Taller #4

Control Estadı́stico de la Calidad

Mauricio Quintana Torres
[email protected]

1. Los siguientes datos representan las mediciones de viscosidad de los últi-

mos tres meses de un producto lácteo. El objetivo es tener una viscosidad
de 80 ± 10 cps.
84 81 77 80 80 82 78 83
81 78 83 84 85 84 82 84
82 80 83 84 82 78 83 81
86 85 79 86 83 82 84 82
83 82 84 86 81 82 81 82
87 84 83 82 81 84 84 81
78 83 83 80 86 83 82 86
87 81 78 81 82 84 83 79
80 82 86 82 80 83 82 76
79 81 82 84 85 87 88 90
> viscosidad <- c(84, 81, 77, 80, 80, 82, 78, 83, 81, 78, 83,
+ 84, 85, 84, 82, 84, 82, 80, 83, 84, 82, 78,
+ 83, 81, 86, 85, 79, 86, 83, 82, 84, 82, 83,
+ 82, 84, 86, 81, 82, 81, 82, 87, 84, 83, 82,
+ 81, 84, 84, 81, 78, 83, 83, 80, 86, 83, 82,
+ 86, 87, 81, 78, 81, 82, 84, 83, 79, 80, 82,
+ 86, 82, 80, 83, 82, 76, 79, 81, 82, 84, 85,
+ 87, 88, 90)
a) Construya una gráfica de capacidad de este proceso (histograma con
tolerancias) y dé una primera opinión sobre la capacidad.
> library(qcc)
> ESv <- 90
> EIv <- 70
> Tv <- 80
> qv <- qcc(viscosidad, type = "xbar.one", plot = F)
> process.capability(qv, spec.limits = c(EIv,ESv),
+ target = Tv, breaks = "Sturges")
Process Capability Analysis

Call:
process.capability(object = qv, spec.limits = c(EIv, ESv), target = Tv, break

Number of obs = 80 Target = 80

Center = 82.45 LSL = 70
StdDev = 2.244 USL = 90

Capability indices:

1
 Value 2.5% 97.5%
Cp 1.485 1.2539 1.716
Cp_l 1.849 1.5995 2.099
Cp_u 1.121 0.9623 1.280
Cp_k 1.121 0.9318 1.311
Cpm 1.003 0.8105 1.196

Exp<LSL 0% Obs<LSL 0%
Exp>USL 0.038% Obs>USL 0%
Process Capability Analysis
for viscosidad
LSL Target USL

70 75 80 85 90

Number of obs = 80 Target = 80 Cp = 1.49 Exp<LSL 0%

Center = 82.45 LSL = 70 Cp_l = 1.85 Exp>USL 0.038%
StdDev = 2.244367 USL = 90 Cp_u = 1.12 Obs<LSL 0%
Cp_k = 1.12 Obs>USL 0%
Cpm = 1

b) Calcule la media y la desviación estándar, y tomando a éstos como

parámetros poblacionales estime los ı́ndices Cp , Cpk , Cpm y K, e
interprételos con detalle.
El promedio y desviación estándar para la viscosidad de la leche son
x̄ = 82,45 y s = 2,6237.
La estimación de la desviación estándar, σ̂, el cual se determina me-
diante:
¯
RM
σ̂ =
d2
Donde RM , corresponde al rango móvil de los datos. Este valor lo
vamos a determinar se determina de la siguiente manera:
> mov.viscosidad <- cbind(viscosidad[1:79], viscosidad[2:80])
> rbarmovv <- qcc(mov.viscosidad, type = "R")
> RMv <- rbarmovv$center
> sigmav <- round(RMv/1.128, 4)

2
Por lo tanto para determinar StdDev, es decir σ̂, serı́a

RM¯
σ̂ =
d2
2,5316
=
1,128
=2,2444
Ya con estos valores determinaremos los ı́ndices de capacidad, los
cuales ya encontramos con R, pero ahora validemos de manera ma-
nual estos resultados.
Cp , Índice de capacidad potencial del proceso

ES − EI
Cp =
6σ
90 − 70
=
(6)(2,2444)
=1,4852

Cpk , Índice de capacidad potencial del proceso

Para determinar este ı́ndice, debemos calcular primero los ı́ndices de
capacidad inferior y superior, Cpi y Cps , mediante:
µ − EI ES − µ
Cpi = y Cps =
3σ 3σ
Esto es

µ − EI
Cpi =
3σ
82,45 − 70
= )
(3)(2,2444)
=1,849

ES − µ
Cps =
3σ
90 − 82,45
= )
(3)(2,2444)
=1,1213
Por lo tanto Cpk = min (Cpi , Cps ) = 1,1213
Cpm , Índice de Taguchi

ES − EI
Cpm = p
6 σ 2 + (µ − N )2
90 − 70
= p
(6) 2,24442 + (82,45 − 80)2
=1,0032

