Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INVESTIGACIÓN DOCUMENTAL
“Gráficas de control para atributos”
ASIGNATURA
Control Estadístico de la Calidad
DOCENTE
Carlos Ernesto Rull Martínez
ALUMNOS
GRUPO
“5° F”
CARRERA
Ingeniería Industrial
1
Índice de ilustraciones
Ilustración 1:Por que las gráficas X y R pueden advertir de problemas inminentes ........................ 18
Ilustración 2:Gráfica p para ilustrar línea central y los límites de control tentativos con los datos de
la tabla 4 ...................................................................................................................................... 30
Ilustración 3: Gráfica p para ilustrar línea central y los límites de control revisados de los datos de la
tabla 4 .......................................................................................................................................... 33
Ilustración 4:Datos preliminares, limite central y límites de control tentativos .............................. 37
Ilustración 5: Limites de control y fracción de no conformes para los tres primeros días laborales de
mayo............................................................................................................................................ 39
Ilustración 6: Gráfica para los datos de mayo, que ilustra el uso de un tamaño promedio de subgrupo
.................................................................................................................................................... 42
Ilustración 7: Gráfica p que muestra la línea central y los límites de control para distintos tamaños
de subgrupos ................................................................................................................................ 44
Ilustración 8: Gráfico de los valores de np del ejemplo PCC Inc. .................................................. 46
Ilustración 9:Gráfica np con línea central y límites de control ....................................................... 48
Ilustración 10: Gráfica para la cantidad de no conformes por unidad (u) ....................................... 58
Índice de tablas
Tabla 1: Elementos para la seleccion de una gráfica de control de atributos pt. 1 .......................... 15
Tabla 2: Elementos para la selección de una gráfica de control de atributos pt. 2 .......................... 16
Tabla 3:Coficiente de distribución normal .................................................................................... 25
Tabla 4:Resultado de la inspección de motores de soplador en secadores de cabello, departamento
de motores, mayo ......................................................................................................................... 29
Tabla 5: Datos preliminares de la prueba final de módems de computadoras y límites de control
para cada subgrupo ...................................................................................................................... 35
Tabla 6: Resultados de inspección para los días 3, 4 y 5 de mayo ................................................. 39
Tabla 7: Hoja de datos del ejemplo de PCC Inc. ........................................................................... 46
Tabla 8: Hoja de datos: Conectores para manguera ....................................................................... 56
2
Introducción
En el área de control de calidad se presentan las cartas de control, o bien, gráficas de control,
las cuales se dice que es un instrumento indispensable para monitorear y controlar
adecuadamente los procesos. Estas se introducen para las características de la calidad que se
expresan como no variables, lo cual nos dice que estando aun gozando de una aplicación muy
difundida, su aplicación no es universal, ya que no todas las características de la calidad
pueden expresarse con datos no variables, sino que en alguna ocasión se deben utilizar otras
gráficas que si tengan la capacidad de expresarse con datos variables.
Por otro lado, se explica que en general, estas gráficas para atributos no son tan
informativas como las gráficas para variables, ya que de manera típica una medición
numérica contiene más información que la clasificación de una unidad como tal, ya sea
conforme o disconforme y de igual manera se explica su aplicación y donde se utilizan
mayormente, ya sea en industrias de servicios como en otros campos laborales.
3
Antecedentes
El concepto de calidad puede variar significativamente de un autor a otro de acuerdo con el
enfoque que se le aplique; sin embargo, de manera general se puede definir calidad como:
Como tal, este término ha ido evolucionando con el tiempo de manera importante,
partiendo de ser un control o inspección, hasta llegar a ser lo que es hoy en día, uno de los
pilares estratégicos fundamentales de las empresas para competir dentro del mercado
mundial.
La siguiente etapa se trató del control estadístico del proceso, la cual se dio durante
los años treinta del siglo pasado, cuando Walter Shewhart, uno de los principales personajes
de esta época, entendía la calidad como un problema de variación que se podía controlar y
prevenir mediante la eliminación a tiempo de las causas que lo provocaban, de tal forma que
la producción pudiese cumplir con la tolerancia de especificación de su diseño, sin tener que
esperar a que el producto estuviera terminado para corregir las fallas. Para lograr este
objetivo, Shewhart ideó las gráficas de control. (Cantú, 2011)
La tercera etapa se presentó en los años cincuenta, la cual se trató del aseguramiento
de la calidad, en el cual se dio la necesidad de involucrar a todos los departamentos de la
organización en el diseño, planeación y ejecución de las políticas de calidad. Fue el consultor
de gestión, Joseph M. Juran, que a principios de la década de 1950 impulsó el concepto de
aseguramiento de la calidad, el cual se fundamenta en que el proceso de manufactura requiere
4
servicios de soporte de calidad; por ello, se debían coordinar esfuerzos entre las áreas de
producción y diseño del producto, ingeniería de proceso, abastecimiento y laboratorio, entre
otras. (Cantú, 2011)
Finalmente, la etapa cuatro que se dio lugar a finales del siglo XX, en el año de 1990,
consistió en la administración estratégica por calidad total, en la cual surge énfasis en el
mercado y en las necesidades del consumidor, al reconocer el efecto estratégico de la calidad
en el proceso de competitividad (Cantú, 2011).
