3 , para construir cartas Xbar y S a partir
de datos pasados para varios tamaños de la muestra.
Obsérvese que se ha supuesto que la desviación estándar muestral se define como:
−−−−−−−−−−−−
n
2
∑ (xi − x̄)
i=1
s = √
n − 1
Algunos autores definen S con n en el denominador de la ecuación en vez de utilizar n − 1. Cuando es

este el caso, las definiciones de las constantes c4 , B3 , B4 y A3 se alteran. Las constantes
correspondientes basadas en el uso de n para calcular S se denominan c2 , B1 , B2 , y A1 , respectivamente.
Ver Bowker y Lieberman (1) para sus definiciones.
Hide
library(qcc)
data(pistonrings)
diameter <- qccGroups(data = pistonrings, diameter, sample)
qS <- qcc(diameter[1:25,], type = "S" )
plot(qS)
En R , para obtener este gráfico es necesario indicar el argumento type="S" en la función qcc()
Hide
q6 <- qcc(diameter[1:25,], type = "xbar", std.dev ="UWAVE-SD")

plot(q6)
En R , para obtener este gráfico es necesario indicar los argumentos type="xbar" y

std.dev ="UWAVE-SD" en la función qcc()
De esta manera la desviación típica será la misma en los dos gráficos.

Tradicionalmente, los ingenieros de calidad han preferido la carta R a la carta S debido a la simplicidad del
cálculo de R de cada muestra. La disponibilidad actual de calculadoras manuales con cálculo automático de
S y la creciente disponibilidad de microcomputadoras para implementar directamente las cartas de control en
línea en la estación de trabajo han eliminado cualquier dificultad de cálculo.
3.2 Las cartas de control Xbar y S con tamaño de la muestra

variable
La aplicación de las cartas de control Xbar y S es relativamente sencilla cuando el tamaño de la muestra es
variable. En este caso, se debe usar el enfoque del promedio ponderado al calcular Xbar y Sbar. Si ni es el
número de observaciones en la i-ésima muestra, entonces se usarán las siguientes fórmulas para calcular
Xbar y Sbar:
m
∑ ni x̄i
i=1
¯ =
x̄
m
∑ ni
i=1
m 1/2
2
∑ (ni − 1)s
i=1 i
s̄ = [ ]
m
∑ ni − m
i=1
Estas fórmulas se utilizan como las líneas centrales en las cartas de control Xbar y S, respectivamente. Los
límites de control se calcularían con las ecuaciones 5-27 y 5-28, respectivamente, pero las constantes A3 ,
B3 y B4 dependerán del tamaño de la muestra usado en cada subgrupo individual.
Una alternativa al uso de límites de control de anchura variable para las cartas de control Xbar y S, es basar
los cálculos de los límites de control en un tamaño promedio de la muestra n. Si los ni no difieren mucho,
este enfoque puede ser satisfactorio en algunas situaciones; es particularmente útil si las cartas van a ser
presentadas a la administración. Puesto que el tamaño promedio de la muestra n quizá no sea un número
entero, una alternativa útil es basar estos límites de control aproximados en el tamaño modal de la muestra
(el más común).
4 La carta de control S 2
La mayoría de los ingenieros de calidad emplean la carta R o la carta S para monitorear la variabilidad del
proceso, prefiriendo la carta S en lugar de la carta R para tamaños de muestra moderados a grandes. Sin
embargo, algunos en la práctica recomiendan una carta de control basada directamente en la varianza
muestral S 2 .
Los parámetros para la carta de control S 2 son los siguientes:
2
s̄
Límite Superior de Control (UCL): n−1
χ
2
α/2,n−1
Línea Central: s̄ 2
2
s̄
Límite Inferior de Control (LCL): n−1
χ
2
1−
α
,n−1
2
α
Donde χ
2
α/2,n−1
y χ
2
1−
α
,n−1
denotan los percentiles 2
superior e inferior de la distribución ji-cuadrada con
2
n − 1 grados de libertad, y s̄ 2 es la varianza muestral promedio obtenida del análisis de los datos
preliminares. Podría usarse un valor estándar σ 2 en la ecuación en lugar de s̄ 2 si se dispone de uno. Es
importante notar que esta carta de control se define con límites de probabilidad.
5 La Carta de Control de Shewhart para Mediciones

