INSTITUTO TECNOLOGICO SUPERIOR DE

COMALCALCO

ASIGNATURA:
Ingeniería de la calidad

TEMA 3
ACTIVIDAD: 3.1
NOMBRE DEL ALUMNO:
 Carrillo Juárez Yazmin TE160260
 Castellanos Guzmán Sindy Janet TE160204
 Dávila Álvarez Guillermo TE160170
 Márquez Méndez Eduardo Eligio TE 160169
 Parra Flores Ulises TE190191
 Ricárdez Tosca Eduardo David TE160237
 Rodríguez Sánchez Sofia TE160163

SEMESTRE: 7 GRUPO: “B”

CARRERA:
Ingeniería Industrial

DOCENTE:
Ing. Jorge Arturo Arévalo Pérez

FECHA DE ENTREGA
24 de octubre de 2019

1
Índice

Contenido
Índice................................................................................................................................................................................. 2
Introducción .................................................................................................................................................................... 3
Gráficas x ......................................................................................................................................................................... 4
EJEMPLO ..................................................................................................................................................................... 4
Gráficas X-R .................................................................................................................................................................... 6
GRAFICA U .................................................................................................................................................................... 12
EJEMPLO: .................................................................................................................................................................. 13
GRAFICO P .................................................................................................................................................................... 13
EJEMPLO: .................................................................................................................................................................. 14
NP..................................................................................................................................................................................... 17
EJEMPLO ................................................................................................................................................................... 20
CP..................................................................................................................................................................................... 22
EJEMPLO: .................................................................................................................................................................. 24
Capacidad de máquina (Cm, Cmk) y capacidad de proceso (Cp, Cpk)......................................................... 25
Cm y Cp .......................................................................................................................................................................... 25
Interpretación de Cm, Cmk y Cp, Cpk .................................................................................................................... 27
Ejemplo de medición de Cm, Cmk y Cp, Cpk ....................................................................................................... 28
CONCLUSION ............................................................................................................................................................... 30

2
 Introducción

El control de calidad es una herramienta que permite de una forma adecuada y consistente
analizar procesos con el fin de estudiar su comportamiento y poder evaluarlo, de tal forma que si
se hallan procesos fuera de control se puedan hallar las variables que ejercen ese
comportamiento. Con la finalidad de que se puedan generar mecanismos que conminen a
restablecer el control del proceso de tal forma que se puedan cumplir con las especificaciones
planteadas dentro del mismo.

El presente trabajo que realizamos pretende mostrar mediante ejemplos con ejercicio, los
principales conceptos del control de calidad. Todo esto para realizar un análisis de la situación
actual de un proceso planteado en los ejercicios que permita exhibir las principales características
de un análisis de este tipo.

Mediante ejercicios aplicativos implementar los principales conceptos del control de calidad de tal
forma que se pueda estudiar el comportamiento de los procesos e implementar los mecanismos
de control necesarios.

Nuestros principales objetivos de la elaboración d este manual de graficas de control son las
siguientes:

1.- Determinar el comportamiento de un proceso específico en el cual se pueda establecer con

claridad su estado actual.

2.-Determinar los parámetros del proceso que permitan posteriormente realizar el control
pertinente.

3.-Determinar si el proceso sometido a análisis cumple o no con las especificaciones requeridas.

3
Gráficas x
En esta gráfica podemos llevar a cabo su elaboración mediante el análisis de manera individual
utilizando los mismos datos que utilizamos en las gráficas anteriores ya que estos son provenientes
de lo que son el proceso de fabricación, al llevar a cabo esto puede que nos sea de gran ayuda ya
que se toma en cuenta observaciones o muestras de medida que sean <1 porque en ciertas
ocasiones esto puede manifestarse de dos maneras que son inadecuado o incluso muchas veces
costoso.

Al llevar a cabo esta técnica llevaremos a cabo lo que cierta parte que ya vimos en las gráficas X-R
que es lo del rango, pero en este caso lo complementaremos y en esta gráfica lo emplearemos
como rango de análisis continúo para poder así evaluar la variación que existe dentro de nuestro
proceso en estudio.

El empleo que le damos por lo general es para conocer la secuencia y el descubrimiento de ciertas
modificaciones dentro de nuestro proceso ya que esto se ve afectado por la apreciación de las tomas
de cálculo de manera individual de una única peculiaridad, ya que en este caso las localizaciones
de los puntos trazados en la gráfica indican medidas de forma individual.