5
Existe una clasificación de gráficas de control, primeramente, están las gráficas de
control para variables que se aplican a características de calidad de naturaleza continua. Por
otro lado, están las gráficas de control por atributos, estas resultan ser sencillas y manejan
información relacionada a los atributos globales de importancia para la empresa, la cual
puede indicar dónde se debe de realizar un análisis más profundo.
Una de las primeras gráficas de control que existió fue la gráfica p, propuesta por
Shewhart, una carta de control para atributos (para defectuosos), la dio a conocer mediante
un memorándum en 1924, fecha que marcó la historia de la calidad, dando inicio al control
estadístico de procesos (SPC, por sus siglas en inglés).
Por otro lado, en esa misma década, Walter S. identificó las causas asignables y causas
aleatorias, las cuales involucran variaciones en el proceso. Debido a esto, fue que desarrolló
la gráfica de control que permitiera poder distinguir una causa de la otra dentro de un mismo
proceso productivo considerando las mediciones y atributos involucrados. La gran influencia
que tuvo esta aportación fue que pudo comprobar que poner el proceso bajo control
estadístico de las causas aleatorias le permitiría reducir notoriamente la calidad de los
artículos fabricados y, por ende, limitar la producción.
6
calidad es un tema primordial, el cual debe ser prioritario en cuanto a objetivos, debido a que,
si hay una buena calidad y un buen control del proceso, por ende, los costos de producción
se verán reducidos.
7
Justificación
La calidad ha llegado a ser un importante pilar dentro de la producción en las organizaciones
o empresas. La competitividad dentro del mercado global está estrictamente ligada a las
recientes innovaciones y avances tecnológicos, debido a que las necesidades humanas han
ido cambiando y adaptándose a estos cambios en la forma de vida actual.
8
Objetivos
Al término de esta investigación documental el alumno será capaz de:
9
3.1 Conceptos Generales de Atributos
3.1.1 Conceptos generales
No conformidad
Defecto
Unidad no conforme
Se usa para describir una unidad de producto o servicio que contiene al menos una no
conformidad. (Besterfield, 2009)
Defectuosa/o
Artículo defectuoso
Es un producto que no reúne ciertos atributos, por lo que no se permite que pase a la siguiente
etapa del proceso; puede ser reprocesado o de plano desechado. (Pulido & De la Vara, 2013)
Atributos
Son las características que posee un producto o servicio. Estas características pueden o no
existir, y es posible contarlas. (Summers, 2006)
10
Bajo control
Es cuando se han eliminado del proceso las causas asignables, hasta el grado en que los
puntos de la gráfica de control permanecen dentro de los límites de control, el proceso está
en un estado de control. (Besterfield, 2009)
Fuera de control
Cuando un punto (valor de subgrupo) sale de sus límites de control, el proceso está fuera de
control. Quiere decir que existe una causa asignable de variación. (Besterfield, 2009)
“Las gráficas para atributos no son informativas como las gráficas para
variable, ya que de manera típica una medición numérica contiene más
información que la mera clasificación de una unidad como conforme o
disconforme. Sin embargo, las gráficas para atributos tienen aplicaciones
importantes. Son particularmente útiles en las industrias de servicio y en los
esfuerzos de mejoramiento un gran número de las características de la calidad
que se encuentran en los escenarios.” (Montgomery, 2004)
11
El término atributo, tal como se usa en control de calidad, quiere decir que las
características de la calidad son conformes con las especificaciones, o que no son conformes
con las especificaciones. (Besterfield, 2009)
Besterfield, D, en su obra Control de calidad, nos menciona que se usan los atributos
cuando:
12
3.1.2.2 Distribución binomial
Es frecuente que en control de calidad se den variables del tipo pasa no pasa. Por ejemplo,
un artículo cumple con especificaciones o no, un artículo resiste cierta fuerza o no, una
lámpara está buena o no. Si se tiene este tipo de variables que sólo tienen dos resultados
(“éxito” o “fracaso”), si además hay independencia entre el resultado de una observación y
otra, y la probabilidad p de obtener “éxito” se mantiene constante, entonces la probabilidad
de obtener k éxitos en n ensayos la da la distribución binomial. (Gutiérrez, 2010)
𝑛
𝑃(𝑥 = 𝑘) = 𝑘 𝑃𝐾 (1 − 𝑃)𝑛−𝑘 con k =0,1, 2, 3, …, n
𝑛 𝑛!
=
𝑘 𝑘! (𝑛 − 𝑘)!
Por ejemplo, en un proceso de fabricación que produce una gran cantidad de artículos,
se sabe que en promedio el 2% de ellos son defectuosos (p 5 0.02). Los artículos son
empacados en cajas de 10, y se quiere saber cuál es la probabilidad de que no haya ningún
artículo defectuoso en cada caja. Si X es el número de artículos defectuosos por caja, entonces
se quiere obtener P (X 5 0), lo cual es dado por la distribución binomial.
10!
𝑃(𝑋 = 0) = 0!(10−0)! (0.02)0 (1 − 0.02)10−0 = (0.98)10 =0.82
Por lo tanto, el 82% de las cajas no tendrá ningún artículo defectuoso. Y el restante
18% tendrá al menos un defectuoso. Si se quisiera saber cuál es la probabilidad de que tengan
exactamente un artículo defectuoso (P (X 5 1)), entonces se puede usar la fórmula anterior o
bien la siguiente función de Excel:
Por lo que el 16.7% de las cajas tendrá un artículo defectuoso. (Gutiérrez, 2010)
Gutiérrez H., en su obra Calidad total y productividad, nos menciona cuales gráficas
se basan en la Distribución Binomial:
13
✓ Gráfico n
✓ Gráfico p (Gutiérrez, 2010)
𝑒 −𝜆 𝜆𝑥
𝑓 (𝑥; 𝜆) = , 𝑥 = 0,1,2, …
𝑥!
