1.

- La empresa Teclusa, fabricante de tornillos de diferentes medidas, ha encontrado

defectos que, clasificados en orden decreciente, se muestran a continuación. Realice con
estos datos un diagrama de Pareto. Además, indique:
a) ¿Qué caso se trataría de atacar primero para recudir los costos en un 70%?
b) ¿Cuánto se reducirá el costo provocado por los defectos si se decidiera atacar los
tipos de defectos 6, 7 y 8?

Unidade %
No. Defecto % contrib
s acum
1 En las puntas 400000 51.28 51.28
2 Por materiales 210000 26.92 78.22
3 En el roscado 60000 7.7 85.92
4 Redondeo insuficiente 50000 6.4 92.32
5 Longitud incorrecta 25000 3.2 95.52
6 Diámetro incorrecto 12000 1.54 97.06
7 Acabado 10000 1.28 98.34
8 Piezas curvas 7000 0.9 99.24
9 Otros 6000 0.8 100.04
TOTAL 780000

a) Las causas 1 y 2 ocupan el porcentaje pedido.

b) $29000, lo que equivale solamente al 3.4%.

Conclusión: Si gastáramos en atacar los tres últimos problemas, no mermaríamos

casi en nada los costos por defectos de calidad. En cambio, atacar uno o dos
problemas elimina casi en su totalidad dichos costos. Esto es congruente con la
regla “Pocos vitales, muchos triviales”.

6.- Realiza un diagrama de causa – efecto en donde se analice las causas de los
accidentes en el cruce de la boticaria.
7.- La compañía Teclusa desea conocer el comportamiento del proceso de producción y
decide obtener más información. Para esto se pide la asesoría del grupo de control de
calidad, el cual decide tomar 5 piezas cada 15 minutos, midiéndolas y registrándolas. Este
proceso de producción consiste en la fabricación de ciertas piezas de hule, cuya dureza
debe ser de 25 ± 5. Los valores se tienen en la tabla. Desarrolle un histograma para
explicar su comportamiento.

Muestr
Datos
a
 1 24 26 26 26 25
2 21 22 24 26 24
3 24 22 21 27 25
4 26 25 26 23 21
5 23 24 27 26 22
6 23 27 28 25 24
7 22 25 24 25 26
8 26 23 23 24 28
9 25 22 23 26 25
10 21 24 23 25 25
11 27 24 23 22 23
12 22 22 24 23 25
13 24 23 25 22 22
14 24 25 24 23 25
15 26 23 27 26 24
16 28 27 26 24 24
17 25 25 25 26 23
18 24 27 24 25 24
19 24 23 26 23 25
20 23 23 27 24 23
21 23 25 27 26 25
22 29 24 23 24 25
23 24 25 28 25 24
24 26 23 21 25 29
25 26 25 25 25 25

x Límite real f
2
20.5 – 21.5 5
1 LE = 25 ± 5,  LSE = 30 y LIE = 20. De
2 1 acuerdo a lo dicho por Shewart, el tamaño de la
21.5 – 22.5
2 0 muestra debe ser 5 ó 4, ya que menos información
2 2 no es representativa de la población, y más
22.5 – 23.5
3 2 información puede llegar a deformar la visión del
2 2 analista en el muestro y estudio del proceso. El
23.5 – 24.5
4 6 rango de los datos en el muestreo es R = 29 – 21 =
2 3 8. Ahora, condensamos los datos en una tabla de
24.5 – 25.5
5 0 frecuencias con sus respectivos límites para
2 1 construir el histograma.
25.5 – 26.5
6 8
2
26.5 – 27.5 9
7
2
27.5 – 28.5 3
8
2
28.5 – 29.5 2
9
8.- Se calcula la capacidad de un proceso de fresado de unas barras de acero inoxidable,
hasta un espesor de 0.12 ± 0.03 in. El estudio se inició en la fresadora #3 durante el
primer turno con el acero inoxidable en su operación no. 35.las mediciones en in fueron:

1 2 3 4
1 0.1220 0.1200 0.1205 0.1210 0.1205
1 1 1 1
1 2 3 4
2 0.1205 0.1215 0.1200 0.1220 0.1200
2 2 2 2
1 2 3 4
3 0.1210 0.1210 0.1220 0.1200 0.1210
3 3 3 3
1 2 3 4
4 0.1210 0.1220 0.1205 0.1215 0.1210
4 4 4 4
1 2 3 4
5 0.1210 0.1210 0.1210 0.1210 0.1215
5 5 5 5
1 2 3 4
6 0.1215 0.1215 0.1215 0.1200 0.1210
6 6 6 6
1 2 3 4
7 0.1210 0.1215 0.1205 0.1225 0.1205
7 7 7 7
1 2 3 4
8 0.1215 0.1220 0.1205 0.1210 0.1205
8 8 8 8
1 2 3 4
9 0.1205 0.1210 0.1215 0.1210 0.1210
9 9 9 9
1 2 3 4 5
0.1210 0.1195 0.1210 0.1215 0.1215
0 0 0 0 0

Realice el gráfico correspondiente.

Lo valores a considerar son los siguientes:

 x Límite real f f*x La hoja de verificación entonces es:
0.11925 – La media de la distribución es:
0.1195 1 0.1195
0.11975
0.11975 – x= ∑ f ⋅ x = 6.051 = 0.12102
0.1200 5 0.600
0.12025 N 50
0.12025 – y el gráfico es el siguiente:
0.1205 9 1.0845
0.12075
0.12075 – 1
0.1210 2.178
0.12125 8
0.12125 – 1
0.1215 1.3365
0.12175 1
0.12175 –
0.1220 5 0.61
0.12225
0.12225 –
0.1225 1 0.1225
0.12275

Total 6.051

De la gráfica, concluimos que:

• El proceso está bajo control estadístico, aunque el valor de la media no
corresponde al que el límite de especificación dicta.
• La tendencia del gráfico lleva a la distribución casi al extremo del LSE, lo que
indica problemas en el proceso, pues esto ya es una tendencia.

9.- Los siguientes datos consisten en 80 mediciones de potencia de la droga

estreptomicina

4.1 5 2 2.6 4.5 8.1 5.7 2.5

3.5 6.3 5.5 1.6 6.1 5.9 9.3 4.2
4.9 5.6 3.8 4.4 7.1 4.6 7.4 3.5
4.9 5.1 4.6 6.3 8.3 6.3 8.8 10
5.3 5.4 4.4 2.9 7.5 5.7 5.3 3
4.2 5.2 7 3.7 6.7 5.8 6.9 2.8
6 8.2 6.1 7.3 8.2 6.2 3.5 3.4
6.8 4.7 4.6 4.1 4.7 5.0 3.4 7.1

Resuma los datos en forma tabular y en forma gráfica.

 Límite La media del proceso es . El histograma
x f fx
real 423
1.45 0.95-1.95 2 2.9 x= = 5.2875
80
2.45 1.95-2.95 6 14.7
1 es el siguiente:
3.45 2.95-3.95 34.5
0
1
4.45 3.95-4.95 75.65
7
1
5.45 4.95-5.95 98.1
8
1
6.45 5.95-6.95 77.4
2
7.45 6.95-7.95 8 59.6
8.45 7.95-8.95 6 50.7
9.45 8.95-9.95 1 9.45
8
49.05 423
0 PROBLEMAS DE GRÁFICOS DE CONTROL

1. Productos de belleza TECLUSA tiene la impresión que la línea de crema de

belleza, están dando más producto (en peso) de lo que indica el envase. Por tal
motivo uno de los circuitos de calidad de la empresa “Arco Iris”, decide hacerlo
tema de análisis. El circuito se enfoca en una de las máquinas de llenado, tomando
10 unidades cada ½ hora por cinco horas consecutivas. Con estos datos el círculo
intenta elaborar el histograma correspondiente.
El envase de la crema marca 60 g., y las especificaciones internas son:
Mínimo: 60 g Máximo: 65 g

Los datos obtenidos por el círculo de calidad son:

57 64 61 58 62 63 58 63 57 63
62 62 65 64 62 63 52 67 60 64
71 64 64 65 64 59 67 66 61 63
65 65 64 63 64 67 68 64 57 65
60 65 60 67 62 70 62 63 55 63
64 62 60 64 58 62 64 58 72 68
70 67 62 67 65 59 67 70 58 59
65 64 65 58 67 63 67 70 58 59
76 65 66 58 57 57 68 57 61 57
58 59 64 62 64 61 57 59 60 62
 SOLUCIÓN:

Entonces realizando 25 subgrupos con n= 4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
57 60 76 64 67 61 60 66 65 67 62 62 57 59 59 58 62 68 66 70 57 55 61 63 59
62 64 58 65 64 65 60 64 63 58 62 58 64 67 63 52 64 57 64 70 60 72 60 65 59
71 70 64 65 65 64 62 58 67 58 64 65 63 70 57 67 67 63 63 57 61 58 63 63 57
65 65 62 62 59 64 65 64 64 62 64 67 63 62 61 68 67 67 58 59 57 58 64 68 62
Σ 255 259 260 256 255 254 247 252 259 245 252 252 247 258 240 245 260 255 251 256 235 243 248 259 237
X 63.75 64.75 65 64 63.75 63.5 61.75 63 64.75 61.25 63 63 61.75 64.5 60 61.25 65 63.75 62.75 64 58.75 60.75 62 64.75 59.25
R 14 10 18 3 8 4 5 8 4 9 2 9 7 11 6 16 5 11 8 3 4 17 4 5 5