Individuales
En muchas situaciones, el tamaño de la muestra usado para monitorear el proceso es n = 1, lo que significa
que cada muestra consta de una unidad individual.
Situaciones de Uso:
Las Cartas de Control para Mediciones Individuales se aplican en varias situaciones, que incluyen:
1. Inspección Automatizada: Cuando se utiliza tecnología de inspección y medición automatizada, y se
analiza cada unidad manufacturada. En este caso, no hay base racional para formar subgrupos.
2. Producción Lenta: Cuando la velocidad de producción es muy baja, no es práctico acumular tamaños
de muestra mayores que 1 antes del análisis. Esto se debe a que el largo intervalo entre las
observaciones dificulta la formación de subgrupos.
3. Mediciones Repetidas: En procesos donde las mediciones individuales difieren únicamente debido al
error de laboratorio o de análisis, como en muchos procesos químicos.
4. Múltiples Mediciones: Cuando se realizan mediciones en la misma unidad del producto en diferentes
ubicaciones o características, como medir el espesor de óxido en varios sitios de una oblea en la
fabricación de semiconductores.
5. Plantas de Procesamiento: En plantas de procesamiento, como una fábrica de papel, donde las
mediciones de algún parámetro, como el espesor del recubrimiento, difieren muy poco a lo largo del
proceso y producen una desviación estándar demasiado pequeña para controlar eficazmente utilizando
otras cartas de control.
En estas situaciones, la Carta de Control para Mediciones Individuales es útil. Se utiliza el Rango Móvil (MR)
de dos observaciones sucesivas como base para estimar la variabilidad del proceso.
M Ri = |xi − xi−1 |
Donde xi y xi−1 son observaciones consecutivas.
5.1 Estableciendo la Carta de Control

Para establecer la carta de control de Rango Móvil, se utiliza la línea central MR, límite inferior de control
(LCL) en 0 y el límite superior de control (UCL) se calcula como:
¯¯¯¯¯¯¯¯
MR
UCL = x̄ + 3
d2
Center line = x̄
¯¯¯¯¯¯¯¯
MR
LCL = x̄ − 3
d2
Si se usa un Rango Móvil de n = 2 observaciones, entonces d2 = 1.128 .
El límite inferior de control (LCL) generalmente se establece en 0, ya que los rangos móviles no pueden ser
negativos.
Hide
library(qcc)
library(kableExtra)
# batch 4 is out-of-control because of a process temperature controller
# failure; remove it and recompute
data(viscosity)
q = with(viscosity, qcc(viscosity[trial], type = "xbar.one"))
#knitr::kable(t(viscosity[,1:2]))
t(viscosity[1:20,1:2])%>%
kbl(caption = "Datos sobre Viscosidad",align="l") %>%
kable_classic(full_width = F, html_font = "Cambria", font_size = 12)
Datos sobre Viscosidad

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
batch 1.00 2.0 3.00 4.00 5.0 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00
viscosity 34.05 34.4 33.59 35.96 34.7 33.51 33.79 34.04 34.52 33.75 33.27 33.71 34.03 34.58 34.02 33.97 34.05 34.04 33.73 34.05
Hide
plot(q)
En R , para obtener este gráfico es necesario indicar el argumento type="xbar.one" en la función qcc() .
5.1.1 Interpretación de las Cartas

La Carta de Control para Mediciones Individuales se interpreta de manera similar a una Carta de Control X-
bar. Si hay un cambio en la media del proceso, esto se reflejará en puntos fuera de los límites de control o
en un patrón de corrida en uno de los lados de la línea central.
5.1.2 Normalidad de los Datos