3
 K, Índice de centramiento

µ−N
K =1 × 100
2 (ES − EI)
82,45 − 80
= × 100
90 − 70
=24,5 %
En los resultados anteriores podemos ver que:
El proceso cumple con las especificaciones, puestp que cp = 1,49,
el cual es superior a 1,33. esto quiere decir que la capacidad del
proceso de viscosidad de los lácteos es safisfactoria.
La especificación superopr es la menos probable a cumplir, puesto
que Cpk = 1,12, cuyo valor proviene de indice Cps , debido a que
el ı́ndice es menor a 1,25,
Los tiempos no cuentan con centramiento, debido a que cp y Cpk ,
no están tan cercanos.
Teniendo en cuenta que s = 2,6237 y σ̂ = 2,2444, son valores
algo cercanos, significa que el proceso es posible que tenga un
buen control.
El valor de Cpm = 1,00, esto quiere decir que el proceso cumple
especificaciones, al ser mayor a uno, pero como es menor a 1,33,
podemos concluir que a pesar de cumplir especificaciones, la me-
dia de la viscosidad no está dentro de la quinta parte central del
rango de especificaciones.
Debido a que el ı́ndice K, es mayor que 20 %, concluimos que no
hay centramiento, y al ser positivo, significa que el proceso está
corrido a la derecha, es decir la media del proceso es mayor que
el valor ideal.
En general, la viscosisdad de la leche, cumple con las especifi-
caciones, con el riesgo que superar la viscosidad máxima esta-
blecida en la tolerancia. Se requiere un ajuste al proceso, para
lograr que la viscosidad de la leche sea un poco menor, y logar
un centramiento del proceso.
c) Con base en la tabla 5.2, también estime el porcentaje fuera de espe-
cificaciones.
Haciendo uso de la tabla 5.2 del libro de Humberto Guitierrez, Con-
trol estadı́stico de la calidad y seis sigma y dado que Cp = 1,49
aproximadamente el 0,0007 % de las mediciones de viscosidad de la
leche no cumplirá con las tolerancias establecidas, esto equivale a
6802 partes por millón. Es decir, de cada millón de mediciones de
viscosidad 6802, no cumplirán con la viscosidad establecida.
d ) Haciendo uso de la distribución normal, determine el porcentaje fuera
de las especificaciones.
Para determinar el porcentaje fuera de las especificaciones, median-
te la distribución normal, calculando la fracción disconforme p, lo
hacemos calculando:

4
 p = P (X > LES) + P (X < LEI)
Considerando a X como la variable aleatoria que representa la visco-
sidad de la leche, entonces tenemos que:

p =P (X > 90) + P (X < 70)

   
X −µ 90 − 82,45 X −µ 70 − 82,45
=P > +P <
σ̂ 2,2444 σ̂ 2,2444
=P (Z > 3,3639) + P (Z < −5,5471)
=0 + 4e − 04
=4e − 04

Esto quiere decir que en realidad el 0,04 % de las mediciones de vis-

cosidad de la lecheno cumplirá con las tolerancias establecidas, esto
equivale a 400, partes por millón de viscosidad en la leche que no
cumplirá con la tolerancia.
e) ¿Las estimaciones realizadas en los dos incisos anteriores y las co-
rrespondientes estimaciones se deben ver con ciertas reservas? ¿Por
qué?
Pues, se requiere hacer mediciones periodicas para contrastar los re-
sultados de cada una de las mediciones realizadas, todo debido a que
los parámetros poblacionales no se conocen, y por tanto se deben
hacer mediciones permantentes para lograr estabilizar el proceso en
cietos parámetros que sean adecuados.