Donde:
𝑒 −5 (5)0
𝑓(0; 5) = = 0.007
0!
✓ Gráfico c
✓ Gráfico u (Pulido & De la Vara, 2013)
14
3.1.2.4 Elementos para la selección de una gráfica de control de atributos
Pulido, H. & De la Vara, R., en su obra Control estadístico de la calidad y seis sigmas, nos menciona algunos elementos para la selección
de una gráfica de control de atributos, las cuales son las siguientes:
Analizar la proporción de artículos Por lo general es utilizada para El valor de n puede ser constante o No es adecuada si n es mucho más pequeño que
defectuosos por subgrupo (unidades reportar resultados en puntos de variable, pero suficientemente grande el valor recomendado. Para n muy grande, de
rechazadas/unidades inspeccionadas). inspección, donde una o más para tener una alta probabilidad de que uno o varios miles, los límites de control
características de calidad son en cada subgrupo se detecte por lo estarán muy estrechos; por lo tanto, es mejor
Proporción de
defectuosos (p) Se supone una distribución binomial, evaluadas, y en función de esto el menos una pieza defectuosa. Esto se graficar la proporción en una gráfica de
que se puede aproximar bien por una artículo es aceptado o rechazado. logra tomando a n tal que. individuales. Si n es muy variable de un
normal. 1 − 𝑝̅ subgrupo a otro (más de 25%), se debe utilizar
𝑛 > 9[ ]
𝑝̅ una gráfica estandarizada o una con límites
variables.
Monitorea el número de unidades Se aplica en la misma situación que El valor de n debe ser constante y en Aplican las dos primeras observaciones para la
defectuosas por subgrupo (número de la gráfica p, pero con el tamaño de cuanto a su tamaño se aplican los gráfica p. Cuando n crece, la sensibilidad o
artículos rechazados por cada muestra subgrupo constante. Es más fácil mismos criterios que en la gráfica p. potencial de la gráfica para detectar cambios
inspeccionada). Se supone una graficar los puntos en la gráfica al es mayor
Número de distribución binomial, que se puede estar trabajando con números
defectuosos
(np) aproximar bien por una normal. enteros.
16
3.1.2.5 Elección entre gráficas de control para atributos y para variables
En muchas aplicaciones, el analista tendrá que escoger entre utilizar una gráfica de control
para variables, como las gráficas 𝑋̅ 𝑦 𝑅 y una gráfica de control para atributos, como la
gráfica p. En algunos casos, la elección será clara. Por ejemplo, si la característica de la
calidad es el color de un artículo, como podría ser el caso en la fabricación de alfombras o
telas, entonces la inspección de atributos con frecuencia se preferiría sobre el intento de
cuantificar las características de la calidad “color”. En otros casos, la elección no será tan
obvia, y el analista deberá tomar en consideración varios factores para elegir entre gráficas
de control para atributos y para variables. (Montgomery, 2004) (Montgomery, 2004)
Las gráficas de control para atributos tienen la ventaja de que pueden considerarse
varias características de la calidad a la vez y la unidad se clasifica como disconforme si deja
de cumplir con la especificación en cualquiera de las características. Por otra parte, si las
diferentes características de la calidad se tratan como variables, entonces será necesario medir
cada una de ellas y deberá mantenerse una gráfica X y R para cada una de ellas o bien deberá
emplearse al mismo tiempo alguna técnica de control para variables múltiples que considere
todas las características. Hay un factor de simplificación evidente asociado con la gráfica
para atributos en este caso. Además, mediante la inspección de atributos es posible evitar las
mediciones que tienen un alto costo y consumen mucho tiempo. (Montgomery, 2004)
Las gráficas de control por variables, en contraste, ofrecen información mucho más
útil acerca del desempeño del proceso que la gráfica de control para atributos. Se obtiene
información directa acerca de la media y la variabilidad del proceso. Además, cuando hay
puntos que se localizan fuera de control en gráficas de control por variables, generalmente se
obtiene mucha más información respecto de la causa potencial de esta señal de fuera de
control. Para estudiar la capacidad del proceso, las gráficas de control para variables casi
siempre son preferibles a las gráficas de control para atributos. Es por eso por lo que una de
la desventaja de las gráficas de atributos es que no dan ninguna pista del porqué ocurrió una
no conformidad. (Montgomery, 2004)
La excepción de esto es que son los estudios relativos a las disconformidades
producidas por máquinas u operadores en los que hay un número muy limitado de orígenes
de las disconformidades, o los estudios relacionados directamente con los rendimientos o la
porción caída de los procesos. (Montgomery, 2004)
Quizá la ventaja más importante de las gráficas de control 𝑋̅ 𝑦 𝑅 sea que con
frecuencia proporcionan un indicio de problemas inminentes y permiten al personal de
operación emprender una acción correctiva antes de que se produzca realmente cualquier
unidad defectuosa. Por tanto, las gráficas 𝑋̅ 𝑦 𝑅 son indicadores fundamentales de problemas,
mientras que las gráficas p (o las gráficas c y u) no reaccionarán a menos de que el proceso
ya haya cambiado, por lo que seguirán produciéndose más unidades disconformes.