Sacando LE: 62.5 ± 2.5 LSP ó LSC = x + A2R

Por lo tanto tenemos que: LC = x = 62.84
LSE= 65 LIP ó LIC = x - A2R
LIE= 60
Y necesitamos:

x =Σ x/N = 1571/25 = 62.84

R = Σ R/N = 206/25 = 8.24 ≈ 8

Sustituyendo obtenemos:

LSP = 68.85
LIP = 56.83
Entonces sustituyendo tenemos:

LC = 8.24
LSC = (2.282) (8.24) = 18.804
LIC = (0) (8.24) = 0 GR ÁFIC O X -R

66 GRÁFICO X
65
64
63
62
61
60
59
58
0 5 10 15 20 25 30

GRÁFICO R
GRÁFICO X-SIGMA

20
18
16
14
12
10
8
6
4
2
0
0 5 10 15 20 25 30
Para el gráfico x-σ tenemos:

LC = r
LSC = D4r
LIC = D3r

1. TECLUSA es una empresa fabricante de piezas especializadas de hule

natural y sintético, una pieza destinada a la empresa automotriz, tiene una
serie de especificaciones muy estrictas establecidas por el cliente. Una de
ellas es la dureza que marca 60 ± 2 Shore. El departamento de control de
calidad, decide hacer uso de la gráfica de control para esta variable. En un
principio toman 5 piezas cada hora, midiendo la dureza y registrando las
lecturas obtenidas. Trabaje con el departamento y trace la gráfica de control
y establezca las conclusiones correspondientes.
 SUBGRU MUEST
PO RA X R
60. 61. 62. 61. 61.7
1 9 4 62 4 9 2 1.5
61. 61. 61.2
2 63 58 61.7 5 9 2 5
59. 60. 62.
3 7 2 58.9 9 60 60.3 4
60. 60. 60. 59.
4 6 5 60.4 8 7 60.4 1.1
59. 58. 61. 58.
5 8 1 58.5 2 9 59.3 3.1
60. 59. 61. 60.
6 5 3 56.5 5 7 59.7 5
60. 59. 60. 61. 60.0
7 8 2 58.6 4 4 8 2.8
61. 62. 62. 58. 61.4
8 4 6 61.6 6 9 2 3.7
60. 58. 59. 62. 60.4
9 1 9 61.1 8 5 8 3.6
60. 59. 58. 59.8
10 3 5 59.3 1 62 4 3.9
59. 61. 60.4
11 9 58 61.2 3 62 8 4
59. 59. 60. 60. 59.6
12 2 1 58.1 8 9 2 2.8
58. 56. 58. 60. 58.5
13 2 3 59.6 2 3 2 4
SOLUCIÓN:
58. 58. 60. 59. 59.2
Sacando LE: 14 4 5 59.5 3 7 8 1.9
LSP ó LSC = x + A2R 62  2
Por lo tanto 56. 56. 58. 58. 57.7 LC = x = 59.875
tenemos
que: 15 5 7 58.2 LIP ó LIC = x - A2R
7 7 6 2.2
LSE= 62 58. 57. 58.0
LIE= 58 16 1 2 57 59 59 6 2
58. 60. 61. 59.0
17 3 57 57.6 7 8 8 4.8
x = Σ x/N = 58. 59. 61. 61.
1197.5/20 = 18 6 7 61.3 2 2 60.4 2.7
59.875 60. 59. 59.
19 5 60 58.4 7 9 59.7 2.1
R = Σ R/N = 60. 60. 60. 60.1
63.3/20 = 20 8 5 61.1 58 3 4 3.1
3.165 ≈ 3 1197 63.
Σ .5 3
Sustituyendo
obtenemos:

LSP = 61.7012
LIP = 58.049
Para el gráfico x-σ tenemos:

LC = r
LSC = D4r
LIC = D3r

Entonces sustituyendo tenemos:

LC = 3.165
LSC = (2.114) (3.165) = 6.6908
LIC = (0) (3.165) = 0

GRÁFICO X

62
61.5
61
60.5
60
59.5
59
58.5
58
57.5
0 5 10 15 20 25
 GRÁFICO R

0
0 5 10 15 20 25
 CONCLUSIONES:

Podemos concluir de éste gráfico que posee una tendencia descendente.

3.- Se dan los siguientes datos. Realice un diagrama x – R.

Fecha Muestra Datos Media R
12/23 1 35 40 32 37 36 8
2 46 37 36 41 40 10
3 34 40 34 36 36 6
4 69 64 68 59 65 10
5 38 34 44 40 39 10
12/27 6 42 41 43 34 40 9
7 44 41 41 46 43 5
8 33 41 38 36 37 8
9 48 44 47 45 46 4
10 47 43 36 42 42 11
12/28 11 38 41 39 38 39 3
12 37 37 41 37 38 4
13 40 38 47 35 40 12
14 38 39 45 42 41 7
15 50 42 43 45 45 8
12/29 16 33 35 29 39 34 10
17 41 40 29 34 36 12
18 38 44 28 58 42 30
19 35 41 37 38 38 6
20 56 55 45 48 51 11
12/30 21 38 40 45 37 40 8
22 39 42 35 40 39 7
23 42 39 39 36 39 6
24 43 36 35 38 38 8
25 39 38 43 44 41 6
Totales 1025 219
 Cálculos

x= ∑ x = 1025 = 41 R= ∑ R = 219 = 8.76

N 25 N 25

LP = x ± A 2 R n =4 = 41 ± 0.729 ⋅ 8.76
LIP = 34.614 LSP = 47.386

Como se observa hay tres puntos fuera de los límites de control, por lo que
el proceso se rechaza.

4.- A continuación se presenta una forma característica de la gráfica x – R, que

contiene información sobre una concentración de ácido en mililitros. Termine de
hacer todos los cálculos, grafique los puntos y dibuje la línea central de ensayo y
los límites. Analice los puntos y diga si el proceso es estable.

Valor nominal: 70 ml. Tolerancia:  0.20

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 85 75 80 65 75 60 80 70 75 60 80 75 70 65 85 80 70 70 65 65 55 75 80 65 65
2 65 85 80 75 70 75 75 80 85 70 75 85 70 70 75 75 85 80 65 60 50 65 65 60 70
3 65 75 75 60 65 75 65 75 85 60 90 85 75 85 80 75 75 70 85 60 65 65 75 65 70
4 70 85 85 70 80 70 75 75 80 80 50 65 70 75 80 80 70 70 65 65 80 80 65 60 60
∑ 28 32 32 27 29 28 29 30 32 27 29 31 28 29 32 30 29 28 25 25 28 28 25
X 5 0 0 0 0 0 5 0 5 0 5 0 5 5 0 310 0 0 0 0 0 5 5 0 265
X 71 80 80 68 73 70 74 75 81 68 74 78 71 74 80 78 75 73 70 63 63 71 71 63 66
R 20 10 10 15 15 15 15 10 10 20 40 20 5 20 10 5 15 10 20 5 30 15 15 5 10

Cálculos:
x=
∑ x = 1802.05 = 72.1 R=
∑ R = 365 = 14.6
N 25 N 25

LP = x ± A 2 R = 72.1 ± 0.729 ⋅ 14.6

n=4

LIP = 61.46 LSP = 82.743

Este gráfico presenta adhesión a la línea superior de control. A pesar de ello

el proceso está bajo control estadístico y el obrero puede trabajar en el
intervalo de especificación, pues los límites del proceso se encuentran
dentro de los de especificación.

5.- Se presenta la siguiente hoja de verificación

Especificaciones: Máximo 215º C, mínimo 185º C, Media de especificación: 200º C

Fecha Subgrupos X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 x σ

Ago-01 1 200 188 205 199 190 211 190 193 201 201 197.8 7.4057
2 205 195 191 215 195 204 195 191 193 188 197.2 8.2839
3 202 198 198 207 216 189 195 211 189 195 200 9.00617
4 210 201 188 185 198 19 197 195 193 195 178.1 56.3194
5 212 25 193 201 198 195 197 195 193 195 180.4 54.8882
6 190 205 189 205 20 201 202 198 186 192 178.8 56.2194
7 195 208 189 193 192 19 201 196 204 201 179.8 56.8014
8 216 196 197 191 213 214 212 198 211 188 203.6 10.5956
Ago-02 9 198 186 208 208 193 198 210 212 193 193 199.9 8.96227
10 188 214 203 192 189 205 196 210 189 207 199.3 9.6615
11 193 211 189 204 201 191 208 195 208 208 200.8 8.1622
12 211 197 203 206 197 198 192 198 203 189 199.4 6.5183
13 204 208 188 195 208 188 204 201 195 193 198.4 7.6187
14 189 195 200 206 23 201 198 193 206 198 180.9 55.7344
15 201 208 198 199 197 195 207 198 195 201 199.9 4.508
16 195 203 201 214 208 201 196 195 213 214 204 7.7603
Ago-03 17 201 189 205 198 203 211 198 206 207 211 202.9 6.724
18 211 199 212 188 189 200 197 199 208 208 201.1 8.5433
19 187 216 210 193 198 192 208 208 189 193 199.4 10.2002
20 193 207 211 200 188 213 193 203 199 212 201.9 8.81224
21 200 196 190 201 193 188 191 197 215 210 198.1 8.74897
22 192 198 205 197 211 195 208 208 207 188 200.9 7.894
23 197 200 195 208 204 198 189 203 201 195 199 5.41603
24 208 192 198 203 189 201 201 192 197 198 197.9 5.7436
25 203 213 187 189 213 200 197 204 208 201 201.5 8.8474

Cálculos

x=
∑ x = 4901= 196.04 N∑ x 2 − ( ∑ x )
2

N 25 ∑ σ ∑ N(N - 1) 439.375
σ = = = = 17.575
N N 25

LP = x ± A 3σ = 196.04 ± 0.975 ⋅ 17.575

n =10

LIP = 178.9044 LSP = 213.176

El proceso se encuentra fuera de control, ya que el límite inferior de proceso

se halla por debajo del límite inferior de especificación. También se notan
saltos bruscos de los puntos, debido a variaciones observadas en la hoja de
verificación. Debe prestarse atención a las mediciones realizadas, ya que
seguramente se trata de un error del obrero.