EJEMPLO
Una empresa mide una característica de un producto que es significativa en la calidad de éste. Para
ello ha tomado 25 muestras donde cada muestra consiste en la selección aleatoria de 4 unidades
de producto. Luego se mide la característica de interés (en alguna unidad de medida) y se obtienen
los promedios muestrales que se presentan en la siguiente tabla. Adicionalmente, el rango de cada
muestra es la diferencia entre el valor de la mayor observación menos el valor de la menor
observación.
El valor objetivo de la característica en evaluación es 11 +- 1,5. Se requiere una gráfica de control
de promedios para analizar si el proceso se encuentra bajo Control Estadístico.

4
Un primer paso consiste en la obtención del gran promedio que determina la línea central de la
gráfica de control y se obtiene como el promedio de los promedios muestrales. En nuestro ejemplo
el gran promedio se obtiene de la siguiente forma:
X = (15,1 + 12,3 + 7,4 + .......... + 8,8 + 8,0)/25 = 9,872
A continuación se calcula el promedio de los rangos muestrales:
R = (9,1 + 9,9 + 9,7 + ........... + 6,9 + 6,4)/25 = 8,076
Finalmente se determina el LCS (Límite de Control Superior) y LCI (Límite de Control Inferior). Para
ello dado que cada muestra es de un tamaño n=4, el valor de la constante A2 asociada es 0,729.
LCS = 9,872 + 0,729*8,076 = 15,76
LCI = 9,872 - 0,729*8,076 = 3,98
Un último paso es graficar los promedios muestrales en una gráfica que contenga los límites de
control y el gran promedio como se muestra a continuación:

Se concluye que el proceso se encuentra bajo control estadístico debido a que los valores de las
muestras se encuentran dentro de los límites de control. Adicionalmente las muestras se distribuyen
aproximadamente a ambos lados de la línea central (LC), no indentificándose una tendencia en los
valores muestrales. Es importante notar que aun cuando los valores de las muestran esten dentro
de los límites de control, en caso de existir una tendencia, ésta puede advertir la existencia de una
causa asignable que explique la variación y por tanto pronto el proceso podría salir de Control
Estadístico.
Se recomienda revisar la Gráfica de Rangos (R) que es una herramienta complementaria a la
expuesta en esta sección.

5
Gráficas X-R

Los gráficos X-R se utilizan cuando la característica de calidad que se desea controlar es una
variable continua.

Para entender los gráficos X-R, es necesario conocer el concepto de Subgrupos (o Subgrupos
racionales). Trabajar con subgrupos significa agrupar las mediciones que se obtienen de un proceso,
de acuerdo a algún criterio. Los subgrupos se realizan agrupando las mediciones de tal modo que
haya la máxima variabilidad entre subgrupos y la mínima variabilidad dentro de cada subgrupo.
Por ejemplo, si hay cuatro turnos de trabajo en un día, las mediciones de cada turno podrían
constituir un subgrupo.
Supongamos una fábrica que produce piezas cilíndricas para la industria automotriz. La
característica de calidad que se desea controlar es el diámetro de las piezas.

Hay dos maneras de obtener los subgrupos. Una de ellas es retirar varias piezas juntas a intervalos
regulares, por ejemplo cada hora:

6
La otra forma es retirar piezas individuales a lo largo del intervalo de tiempo correspondiente al
subgrupo:

7
.....Etc.
Por cualquiera de los dos caminos, obtenemos grupos de igual número de mediciones. Para cada
subgrupo calculamos el Promedio y el Rango (Diferencia entre el valor máximo y el valor mínimo).

Como ya se ha visto, para calcular los Límites de Control es necesario obtener un gran número de
mediciones, divididas en subgrupos. En nuestro ejemplo, podríamos obtener 30 subgrupos de 6
datos cada uno:

8
Después de calcular el Promedio y el Rango de cada subgrupo, tendríamos una tabla como la
siguiente:

A partir de esta tabla, se calculan el promedio general de promedios de subgrupo y el promedio de

rangos de subgrupo:

9
La desviación standard del proceso se puede calcular a partir del rango promedio, utilizando el
coeficiente d2, que depende del número de mediciones en el subgrupo:

Con esto podemos calcular los Límites de Control para el gráfico de X:

La desviación standard del rango se puede calcular utilizando el coeficiente d3, que también
depende del número de mediciones en el subgrupo:

Y así podemos calcular los Límites de Control para el Gráfico de R:

10
La tabla siguiente muestra los coeficientes d2 y d3 para subgrupos de hasta 10 mediciones:

Construímos entonces un Gráfico X de prueba y representamos los promedios de los subgrupos:

Y un Gráfico R de prueba, donde representamos los rangos de los subgrupos:

11
GRAFICA U

Si sucede lo mismo para la realización de la gráfica c como muestras muy pequeñas o producto
demasiado grandes para inspeccionar, pero la muestras no pueden ser elegidas de tamaños
constantes, no podemos utilizar la gráfica de defectos por muestras (gráfica c) sino que se mejor
utilizar la gráfica de numero de defectos por producto, la relación con la gráfica c es la siguiente:

Y los límites de control se calculan con la siguiente formula:

12
EJEMPLO:

GRAFICO P

La gráfica P nos sirve para poder controlar el número de productos defectuosos, usando muestras
que pueden ser de tamaño constante o variable, con estos datos podemos obtener la fracción
defectuosa a la cual se le llama P. Esta se calcula dividiendo el número de productos defectuosos,
entre el tamaño de la muestra. Para el cálculo de los límites de control podemos utilizar las siguientes
formulas:

13
Dónde:
P=fracción defectuosa
n=tamaño de muestra

en este tipo de gráficas si el valor del LCI es negativo se le considera como cero, debido a que no
pueden existir fracciones negativas de un defecto.

EJEMPLO:
Todos los días se tomaban muestras de las formas llenas, de un departamento en particular, en una
compañía de seguros para revisar la calidad del desempeño de ese departamento. Con el fin de
establecer una norma tentativa para el departamento, se tomó una muestra de 300 unidades al día
(n=300) durante 10 días, obteniendo los siguientes resultados:

Desarrolle una gráfica de proporciones o gráfica p utilizando un intervalo de confianza de un 90%

para las 10 muestras recolectadas. ¿Qué comentarios puede hacer sobre el proceso? ¿Qué sucede
ahora si los límites de control se definen a un σ del promedio de defectos?

En primer lugar, calculamos el promedio de unidades defectuosas para cada una de las muestras
(celdas color celeste). Por ejemplo, la muestra 1 presenta 10 defectos (de un total de 300 unidades
inspeccionadas), en consecuencia, el porcentaje de defectos de dicha muestra corresponde
aproximadamente a un 3,33% (10/300). Luego se obtiene el promedio de unidades defectuosas del
total de las muestras (celda amarilla) correspondiente a un 3,03% (se obtiene de
[3,33%+2,67%+3,00%+…+2,67%]/10).

14
 A continuación, se procede con la estimación de la desviación estándar (Sp):

De la tabla de la distribución normal estándar un intervalo de confianza de un 90% equivale a definir

los límites de control a 1,645*Sp. Con esto podemos calcular el Límite de Control superior
(LCS) y Límite de Control Inferior (LCI) respectivamente (notar que los resultados han sido
aproximados).
 LCS = 3,03% + 1,645*0,9896% = 4,66%
 LCI = 3,03% – 1,645*0,9896% = 1,40%
A continuación, y con la ayuda de Excel se procede a graficar los límites de control (líneas verdes y
violeta), el promedio de unidades defectuosas de cada una de las muestras (línea azul) y el
promedio de defectos total (línea roja). El proceso se encuentra bajo control estadístico. Los
promedios de defectuosos se encuentran dentro de los límites de control estadístico.

15
 Si en cambio los límites de control se definen a un σ del promedio de defectos será necesario
recalcular los límites de control estadístico obteniendo los siguientes resultados (aproximados):

 LCS = 3,03% + 0,9896% = 4,02%

 LCI = 3,03% – 0,9896% = 2,04%

Al estrechar los límites de control el proceso ya no se encuentra bajo control estadístico. La muestra
n° 4 presenta un porcentaje de defectuosos mayor al LCS.