Es fundamental verificar el supuesto de normalidad de los datos al usar la Carta de Control para Mediciones
Individuales.
Esto se puede hacer utilizando una gráfica de probabilidad normal. Si los datos no siguen una distribución
normal, es posible que los límites de control no sean adecuados, y es necesario considerar transformaciones
de datos o el uso de otras cartas de control.
5.1.3 Estimación de σ (Desviación Estándar)

Los Rangos Móviles se utilizan comúnmente para estimar la desviación estándar (σ) en la Carta de Control
para Mediciones Individuales.
Existen varios estimadores, como σ
^1 y σ
^2 :
¯¯¯¯¯¯¯¯ s
donde σ
^1 = 0.8865MR siendo 0.8865 =
1
=
1
1.128
yσ
^2 =
c4
d 2 (n=2)
que son insesgados bajo ciertas condiciones suponiendo que no están presentes causas asignables en la
secuencia de las m observaciones individuales.
Sin embargo, es importante tener en cuenta el sesgo en la estimación de σ cuando hay causas asignables
presentes en el proceso.
En resumen, la Carta de Control de Shewhart para Mediciones Individuales es una herramienta valiosa en la
gestión de calidad para controlar procesos en los que el tamaño de la muestra es igual a 1. Sin embargo, se
deben tener en cuenta factores como la normalidad de los datos y el sesgo en la estimación de la desviación
estándar al aplicar esta herramienta de control de calidad.
6 Resumen de Procedimientos para las Cartas Xbar, R y

S
Es útil consolidar en un solo lugar las distintas fórmulas de cálculo para los principales tipos de cartas de
control para variables discutidas en este capítulo. La Tabla 5-9 resume las fórmulas para las cartas Xbar, R
y S cuando se tienen valores estándar de µ y σ. En la Tabla 5-10 se presenta un resumen similar cuando no
se tienen valores estándar y es necesario establecer límites de control basados en el análisis de datos
anteriores. En las constantes proporcionadas para la carta S, se asume que se utiliza n-1 en el denominador
de S. En la Tabla VI del apéndice se encuentran tabuladas todas las constantes para diferentes tamaños de
muestra.
6.1 Tabla 5-9: Fórmulas para Cartas de Control (con Valores

Estándar Dados)
Carta Línea Central Límites de Control
x̄ (μ y σ dados) μ μ ± Aσ
R (σ dado) d2 σ UCL=D2 σ, LCL=D1 σ
s (σ dado) c4 σ UCL=B6 σ, LCL=B5 σ
6.2 Tabla 5-10: Fórmulas para Cartas de Control, Límites de

Control Basados en Datos Pasados (Sin Valores Estándar)
Carta Línea Central Límites de Control
x̄ (usando R) ¯
x̄ ¯ ± A R
x̄ 2
¯
x̄ (usando s) ¯
x̄ ¯ ± A S
x̄ 3
¯ ¯
R ¯
R UCL=D4 R , LCL=D3 R
s s̄ UCL=B4 s̄ , LCL=B3 s̄
7 Aplicaciones de las Cartas de Control para Variables

Las cartas de control para variables tienen muchas aplicaciones interesantes. En esta sección, se
describirán algunas de ellas para brindar al lector una comprensión más clara de cómo funcionan las cartas
y para proporcionar ideas sobre otras aplicaciones.
7.1 Ejemplo 5-7: Uso de Cartas de Control para Mejorar