6.- Los datos se presentan a continuación para realizar un gráfico x – σ .

Muestra Observaciones x σ
1 6.35 6.4 6.32 6.37 6.36 0.034
2 6.46 6.37 6.36 6.41 6.4 0.045
3 6.34 6.4 6.34 6.36 6.36 0.028
4 6.69 6.64 6.68 6.59 6.65 0.045
5 6.39 6.34 6.44 6.4 6.3925 0.042
6 6.42 6.41 6.43 6.34 6.4 0.041
7 6.44 6.41 6.41 6.46 6.43 0.024
8 6.33 6.41 6.38 6.36 6.37 0.034
9 6.48 6.44 6.47 6.45 6.46 0.018
10 6.47 6.43 6.36 6.42 6.42 0.045
11 6.38 6.41 6.39 6.38 6.39 0.014
12 6.37 6.37 6.41 6.37 6.38 0.02
13 6.4 6.38 6.47 6.35 6.4 0.051
14 6.38 6.39 6.45 6.42 6.41 0.032
15 6.5 6.42 6.43 6.45 6.45 0.036
16 6.33 6.35 6.29 6.39 6.34 0.042
17 6.41 6.4 6.29 6.34 6.36 0.056
 18 6.38 6.44 6.28 6.58 6.42 0.125
19 6.35 6.41 6.37 6.38 6.3775 0.025
20 6.56 6.55 6.45 6.48 6.51 0.054
21 6.38 6.4 6.45 6.37 6.4 0.036
22 6.39 6.42 6.35 6.4 6.39 0.029
23 6.42 6.39 6.39 6.36 6.39 0.024
24 6.43 6.43 6.35 6.38 6.3975 0.036
25 6.39 6.39 6.43 6.44 6.4125 0.029

La media de las medias del proceso es:

x=
∑ x = 160.27 = 6.41
N 25
La media de las desviaciones es:
N∑ x 2 − ( ∑ x )
2

∑ σ ∑ N(N - 1) 0.965
σ = = = = 0.0386
N N 25

Los límites de proceso son:

LP = x ± A 3σ = 6.41 ± 1.628 ⋅ 0.0386
n =10

LIP = 6.34716 LSP = 6.473

El proceso no se encuentra bajo control estadístico ya que hay tres puntos

que se salen de los límites de proceso.
7.- Teclusa es una empresa embotelladora de refrescos que utiliza las gráficas de
control p para varias etapas de su proceso de producción. En la línea de envasado
se separan las botellas que contienen un nivel de refresco menor o mayor al
especificado. La empresa desea usar en esta etapa del proceso los gráficos de
control y decide elaborar las gráficas np y 100p, para los mismos datos. Cada día
se toman 5 muestras de 200 cajas cada una, obteniéndose los siguientes datos:

Unidades Porcentaje
Unidades
Día defectuosas defectuoso
inspeccionadas
np 100p
1 200 2 1.0
2 200 5 2.5
3 200 0 0.0
4 200 14 7.0
5 200 3 1.5
6 200 0 0.0
7 200 1 0.5
8 200 0 0.0
9 200 18 9.0
10 200 8 4.0
11 200 6 3.0
12 200 0 0.0
13 200 3 1.5
14 200 0 0.0
15 200 6 3.0
16 200 4 2.0
17 200 9 4.5
18 200 15 7.5
19 200 12 6.0
20 200 10 5.0
Σ 4000 116
Cálculos:

p= ∑ np = 116 = 0.029 np = 100 ⋅ p = 2.9

∑ n 4000
LP = np ± 3 np (1 - p ) = 2.9 ± 3 2.9(1 - 0.029)
LIP = 7.9342 LSP = −2.13 → 0

En este gráfico se observa que el proceso se halla fuera de control. Además,

a la empresa le está costando mucho las pérdidas por fallas internas en el
envasado, pues son muchos los puntos que se salen de control, por lo tanto
se rechaza.

8. Datos preliminares correspondientes a la prueba final del MODEM para

computadora y límites de control para cada subgrupo. Calcule los límites
del proceso y trace la gráfica p.

Cantidad Num. De no Fracción de no

inspeccionad conformidade conformidades Límite
a s
Subgrupo n np p LSP LIP
Marzo 29 2385 55 0.023 0.029 0.011
30 1451 18 0.012 0.031 0.009
31 1935 50 0.026 0.03 0.01
Abril 1 2450 42 0.017 0.028 0.012
2 1997 39 0.02 0.029 0.011
5 2168 52 0.024 0.029 0.011
6 1941 47 0.024 0.03 0.01
 7 1962 34 0.017 0.03 0.01
8 2244 29 0.013 0.029 0.011
9 1238 53 0.043 0.032 0.008
12 2289 45 0.02 0.029 0.011
13 1464 26 0.018 0.031 0.009
14 2061 47 0.023 0.029 0.011
15 1667 34 0.02 0.03 0.01
16 2350 31 0.013 0.029 0.011
19 2354 38 0.016 0.029 0.011
20 1509 28 0.018 0.031 0.009
21 2190 30 0.014 0.029 0.011
22 2678 113 0.042 0.028 0.012
23 2252 58 0.026 0.029 0.011
26 1641 34 0.021 0.03 0.01
27 1782 19 0.011 0.03 0.01
28 1993 30 0.015 0.03 0.01
29 2382 17 0.007 0.029 0.011
30 2132 46 0.022 0.029 0.011
Σ = 50515 Σ = 1015

Tenemos que:

p = Σnp/Σn = 1015/50515 = 0.020

Ésta es la fórmula empleada para calcular los límites de control:

LC = p  3p (1-p) ]/n

GRÁFICO P
0.05
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
0 5 10 15 20 25 30
9. TECLUSA es una empresa fabricante de muebles para el hogar. El
personal de calidad, desea aplicar la gráfica c para controlar la calidad de
acabado de las mesas de los comedores, para la cual deciden revisar cada
mesa y registrar los defectos encontrados en ellas. Los datos para las
primeras 30 mesas se muestran a continuación:

No. de mesa Defectos No. de mesa Defectos

1 3 16 8
2 3 17 3
3 3 18 2
4 4 19 7
5 2 20 3
6 3 21 4
7 4 22 8
8 6 23 3
9 5 24 3
10 4 25 9
11 4 26 3
12 2 27 3
13 3 28 5
14 5 29 2
15 4 30 1
Teniendo como fórmulas:

LC = c  3√ c

LC = c

Por lo que tenemos:

LCS = c + 3√ c

LCI = c - 3 c

Donde:

c =c/No. de subgrupo

Entonces tenemos:

c =119/30 = 3.97

LC = 3.97

LCS = 9.95

LCI = - 2.007, Como el resultado es negativo se toma como cero.

GRÁFICO C

10
9
8
7
6
5
4
3
2
1
0
0 5 10 15 20 25 30 35
Se puede observar que el proceso se haya bajo control estadístico, con una
serie de puntos disparados alejados del límite central, por lo cual es
conveniente mantener bajo inspección el proceso y estar pendiente de
cualquier cambio.

Problemas de capacidad de procesos

EJERCICIOS DE APLICACIÓN

Habilidad de un proceso

Ejercicio 1: El diámetro de ciertos cojinetes es una característica de calidad que se

ha mantenido bajo control estadístico. Se han tomado muestras de tamaño cinco
cada una. De las últimas veinte tenemos la información siguiente:

= 205.1260cm y = 0.3
∑x ∑R
Los limites de especificación son 10.25 ± 0.03 cm

a) ¿El proceso es hábil para ± 3σ ?

b) ¿El proceso es hábil para ± 4σ ?
c) ¿Cuánto se debe reducir la variabilidad del proceso, para que este sea hábil
para ?
± 5σ

Respuesta: Se tienen los siguientes datos del texto:

n=5 LE = 10.25 0.03 LIE = 10.22 LSE = 10.28

Ultimas 20 muestras

∑ x = 2 05.1 2 6 0 ∑ R = 0.3

x=
∑ x = 205.1260 = 10.2563 R=
∑ R = 0.30 = 0.015
N 20 N 20

Con esto calculamos los parámetros para obtener el valor de la capacidad

R 0.015
σ= = = 0.006448
d 2 2.326
 LSE − LIE 10.28 −10.22
Cp = = = 1.55
6σ 6 ⋅ 0.006448

a) 1.55 > 1 si es hábil para ± 3.

b) Para calcular la capacidad del proceso para ± 4, deberíamos recalcular la

capacidad, pero con un denominador 8σ . Hay una forma más sencilla de analizar
los argumentos una vez obtenida la capacidad para ± 3σ . Si escribimos la
ecuación de capacidad de un proceso con 4σ
LSE − LIE
Cp =
8σ
Tenemos que para este valor de ± 4, el denominador es 8σ . Para ± 3σ , el
denominador es 4σ . Si establecemos que el proceso sea capaz (con el valor de
± 4σ ), entonces Cp = 1.
LSE − LIE
1=
8σ
Si utilizamos un sencillo razonamiento matemático, podemos convertir el 8σ en
6σ , mediante las siguientes operaciones
LSE − LIE 6 8 LSE − LIE 2 LSE − LIE
1= = =
8σ 6 6 6σ 3 6σ