(Montgomery, 2004)
18
Para un nivel especificado de protección contra los corrimientos en el proceso, las
gráficas de control para variables por lo general requieren un tamaño de la muestra mucho
más pequeño que la gráfica de control para atributos correspondiente. Por tanto, aun cuando
la inspección del tipo de variables por lo general es más costosa y consume más tiempo sobre
una base por unidad que la inspección de atributos, el número de unidades que deberán
examinarse es mucho menor. Ésta es una consideración importante, particularmente en los
casos en que la inspección es destructiva (como abrir una lata para medir el volumen del
producto que contiene o para probar las propiedades químicas del producto). (Montgomery,
2004)
Gutiérrez H., en su obra Calidad total y productividad, nos menciona que debemos
considerar como alternativa las gráficas 𝑝, 𝑛𝑝, 𝑐 o 𝑢 en algunas de las siguientes situaciones:
19
3.1.3 Clasificación de no conformidades
Montgomery, en su obra Control estadístico de la calidad, nos menciona un posible esquema
de demérito que se define como sigue.
Sea que 𝐶𝑖𝐴 𝐶𝑖𝐵 , 𝐶𝑖𝐶, 𝐶𝑖𝐷 representen el número de defectuosos Clase A, Clase B, Clase
C y Clase D, respectivamente, en la i-ésima unidad de inspección. Se supone que cada clase
de defecto es independiente y que la distribución de Poisson es modelo adecuado para la
ocurrencia de los defectos de cada clase. Entonces el número de deméritos en la unidad de
inspección se define como:
El uso de las ponderaciones de emérito Clase A-100, Clase B-50, Clase C-10 y Clase
D-1 es muy común en la práctica. Sin embargo, también puede usarse cualquier conjunto de
ponderaciones apropiadas para un problema específico. (Montgomery, 2004)
Existen muchas variantes de este concepto. Por ejemplo, las disconformidades pueden
clasificarse como defectos funcionales o defectos de apariencia, si se prefiere un sistema con
20
dos clases. También es muy común en la práctica mantener gráficas de control separadas para
cada clase de defecto en vez de combinarlas en una sola gráfica. (Montgomery, 2004)
Por otro lado, Besterfield, D, en su obra Control de calidad, nos menciona que en un
sistema de calificación se agrupan las no conformidades en tres clases:
Una vez determinadas las clasificaciones, se pueden establecer los pesos o factores
de ponderación que se asignan a cada clase. Aunque se pueden asignar cualesquiera pesos a
las clasificaciones, lo normal es asignar 9 puntos para una no conformidad crítica, 3 puntos
21
para una mayor y 1 punto para una menor, ya que una no conformidad mayor tiene tres veces
la importancia que una menor, y una crítica es tres veces más importante que una mayor.
(Besterfield, 2009)
22
3.2 Elaboración e interpretación de gráficas para Atributos
3.2.1 Gráficas de control para unidades no conformes
3.2.1.1 Objetivos
Las gráficas de no conformes cuentan son los siguientes objetivos:
Esto establece una jerarquía de utilización, de modo que cualquier inspección aplicable a
una sola característica de la calidad también suministra datos para otras graficas 𝑝, que
representan grupos mayores de características, partes o productos. (Besterfield, 2009)
El uso de la o las gráficas se basa en asegurar la máxima ventaja para un mínimo de costo.
Una gráfica debe medir el desempeño del director general en calidad.
24
Determinar el tamaño del subgrupo y el método
𝑍𝛼
2 2
𝑛 = 𝑝(1 − 𝑝)( )
𝐸
Donde:
𝑛 = tamaño de muestra
𝑍𝛼 = coeficiente de distribución normal (Valor Z) para el área entre las dos colas. Esta área
2
1.036 70%
1.280 80%
1.645 90%
1.96 95%
2.575 99%
3.00 99.73%
Tabla 3:Coficiente de distribución normal
25
𝐸 = error máximo admisible en la estimación de p, que también se llama precisión deseada.