5
2. En la elaboración de envases de plástico primero se elabora la preforma,
para la cual se tienen varios criterios de calidad, uno de ellos es el peso de
ésta. Para cierto envase se tiene que el peso debe estar entre 28,00 ± 0,5
g. A continuación se muestran los últimos 112 datos obtenidos mediante
una carta de control para esta variable.
27.72 28.39 28.21 28.19 28.02 27.93 27.89 27.88
28.06 27.91 27.97 27.95 27.96 27.94 28.04 28.05
27.81 27.74 27.95 27.91 27.93 28.07 28.13 27.98
27.87 27.87 27.82 28.23 27.90 27.91 28.16 27.94
27.86 27.84 27.70 27.98 28.02 28.00 27.99 28.13
28.26 28.10 27.94 28.07 27.84 27.90 27.87 27.76
27.95 27.94 27.81 27.76 27.96 27.84 27.85 27.93
28.22 27.96 27.88 28.08 28.04 28.19 27.89 28.08
28.09 28.02 27.85 28.27 27.75 27.98 27.75 27.82
28.13 27.88 28.11 28.05 28.14 28.11 28.08 28.16
28.04 28.05 27.75 27.89 27.94 28.19 28.10 27.78
27.63 27.93 27.74 28.10 28.14 27.91 27.84 28.21
27.85 27.84 28.12 28.01 27.97 27.88 28.00 28.10
28.16 28.16 28.01 28.13 27.97 27.90 27.87 27.94
> peso <- c(
+ 27.72, 28.39, 28.21, 28.19, 28.02, 27.93, 27.89, 27.88, 28.06,
+ 27.91, 27.97, 27.95, 27.96, 27.94, 28.04, 28.05, 27.81, 27.74,
+ 27.95, 27.91, 27.93, 28.07, 28.13, 27.98, 27.87, 27.87, 27.82,
+ 28.23, 27.90, 27.91, 28.16, 27.94, 27.86, 27.84, 27.70, 27.98,
+ 28.02, 28.00, 27.99, 28.13, 28.26, 28.10, 27.94, 28.07, 27.84,
+ 27.90, 27.87, 27.76, 27.95, 27.94, 27.81, 27.76, 27.96, 27.84,
+ 27.85, 27.93, 28.22, 27.96, 27.88, 28.08, 28.04, 28.19, 27.89,
+ 28.08, 28.09, 28.02, 27.85, 28.27, 27.75, 27.98, 27.75, 27.82,
+ 28.13, 27.88, 28.11, 28.05, 28.14, 28.11, 28.08, 28.16, 28.04,
+ 28.05, 27.75, 27.89, 27.94, 28.19, 28.10, 27.78, 27.63, 27.93,
+ 27.74, 28.10, 28.14, 27.91, 27.84, 28.21, 27.85, 27.84, 28.12,
+ 28.01, 27.97, 27.88, 28.00, 28.10, 28.16, 28.16, 28.01, 28.13,
+ 27.97, 27.90, 27.87, 27.94)
a) Construya una gráfica de capacidad de este proceso (histograma con
tolerancias) y dé una primera opinión sobre la capacidad.
> library(qcc)
> Tp <- 28
> ESp <- Tp + 0.5
> EIp <- Tp - 0.5
> qp <- qcc(peso, type = "xbar.one", plot = F)
> process.capability(qp, spec.limits = c(EIp,ESp),
+ target = Tp, breaks = "Sturges")
Process Capability Analysis

Call:
process.capability(object = qp, spec.limits = c(EIp, ESp), target = Tp, break

Number of obs = 112 Target = 28

6
 Center = 27.98 LSL = 27.5
StdDev = 0.1249 USL = 28.5

Capability indices:

Value 2.5% 97.5%

Cp 1.334 1.159 1.509
Cp_l 1.270 1.121 1.420
Cp_u 1.398 1.236 1.561
Cp_k 1.270 1.092 1.448
Cpm 1.310 1.136 1.484

Exp<LSL 0% Obs<LSL 0%
Exp>USL 0% Obs>USL 0%
Process Capability Analysis
for peso
LSL Target USL

27.4 27.6 27.8 28.0 28.2 28.4 28.6

Number of obs = 112 Target = 28 Cp = 1.33 Exp<LSL 0%

Center = 27.97598 LSL = 27.5 Cp_l = 1.27 Exp>USL 0%
StdDev = 0.1249121 USL = 28.5 Cp_u = 1.4 Obs<LSL 0%
Cp_k = 1.27 Obs>USL 0%
Cpm = 1.31

b) Calcule la media y la desviación estándar, y tomando a éstos como

parámetros poblacionales estime los ı́ndices Cp , Cpk , Cpm y K, e
interprételos con detalle.
El promedio y desviación estándar para el peso de la preforma de
plástico son x̄ = 27,976 y s = 0,1437.
La estimación de la desviación estándar, σ̂, el cual se determina me-
diante:
¯
RM
σ̂ =
d2
Donde RM , corresponde al rango móvil de los datos. Este valor lo
vamos a determinar se determina de la siguiente manera:

7
> mov.peso <- cbind(peso[1:111], peso[2:112])
> rbarmovp <- qcc(mov.peso, type = "R")
> RMp <- rbarmovp$center
> sigmap <- round(RMp/1.128, 4)
Por lo tanto para determinar StdDev, es decir σ̂, serı́a

RM¯
σ̂ =
d2
0,1409
=
1,128
=0,1249

Ya con estos valores determinaremos los ı́ndices de capacidad, los

cuales ya encontramos con R, pero ahora validemos de manera ma-
nual estos resultados.
Cp , Índice de capacidad potencial del proceso

ES − EI
Cp =
6σ
28,5 − 27,5
=
(6)(0,1249)
=1,3344

Cpk , Índice de capacidad potencial del proceso

Para determinar este ı́ndice, debemos calcular primero los ı́ndices de
capacidad inferior y superior, Cpi y Cps , mediante:
µ − EI ES − µ
Cpi = y Cps =
3σ 3σ
Esto es