Con este razonamiento, podemos hacer razonamientos para ± 4σ teniendo el

valor de Cp para  3σ , estableciendo que cuando trabajemos con ± 4σ , la
capacidad debe ser mayor o igual a 2/3 (aprox 1.33). Haciendo razonamientos
análogos, podemos encontrar que:

Valor de Cp Valor de Cp
Nivel de usando Nivel de usando
habilidad la fórmula para habilidad la fórmula para
3σ 3
3σ  1.00 5σ  1.66
± 4σ ≥ 1.33 6σ ≥ 2.00

De los resultados anteriores, 1.55 > 1.33, por lo que el proceso si es hábil para
4.

c) Aplicando la fórmula para la capacidad de un proceso, encontramos que el

rango medio necesario para lograr lo pedido en este inciso es:
 LSE − LIE LSE − LIE 0.06
Cp = R= (d 2 ) = (2.326) = 0.014
R 6Cp 6(1.66)
6
d2

La capacidad iguala a 1 indica que el proceso es capaz en lo mínimo, por lo que

este rango nuevo sería máximo. La diferencia entre el rango anterior (el “original”,
dado por el muestreo) es:

R1 – R2 = R3 0.015 - 0.014 = 0.001

Este valor de R3 se extrae de 0.03, que es el valor de la especificación:

0.03 - 0.001 = 0.029

Este es el valor de la nueva variabilidad. No podemos admitir que esta

especificación dará resultados correcto al aplicarlo de nuevo a la fórmula de
capacidad, pues la variación ha sido “cambiada” al realizar los razonamientos
anterior. Debe recalcularse la desviación con estos nuevos valores para poder
terminar el razonamiento de manera correcta.
LSE − LIE
Cp =
6σ
LSE − LIE
σ=
6Cp

10.279− 10.221
σ= = 0.0058232931
73
6(1.66)
Esta nueva desviación es la que se obtiene si se realizan los cambios pertinentes
para lograr que el proceso sea hábil para ± 5σ

Ejercicio 2: El diámetro de cierta rosca tiene una especificación de 0.4037 ±

0.0007 pulgadas. Se han estado tomando muestras de tamaño cuatro y el proceso
se encuentra en control estadístico con los siguientes datos:

LCX = 0.4033 Y LCR = 0.0006

a) ¿El proceso es hábil para ?

± 3σ
b) ¿El proceso es hábil para ?
± 4σ
c) ¿Cuál debe ser el rango promedio para que el proceso sea hábil para ?.
± 4σ

Respuesta: Se tienen los siguientes datos del texto:

n=4 LCX = 0.4033 LCR = 0.0006 LSE = 0.4044 LIE = 0.403
Se calcula la capacidad del proceso para ± 3σ :

R 0.0006
σ´= = = 0.0002914
d2 2.059
LSE − LIE 0.4044− 0.403
Cp = = = 0.8045
6σ 6(0.0002914)

a) 0.8045 < 1 no es hábil para ± 3 .

b) 0.8045 < 1.33 no es hábil para ± 4 (si no es hábil para ± 3σ , menos lo será
para ± 4σ ).
c) Aplicamos la fórmula de capacidad de proceso para encontrar el nuevo rango
medio:
LSE − LIE
Cp =
R
6
d2

LSE − LIE (0.4044 − 0.403)

R= (d 2 ) = (2.059) = 3.612 X 10 − 4
6Cp 6(1.33)
R1 – R2
= R3 0.0006 – 3.612x10-4= 2.388x10-4

Entonces 0.0007 - 2.388x10-4 = 0.0004612

El valor del rango medio debe ser 0.0004612 para que el proceso sea hábil para
 4 . Obviamente, este nuevo rango genera un nuevo valor para desviación, y
antes de hacer análisis a partir de este rango debe calcularse la nueva desviación.

Ejercicio 3: La distancia entre dos puntos de un electrodo se debe mantener entre

0.14  0.003 in. A partir de muestras de tamaño seis, se obtiene la información
siguiente:

X = 0.1406 y R = 0.00086

a) ¿El proceso es hábil para y para ± 4σ ?

± 3σ
b) ¿Cuáles son las tolerancias mas estrechas que se pueden tener, para que el
proceso sea aun hábil ?
± 4σ
c) ¿Bajo que condiciones son validas sus respuestas?

Respuesta: Los datos disponibles son los siguientes

n=6 d2 = 2.534 X = 0.1406 R= 0.00086
LE = 0.14 ± 0.003 LSE = 0.143 LIE = 0.137
Se calcula la capacidad del proceso para  3 :
R 0.00086
σ´= = = 0.0003393843725
d2 2.534

LSE − LIE .0.143 − 0.137

Cp = = = 2.946511628
6σ 6(0.0003393843725)

a) En este caso 2.94 > 1, por lo que el proceso es hábil para ± 3σ ; y 2.94 > 1.33,
por lo que sí es hábil para ± 4σ

b) Se recalcula el rango para encontrar las nuevas especificaciones, mediante los

siguientes cálculos:
LSE − LIE
Cp =
R
6
d2

LSE − LIE (0.143 − 0.137)

R= (d 2 ) = ( 2.534) = 0.001905263
6Cp 6(1.33)
El nuevo límite para los rangos es:

R1 – R2 = R3 0.00086 – 0.001905263 = -1.04523x10-3

0.003 – (-1.04523X10-3 ) = 0.00404526

La variación del proceso entonces debe ser:

LSE − LIE LSE − LIE
Cp = σ=
6σ 6Cp
0.1440− 0.1359
σ= = 0.001015
6(1.33)
LSE − LIE = 6σCp = 6(0.0003393843 72)(1.33) = 0.0027088729 3

LSE − LIE
= 0.0013541436 46
2
LE = 0.14  0.001354143646

Estas son las nuevas especificaciones. Este es un dato extraído de un supuesto, y

tal vez no sea necesario que se apliquen medidas correctivas para nuevas
condiciones pues el proceso es hábil en gran medida.

Habilidad real de un proceso

Ejercicio 1: La salida de alto voltaje de la fuente de potencia de una maquina tiene
especificaciones de 350  5 Volts. Se ha llevado una grafica de control, tomando
muestras de tamaño cuatro cada una, y el proceso esta en control estadístico. La
grafica muestra lo siguiente:

= 349.808 = 2.512
LC x L CR

a) ¿Es el proceso hábil para ± 3σ ?

b) ¿Es el proceso hábil para ± 4 ?
c) ¿Cual es la máxima desviación con respecto al centro de las especificaciones,
que debe tener el proceso para ser realmente hábil para ± 4

Respuesta: Se calcula la capacidad del proceso para ± 3:

= =
σ R 2.512
= 1.22 355− 345
Cp = = 1.366
d2 2.059 6(1.22)

Se aprecia que el proceso es hábil potencialmente para ± 3σ . La capacidad real

se calcula de la siguiente forma:
donde
C pk = 1.3 6 6( 1 − k ) k=
2( 350 − 349.88 )
= 0.0384
355 − 345
por lo tanto, el valor de la capacidad real es:

C pk = 1.3 6 6( 1 − 0.0 3 8 4) = 1.3 1 3 5

Por lo tanto, podemos ver que el proceso es realmente hábil para ± 3 .

b) De acuerdo a los datos anteriores, el proceso no es potencialmente hábil para

± 4 , ya que Cp < 1.33. Si el proceso no es potencialmente hábil, menos lo será
para una habilidad real. Esto es porque el término (1 – k) en un caso ideal sería 1
(con k = 0), y esto deja fuera la posibilidad de una capacidad real para el proceso.

c) Como ya estamos hablando de capacidad real, no podemos partir del concepto

de capacidad del proceso. Debemos utilizar el factor k para hacer las
suposiciones. En este caso:

Cpk 1
k = 1− k =1− = 0.2679
Cp 1.366

Este ultimo valor sumado a la media del proceso nos dará la nueva media (se
suma porque la media del proceso quedó “debajo” o “a la izquierda” de la media
deseada, la de especificación):
 349.808 + 0.2679 = 350.076

Y utilizamos este dato para encontrar el nuevo valor de k:

2 350− 350.0759
k= = 0.01519
10
De este valor podremos deducir si el proceso ahora es realmente hábil para ± 4
Cp k = 1.366(1 − 0.01519) = 1.345

Con esto comprobamos que esta relación permite la capacidad real del proceso.
Las tolerancias que hacen realmente hábil el proceso son:
5 – 0.01519=4.9848

Y las nuevas tolerancias son: LE = 350 ± 4.9848

Ejercicio 2: Una característica importante en un proceso de teñido de telas es el

pH de la solución. El pH debe de estar en el rango 4.15 ± 0.42. El proceso se
encuentra en control estadístico y se han estado encontrando muestras de tamaño
cinco y se tiene la siguiente información:
LCX = 4.22 Y LCR = 0.293

a) ¿El proceso es hábil para ± 3σ ?

b) ¿El proceso es hábil para ± 4σ ?
c) ¿Qué medidas se deben tomar para que el proceso sea realmente hábil para
± 4σ
?