𝑍𝛼
2 2
𝑛 = 𝑝(1 − 𝑝)( )
𝐸
1.96 2
𝑛 = 0.20(1 − 0.20)( )
0.02
𝑛 = 1537
26
Reunir los datos
El técnico de control de calidad necesitará reunir los datos suficientes para cuando menos 25
subgrupos, u obtener los datos en registros históricos. Un ejemplo para recolección de datos
es la tabla 4 donde muestra al departamento de motores los resultados de inspección para el
motor del soplador de una secadora eléctrica de cabello. Para cada subgrupo, la proporción
de no conformes se calcula con la siguiente fórmula:
𝑛𝑝
𝑝=
𝑛
Donde
∑ 𝑛𝑝
𝑝̅ =
∑𝑛
𝑝̅ (1 − 𝑝̅ )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛
𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝐿 = 𝑝̅ − 3√
𝑛
Donde
27
𝑈𝐶𝐿 = límite superior de control (de upper control limit)
𝐿𝐶𝐿 = límite inferior de control (de lower control limit) (Besterfield, 2009)
Los cálculos para determinar los límites de control 3σ tentativos usando los datos de
la secadora eléctrica para cabello (tabla 4) son los siguientes:
∑ 𝑛𝑝 138
𝑝̅ = = = 0.018
∑𝑛 7500
𝑝̅ (1 − 𝑝̅ ) 0.018(1 − 0.018)
𝑈𝐶𝐿 = 𝑝̅ + 3√ = 0.018 + 3√ = 0.041
𝑛 300
𝑝̅ (1 − 𝑝̅ ) 0.018(1 − 0.018)
𝐿𝐶𝐿 = 𝑝̅ − 3√ = 0.018 − 3√ = −0.005 𝑜 0.0
𝑛 300
28
Número de Cantidad Número de no Proporción de no
subgrupo inspeccionada conformidades conformidades
n np P
1 300 12 0.040
2 300 3 0.010
3 300 9 0.030
4 300 4 0.013
5 300 0 0.0
6 300 6 0.020
7 300 6 0.020
8 300 1 0.003
9 300 8 0.027
10 300 11 0.037
11 300 2 0.007
12 300 10 0.033
13 300 9 0.030
14 300 3 0.010
15 300 0 0.0
16 300 5 0.017
17 300 7 0.023
18 300 8 0.027
19 300 16 0.053
20 300 2 0.007
21 300 5 0.017
22 300 6 0.020
23 300 0 0.0
24 300 3 0.010
25 300 2 0.007
Total 7500 130
Tabla 4:Resultado de la inspección de motores de soplador en secadores de cabello, departamento de motores, mayo
29
Los cálculos del límite inferior de control dieron como resultado un valor negativo,
que es teórico. En la práctica sería imposible una proporción negativa de no conformes. Por
ello, el valor de -0.005 para el límite inferior de control se cambia a 0. (Besterfield, 2009)
0.06
0.05
0.04
0.03
0.02
0.01
0
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
Ilustración 2:Gráfica p para ilustrar línea central y los límites de control tentativos con los datos de la tabla 4
30
Establecer la línea y los límites centrales revisados
Como se puede observar en la ilustración 2 se puede observar que el subgrupo 19, está arriba
del límite superior de control, por lo que se puede decir que esta fuera de control. Como el
subgrupo 19 tiene una causa asignable, se puede desechar dicho dato, para calcular una nueva
𝑝̅ con todos los subgrupos excepto el 19. (Besterfield, 2009)
∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑
Donde:
Al desechar los datos se debe recordar que solo se desechan los grupos que tengan
causas asignables. Los que no las tengan se quedan en los datos. De este modo, los puntos
fuera de control que están abajo del límite inferior de control no se necesitan desechar por
que representan una calidad excepcionalmente buena. Sin embargo, si el punto está fuera de
control en el lado bajo se debe a un error inspección, si se debe desechar. (Besterfield, 2009)
𝑝0 = 𝑝̅𝑛𝑢𝑒𝑣𝑎
𝑝0 (1 − 𝑝0 )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛
𝑝0 (1 − 𝑝0 )
𝐿𝐶𝐿 = 𝑝̅ − 3√
𝑛
31
Donde 𝑝0 , la línea central, representa el valor patrón o de referencia, de la fracción
de no conformes. Esas formulas son para los limites de control con tres desviaciones estándar
desde la línea central 𝑝0 . (Besterfield, 2009)
∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑
138 − 15
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
7500 − 300
𝑝̅𝑛𝑢𝑒𝑣𝑎 = 0.017
𝑝0 (1 − 𝑝0 )
𝑈𝐶𝐿 = 𝑝̅ + 3√
𝑛
0.017(1 − 0.017)
𝑈𝐶𝐿 = 0.017 + 3√
300
𝑈𝐶𝐿 = 0.039
𝑝0 (1 − 𝑝0 )
𝐿𝐶𝐿 = 𝑝̅ + 3√
𝑛
0.017(1 − 0.017)
𝐿𝐶𝐿 = 0.017 − 3√
300
32
Los límites de control y la línea central 𝑝0 revisados se pueden obsevar en la ilustración 3.
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Ilustración 3: Gráfica p para ilustrar línea central y los límites de control revisados de los datos de la tabla 4
33
3.2.1.3 Elaboración de la gráfica 𝐩 para tamaño variable de subgrupo
Siempre que sea posible, deben desarrollarse y usarse las gráficas 𝑝 con un tamaño de
subgrupo constante. Este caso no es posible cuando la gráfica 𝑝 se traza para 100% de
inspección de una producción que varía de un día al siguiente. También, los datos para usar
la gráfica 𝑝 con inspección de muestreo pueden variar por diversas razones. Como los límites
de control son función del tamaño 𝑛 de subgrupo, los limites de control van a variar con el
tamaño del subgrupo. Por consiguiente, se deben calcular para cada subgrupo. (Besterfield,
2009)
(Besterfield, 2009)
34
Subgrupo Número Número de no Fracción de Límites
inspeccionado conformes no conformes UCL LCL
n np p
Marzo 29 2385 55 0.023 0.029 0.011
30 1451 18 0.012 0.031 0.009
31 1935 50 0.026 0.030 0.010
Abril 1 2450 42 0.017 0.028 0.012
2 1997 39 0.020 0.029 0.011
5 2168 52 0.024 0.029 0.011
6 1941 47 0.024 0.030 0.010
7 1962 34 0.017 0.030 0.010
8 2244 29 0.013 0.029 0.011
9 1238 53 0.043 0.032 0.008
12 2289 45 0.020 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 0.020 0.030 0.010
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 0.030 0.010
27 1782 19 0.011 0.030 0.010
28 1993 30 0.015 0.030 0.010
29 2382 17 0.007 0.029 0.011
30 2132 46 0.022 0.029 0.011
Total 50515 1015
Tabla 5: Datos preliminares de la prueba final de módems de computadoras y límites de control para cada subgrupo
35
La variación en la cantidad inspeccionada cada día puede deberse a varias razones.
