MARCO TEORICO

Una gráfica de control es un diagrama que sirve para examinar si un proceso se encuentra en una

condición estable, o para asegurar que se mantenga en esa condición.

En estadística, se dice que un proceso es estable (o está en control) cuando las únicas causas de

variación presentes son las de tipo aleatorio. En esta condición se pueden hacer inferencias con

respecto a la salida del proceso, esto es, la característica de calidad que se esté midiendo. En

cambio, la presencia de causas especiales o asignables hace que el proceso se desestabilice,

impidiendo la predicción de su comportamiento futuro.

Con base en la información obtenida en intervalos determinados de tiempo, las gráficas de

control definen un intervalo de confianza: Si un proceso es estadísticamente estable, el 99.73%

de las veces el resultado se mantendrá dentro de ese intervalo.

La estructura de las gráficas contiene una “línea central” (LC), una línea superior que marca el

“límite superior de control” (LSC), y una línea inferior que marca el “límite inferior de control”

(LIC). Los puntos contienen información sobre las lecturas hechas; pueden ser promedios de

grupos de lecturas, o sus rangos, o bien las lecturas individuales mismas. Los límites de control

marcan el intervalo de confianza en el cual se espera que caigan los puntos.[ CITATION

Adm13 \l 9226 ]

TIPOS DE GRAFICAS

1) GRAFICA X-R:

Los gráficos de media vs. rango, también llamados gráficos XR, son gráficos realizados para el

seguimiento estadístico del control de calidad de piezas en múltiples sectores, incluyendo el de la

automoción. Permiten detectar la variabilidad, consistencia, control y mejora de un proceso

productivo. En el caso de nuestro sector, se compone de los elementos siguientes:

*Límite de control superior, o tolerancia máxima

*Límite de control inferior, o tolerancia mínima

*Valor nominal, o promedio de las tolerancias mínimas y máximas

*Variables de medición, que suelen ser puntos de medición por reloj comparador, o puntos

de medición por máquina tridimensional

Los gráficos X-R son utilizados para el análisis estadístico en cualquier sector que requiera la

medición y el análisis de datos variables.[ CITATION Gla14 \l 9226 ]

EJEMPLO:

Figura 1: Grafica de las x

 Figura 2: Grafica de las r
2) GRAFICA X-S:

Las gráficas X-S (medias y desviación estándar) se construyen de manera similar a las gráficas

X-R, solo cambia en que en este tipo de graficas se calcula la desviación estándar de la muestra,

así como su media.

Por lo regular es mejor trabajar con las gráficas de control X-S, ya que la desviación estándar

tiene mejores propiedades estadísticas que el rango.

para calcula la desviación estándar utilizamos la siguiente formula.

para los limites de control el cálculo es similar al de la X-R, +-3 sigma solo cambia el uso de

la desviación estándar en vez del Rango[ CITATION Jos14 \l 9226 ]

EJEMPLO:

Figura 3 Graficas x-s

3) GRAFICA P:
 El 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 numero de productos defectuosos , entre el tamaño de la

muestra.

Para el cálculo de los límites de control podemos utilizar las siguientes formulas:

Donde:

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.[ CITATION Jos14 \l 9226 ]

EJEMPLO:
 Figura 4 Grafica P

4) GRAFICA 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:

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.[ CITATION

Mac08 \l 9226 ]

EJEMPLO:

Figura 5 Grafica NP
 5) GRAFICA C:

La gráfica c se utiliza cuando una pieza del producto puede tener un numero diferente de

defectos por pieza, en este caso lo que nos interesa controlar es el numero de defectos por pieza.

la gráfica c sirve para controlar el proceso productivo, mediante el conocimiento del numero de

defectos que aparecen en una muestra.

esta grafica se utiliza cunado la cantidad de productos producida es muy baja en productos

físicamente muy grandes como maquinarias.[ CITATION Jos14 \l 9226 ]

en estas gráficas puede usarse mejor la distribución de Poisson en al que

la desviación típica puede expresarse como:

los límites de control se pueden calcular con la siguiente formula:

EJEMPLO:

Figura 6 Grafica C
 6) 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 muestra 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:[ CITATION Jos14 \l 9226 ]

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

EJEMPLO:

Fidura 7 Grafica U
Referencias
Admin. (6 de Febrero de 2013). SPC. Obtenido de SPC: https://spcgroup.com.mx/grafica-de-control/

Garza, M. H. (15 de Mayo de 2008). optyestadistica. Obtenido de optyestadistica:

https://optyestadistica.wordpress.com/2009/05/31/graficos-de-control-np-numero-de-
defectuosos-en-la-muestra/

Gladys. (27 de Febrero de 2014). Measure control.com. Obtenido de Measure control.com:

http://www.measurecontrol.com/que-es-un-grafico-x-r-%C2%BFcomo-interpretarlo/

Nava, J. M. (8 de Febrero de 2014). Control Estadistico. Obtenido de Control Estadistico: https://nava-

nava-controlestadistico.weebly.com/222-grafico-x-s.html