Datos:
n = 5 d2 = 2.326 LCX = 4.22 LCr = 0.293
LE = 4.15 ± 0.42 LSE = 4.57 LIE = 3.73

La capacidad potencial del proceso es:

R 0.293
σ´= = = 0.125967325
d 2 2.326
LSE − LIE 4.57 − 3.73
Cp = = = 1.111399318
6σ 6(0.125967325) .

a) Se concluye que el proceso es potencialmente hábil para  3 .

b) El proceso no es potencialmente hábil para ± 4, pues la capacidad potencial
es menor a 1.33.
c) Primero, establecemos todos los parámetros necesarios y, analizando sus
cambios, definiremos las nuevas especificaciones que deben implantarse para
volver capaz al proceso.
2n− M 2 4.15 − 4.22
K= = = 0.16666666
Cpk = Cp(1 − K ) LSE − LIE 0.84
Cpk = 1.111399318 (1 − 0.166666 ) = 0.926166098

En estos cálculos observamos que el proceso no es realmente hábil ni para ± 3

ni para ± 4σ . Recalculamos el valor de k:
Cpk 1
K = 1− = 1− = 0.100233387
Cp 1.111399318
Con este dato, corregimos el valor de la media del proceso, para poder ajustar la
curva del proceso a la curva de especificación.

LE
LP
4.22
4.15

4.22 – 0.100233387 = 4.11976613

2μ−M 2 4.15 − 4.11976613

K= = = 0.071985
LSE − LIE 0.84

Se recalcula el rango para la especificación

 R1 – R2 = R3 0.293 – 0.071984254 = 0.221015745
0.42 – 0.071984254 = 0.348015746

Luego entonces: LE = 4.15 ± 0.348015746

Con estas especificaciones, el proceso será realmente hábil, lo que
comprobaremos en los siguientes cálculos.
R 0.221015745
σ´= = = 0.095019666
d2 2.326

LSE − LIE 4.4980157416− 3.801984254

Cp = = = 1.220855
6σ 6(0.095019666)
Cpk = Cp (1 − K ) = 1.220855 (1 − 0.071984254 ) = 1.132972795

Se ha demostrado que el proceso es realmente hábil para ± 3 con las nuevas

especificaciones. Para ± 4σ , el desarrollo es el siguiente:

2n − M 2 4.15 − 4.119766613
K= = = 0.086873618
LSE − LIE 0.696031482

R1 – R2 = R3 0.221015746 – 0.086873618 = 0.134142127

0.348015746 – 0.086873618 = 0.261142128

LE = 4.15 ± 0.261142128

Comprobaremos si esta especificación le concede habilidad real al proceso para

± 4σ :

R 0.134142127
σ´= = = 0.057670734
d2 2.326
LSE − LIE 4.411142128− 3.888857872
Cp = = = 1.50938561
6σ 6(0.057670734)
Cpk = Cp (1 − K ) = 1.50938561 (1 − 0.086873618 ) = 1.3782598
Se comprueba la habilidad real del proceso para  4 .

Ejercicio 3: Una maquina llenadora debe de entregar producto con un contenido

de 96 ± 3.5 onzas. Sean estado tomando muestras de tamaño 8 y el proceso se
encuentra en control estadístico. De las últimas 12 muestras se tiene la siguiente
información:
 ∑ X = 1141.2 y
∑ R = 2.81
a) ¿El proceso es hábil para y para ± 4σ ?
± 3σ
b) ¿Cuál es la máxima desviación de la media del proceso con respecto a la
media de las especificaciones, para que el proceso sea realmente hábil para
?
± 3σ
c) ¿En cuanto se debe reducir para la variabilidad del proceso, para que sea
realmente hábil para , si la medida del proceso no se puede variar?
± 4σ

Datos y desarrollo para la capacidad potencial del proceso en ± 3 :

n=8 d2 = 2.847 X = 95.1 R= 2.81

LE = 96 ± 3.5 LSE = 99.5 LIE = 92.5
R 2.81
σ´= = = 0.9870
d 2 2.847
LSE − LIE 99.5 − 92.5
Cp = = = 1.182033
6σ 6(0.9870) .

a) El proceso es potencialmente hábil para , pero no para ± 4.

b) Se desarrollan los cálculos para encontrar si el proceso es realmente hábil para
± 3.

Cpk = Cp (1 − K ) 2μ − M 2 96 − 95.1
K= = = 0.2571428
LSE − LIE 7
Cpk = 1.182033 (1 − 0.2571428 ) = 0.87808179
Se demuestra que el proceso no es realmente hábil para ± 3 . Los cálculos para
la corrección (que, en este caso, se refiere a encontrar la nueva desviación) son:
Cpk 1
K = 1− = 1− = 0.1539967
Cp 1.182033
Se suma el valor de K porque la media del proceso está a la izquierda de la de
especificación.
95.1 + 0.1539967 = 95.253997

Con esta media encontramos el nuevo valor de K y los demás parámetros para
definir las especificaciones que darán capacidad real al proceso.
2μ − M 2 96 − 95.253997
K= = = 0.213143714
LSE − LIE 7
R1 – R2 = R3
3.5 – 0.2131438 = 3.28656286

LE = 96 ± 3.28656286

Para confirmar que estas especificaciones son correctas, desarrollamos los

cálculos correspondientes:
R 2.596856
σ´= = = 0.91213778
d2 2.847

LSE − LIE 99.2856286− 92.7143714 6.5712571

Cp = = = = 1.20
6σ 6(0.91213778) 6(0.91213778
)

Cpk = Cp (1 − K ) = 1.28(1 − 0.213143714 ) = 1.006425

c) Para ± 4 , sabemos que el proceso no es realmente hábil a partir de los

problemas anteriores. Comenzamos directo con las correcciones necesarias para
las nuevas especificaciones:
2n − M 2 96 − 95.253997
K= = = 0.227050312
LSE − LIE 99.2856286− 92.7143714

R1 – R2 = R3 3.28656286 – 0.227050312 = 3.059512548

LE = 96  3.059512548

Veremos si las especificaciones cumplen lo necesario:

 R 2.369805688
σ´= = = 0.832386964
d2 2.847

LSE − LIE 99.05951255− 92.94048745 6.119025098

Cp = = = = 1.22
6σ 6(0.832386964) 6(0.832386964
)

Como las especificaciones no le conceden potencial capacidad al proceso, debe

recalcularse el valor de K a partir de estos valores hasta que se logre que Cp k >
1.33.

Ejercicio 4: El espesor de las nervaduras para un anillo para motor debe de estar
entre 1.5000 ± 0.0040 in. Se han tomado muestras de tamaño cuatro y el proceso
se encuentra en control estadístico. Los datos de la grafica son:

LCX = 1.50500 Y LCr = 0.00215

a) ¿El proceso es hábil para ?

± 3σ
b) Muestre gráficamente como esta la situación, usando una curva normal.
c) ¿Qué sugieres para mejorar la habilidad del proceso?

Datos y capacidad potencial:

n = 4 d2 = 2.059 n = 1.505 R = 0.00215
LE = 1.5 +/- .004 LSE = 1.504 LIE = 1.496

R 0.00215
σ´= = = 0.0104419621
2
d2 2.059
.
LSE − LIE 1.504− 1.496 0.008
Cp = = = = 1.276894225
6σ 6(0.0010441962 12) 0.006265177

a) El proceso es potencialmente hábil en ± 3 .

LE
LSE
LP
LSP
1.496
1.506
1.505
1.504
1.503
LIE
1.5
b)

LSP = X ± A2 R = 1.506 2n− M 2 1.5 − 1.505

K= = = 1.25
LIP = X ± A2 R = 1.503 LSE − LIE 0.008

2n − M 2 96 − 95.253997
K= = = 0.213143714
LSE − LIE 7
c) Lo recomendable es “correr” la curva de proceso hacia la izquierda. Esto se
logrará calibrando las máquinas, pues el proceso trabaja con dispersión
adecuada, pero no sobre la media de especificación, lo que da un valor de K > 0.

Estimaciones de la habilidad real de un proceso con un solo límite de

especificación

Ejercicio 1: Una característica critica para una pieza metálica es la rugosidad

medida en milésimas de pulgada. El proceso se encuentra en control estadístico y
se han tomado muestras de tamaño cuatro de. De las ultimas 15 se tiene que:
y
∑ x = 189 ∑ R = 38.445
La rugosidad para que una pieza se considere aceptable, debe ser menor a 17
milésimas de in.

a) ¿Es el proceso hábil para ± 3 y para ± 4σ ?

b) ¿Cuál es el valor mayor que puede tomar la media del proceso, para que siga
siendo hábil para  3?
c) ¿Cuál debe ser la variabilidad para que el proceso sea hábil para 4?

a) Podemos obtener de las suma de las medias y los rangos sus respectivos
valores para hacer los cálculos en el problema.

x= ∑ x = 189 = 12.6 y R= ∑ R = 38.445 = 2.563

n 15 n 15
Se calculan  y Cpk:

σ=
2.563
= 1.244779 17 − 12.6
Cpk = = 1.17833
2.059 3(1.244779)

El proceso es realmente hábil para ± 3, pero no lo es para ± 4σ .

b) Como primer paso, suponemos una capacidad Cpk = 1, como parámetro para
estimar la media que necesitamos:
LSE − µ '
Cp k = µ ' = LSE − 3 σ Cp k
3σ
Sustituyendo valores:
µ ' = 1 7− 3( 1.2 4 4 )(71) = 1 3.2 6 5 6

c) De nuevo, el parámetro comparativo es Cpk = 1, y calculamos el rango

necesario para calcular la desviación requerida:
LSE − µ' R
Cp k = σ=
4σ d2

d 2 ( LSE − µ ') 2.059(17 − 13.26566)

R= R= = 1.9222
4 Cp k 4(1)
de este valor de podemos obtener un nuevo valor de al restar el valor
R R
anterior con el valor que da el problema:

R 1 − R2 = R 3 2.5 6 3− 1.9 2 2 2= 0.6 4 6 7 4

obviamente, este nuevo valor de altera las tolerancias que se tenían, así que,
R
suponiendo que existe una tolerancia bilateral, calculamos los límites ”superior e
inferior”:
17 − 13.26566294= ±3.73434

Con este valor de límites, sacamos el unilateral de interés: el superior. Entonces,

la tolerancia nueva es:
3.73464− 0.64674 = 3.093587

Por lo que el problema queda redefinido ahora como: LE = 13.2656 + 3.0935

Ejercicio 2: La resistencia mínima a la atracción de una parte metálica debe ser de

520 psi. Se han tomado muestras de tamaño de tres y los datos de las graficas
son:

LCX = 530 Y LCR = 8.35

a) ¿El proceso es hábil para ?