16
NP
Es posible basar un gráfico de control en el número de defectuosos de la muestra, en lugar de la
fracción de defectuosos. A este tipo de gráficos se les llama un gráfico de control np. La teoría en
que se basa la construcción de este tipo de gráficos de control, es similar a la de los gráficos p.
La construcción del gráfico np se basa en el hecho de que np tiene una distribución binomial con
parámetros n y p.
Tenemos que:

Donde n es el tamaño de la muestra, d es el número de defectuosos en la muestra. Sabemos que

el número de artículos defectuosos en una muestra independiente de tamaño n, y en la cual la
probabilidad de encontrar un artículo defectuoso es p, tiene una distribución de probabilidad binomial
con parámetros n y p. Luego:
Donde n es el tamaño de la muestra, d es el número de defectuosos en la muestra. Sabemos que
el número de artículos defectuosos en una muestra independiente de tamaño n, y en la cual la
probabilidad de encontrar un artículo defectuoso es p, tiene una distribución de probabilidad binomial
con parámetros n y p. Luego:

Límites de control del gráfico np basado en los valores muestrales (tamaño de muestra
constante)

Suponiendo que tenemos m muestras de tamaño n, los estimadores de la fracción defectuosa y la

fracción defectuosa de las m muestras se podrán calcular de la siguiente manera:

De esta manera los límites de control para el gráfico p, con base a serán los siguientes:

17
Límites de control del gráfico np basado en los valores muestrales (tamaño de muestra
variable)

Si tenemos que el tamaño de muestra es variable, y tenemos subgrupos. Entonces las

ecuaciones de los gráficos de control son similares a las ecuaciones de los gráficos de control de
tamaño de variable constante, solamente tenemos que cambiar por .

Tenemos entonces que las ecuaciones de los límites de control serían:

Donde

Límites de control del gráfico np basados en los valores estándar

Por otra parte, si se conoce el valor estándar p, podemos calcular los límites con respecto a este
valor sustituyendo el valor de en las ecuaciones anteriores, por el valor estándar p.

Gráfico NP Se aplica al mismo tipo de procesos que en el caso anterior. La diferencia está en que,
en lugar de monitorizar la proporción de artículos defectuosos en una muestra, se monitoriza el
número de artículos defectuosos. En general, es útil si: (a) el número es más relevante que la
proporción, (b) el tamaño muestral es constante. Aunque matemáticamente sería posible construir
un gráfico NP con tamaño muestral variable, su interpretación sería complicada, por lo que
supondremos que se utilizan muestras de tamaño constante ni = n, i = 1, 2, ... Llamemos di al número
de artículos defectuosos en una muestra de tamaño n. El gráfico de control será:

Sea p la proporción total de defectuosos que produce el proceso. Entonces di sigue una distribución
binomial de media np y varianza np (1 − p). Si n es grande (y np (1 − p) > 5), dicha distribución
puede aproximarse a la normal. Por tanto, para n elevado, aproximadamente,

18
Y si la aproximación a al normal es buena, contendrá al 99.7 % de los datos si el proceso está bajo
control. De nuevo, si el límite de control resultase negativo se usaría al valor cero. Para construir el
gráfico de control es necesario estimar p, salvo que se conozca ya su valor. Al igual que en el caso
anterior, tanto el nivel medio como la variabilidad dependen sólo del parámetro p, por lo que un solo
grafico será suficiente para controlar el proceso. Para construir el gráfico se siguen los siguientes
pasos:
1. Se toman k muestras de tamaño n. El número de muestras k debe ser elevado (más de 20).
también el tamaño muestral n debe ser grande (mayor de 50) y han de tomarse consecutivamente
y a intervalos iguales.
2. Contar el número de artículos defectuosos en cada muestra di.
3. Contar el número total de defectuosos d1+d2+···+dk y hallar el número medio de defectuosos
por muestra:

Este valor ¯ d será un buen estimador de np, media del proceso, si el proceso ha estado bajo control
durante esta etapa de recogida de información. Este valor medio ¯ d = np¯ será la línea central del
gráfico de control.
4. Se calculan los límites de control a tres desviaciones típica, obteniéndose:

5. Se dibuja el gráfico trazando la línea central en np¯ y los límites de control. Los límites de control
serán ahora constantes, al ser constante el tamaño muestral n.
6. Colocar los valores di de forma secuencial. Si alguno se encuentra fuera de los límites de control
habrá que eliminarlo y volver a reconstruir el gráfico con las muestras restantes.
La capacidad se sigue definiendo de la misma manera que en los gráficos P, es decir (1-p). Por
tanto, la estimación de la capacidad es Estimación de la capacidad= (1 − p¯),

19
EJEMPLO

En la siguiente figura tenemos los datos de 24 muestras de producto producido por turno. En la
columna producción tenemos el total de producto fabricado por turno. La columna Producto
Defectuoso nos indica el número de artículos defectuosos por turno; la columna Número de
Defectos nos indica el número de defectos encontrados en la producción de cada turno, nótese que
por cada turno el número de defectos es mayor o igual que el número de defectuosos, ya que un
artículo defectuoso puede tener uno o más defectos. Finalmente tenemos la columna de Fracción
Defectuosa, la fracción defectuosa de un turno se calcula dividiendo el número de productos
defectuosos por la producción de ese turno, es decir, los valores de la columna D divididos por los
valores de la columna C.