Las maquinas pueden tener descomposturas, o pueden no estar programadas. Los modelos
de producto pueden tener distintas necesidades de producción, lo cual causará variaciones de
un día al siguientes. (Besterfield, 2009)
Los límites de control se calculan con los mismos procedimientos y fórmulas que para
subgrupos de tamaño constante.
Sin embargo, como el tamaño de subgrupo cambia cada día, deben calcularse límites
para cada día. Primero se debe determinar la fracción promedio de no conformes que es la
línea central; la cual se calcula de la siguiente manera:
∑ 𝑛𝑝 1015
𝑝̅ = = = 0.020
∑𝑛 50515
Se obtienen entonces los límites de control para cada día, usando 𝑝̅. Por ejemplo, para
el día 29 de marzo, los límites serían los siguientes:
𝑝̅ (1 − 𝑝̅ ) 0.020(1 − 0.020)
𝑈𝐶𝐿29 = 𝑝̅ + 3√ = 0.020 + 3√ = 0.029
𝑛29 2385
𝑝̅ (1 − 𝑝̅ ) 0.020(1 − 0.020)
𝐿𝐶𝐿9 = 𝑝̅ − 3√ = 0.020 − 3√ = 0.011
𝑛29 2385
36
Los cálculos de límites de control se repiten para los 23 grupos restantes. Como 𝑛 es
la única variable que cambia, es posible simplificar los cálculos de la manera siguiente:
3√𝑝̅ (1 − 𝑝̅ )
𝐶𝐿′ 𝑠 = 𝑝̅ ±
√𝑛
De esta forma, los cálculos son mucho más rápidos. Los límites de control para los
25 subgrupos se ven en la columna 5 y 6 de la tabla 5 y en la ilustración 4 se muestra graficado
los límites de control y línea central tentativos, y valores de subgrupos. (Besterfield, 2009)
Se puede observar que a medida que aumenta el tamaño de subgrupo, los límites de
control se acercan entre sí; cuando el tamaño de subgrupo es menor, los límites de control se
separan. Esto se ve en la fórmula y también al comparar el tamaño de subgrupo 𝑛 con su
UCL y LCL. (Besterfield, 2009)
0.05
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
abr-01
16
19
30
31
2
5
6
7
8
9
12
13
14
15
20
21
22
23
26
27
28
29
30
mar-29
37
Establecer la línea central y límites de control revisados
∑ 𝑛𝑝 − 𝑛𝑝𝑑
𝑝̅𝑛𝑢𝑒𝑣𝑎 =
∑ 𝑛 − 𝑛𝑑
1015 − 53 − 113 − 17
𝑝̅𝑛𝑢𝑒𝑣𝑎 = = 0.019
50515 − 1280 − 2678 − 2382
𝑛𝑝 31
𝑝3 𝑑𝑒 𝑚𝑎𝑦𝑜 = = = 0.020
𝑛 1535
𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝑈𝐶𝐿3 𝑑𝑒 𝑚𝑎𝑦𝑜 = 𝑝0 + 3√ = 0.019 + 3√ = 0.029
𝑛3 𝑑𝑒 𝑚𝑎𝑦𝑜 1535
𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝐿𝐶𝐿3 𝑑𝑒 𝑚𝑎𝑦𝑜 = 𝑝0 − 3√ = 0.019 − 3√ = 0.009
𝑛3 𝑑𝑒 𝑚𝑎𝑦𝑜 1535
38
Tabla 6: Resultados de inspección para los días 3, 4 y 5 de mayo
Subgrupo Número inspeccionado Número de no conformes
Mayo 3 1535 31
4 2262 28
5 1872 45
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
4
10
13
19
25
jun-01
5
6
7
11
12
14
17
18
20
21
24
26
27
28
2
3
4
7
may-03
Ilustración 5: Limites de control y fracción de no conformes para los tres primeros días laborales de mayo
Interpretar la gráfica
39
La interpretación de una gráfica 𝑝 es muy similar a la de una gráfica de control de variables.
Al igual que en el caso de esta última, en la interpretación de una gráfica de atributos se pone
especial atención en determinar si el proceso está operando dentro de sus límites de control
y si presenta variación aleatoria. Al igual también que con una gráfica de control de variables,
los puntos de datos de una gráfica p deben fluir libremente de un lado a otro de la línea
central. El número de puntos en cada lado de la línea central debe ser equilibrado, y la mayor
parte de los puntos deben estar cerca de la línea central. No debe haber patrones en los datos,
como tendencias, series, ciclos o desplazamientos repentinos de nivel. Todos los puntos
deben estar entre los límites de control superior e inferior. Los puntos que salgan de los
límites de control se notan de inmediato y son señales de una inestabilidad en el proceso. Una
diferencia entre la interpretación de una gráfica de control de variables y una gráfica p es que
en esta última es conveniente que haya puntos cerca de los límites de control inferiores. Esto
se debe a que los esfuerzos de mejora de la calidad reflejados en una gráfica para la fracción
de unidades no conformes deben mostrar que la fracción de unidades no conformes se está
reduciendo, lo que a fin de cuentas es el propósito de la mejora de un proceso. Esta reducción
debe investigarse para determinar qué se está haciendo bien y si existen cambios o mejoras
que se deban incorporar a un proceso de manera permanente. Asimismo, se debe investigar
cualquier tendencia a cero unidades no conformes o un desplazamiento de nivel que reduzca
la fracción de unidades no conformes. (Summers, 2006)
40
Como los límites de control varían de un subgrupo a otro, se obtiene una gráfica poco
atractiva, difícil de explicar al personal de operación. También es difícil explicar que los
límites de control se calculan al final de cada día o cada periodo, y no de manera anticipada.