± 3σ
b) ¿Cuál debe ser la media del proceso para que sea hábil a ?
± 3σ
c) ¿Qué porcentaje de piezas esta fuera de especificaciones?

Datos y cálculos:
n=3 d2 = 1.693 LCX = 530 LCR = 8.35

R 8.35 (u − LIE) (530 − 520)

σ= = = 4.932073293 Cpk = = = 0.6758
d 2 1.693 3σ 3(4.932073293 )

a) El proceso no es hábil para ± 3σ , y es grave, pues el dato es demasiado bajo.

b) Si sustituimos la fórmula con Cpk = 1, y despejamos el parámetro de interés:

(u − 520)
1=
3(4.932073293)
u = 3(4.932073243 ) + 520 = 534 .7962 psi

c) El 0.135 % de las piezas.

Ejercicio 3. El contenido de una sustancia no deseada, en cada envase de un

producto debe tener un máximo de 0.3 gr. se han estado tomando muestras de
tamaño seis y se tienen los siguientes datos de la grafica de control:

LCX = 0.2 1 y LCR = 0.0 6 3

a) ¿Es el proceso hábil para ± 3σ y para ± 4σ ?

b) ¿Cuál es el máximo valor que puede tomar la media del proceso, para que siga
siendo hábil para ± 3σ ?
c) ¿Qué porcentaje de envases exceden esa cantidad de sustancia no deseada?

a) De la formula :
LSE − µ'
Cp k =
3σ

R 0.063
σ= = = 0.02486
d 2 2.534

LSE − µ ' 0.3 − 0.21

Cpk = = = 1.2086
3σ 3( 0.02486)
De aquí observamos que el proceso es realmente hábil para ± 3, pero para
± 4σ no es realmente hábil.

b) El máximo valor que puede tomar la media del proceso es, con un valor de Cp k
=1:

Cp k =
LSE − µ ' µ ' = LS E− 3C pkσ = 0.3 − ( 3)(1)( 0.0 2 4 8 )6= 0.2 2 5 4g r
3σ

c) 0.135% de los envases exceden esa cantidad de sustancia no permitida.

Ejercicio 4: La vida de un foco domestico debe tener una vida mínima de 1000 hrs.
Se han llevado muestras de tamaño 5 y el proceso se encuentra en control
estadístico. Los datos:

LCX = 1 1 0 8 y LCR = 2 0

a) ¿El proceso es hábil para +/-3 y para +/-4 ?

σ σ
b) ¿Cuál es el mínimo valor de la media para que el proceso siga siendo hábil
para +/- 4 ?
σ
c) Si la variación se reduce a la mitad, conteste el inciso b).

a) Calculamos el valor de la capacidad del proceso con la fórmula ya conocida:

R 20 LSE − µ ' 1108− 1000

σ= = = 8.598 Cpk = = = 4.187
d 2 2.326 3σ 3( 8.598)
Con este valor de capacidad, encontramos que el proceso tiene capacidad para
± 3 y para ± 4σ .

b) El mínimo valor que puede tomar la media del proceso es, con un valor de Cp k =
1.33 (pues es para ± 4σ ):

Cp k =
LIE − µ' µ ' = LIE− 4C pkσ = 1 0 0 0− ( 4)( 1.3 3)( 8.5 9 8) = 1 0 4 5.7 4h rs.
4σ

c) Si se reduce a la mitad la variabilidad tenemos que:

 ....por lo que al calcular tenemos que: . Al
R 20
= = 10
σ R 10
2 2
σ= = = 4.299
d 2 2.326
sustituir valores en tenemos:
µ'

µ ' = LIE− 4C pkσ = 1 0 0 0− ( 4 )( 1.3 3)( 4.2 9 9) = 1 0 2 2.8 7 h r s.

Habilidad de un proceso partiendo de un grafico p ó np

Ejercicio 1: Los datos siguientes son el número de unidades defectuosas que
fueron encontradas en las ultimas 15 muestras, de un proceso que se encuentra
en control estadístico mediante una grafica np. El tamaño de la muestra es
constante y de tamaño 250.

Muestra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Total
Np 4 1 3 2 5 1 4 3 5 3 1 2 4 3 2 43

a) ¿Es este proceso hábil para ± 3σ ?

b) ¿Cuánto debe valer la línea central de la grafica np, para que el proceso sea
hábil para ± 3 ?

a) Usando la la formula donde , tenemos que:

 np  43
Ch = 100 1 −  np = = 2.86667
n 15


 2.86667
Ch = 1001 −  = 98.85%
 250 
Como Ch<99.73%, el proceso no es hábil para  3

b) Para que el proceso sea hábil para ± 3, debemos ajustar el valor de np, para
que Ch = 99.73. Entonces:
  np  99.73 np  99.73 
Ch = 99.73 = 100 1 −  =1− np =  1 − ( 250)
 n  100 250  100 
de aquí obtenemos que np = 0.675, así que para el proceso sea hábil para  3 ,
debe de haber menos de un producto defectuoso en la línea por cada 15, o
aproximadamente, 2 productos defectuosos por cada 45 en la línea.

Ejercicio 2.- Los datos que siguen, nos muestran el numero de unidades
defectuosas en varias muestras de un componente electrónico. El tamaño de la
muestra varía, y el proceso ha estado en control estadístico usando una grafica p.
Los datos de las ultimas diez muestras son:

Muestra 1 2 3 4 5 6 7 8 9 10 Total
Tamaño 580 610 590 575 630 620 570 625 605 595 6000
defectuosos 4 7 5 6 6 6 4 5 8 7 58

¿Es el proceso hábil para ± 3σ ?

Para empezar a resolver este problema, debemos de estimar primero el parámetro

‘P’:

P=
∑ np = 58 = 0.009667
∑ n 6000
Al aplicar la formula de , encontramos si el proceso es hábil ó no:
Ch = 1 0 0( 1 − P )

Ch = 1 0 0( 1 − 0.0 0 9 6 6) 7= 9 9.0 3 3 3%

Por lo tanto, el proceso no es hábil para ± 3 pues Ck < 99.73%, que es el

parámetro de porcentaje de piezas con defectos aceptables que el proceso debe
entregar para ± 3σ .

Habilidad de un proceso partiendo de una grafica c y u

Ejercicio 1.- Un proceso ha estado en control estadístico mediante una grafica c.
Se registra el número de defectos menores que muestran hojas de láminas para
un estampado metálico. El número de defectos para las últimas 15 hojas
inspeccionadas ha sido 1, 2, 0, 0, 3, 1, 2, 1, 0, 0, 1, 2, 2, 0 y 0. Se considera que
no se puede usar satisfactoriamente una hoja que tenga tres ó más defectos.

a) ¿Es el proceso hábil para ± 3?

b) ¿Para qué LSE es el proceso hábil para  3?
a) A partir de los datos anteriores, podemos estimar el número promedio de
defectos por unidad, que es:

c i sumatoriadel numerode defectos 1 + 2 + 3 + 1 + 2 + 1 + 1 + 2 + 2

Ui = = = =1
ni tamañode la muestra 15

Puesto que el proceso ha estado en control estadístico, tenemos que el numero de

defectos de una lamina para este problema, se describe mediante una curva de
probabilidad de Poison con una medida de c = 1. buscamos en la tabla de Poison
para una lamina de 1.00 y con un valor de x = 3, obtenemos un área bajo la curva
de 0.9810.

Esto indica que tenemos 1-0.9810 = 0.019, ó sea 1.9% de producto fuera de
especificaciones; para que el proceso fuera hábil para ± 3, solamente
deberíamos tener un 0.135% de producto fuera de especificaciones, pero como
tenemos un 1.9% fuera de especificaciones decimos que el proceso no es hábil
para ± 3σ .

b) Para que el proceso sea hábil para ± 3σ , es necesario que el porcentaje de

artículos defectuosos que exceda el LSE, sea menor a 0.135% ó lo que es
equivalente, que el porcentaje de productos buenos, sea mayor a 0.99865, de
manera que, manteniendo la misma media del proceso, c =1 , el nuevo valor de ‘x’
que da un valor mayor de 0.99865 en la tabla es de x = 5, por lo que, para que el
proceso sea hábil para ± 3σ , necesitamos que el nuevo valor del LSE sea igual a
5, ó sea que haya 5 defectos por lamina.
PROBLEMAS DEL CARDENAS.