Procesos de Proveedores
Un fabricante importante de la industria aeroespacial adquirió componentes clave de dos proveedores. Estos
componentes a menudo mostraban variabilidad excesiva en una dimensión crucial, lo que dificultaba su
ensamblaje en el producto final. Esto resultaba en costos elevados de reprocesamiento y, en ocasiones, en
retrasos en la finalización del ensamblaje de las aeronaves.
El equipo de recepción de materiales implementó cartas de control Xbar y S para la dimensión en cuestión
de ambos proveedores. Descubrieron que la fracción de piezas defectuosas era similar para ambos
proveedores, pero por razones muy distintas. El proveedor A producía partes con la dimensión media
correcta, pero su proceso estaba fuera de control. El proveedor B tenía buen control estadístico, pero la
centración de su proceso estaba alejada de la dimensión requerida, lo que resultaba en muchas piezas fuera
de especificación.
Esto llevó a la compañía a trabajar en colaboración con ambos proveedores. Convencieron al proveedor A
de implementar el Control Estadístico de Procesos (SPC) y comenzar a mejorar continuamente su proceso.
También brindaron asistencia al proveedor B para identificar por qué su proceso estaba centrado
incorrectamente. El problema del proveedor B se resolvió finalmente al descubrir un problema con el código
de una máquina de Control Numérico (NC). El uso del SPC en el proveedor A resultó en una reducción
significativa de la variabilidad en seis meses. Como resultado de estas acciones, el problema con las piezas
se solucionó en gran medida.
7.2 Ejemplo 5-8: Uso del SPC para Adquirir una Máquina
Herramienta
La compañía John Deere utiliza métodos de Control Estadístico de Procesos (SPC) para seleccionar
equipos de producción. Antes del envío, las máquinas herramientas deben pasar una demostración de
capacidad para garantizar que cumplan o superen los criterios de desempeño establecidos. En un ejemplo,
se evaluó una sierra de cinta de control programable. El proveedor cortó 45 piezas que se analizaron
utilizando cartas Xbar y R para demostrar control estadístico y evaluar la capacidad del proceso. La sierra
demostró la capacidad deseada, y el proveedor obtuvo información valiosa sobre el rendimiento de su
equipo. Las pruebas de control y capacidad como esta se están convirtiendo en parte esencial del proceso
de selección y adquisición de equipos en muchas compañías.
7.3 Ejemplo 5-9: Implementación del SPC en Talleres con

Corridas de Producción Cortas
Una aplicación interesante del Control Estadístico de Procesos (SPC) es su implementación exitosa en
talleres industriales especializados con corridas de producción cortas. En la mayoría de estos talleres, las
corridas de producción suelen ser de menos de 50 unidades. Aunque puede parecer un desafío aplicar
cartas de control en estas situaciones, generalmente se resuelve al enfocarse en características específicas
de cada unidad.
Por ejemplo, en un taller industrial especializado que produce piezas únicas, como perforaciones de
diferentes tamaños, es difícil construir cartas Xbar y R para el diámetro de las perforaciones debido a su
variabilidad. En su lugar, se enfocarían en el diámetro real de las perforaciones en relación con el diámetro
nominal. Se puede utilizar una carta de control para mediciones individuales o una carta Xbar y R en función
de la velocidad de producción. Marcar cada lote en la carta de control ayuda a interpretar cambios en el
proceso.
7.4 Ejemplo 5-10: Uso de Cartas Xbar y R en un Contexto no

Manufacturero
Las cartas de control para variables no se limitan a situaciones de manufactura y también se aplican en
contextos no manufactureros. Si es posible medir variables que reflejen la calidad, función o rendimiento, las
cartas de control son aplicables, independientemente de la naturaleza del producto. Sin embargo, existen
diferencias en comparación con las situaciones de manufactura, como la falta de límites de especificaciones
y la necesidad de seleccionar variables adecuadas.
Un ejemplo de aplicación en un contexto no manufacturero involucra la mejora de los procesos de cuentas
por pagar en una compañía. Se utilizó el tiempo de flujo en el departamento de finanzas como la variable de
análisis en cartas Xbar y R. Aunque la administración ya había abordado el problema, el uso de las cartas
llevó a mejoras significativas. En nueve meses, se redujo drásticamente el porcentaje de facturas pagadas
con retraso, generando ahorros sustanciales.
8 APÉNDICE:
8.1 Tabla VI:
Hide
library(kableExtra)
library(SixSigma)
nmax<-25
n<-2:nmax
d2<-sapply(2:nmax, ss.cc.getd2)
d3<-sapply(2:nmax, ss.cc.getd3)
c4<-sapply(2:nmax, ss.cc.getc4)
A2<-3/(d2*sqrt(n))
A3<-3/(c4*sqrt(n))
D1<-d2-3+d3
D2<-d2+3+d3
D3<-sapply(1:(nmax-1),function(x){max(c(0,1-3*(d3[x]/d2[x])))})
D4<-(1+3*(d3/d2))
B3<-sapply(1:(nmax-1),function(x){max(0,1-3*(sqrt(1-c4[x]^2)/c4[x]))})
B4<-1+3*(sqrt(1-c4^2)/c4)
B5<-c4-3*(sqrt(1-c4^2))
B6<-c4+3*(sqrt(1-c4^2))
constdf<-data.frame(n, d2, d3, c4, A2, A3, B3, B4, B5, B6, D1, D2,D3,D4)
constdf<-round(constdf,3)
constdf %>%
kbl(caption = "TABLA VI Apéndice del Libro",align="l") %>%
kable_classic(full_width = F, html_font = "Cambria")
TABLA VI Apéndice del Libro