Los límites de control de un gráfico de fracción

defectuosa con tamaño de muestra variable
vienen dados por la siguiente fórmula:

Mientras que la fracción defectuosa p barra, se

calcula con la siguiente fórmula:

Ahora bien, de las ecuaciones de la Figura 2,

vemos que para calcular estos límites
necesitamos el valor p barra, que es una
estimación de la fracción defectuosa y ni, que es
el tamaño de muestra de cada turno. Es decir,
tendremos límites de control de diferentes
tamaños, debido a que los tamaños de muestra
son variables.
El valor de p barra es entonces:

20
Entonces tenemos ya el valor de p barra y los valores de ni, los cuales son los artículos producidos
en cada turno (tamaño de muestra), cuyos valores se muestran en la columna C de la Figura 1. Ya
con esto, calculamos los límites de control con las fórmulas de la Figura 2. Los valores se muestran
en las columnas I, J y K de la siguiente figura.

Por otra parte, en la columna H de la figura anterior,

tenemos la fracción defectuosa de cada muestra o turno,
está se calcula para cada turno, dividiendo el número de
defectuosos del turno por el total de artículos producidos.
Con los valores de las cuatro columnas de la Figura 5,
podemos construir el gráfico de control. Reitero que en un
post anterior que se encuentra aquí, se muestra cómo se
puede hacer este gráfico de control similar.
Con los datos de la Figura 5, el gráfico de control nos
quedaría así:

Podemos ver de la figura

anterior, que, en virtud del
tamaño variable de la
muestra, cada valor de
fracción defectuosa tiene
límites de control
particulares acordes al
tamaño de la muestra.

21
CP
CP significa capacidad del proceso. Ésta es una medida que sirve para calcular el rendimiento de
los procesos de un negocio. El Cpk se utiliza para medir la capacidad del proceso en base a índices
de capacidad.

CONCEPTO DE CAPACIDAD DE PROCESO

Como consecuencia de todo lo anterior, si un proceso normal está en control estadístico, la
característica de calidad del 99,73% de los elementos fabricados estará comprendida entre µ - 3σ y
µ + 3σ. El parámetro µ depende del punto en el que centremos el proceso. Sin embargo, σ depende
del número y variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él. Por
lo tanto, 6σ es la Variabilidad Natural del Proceso o Capacidad del Proceso. Por definición:
CAPACIDAD DEL PROCESO = 6σ
Es esencial resaltar que la variabilidad natural del proceso, 6σ, es intrínseca a él e independiente
de las tolerancias que se asignen. Por lo tanto, si 6σ es menor que el intervalo de las tolerancias a
cumplir, necesariamente algunos productos fabricados estarán fuera de tolerancia y serán no
conformes. Si no se tiene en cuenta este hecho y se pretende corregir a base de reajustar el proceso,
es decir modificar el centrado, lo único que se consigue es aumentar la variabilidad del mismo.
Con objeto de comparar la capacidad del proceso y la amplitud de las tolerancias a satisfacer, se
define el índice de capacidad de proceso:

Si se pretende que la producción esté dentro de tolerancia, es necesario que Cp > 1.

Si el proceso no estuviese centrado, el valor de este índice falsearía el grado de cobertura con
respecto a fabricar piezas fuera de tolerancias. En estos casos es más significativo el índice Cpk
que se define:

De este modo se define un proceso capaz como aquel que Cpk > 1. Aplicando estos mismos
conceptos a la variabilidad atribuible de una máquina de las que integran el proceso de fabricación,
podemos definir la capacidad de máquina, el índice de capacidad de máquina CM y CMk.

22
23
EJEMPLO:
LA MÉTRICA “6 SIGMA” En 1.988 Motorola alcanzó el prestigioso Malcom Baldrige National Quality
Award. Una de las bases fundamentales de su estrategia de calidad era el “Programa 6σ”. El objetivo
de este programa fue reducir la variación de los procesos de manera que el intervalo de tolerancia
fuera igual a 12 σ (6 a cada lado). De acuerdo con la definición del índice de capacidad de proceso:

Suponiendo que se desplazase el proceso 1.5 σ, ver Figura 10, los coeficientes pasarían a ser:

Aún estas circunstancias, la cantidad de producto fuera de tolerancia sería tan solo de 3.4 ppm.