Diagrama Causa – Efecto

Una importante embotelladora de la región, líder en la venta de refresco,

recientemente ha tenido problemas de calidad en sus productos, por lo que ha
registrado bajas en sus ventas.
En un intento por mejorar, el gerente general te ha pedido encontrar la solución al
problema. Tú llamas a ingenieros, supervisores y operarios para pedirles que
enumeren las posibles causas que han repercutido en el producto.
Ante esta situación se recopilan los siguientes datos:
 Bajó la calidad de purificación de agua
 Botellas (envases) en mal estado
 Máquinas embotelladora desajustada
 Operarios nuevos mal capacitados
 Operarios antiguos molestos con el supervisor del primer turno
 Ingeniero de producción nuevo y sin experiencia
 Por la calidad temporal, hay escasez de agua
 Problemas con el proveedor de azúcar, entregas tardías
 Velocidad alta de embotellado
 Corcholatas defectuosas
 Se desconocen los estándares de trabajo
  Falta personal de mantenimiento que renunció hace 3 semanas y no se
cuenta con personal de reemplazo aún.

Error: Adentro de la rama de maquina se encuentran mal acomodadas las

subsubcausas porque dentro del mantenimiento deberia de ir lo de desajustada
por falta de mantenimiento y dentro de ese desajuste esta la alta velocidad asi
también en la rama de mano de obra están mal acomodadas ya que se debe
tomar dos clases de mano de obra la nueva y la vieja. Lo que podria traer como
consecuencia la mala interpretacion del problema

Un ingeniero industrial posee una pequeña empresa de fundición. El ingeniero

tiene programada una producción de discos de 20, 30 y 45 cm. De diámetro para
los siguientes dos meses. Después de dos semanas de haber iniciado sus
operaciones recibe quejas de su cliente, pues algunas piezas salen con menor
dureza que la esperada, demasiada rebaba y/o impureza notorias.
El ingeniero investiga las posibles causas.

 Aluminio fuera de especificación

 Mezcla defectuosa de arena
 Diferencias por operario
 Brocas desgastadas
 Taladro desajustado
 Diferencia por turno
 Diferencia por taladro (el ingeniero posee dos)
 Diferencia por torno (el ingeniero posee dos)
 Falta capacitación
 Falta adiestramiento
 Falta gráficas de control
 Recolección defectuosa de escoria
 Formación defectuosa de moldes
 Se desconoce los estándares de trabajo
Error: En la causa maquina solo se deberia ir las subcausas de desajuste y de
desgaste y dentro de esas subcausas se pueden acomodar las respectivas
subsubcausas que se dan en el problema.

Una compañía fabrica carritos modelo a control remoto. El departamento de

investigación y desarrollo, junto con mercadotecnia han desarrollado un nuevo
coche muy versátil, con muchas opciones de mando y muy económico. Se
comienza con la producción del nuevo modelo se realizan las pruebas
convenientes para el control de calidad.
Tres meses después la demanda de este juguete se quintuplica. Aunque la
empresa estaba preparada, jamás se imaginó ese nivel de ventas. El
departamento de producción hace sus ajustes y logran cumplir con los pedidos.
Sin embargo, dos semanas después empiezan las devoluciones de una cantidad
considerable de estos conches: los clientes alegan que el coche no responde
como debería al control remoto.
Posibles causas, obteniendo las siguientes:
 Transitor de radiofrecuencia
 Convertidor digital análogo
 Maltrato a los potenciómetros por parte del proveedor
 Microprocesador- mal manejo den la fabricación
 Memoria EPROM. Fallas de programación
 Sistema programador de EPROMS – que ha estado trabajando a toda
su capacidad sin tiempo para mantenimiento
 Placa de fibra de vidrio
 Cloruro férrico
 Capacitación- hay un nuevo turno
 Desconocimiento de procedimientos por parte de algunos operadores
Error: En la cuasa hombre solo se debe de tomar en cuenta la variación por turno
ya que aqui caen las demás subcausas como la falta de capacitación.

Una empresa se ha dedicado a la producción y distribución de aparatos eléctricos

doméstios y calculadoras. En los últimos dos meses los directives han decidido
incursionar en el campo de las computadoras. La companía cuenta con la
tecnología y el financiamiento necesarios para su primer modelo.
Después de cinco días de producción y antes deempezar a distribuir las
computadoras, se detecta un grave problema en el ROM de la máquina.

Posibles causas de esta falla:

 Capacitor 1 MF, 20 V
 Capacitor 10 MF, 10 V
 Capacitor 10 MF, 20 V
 Transistor ECG-163 (el proveedor tuvo problemas con ésta)
 Transistor ECG-161
 Diodo IN 101
 Diodo IN 111
 Soldadura - segun algunos, ha resultado de baja calidad
 Cautín, más de la mitad ha sufrido corto circuito
 Procedimiento de trabajo desconocido para la mayoría
 Falta de capacitación
 Falta gráfica de control
 El supervisor del Segundo turno es mas estricto que el primero
Error: En la causa de método solo podría ir dos espinas la de desconocido y la de
conocido y dentro de esas dos subcausas se englobarian respectivamente otras
subcausas y en la causa del hombre solo debería ir la de diferencias de turno.

Diagrama de Pareto

En septiembre de 1990 se realizó una reunion mundial para slavar a los niños de
todos los países.
En esta cumber, la UNICEF reportó los siquientes datos de muertes infantiles por
día

1 400 De tosferina
4 000 De sarampión
2 150 De tetanos
2 250 De malaria
11000 De diarrea
6 000 De nuemonía

Niños muetos por día

Enfermedad acumulado porcentaje p.acum.

Diarrea 11 000 11 000 41.04% 41.04%
Neumonia 6000 17 000 22.39% 61.43%
Sarampion 4000 21 000 14.93% 78.36%
Malaria 2250 25 400 8.02% 94.78%
Tosferina 1400 26 800 5.22% 100.00%
Error: Sólo cuenta 6 elementos y la teoría nos dice que este método necesita
como mínimo 7. En la gráfica la línea de unión de los datos no se encuentra sobre
los puntos medios.
La escala está mal, se puede observar que 22 000 está antes de 20 000.

En la empresa torniquete se ha tenido recientemente una gran demanda de

tornillos, lo que, al parecer, ha ocuacionado una avalancha de productos
defectuosos. A continuación se presentan los defectos junto con la cantidad de
productos defectuosos

2 300 Tornillos con longitud excedente

5 000 Tornillos con demasiada rebaba
500 Tornillos con fisuras
850 Tornillos con resistencia inferior a
la especifica
700 Tornillos con anchura escasa

Tornillos defectuosos

Defecto acumulado porcentaje

Demasiada rebaba 5 000 53.48%
Longitude excedente 7 300 24.60%
Resistencia inferior 8 150 9.09%
Anchura escasa 8 850 7.49%
Fisuras 9 350 5.35%
Error: Sólo cuenta con 5 elementos y la teoría nos dice que este método se
necesita como mínimo 7. En la gráfica la línea de unión de los datos no se
encuentra sobre los puntos medios. Este método no será el más adecuado,
debido a que los datos son excluyentes, es decir, en este caso los tornillos sólo se
toma en cuenta un defecto. Con esto se logrará un resultado poco favorable
debido a que el problema no estará del todo resuelto.
Usted se da cuenta de que ha cometido un ligero error al leer el memorándum del
gerente de producción de la empresa torniquete, S. A. las ultimas líneas decían:
“solicito que usted elabore un diagrama de pareto con base en costos”

Defecto costo total acumulado porcentaje p. acum.

Damasiado 1 500 1 500 35.80% 35.80%
Rebaba
Fisuras 1 000 2 500 23.87% 59.67%
Resisntencia 765 3 265 18.26% 77.92%
Inferior
Longitud 575 3 840 13.72% 91.65%
Excedente
Anchura 350 4 190 8.35% 100.00%
Error: Sólo cuenta con 5 elementos y la teoría nos dice que este método se
necesita como mínimo 7. En la gráfica la línea de unión de los datos no se
encuentra sobre los puntos medios. No especifica bien la escala, es decir, no es
proporcional.

El dueño de la compañia Sierra, S.A. está preocupado por el reciente estado de

resultado, el cual muestra un incremento desmesurado en los costos. Investigando
encuentra que los costos aunmentaron al mosmo tiempo que los defectos en las
puertas de Madera. El dueño ha recabado los siguientes datos:

Cantidad Costo unitario

Puertas mal cortadas 30 $ 30 000
Desperdicio 70 8 000
Puertas pandeadas 50 15 000
Puertas con pequeñas 20 50 000
fisuras
Puertas con rayaduras 60 5 000

Diagrama de pareto conbase en costos totales de defectos

Defecto costo totales acumulado porcentaje p.acum.

fisura 1 000 000 1 000 000 28.49% 28.49%
Mal cortadas 900 000 1 900 000 25.64% 54.13%
Pandeadas 750 000 2 650 000 21.37% 75.50%
Desperdicio 560 000 3 210 000 15.95% 91.45%
Rayaduras 300 000 3 510 000 8.55% 100.99%
Error: solo cuenta con 5 elementos y la teoría nos dice que este método se
necesita como mínimo 7. En la gráfica la línea de unión de los datos no se
encuentra sobre los puntos medios.

En una fábrica de cerámica se tiene la siguiente estadística de fallas:

Defectos frec. Frec.acum. % p.acum

Vaciado de taza 14 14 43.75 43.75
Esmaltado 12 26 37.5 81.25
Sellos 4 30 12.5 93.75
Mal acabado 2 32 5.25 100.00
Error: Solo cuenta con 4 elementos y la teoría nos dice que este método se
necesita como mínimo 7. En la gráfica la línea de unión de los datos no se
encuentra sobre los puntos medios. No sabemos que pide el problema El
porcentaje en “mal acabado” es de 6.25 y no de 5.25. Con los datos de
porcentajes individuales no suma el 100%.