µ − EI
Cpi =
3σ
27,976 − 27,5
= )
(3)(0,1249)
=1,2703

ES − µ
Cps =
3σ
28,5 − 27,976
= )
(3)(0,1249)
=1,3985

Por lo tanto Cpk = min (Cpi , Cps ) = 1,27

Cpm , Índice de Taguchi

8
 ES − EI
Cpm = p
6 σ 2 + (µ − N )2
28,5 − 27,5
= p
(6) 0,12492 + (27,976 − 28)2
=1,3104

K, Índice de centramiento

µ−N
K =1 × 100
2 (ES − EI)
27,976 − 28
= × 100
28,5 − 27,5
= − 4,8 %

En los resultados anteriores podemos ver que:

El proceso cumple con las especificaciones, puestp que cp = 1,33,
el cual es igual a 1,33. esto quiere decir que la capacidad del
proceso del peso de las preformas de plásticoes safisfactoria.
La especificación inferior es la menos probable a cumplir, puesto
que Cpk = 1,27, cuyo valor proviene de indice Cps , pero el ı́ndice
es mayor a 1,25, esto quiere decir que el proceso es adecuado
para cada una de las especificaciones.
Los pesos de las preformas cuentan con centramiento, debido a
que cp y Cpk , están tan cercanos.
Teniendo en cuenta que s = 0,1437 y σ̂ = 0,1249, son valores
cercanos, significa que el proceso es posible que tenga un buen
control.
El valor de Cpm = 1,31, esto quiere decir que el proceso cumple
especificaciones, al ser mayor a uno; pero al ser cercano a 1,33,
podemos concluir que a pesar de cumplir especificaciones, la me-
dia de la viscosidad está dentro de la quinta parte central del
rango de especificaciones.
Debido a que el ı́ndice K, es menor que 20 % y mayor que −20 %
concluimos que hay centramiento, y al ser negativo, significa que
el proceso está ligeramente corrido a la izquierda, es decir la
media del proceso es menor que el valor ideal, pero se considera
aceotable.
En general, el peso de las preformas de plástico, cumple con las
especificaciones, cumpliendo ası́ la calidad seis sigma.
c) Con base en la tabla 5.2, (Ver esto en el libro Control estadı́stico
de la calidad y seı́s sigma, Humberto Gutierrez), también estime el
porcentaje fuera de especificaciones.
Haciendo uso de la tabla 5.2 del libro de Humberto Guitierrez, Con-
trol estadı́stico de la calidad y seis sigma y dado que Cp = 1,33 apro-
ximadamente el 0,0096 % de las mediciones del peso de las preformas

9
 de pástico no cumplirá con las tolerancias establecidas, esto equivale
a 96,231 partes por millón. Es decir, de cada millón de mediciones
del peso 96,231, no cumplirán con el peso establecida.
d ) Haciendo uso de la distribución normal, determine el porcentaje fuera
de las especificaciones.
Para determinar el porcentaje fuera de las especificaciones, median-
te la distribución normal, calculando la fracción disconforme p, lo
hacemos calculando:

p = P (X > LES) + P (X < LEI)

Considerando a X como la variable aleatoria que representa el peso
de las preformas de pĺastico, entonces tenemos que:

p =P (X > 28,5) + P (X < 27,5)

   
X −µ 28,5 − 27,976 X −µ 27,5 − 27,976
=P > +P <
σ̂ 0,1249 σ̂ 0,1249
=P (Z > 4,1955) + P (Z < −3,8109)
=1e − 04 + 0
=1e − 04

Esto quiere decir que en realidad el 0,01 % de las mediciones de vis-

cosidad de la lecheno cumplirá con las tolerancias establecidas, esto
equivale a 100, partes por millón de viscosidad en la leche que no
cumplirá con la tolerancia.