Hay dos técnicas que minimizan el efecto del tamaño variable de subgrupo. (Besterfield,
2009)
∑ 𝑛 50515
𝑛𝑎𝑣 = = = 2020.6, 𝑠𝑒𝑎𝑛, 2000
𝑔 25
𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝑈𝐶𝐿 = 𝑝0 + 3√ = 0.019 + 3√ = 0.028
𝑛𝑎𝑣 2385
𝑝0 (1 − 𝑝0 ) 0.019(1 − 0.019)
𝐿𝐶𝐿 = 𝑝0 − 3√ = 0.019 − 3√ = 0.010
𝑛𝑎𝑣 2385
Estos límites de control son los que se ven en la gráfica p de la ilustración 6, junto
con 𝑝, la fracción de no conformes, para cada día de mayo.
Cuando se usa un tamaño promedio de subgrupo, hay cuatro casos que se pueden
presentar entre los límites de control y la fracción individual de valores no conformes.
(Besterfield, 2009)
41
Caso I. Este caso presenta cuando un punto (fracción de no conformes en el subgrupo)
cae dentro de los límites, y su tamaño de subgrupo es menor que el tamaño promedio de
subgrupo. Los datos 𝑝 = 0.011 y 𝑛 = 1828, del 6 de mayo, representan este caso. Como el
tamaño del subgrupo en el 6 de mayo (1828) es menor que le promedio de 2000, los límites
para ese día estarán más alejados que los límites de control para el tamaño promedio de
subgrupo. En consecuencia, no se necesitan límites de control individuales en este caso. Si 𝑝
está bajo control cuando 𝑛 = 2000, también estará najo control cuando 𝑛 = 1828.
(Besterfield, 2009)
Ilustración 6: Gráfica para los datos de mayo, que ilustra el uso de un tamaño promedio de subgrupo
42
se ven en la ilustración 6. se aprecia que el punto sale del límite de control individual, por lo
que se trata de un caso de fuera de control. (Besterfield, 2009)
Caso III. Este caso ocurre cuando un punto cae fuera de los límites, y su tamaño de
subgrupo es mayor que el tamaño promedio de subgrupo es mayor que el tamaño promedio
de subgrupo. Los datos para el 14 de mayo son 𝑝 = 0.030 y 𝑛 = 2365, e ilustran este caso.
Como el tamaño de subgrupo del 14 de mayo (2365) es mayor que el promedio de 2000, los
límites de control para ese día serán más angostos que los del tamaño promedio de subgrupo.
En consecuencia, este caso no se necesitan límites de control individuales. Si 𝑝 esta fuera de
control cuando 𝑛 = 2000, también debe estar fuera de control cuando 𝑛 = 2365.
(Besterfield, 2009)
Caso IV. Este caso se presenta cuando un punto sale de los límites, y su tamaño de
subgrupo es menor que el tamaño promedio de subgrupo. Los datos 𝑝 = 0.029 y 𝑛 = 1590,
para el 24 de mayo, ilustran este caso. Como el tamaño de subgrupo (1590) para ese día es
menor que el promedio de 2000, los límites de control para el 24 de mayo estarán más
alejados entre sí que los del tamaño promedio de subgrupo. Por consiguiente, cuando hay
una diferencia apreciable en el tamaño del subgrupo, se calculan los límites individuales de
control. Para el 24 de mayo, los valores de los límites de control superior e inferior son 0.029
y 0.009, respectivamente. (Besterfield, 2009)
43
Este tipo de grafica puede ser eficaz cuando hay variaciones extremas en los tamaños de
subgrupos. (Besterfield, 2009)
Ilustración 7: Gráfica p que muestra la línea central y los límites de control para distintos tamaños de subgrupos
44
Recopilación de datos
Esto se ilustrará utilizando el siguiente ejemplo: PCC Inc. recibe embarques de tarjetas
de circuitos que le envían sus proveedores a través de camiones. Sus empleados registran la
cantidad de tarjetas de circuitos dañadas, incompletas o inoperantes que encuentran al
descargar los camiones. Esta información les sirve para decidir qué proveedores utilizar en
el futuro. (Summers, 2006)
En este caso los inspectores están conscientes de las características que tiene una tarjeta
de circuito no conforme y las comparan con los estándares. Separan las unidades no
conformes para contarlas. Para el propósito de este ejemplo, su supone que cada embarque
contiene la misma cantidad de tarjetas de circuitos. (Summers, 2006)
Una vez contados, se trazan en la gráfica los valores de 𝑛𝑝 para cada subgrupo. La escala de
la gráfica 𝑛𝑝 debe reflejar la magnitud de los datos.