24
Capacidad de la Maquina y Capacidad del Proceso
La evaluación de la capacidad del proceso comienza después de la identificación y corrección de
las causas especiales (asignables) y cuando los gráficos de control demuestran que el proceso está
bajo control estadístico. A efectos del análisis estadístico, existe una diferencia entre máquinas y
procesos:
Las máquinas son consideradas operaciones discretas (un torno, un taladro…)
Los procesos contienen una combinación de personas, equipos, materiales etc.
La capacidad es una medida que relaciona el rendimiento de una máquina o proceso con el
rendimiento especificado. La capacidad de una máquina es una medida de las influencias a corto
plazo que la máquina sola ejerce sobre la variabilidad del producto. Se requiere como mínimo que
± 4 σ estén contenidas dentro de los límites de especificación (significa (significa que 99,994% de
los valores están dentro de la tolerancia. Este requisito más estricto es necesario para asegurar el
objetivo de 99,73% (± 3 σ) de la capacidad del proceso a largo plazo. Los índices de capacidad son
un medio utilizado para indicar la variabilidad de un proceso o máquina en relación a la tolerancia
de sus componentes. Se utilizan los siguientes índices: Índices de capacidad de proceso Cp y Cpk
Índices de capacidad de máquina Cm y Cmk

Capacidad de máquina (Cm, Cmk) y capacidad de proceso (Cp, Cpk)

Cm y Cp
El índice Cm es la capacidad de máquina; es el número de veces que la dispersión de la máquina
encaja dentro de la anchura de tolerancia. Cuanto mayor es el valor de Cm, mejor es la máquina.

La Cp tiene el mismo significado, pero se aplica a un proceso en lugar de a una máquina.

25
Cm y Cp describen la repetibilidad de una máquina o proceso para la clase de tolerancia dada,
independientemente del hecho de que estén centrados en el valor objetivo.

Cmk y Cpk
Para estudiar la posición de la capacidad de máquina o proceso en relación al valor objetivo, se
utiliza el índice Cmk o Cpk, que evalúan la capacidad corregida para la posición.

Un índice Cmk alto significa que la máquina o proceso tienen pequeña dispersión en relación a la
anchura de tolerancia, y están bien centrados dentro de esa anchura.

26
Interpretación de Cm, Cmk y Cp, Cpk

Una buena Cm o Cp es fundamental para la máquina o proceso. Si Cm o Cp tienen un valor bajo,

la única manera de aceptarlos sin reparar la máquina o proceso es hacer más ancho el intervalo de
tolerancia:

Si Cmk es baja, pero Cm es alta, la máquina o proceso pueden estar dentro de su especificación
con una recalibración simple:

27
Ejemplo de medición de Cm, Cmk y Cp, Cpk

Una línea de producción de coches tiene pernos críticos, apriete con herramientas eléctricas
(herramientas eléctricas, herramientas neumáticas, llaves). Un proceso de apriete apropiado es vital
para asegurar la calidad de los coches.

Con miles de tornillos a apretar cada día, ¿cómo se puede asegurar la calidad?

28
El fabricante de coches decide monitorizar los índices Cm, Cmk y Cp, Cpk en sus líneas de
producción.

Medir Cm, Cmk significa probar el parámetro de apriete (par y ángulo) de todas las herramientas de
ensamblaje:

Medir Cp, Cpk significa probar el resultado del proceso, en este caso el par residual en la junta
apretada por la herramienta de ensamblaje:

29
 CONCLUSION

Podemos concluir que el control de calidad es una herramienta que es indispensable a la hora de
controlar procesos y poder establecer mecanismos de control que permitan regular los mismos.
Todo esto con el fin de mantener los estándares establecidos y poder cumplir con las
especificaciones que el proceso requiere.
Es importante recalcar que gráfico de control es una herramienta utilizada para distinguir las
variaciones debidas a causas asignables o especiales a partir de las variaciones aleatorias
inherentes al proceso. Las variaciones aleatorias se repiten casualmente dentro de los límites
predecibles.
Las variaciones debidas a causas asignables o especiales indican que es necesario identificar,
investigar y poner bajo control algunos factores que afectan al proceso.
La construcción de gráficos de control está basada en la estadística matemática. Los gráficos de
control emplean datos de operación para establecer límites dentro de los cuales se espera hacer
observaciones futuras, si el proceso demuestra no haber sido afectado por causas asignables o
especiales.

30