10
3. La longitud de una pieza metálica debe ser de 8cm ± 40 mm. Para evaluar
la capacidad del proceso se toma una muestra aleatoria sistemática de
48 piezas y las mediciones obtenidas se reportan como las micras que se
desvı́an del valor nominal:
Longitud (desviación en micras de valor nominal)
10 −31 −16 −7 0 3 0 −21
8 −7 −2 −7 −14 −2 5 8
−2 −5 8 2 −45 −12 −5 12
−19 18 −10 −14 −5 −10 7 12
4 5 −2 5 −13 14 5 −9
−2 3 20 −4 −4 1 4 17
x
Haremos primero una conversión de los valores mediante 8 ± 10 , donde x
corresponde a cualquiera de los reportes presentados en la tabla anterior,
donde nos muestran que tanto se desvián del valor nominal. Esta fórmula,
nos permite trabajar con el valor real de la longitud de la pieza metálica.
En este sentido trabajaremos con la especificación 8cm ± 40mm, que es
equivalente a 8 ± 4cm
> longitud <- c(
+ 7, 4.9, 6.4, 7.3, 8, 8.3, 8, 5.9, 8.8, 7.3, 7.8, 7.3, 6.6,
+ 7.8, 8.5, 8.8, 7.8, 7.5, 8.8, 8.2, 3.5, 6.8, 7.5, 9.2, 6.1,
+ 9.8, 7, 6.6, 7.5, 7, 8.7, 9.2, 8.4, 8.5, 7.8, 8.5, 6.7, 9.4,
+ 8.5, 7.1, 7.8, 8.3, 10, 7.6, 7.6, 8.1, 8.4, 9.7)
> ml <- round(mean(longitud), 4)
> sl <- round(sd(longitud), 4)
a) Considerando que las especificaciones son 0 ± 40, obtenga una gráfica
de capacidad (histograma con tolerancias) y haga una evaluación
preliminar de la capacidad del proceso.
> library(qcc)
> Tl <- 8
> ESl <- Tl + 4
> EIl <- Tl - 4
> ql <- qcc(longitud, type = "xbar.one", plot = F)
> process.capability(ql, spec.limits = c(EIl,ESl),
+ target = Tl, breaks = "Sturges")
Process Capability Analysis

Call:
process.capability(object = ql, spec.limits = c(EIl, ESl), target = Tl, break

Number of obs = 48 Target = 8

Center = 7.756 LSL = 4
StdDev = 1.13 USL = 12

Capability indices:

Value 2.5% 97.5%

Cp 1.180 0.9421 1.418
Cp_l 1.108 0.9042 1.312

11
 Cp_u 1.252 1.0253 1.479
Cp_k 1.108 0.8651 1.351
Cpm 1.154 0.9183 1.388

Exp<LSL 0.044% Obs<LSL 2.1%

Exp>USL 0% Obs>USL 0%
Process Capability Analysis
for longitud
LSL Target USL

4 6 8 10 12

Number of obs = 48 Target = 8 Cp = 1.18 Exp<LSL 0.044%

Center = 7.75625 LSL = 4 Cp_l = 1.11 Exp>USL 0%
StdDev = 1.129848 USL = 12 Cp_u = 1.25 Obs<LSL 2.1%
Cp_k = 1.11 Obs>USL 0%
Cpm = 1.15

b) Estime, con un intervalo de confianza de 95 %, los ı́ndices Cp , Cpk y

Cpm , e interprete cada uno de ellos.
Para hacer la estimación por intervalos de confianza es necesario uti-
lizar los datos muestrales. El promedio y desviación estándar para la
longitud de una pieza metálica son x̄ = 7,7562 y s = 1,2214. Como el
nivel de confianza es 95 %, tenemos que α = 0,05, ası́ Z0 ,025 = 1,96.
Ya con estos valores determinaremos los intervalos de los ı́ndices de
capacidad, dados por:
Cp , Índice de capacidad potencial del proceso
Primero calculamos Ĉp .

ES − EI
Ĉp =
6S
12 − 4
=
(6)(1,2214)
=1,0916

Para determinar el intervalo de confianza para Cp , debemos cacular

la siguiente expresión:

12
 !
Ĉp Ĉp
P Ĉp − Z α2 p < Cp < Ĉp + Z α2 p = 0,95
2(n − 1) 2(n − 1)

Por lo tanto

!
1,0916 1,0916
P 1,0916 − (1,96) p < Cp < 1,0916 + (1,96) p = 0,95
2(48 − 1) 2(48 − 1)

P (1,0688 < Cp < 1,1144) = 0,95

Ĉpk , Índice de capacidad potencial del proceso
Para determinar este ı́ndice, debemos calcular primero los ı́ndices de
capacidad inferior y superior, Ĉpi y Ĉps , mediante:

X̄ − EI ES − X̄
Ĉpi = y Ĉps =
3S 3S
Esto es

X̄ − EI
Ĉpi =
3S
7,7562 − 4
= )
(3)(1,2214)
=1,0251

ES − X̄
Ĉps =
3S
12 − 7,7562
= )
(3)(1,2214)
=1,1582
 
Por lo tanto Ĉpk = min Ĉpi , Ĉps = 1,025
Para determinar el intervalo de confianza para Cpk , debemos cacular
la siguiente expresión:

 s s 
2
Ĉpk 2
Ĉpk
1 1
P Ĉpk − Z α2 + < Cpk < Ĉpk + Z α2 +  = 0,95
2(n − 1) 9n 2(n − 1) 9n
s s !
1,0252 1 1,0252 1
P 1,025 − (1,96) + < Cpk < 1,025 + (1,96) + = 0,95
2(48 − 1) 9(48) 2(48 − 1) 9(48)