Histograma

Los registros de una semana de una flota de automoviles muestran las siguientes
cantidades (dolares) que se gastaron en gasolina en c/u de sus 32 automoviles

39.01 37.87 24.75 38.67 31.55 50.55 64.50 31.55

30.55 60.49 52.83 53.41 60.75 21.45 47.82 40.69
45.13 37.51 64.69 41.77 30.24 15.25 27.63 24.65
23.65 20.11 31.22 41.35 26.27 36.00 38.76 25.69

Clases Li Ls conteo n
1 15.245 26.095 IIIII II 7
2 26.095 39.945 IIIII IIII 9
3 39.945 47.795 IIIII IIII 9
4 47.795 58.645 IIII 4
5 58.645 69.495 III 3
Error: La distribucion se encuentra erronea y también debe ser de 7 a 15
elementos en el histograma. El numero de clase esta mal calculado

se toma 9
k = 1 + 3.22 * log( 32) = 5.84 i = R / k = 54.24 / 5.84 = 9.28

Los datos siguientes muestran el espesor, medido en pulgadas de 50 laminas de

acero.

.053 .027 .028 .036 .047 .049 .031 .035

.040 .045 .048 .034 .039 .038 .034 .044
.039 .042 .043 .038 .043 .040 .043 .044
.040 .041 .038 .033 .032 .023 .045 .044
.050 .051 .055 .046 .052 .048 .032 .029
.048 .054 .037 .039 .040 .042 .039 .037
.035 .039

Clases Li Ls conteo n
1 .0225 .0275 II 2
2 .0275 .0325 IIII 4
3 .0325 .0375 IIIII III 8
4 .0375 .0425 IIIII IIIII IIIII 15
5 .0425 .0475 IIIII IIIII 10
6 .0475 .0525 IIIII III 8
7 .0525 .0575 IIIII III 8
Error: Se encuentra mal calculado el numero de clases y la amplitud de esta,
igualmente la distribución de frecuencia esta mal hecha

Se toma .005
k = 1 + 3.22 * log(50) = 6.47 i = R / k = .032 / 6.47 = .0049
Por lo tanto quedan 11 clases.

Se desea analizar el tiempo de vida de los focos de las señales direccionales para
autos. Para ello se procede a obtener una muestra de 30 focos, registrando el
número de horas que duran encendidos, y los resultados son los siguientes:

237 180 285 225 288 232

290 234 271 295 247 338
315 284 320 255 305 274
284 292 192 318 268 279
261 374 228 358 210 244

Clases Li Ls conteo n
1 179.5 218.5 III 3
2 218.5 257.5 IIIII III 8
3 257.5 296.5 IIIII IIIII II 12
4 296.5 335.5 IIII 4
5 335.5 374.5 III 3
Error: Solo cuenta con 5 elementos y esto es incorrecto. La distribución de
frecuencias por lo tanto esta mal hecha.

En una fábrica el tiempo en horas de trabajo durante el cual una maquina queda
fuera de operacion debido a dificultades como fracturas o fallas denominadas
“tiempo de inactividad”. Un experto en eficiencia midio durante cierto periodo cien
tiempo de inactividad consecutivos (en min.) que son:

32 63 52 62 35 34 74 53 64 80
51 55 48 60 76 51 35 44 45 54
33 45 61 53 21 68 85 60 77 61
42 67 34 53 45 47 52 68 52 69
73 61 55 65 62 54 41 59 53 50
26 58 82 74 41 70 38 50 47 35
36 67 43 28 56 79 84 49 36 65
92 22 62 55 72 68 40 37 78 43
65 73 57 39 46 57 56 60 50 88
45 56 75 40 51 70 74 76 48 59

Clase Li Ls conteo n
1 20 29 IIII 4
2 30 39 IIIII IIIII II 12
3 40 49 IIIII IIIII IIIII III 18
4 50 59 IIIII IIIII IIIII IIIII IIIII I 26
5 60 69 IIIII IIIII IIIII IIIII 20
6 70 79 IIIII IIIII IIIII IIII 14
7 80 89 IIIII I 6
Los datos siguientes muestran las calificaciones finales de 30 estudiantes de curso
de calidad, para analizar su distribucion y su grado de aprendizaje las
calificaciones indicant el numero de aciertos obtenidos de 250 preguntas

Calificaciones:

62 156 231
172 107 226
178 69 162
92 148 184
224 126 89
172 113 55
Clase 110 156 161
Li 124 117 172
Ls 200 189 221
conteo 140 182 140
n
1 54.5 89.5 IIII 4
2 89.5 124.5 IIIII I 6
3 124.5 159.5 IIIII I 6
4 159.5 194.5 IIIII IIII 9
5 194.5 229.5 IIIII

Error: Solo cuenta con 5 elementos por lo que es erroneo deberia tener como
mínimo 7 elementos. Esta mal calculado el numero de clases y la amplitud de la
misma, la distribución de frecuencias por lo tanto también esta mal hecha las
líneas de especificación y de proceso hacen falta.
Los resultados de análisis de cloro en partes por millon existents en 30 muestras
de agua tratada, hacer la distribución de frecuencias, sacar desviación estandar y
media

16.2 15.4 16.0 16.6 15.9 16.0 16.8 16.9 16.8 15.8
15.7 16.4 15.2 15.8 15.9 16.1 15.6 15.9 15.6 16.0
16.7 15.8 15.7 16.2 15.6 15.9 16.3 16.0 16.3 16.3

Clase Li Ls Marca de Frec. Frec. Frec.

clase Absoluta Absoluta Rel.
acum. acum..
1 15.2 15,54 15.37 2 2 6.6%
2 15.51 15.88 15.71 8 10 33.3%
3 15.83 16.22 16.05 11 21 70%
4 16.22 16.58 16.39 4 25 83.3%
5 16.56 16.9 16,73 5 30 100%

X= 16.04 x= fx = 182.18 = 16.072

N 30

Error: Solo cuenta con 5 elementos por lo que no podemos confiar por lo que
deberia de contar como mínimo con 7 elementos
 Diagramas de Dispersión

Los datos que se muestran a continuación se obtuvieron del registro de un

laboratorio de Lactología y nos muestra el porcentaje de grasa en la leche por día,
así como el rendimiento en porcentaje de queso manchego por día.

% grasas Rendimiento
3.3 11.55
3.2 11.03
3.0 11.67
3.4 11.30
3.5 9.64
3.1 11.65
3.4 11.24
3.5 11.76
3.4 12.12
3.1 11.06
3.2 12.40
3.1 10.09
 % grasas Rendimiento
3.2 11.40
3.0 10.59
3.1 11.47
3.5 12.30
3.1 11.56
3.3 12.29
3.1 12.60
3.4 12.60
Año Ingreso 3.3
Ventas netas 12.23
anual de SEARS
3.2 12.00
disponible 3.2 12.10
1953 252.6 2.982
3.1 11.90
1954 257.4 2.965
1955 275.3 3.307
1956 193.2 3.556
1957 308.5 3.601
1958 318.8 3.721
1959 337.3 4.036
Error: no 1960 350.0 4.134
menciona el1961 364.4 4.268
objetivo del1962 385.3 4.578
problema. Los medianas X=314.28 Y=3.7148
puntos (3.0,
11.67) y (3.0, 10.59) situados sobre la grafica están mal señalados en el plano
cartesiano De acuerdo a la teoría señalada en clase, y ocupando la formula
proporcionada para obtener r, el resultado manejado en el problema esta mal, por
lo tanto se debe de corregir r.

Los siguientes datos corresponden a un estudio realizado para la empresa

SEARS. Para los 10 años (de 1953 a 1962) bajo estudio, se consideró como
variable independiente x el ingreso de la sociedad americana, y como variable
dependiente y las ventas netas de SEARS (ambas variables en billones de
dolares)
 Programa Grado de % de
violencia teleauditorio
1 10 15
2 20 16
3 30 20
4 40 24
5 40 25
6 50 30
7 55 30
8 65 35
9 70 35
10 70 35
Medianas X=45 Y=27.5

Error: Según con lo visto en clase, tiene que dividir la paralela y de ahí los
cuadrantes y atravesar una recta lo cual hace falta en el grafico de este problema.
Y ocupando la formula de clase el valor de r es erroneo debe ser igual r=.8143
En un grupo de investigaciones se estableció una escala de grado de violencia en
los programas de TV; se calificaron los programas y se recopilaron datos del
porcentaje del teleauditorio que ve los grados del modo siguiente:
La siguiente tabla muestra las alturas de padres e hijos (X y Y respectivamente) de
una muestra de 12 padres e hijos primogénitos:

Altura x del padre en pulgadas Altura y del hijo en pulgadas

65 68
63 66
67 68
64 65
68 69
62 66
70 68
66 65
68 71
67 67
69 68
71 70
X=66.667 Y=67.584
Error: De acuerdo con lo visto en clase en el grafico falta la recta que divide los
cuadrantes respectivamente
Analizando el número de errores al devolver trabajos sin arreglar en una
talabartería se encontró lo siguiente:
N X Y
N X Y 14 15 7
15 19 3
3 15 2
20 17 3
4 18 2
21 15 1
5 15 3
22 15 3
6 20 0
23 19 5
7 16 2 24 20 8
8 15 3 25 18 3
9 16 2 26 15 2
10 17 2 27 16 5
11 15 3 28 15 2
12 20 11 29 18 2
13 16 2 30 19 10
X mediana:16.5 Y mediana: 3

Error: El grafico esta mal elaborado debido a que no se encuentra dividido a la

mitad de los ejes X y Y, así como también falta la recta que divide a los cuadrantes
respectivamente.