n d2 d3 c4 A2 A3 B3 B4 B5 B6 D1 D2 D3 D4
2 1.128 0.853 0.798 1.880 2.659 0.000 3.267 -1.011 2.606 -1.019 4.981 0.000 3.267
3 1.693 0.888 0.886 1.023 1.954 0.000 2.568 -0.504 2.276 -0.419 5.581 0.000 2.575
4 2.059 0.880 0.921 0.729 1.628 0.000 2.266 -0.245 2.088 -0.061 5.939 0.000 2.282
5 2.326 0.864 0.940 0.577 1.427 0.000 2.089 -0.084 1.964 0.190 6.190 0.000 2.114
6 2.534 0.848 0.952 0.483 1.287 0.030 1.970 0.029 1.874 0.382 6.382 0.000 2.004
7 2.704 0.833 0.959 0.419 1.182 0.118 1.882 0.113 1.806 0.538 6.538 0.076 1.924
8 2.847 0.820 0.965 0.373 1.099 0.185 1.815 0.179 1.751 0.667 6.667 0.136 1.864
9 2.970 0.808 0.969 0.337 1.032 0.239 1.761 0.232 1.707 0.778 6.778 0.184 1.816
10 3.078 0.797 0.973 0.308 0.975 0.284 1.716 0.276 1.669 0.875 6.875 0.223 1.777
11 3.173 0.787 0.975 0.285 0.927 0.321 1.679 0.313 1.637 0.960 6.960 0.256 1.744
12 3.258 0.778 0.978 0.266 0.886 0.354 1.646 0.346 1.610 1.037 7.037 0.283 1.717
13 3.336 0.770 0.979 0.249 0.850 0.382 1.618 0.374 1.585 1.106 7.106 0.307 1.693
14 3.407 0.763 0.981 0.235 0.817 0.406 1.594 0.399 1.563 1.170 7.170 0.328 1.672
15 3.472 0.756 0.982 0.223 0.789 0.428 1.572 0.421 1.544 1.228 7.228 0.347 1.653
16 3.532 0.750 0.983 0.212 0.763 0.448 1.552 0.440 1.526 1.282 7.282 0.363 1.637
17 3.588 0.744 0.985 0.203 0.739 0.466 1.534 0.458 1.511 1.332 7.332 0.378 1.622
18 3.640 0.739 0.985 0.194 0.718 0.482 1.518 0.475 1.496 1.379 7.379 0.391 1.609
19 3.689 0.733 0.986 0.187 0.698 0.497 1.503 0.490 1.483 1.422 7.422 0.404 1.596
20 3.735 0.729 0.987 0.180 0.680 0.510 1.490 0.504 1.470 1.464 7.464 0.415 1.585
21 3.778 0.724 0.988 0.173 0.663 0.523 1.477 0.516 1.459 1.503 7.503 0.425 1.575
22 3.819 0.720 0.988 0.167 0.647 0.534 1.466 0.528 1.448 1.539 7.539 0.435 1.565
23 3.858 0.716 0.989 0.162 0.633 0.545 1.455 0.539 1.438 1.574 7.574 0.443 1.557
24 3.895 0.712 0.989 0.157 0.619 0.555 1.445 0.549 1.429 1.607 7.607 0.452 1.548
25 3.931 0.708 0.990 0.153 0.606 0.565 1.435 0.559 1.420 1.639 7.639 0.459 1.541