P (0,7973 < Cpk < 1,2527) = 0,95

Ĉpm , Índice de Taguchi

13
 ES − EI
Ĉpm = p
6 S 2 + (X̄ − N )2
12 − 4
= p
(6) 1,22142 + (7,7562 − 8)2
=1,0705

Para determinar el intervalo de confianza para Cpm , debemos cacular

la siguiente expresión:
 v v 
(X̄−N )2 (X̄−N )2
u u
u 1 u 1
Ĉpm u 2 + Ĉpm u 2 +
 u u 
 S2 S2 
Ĉpm − Z α √
P   < Cpm < Ĉpm + Z α √
u u  = 0,95
(X̄−N )2 2 (X̄−N )2 2
 
2 n 2 n
u u
1+ 1+
 t t 
S 2 S2

 v v 
! u 1 + (7,7562−8) ! u 1 + (7,7562−8)
u u
 1,0705 u 2 1,22142 1,0705 u 2 1,22142

P 1,0705 − (1,96)  < Cpm < 1,0705 + (1,96)   = 0,95
 u u 
√ √
(7,7562−8) 2 (7,7562−8) 2 
u u
 48 t
1+ 48 t
1+
1,22142 1,22142

P (1,0402 < Cpm < 1,1008) = 0,95

c) ¿Hay seguridad de que la capacidad del proceso es satisfactoria?
Según los resultados anteriores, vemos que el proceso cumple
con las especificaciones, puesto que Ĉp , se encuentra entre 1,068
y 1,11, es decir un valor inferior a 1,33, con una confianza de
95 %, por lo tanto se considera que el proceso es parcialmente
adecuado.
La especificación inferior es la que menos se cumple, puesto que
Ĉpk = 1,025, cuyo valor proviene de indice Cpi . Además al esti-
mar este valor mediante inrtervalo de confianza, se espera que se
encuentre el Ĉpk entre 0,797 y 1,25. Esto quiere decir que no se
tiene seguridad de que se cumplirá la capacidad real del proceso,
pues el ı́ndice es menor a 1,25 y es posible que sea menor a 1,
por este motivo, alguna de los especificaciones de la longitud no
se cumplirá.
La longitud, no cuentan con centramiento, debido a que Ĉp y
Ĉpk , no están tan cercanos.
Teniendo en cuenta que Cpm , se encuentra dentro de un intervalo,
mayor que uno, podemos decir que existe un cumplimiento de las
especificaciones. Como es menor a 1,33, podemos concluir que a
pesar de cumplir especificaciones, la media de la longitud no está
dentro de la quinta parte central del rango de especificaciones.
¿
d ) Por qué fue necesario estimar por intervalo?
Si la muestra es pequeña, de unas cuantas decenas (menor a 80, como
en este caso donde n = 48, por ejemplo), es incorrecto comparar los
valores estimados con los valores mı́nimos recomendados para los
ı́ndices, ya que los valores mı́nimos son para los verdaderos ı́ndices,
o ı́ndices poblacionales, y no para su estimación muestral, pues si

14
los ı́ndices son estimados con base en muestras pequeñas, entonces
un valor grande de un ı́ndice muestral no necesariamente implica
que se tiene una buena capacidad de proceso. Lo contrario también
es verdad: un valor pequeño del ı́ndice estimado no necesariamente
implica una mala capacidad del proceso.

15
4. Considere las siguientes 80 mediciones de tiempo de ciclo de un proceso
en dı́as. Las especificaciones son EI = 0 y ES = 50, siendo en realidad
ésta última la que preocupa:
30 12 22 9 18 8 42 2
19 26 28 15 10 13 33 13
13 40 8 10 14 22 27 39
12 16 16 34 13 22 13 5
16 30 6 20 34 17 28 10
16 23 39 8 14 8 36 10
38 7 43 15 15 9 33 23
15 20 20 15 11 12 13 14
12 19 10 23 22 25 30 9
15 19 5 34 16 8 23 21
> tiempo <- c(30 , 12 , 22 , 9 , 18 , 8 , 42 , 2,
+ 19 , 26, 28 , 15 , 10 , 13 , 33 , 13,
+ 13 , 40 , 8 , 10, 14 , 22 , 27 , 39 , 12,
+ 16 , 16 , 34 , 13 , 22, 13 , 5 , 16 , 30,
+ 6 , 20 , 34 , 17 , 28 , 10, 16 , 23 , 39,
+ 8 , 14 , 8 , 36 , 10 , 38 , 7, 43 , 15 , 15,
+ 9 , 33 , 23 , 15 , 20 , 20 , 15, 11 , 12,
+ 13 , 14 , 12 , 19 , 10 , 23 , 22 , 25, 30,
+ 9 , 15 , 19 , 5 , 34 , 16 , 8 , 23 , 21)
a) Dibuje un histograma y verifique si los datos cumplen el supuesto
de normalidad. Aplique alguna prueba de normalidad utilizando un
paquete estadı́stico.
Histograma
> hist(tiempo, main = " Tiempo deciclo de un proceso",
+ xlab = "Dias", ylab = "Frecuencia", col = "blue",
+ xlim = c(0,55))
> abline(v= 0, col = "red", lwd = 3, lty = 3)
> abline(v= 50, col = "red", lwd = 3, lty = 3)
Teniendo en cuenta que la muestra, n = 80, es mayor a 50, hacemos
uso de la prueba de normalidad de kolmogorov smirnov.
> library("nortest")
> lillie.test(x = tiempo)
Lilliefors (Kolmogorov-Smirnov) normality test