CDC Tema 1 SPC Variables

Cargado por

Copyright:

Formatos disponibles

CDC Tema 1 SPC Variables

Cargado por

Información del documento

Descripción original:

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

CDC Tema 1 SPC Variables

Cargado por

Copyright:

Formatos disponibles

30/12/23, 11:30 CdC_Tema_1_SPC_Variables

2 Cartas de Control para Xbar y R

probabilidad 1 − α , cualquier media muestral se encuentra entre:

2.2 Carta de Control R

Sean R1 , R2 , … , Rm , los rangos de las m muestras. El rango promedio es

Los límites de control para esta carta se calculan utilizando:

donde D3 y D4 son constantes tabuladas. Tabla VI

2.3 Carta de Control Xbar

x̄1 + x̄2 + ⋯ + x̄m

los límites de control pueden establecerse utilizando:

donde A2 es una constante tabulada. Tabla VI

2.4 Desarrollo de las Ecuaciones

los valores de d2 , para varios tamaños de la muestra. Por lo tanto, si R

Se trata de un estimador insesgado de σ. Si se usa ¯

Consideremos ahora la carta R. La línea central será R ¯

Puesto que σ es desconocida, puede estimarse con σR por

las escuaciones del gráfico R quedan así:

En la Tabla VI del apéndice se presentan los valores de D3 y D4 .

2.5 Límites de Control de Prueba

2.6 Desarrollo y uso de las cartas Xbar y R

#kable(df, booktabs = TRUE) %>%

Tabla muestras anillos de pistó n

LCL = RD3 = 0.023(0) = 0

U CL = RD4 = 0.023(2.115) = 0.049

La carta Xbar se muestra en la figura siguiente.

La desviación estándar del proceso puede estimarse usando la ecuación:

p = P {x < 73.950} + P {x > 74.050}

73.950 − 74.001 74.050 − 74.001

pc<-processCapability(object = q3, spec.limits = c(73.95,74.05), target = 74, confidence.level = 0.95)

# pc$indices[1] para obtener Cp

En R , para obtener este gráfico es necesario usar la función processCapability:

Caso I Caso II Caso III

El PCR; CP tiene otra interpretación. La cantidad

Es decir, el proceso utiliza un 60% de la banda de las especificaciones.

2.7 Revisión de Límites de Control y Líneas Centrales

2.8 Subgrupos Racionales

2.9 Lineamientos para el Diseño de la Carta de Control

En nuestro caso si n < 10 utilizaremos la carta R y si n ≥ 10 utilizaremos la carta S.

Curvas de Operación Característica:

2.10 Cambio del Tamaño de la Muestra en las Cartas Xbar y R

2.11 Límites de Probabilidad en las Cartas Xbar y R

2.11.1 Límites de Probabilidad para la Carta Xbar

2.11.2 Límites de Probabilidad para la Carta R

2.12 Cartas Basadas en Valores Estándares

2.12.1 Parámetros de la Carta Xbar con Valores Estándares

Los parámetros podrían expresarse como: UCL = μ + Aσ , Línea Central = μ, LCL = μ − Aσ .

2.12.2 Parámetros de la Carta R con Valores Estándares

2.13 Interpretación de las Cartas Xbar y R

2.13.1 Patrones Comunes en Cartas Xbar y R

Tendencias muestran movimiento continuo en una dirección.

Estratificación se observa cuando los puntos se agrupan alrededor de la línea central.

2.13.2 Consideraciones Finales

2.14 El Efecto del Incumplimiento de la Normalidad en las Cartas

2.14.1 Supuesto de Normalidad y Desviación

2.14.2 Investigación sobre el Efecto de la Desviación de la Normalidad

2.14.3 Diferencia en la Sensibilidad entre Carta Xbar y Carta R

2.15 La Función de Operación Característica en Cartas Xbar y R

2.15.1 Curva OC en Carta Xbar