data: tiempo
D = 0.15246, p-value = 8.87e-05
Vemos que los datos no siguen una distribucón normal, puesto que el
p valor de la prueba de normalidad es infereior a 0.05.
> qqnorm(tiempo)
> qqline(tiempo)

16
 Normal Q−Q Plot

40
30
Sample Quantiles

20
10

−2 −1 0 1 2

Theoretical Quantiles

La distribución de los datos queda muy distante de lo que deberı́a ser

una distribución normal.
b) Haga el análisis de capacidad suponiendo normalidad.
> library(qcc)
> q <- qcc(tiempo, type = "xbar.one", plot = F)
> process.capability(q, spec.limits = c(0, 50),
+ target = 25, breaks = "Sturges")
Process Capability Analysis

Call:
process.capability(object = q, spec.limits = c(0, 50), target = 25, breaks =

Number of obs = 80 Target = 25

Center = 18.91 LSL = 0
StdDev = 11.23 USL = 50

Capability indices:

Value 2.5% 97.5%

Cp 0.7419 0.6263 0.8572
Cp_l 0.5612 0.4656 0.6569
Cp_u 0.9225 0.7871 1.0579
Cp_k 0.5612 0.4472 0.6752
Cpm 0.6522 0.5405 0.7638

17
 Exp<LSL 4.6% Obs<LSL 0%
Exp>USL 0.28% Obs>USL 0%
Process Capability Analysis
for tiempo
LSL Target USL

0 10 20 30 40 50

Number of obs = 80 Target = 25 Cp = 0.742 Exp<LSL 4.6%

Center = 18.9125 LSL = 0 Cp_l = 0.561 Exp>USL 0.28%
StdDev = 11.23306 USL = 50 Cp_u = 0.923 Obs<LSL 0%
Cp_k = 0.561 Obs>USL 0%
Cpm = 0.652

De los resultados anteriores podemos concluir que:

Según los resultados anteriores, vemos que el proceso no cumple
con las especificaciones, puestp que cp = 0,7419, el cual es inferior
a 1,33.
La especificación inferior es la que menos se cumple, puesto que
Cpk = 0,5612, cuyo valor proviene de indice Cpi .
Los tiempos no cuentan con centramiento, debido a que cp y Cpk ,
no están tan cercanos.
Teniendo en cuenta que s = 9,9647 y σ̂ = 11,2331, no son valores
cercanos, significa que el proceso no tiene un buen control.
c) Usando un paquete estadı́stico encuentre una distribución que se
ajuste razonablemente a los datos. Luego estime los ı́ndices Pp , Ppi ,
Pps y Ppk con el método de percentiles de Clements.
Para usar el método de percentiles de Clements, debemos determinar
los indices mediante lad fórmulas:
ES − EI
Cp = (1)
P0,99865 − P0,00135
Es − P0,5
Cpu = (2)
P0,99865 − P0,5
P0,5 − EI
Cpl = (3)
P0,5 − P0,00135

18
 Cpk = mı́n (Cpu , Cpl ) (4)
Donde los términos: P0,99865 = 42,8933, P0,00135 = 2,3199 y P0,5 =
16, corresmponde a los puntos percentiles 0,5, 0,135 y 99,865 de la
distribución de la variable tiempo.
Ası́ las cosas tenemos que:

ES − EI
Cp =
P0,99865 − P0,00135
50 − 0
=
42,8933 − 2,3199
= 1,2323

Es − P0,5
Cpu =
P0,99865 − P0,5
50 − 16
=
42,8933 − 16
= 1,2643

P0,5 − EI
Cpl =
P0,5 − P0,00135
16 − 0
=
16 − 2,3199
= 1,1696

Ası́ las cosas, Cpk = 1,1696.

Podemos determinar las siguientes concluciones:
Según los resultados anteriores, vemos que el proceso cumple con
las especificaciones, puesto que cp = 1,2323, el cual es inferior a
1,33, pero se considera que el proceso es parcialmente adecuado.
La especificación superior es la que menos se cumple, puesto que
Cpk = 1,1696, cuyo valor proviene de indice Cpl .
Los tiempos, al momento de transformarse no cuentan con cen-
tramiento, debido a que cp y Cpk , no están tan cercanos.
d ) Estime los ı́ndices del inciso anterior transformando previamente los
datos a normalidad con el método de Box-Cox.
Para transformar los datos debemos realizar lo siguiente:
> library(fpp)
> lambda <- BoxCox.lambda(tiempo, method = c("loglik"),
+ lower = -2, upper = 2)
> #Idendificar el valor de lambda
> W <- BoxCox(tiempo, lambda)
Una vez transformados los datos, veamos si estos siguen una distri-
bución normal:
> lillie.test(x = W)

19
 Lilliefors (Kolmogorov-Smirnov) normality test

data: W
D = 0.090676, p-value = 0.1073
Como podemos observar los datos transformados, a quien llamamos
W , vemos que sigen una distribución normal.
> qqnorm(W)
> qqline(W)

Normal Q−Q Plot

8
7
6
Sample Quantiles

5
4
3
2
1

−2 −1 0 1 2

Theoretical Quantiles

La distribución de los datos NO queda muy distante de lo que deberı́a

ser una distribución normal.
Por lo tanto, podemos calcular los ı́ndices de capacidad tal como lo
hemos venido trabjando.
Antes de analizar la capacidad, debemos transformar también las
especificaciones de la siguiente manera:

xλ − 1
x(λ) =
λ
Teniendo en cuenta que EI = 0 y ES = 50, determinamos las nuevas
escificaciones mediante:

00,35 − 1
x(0) =
0,35
= − 2,8571

20
 500,35 − 1
x(50) =
0,35
= 8,3778

por último, nuestro valor nominal es N = 25, por tanto al transfor-

marlo tenemos:

250,35 − 1
x(25) =
0,35
= 5,9576

Ası́ las cosas la capacidad del proceso serı́a:

> EI <- (0^(lambda) - 1 ) / lambda
> ES <- (50^(lambda) - 1 ) / lambda
> N <- (25^(lambda) - 1 ) / lambda
> qW <- qcc(W, type = "xbar.one", plot = F)
> process.capability(qW, spec.limits = c(EI, ES),
+ target = N, breaks = "Sturges")
Process Capability Analysis

Call:
process.capability(object = qW, spec.limits = c(EI, ES), target = N, breaks =

Number of obs = 80 Target = 5.958

Center = 4.882 LSL = -2.857
StdDev = 1.716 USL = 8.378

Capability indices:

Value 2.5% 97.5%

Cp 1.0910 0.9211 1.2606
Cp_l 1.5031 1.2971 1.7091
Cp_u 0.6789 0.5710 0.7868
Cp_k 0.6789 0.5503 0.8075
Cpm 0.9245 0.7626 1.0861

Exp<LSL 0% Obs<LSL 0%
Exp>USL 2.1% Obs>USL 0%

21
 Process Capability Analysis
for W
LSL Target USL

−4 −2 0 2 4 6 8 10

Number of obs = 80 Target = 5.957627 Cp = 1.09 Exp<LSL 0%

Center = 4.882158 LSL = −2.857143 Cp_l = 1.5 Exp>USL 2.1%
StdDev = 1.716332 USL = 8.377815 Cp_u = 0.679 Obs<LSL 0%
Cp_k = 0.679 Obs>USL 0%
Cpm = 0.924

Según los resultados anteriores, vemos que el proceso cumple con

las especificaciones, puesto que cp = 1,09, el cual es inferior a
1,33, pero se considera que el proceso es parcialmente adecuado.
La especificación superior es la que menos se cumple, puesto que
Cpk = 0,679, cuyo valor proviene de indice Cps .
Los tiempos, al momento de transformarse no cuentan con cen-
tramiento, debido a que cp y Cpk , no están tan cercanos.
Teniendo en cuenta que s = 1,4904 y σ̂ = 1,7163, no son valores
cercanos, significa que el proceso no tiene un buen control.
e) Compare los resultados obtenidos. ¿Cuál será la mejor estimación?
Argumente.
De los tres métodos, notoriamente el primero de ellos, donde deter-
minamos los ı́ndices suponiendo la normalidad de los datos, no es una
conclsicón correcta y satisfractoria, pues no cumple con los supuestos
para estos ı́ndices, el de normalidad. El método de los percentiles de
Clements, nos muestra que la calidad del proceso es más satisfactoria,
al momento de compararla con la transformación Box-Cox, pero aún
este método no realiza transformación de variables para considerar
la normalidad, ası́ que el método que mas cosideramos adecuado es
al transformar los datos.

22