45
Si siendo con el ejemplo antes planteado en la tabla 7 se muestra los resultados de los
20 camiones más recientes. Los valores de 𝑛𝑝 de cada subgrupo se trazan en la ilustración
8.
Número de 𝒏 𝒏𝒑 Número de 𝒏 𝒏𝒑
subgrupo subgrupo
1 50 4 11 50 1
2 50 6 12 50 4
3 50 5 13 50 3
4 50 2 14 50 5
5 50 3 15 50 2
6 50 5 16 50 5
7 50 4 17 50 6
8 50 7 18 50 3
9 50 2 19 50 1
10 50 3 20 50 2
8
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
np
46
La línea central de la gráfica de control constituye el promedio de la cantidad total de
unidades no conformes. Las cantidades de unidades no conformes (𝑛𝑝) se suman y a
continuación se dividen entre el número total de subgrupos:
∑ 𝑛𝑝
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑛𝑝̅ =
𝑚
Los límites de control para una gráfica 𝑛𝑝 se calculan mediante las siguientes
fórmulas:
El límite central y los límites de control del ejemplo quedarían de la siguiente manera:
∑ 𝑛𝑝 73
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝑛𝑝̅ = = = 3.65
𝑚 20
∑ 𝑛𝑝 73
𝑝̅ = = = 0.073
∑𝑛 1000
47
Después de realizar todos los cálculos necesarios se procede a trazar la línea central y los
límites de control en la gráfica junto a los valores de 𝑛𝑝. La gráfica del ejemplo que sea
desarrollado quedaría de la siguiente manera:
10
Interpretar la grafica
48
3.2.2 Gráficas de control para cuenta de no conformidades
3.2.2.1 Objetivos
Las gráficas de cuenta de no conformidades no son tan incluyentes como las gráficas 𝑋̅ y 𝑅,
o las gráficas 𝑝, pero todavía tienen varias aplicaciones.
49
Una gráfica para la cantidad de no conformidades, o gráfica 𝑐, se utiliza para registrar
la cantidad de no conformidades observadas en una sola unidad de producto o en una sola
experiencia de servicio, 𝑛 = 1. Para graficarse, las no conformidades deben expresarse en
términos de lo que se está inspeccionando, como cuatro burbujas en una lámina de vidrio de
un metro cuadrado o tres manchas de suciedad en una hoja de papel tamaño carta. Las
gráficas para la cuenta de no conformidades pueden combinar los conteos de diversas no
conformidades, como el número de maletas maltratadas, rotas, extraviadas o desconocidas
que llegan al carrusel de un aeropuerto. (Summers, 2006)
50
metros de diámetro. Se toma una muestra de cada rollo terminado, 𝑛 = 1, y se revisa en el
laboratorio de no conformidades. Las no conformidades se han identificado como
decoloraciones, grosor inconsistente del papel, manchas de suciedad en el papel, contenido
de humedad y capacidad para retener la tinta. Todas estas no conformidades tienen la misma
importancia en la gráfica 𝑐. La muestra se puede tomar de cualquier parte del rollo, por lo
que el área de oportunidad para estas no conformidades es amplia, aunque la calidad general
del papel propicia sólo una pequeña oportunidad para que una no conformidad en particular
ocurra en cualquier lugar. (Summers, 2006)
51
Contar y trazar c, la cuenta de la cantidad de no conformidades, en la gráfica de control.
Número de 𝒄 Número de 𝒄
muestra muestra
1 10 12 7
2 11 13 10
3 12 14 11
4 10 15 10
5 9 16 12
6 22 17 9
7 8 18 10
8 10 19 8
9 11 20 9
10 9 210
11 12
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ilustración 9: Gráfico para la cantidad de no conformidades de c del ejemplo Pure and White.
52
Calcular la línea central y los límites de control.
∑𝑛𝑖=1 𝑐
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝐶̅ =
𝑚
Los límites de control para una gráfica 𝑐 se calculan mediante las siguientes fórmulas:
𝑈𝐶𝐿𝐶 = 𝐶̅ + 3√𝐶̅
𝐿𝐶𝐿𝐶 = 𝐶̅ − 3√𝐶̅
Los límites de control para la gráfica 𝑐 del ejemplo de la empresa fabricadora de papel
para impresoras serían los siguientes:
∑𝑛𝑖=1 𝑐 210
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 𝐶̅ = = = 10.5 𝑟𝑒ⅆ𝑜𝑛ⅆ𝑒𝑎ⅆ𝑜 𝑎 11
𝑚 20
𝑈𝐶𝐿𝐶 = 𝐶̅ + 3√𝐶̅
= 11 + 3√11 = 21.
𝐿𝐶𝐿𝐶 = 𝐶̅ − 3√𝐶̅
= 11 − 3√11 = 1.
53
Dibujar la línea central y los límites de control en la gráfica.
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ilustración 9: Gráfico para la cantidad de no conformidades de c del ejemplo Pure and White.
Interpretar la grafica
En las gráficas se buscan cambios en los patrones aleatorios de variación. No debe haber
patrones en los datos, como tendencias series, ciclos o desplazamientos repentinos de nivel.
Todos los puntos deben caer entre los límites de control superior e inferior. Los puntos de
datos en una gráfica 𝑐 deben fluir libremente de un lado a otro de la línea central y deben
estar equilibrados a cada lado de la línea central. La mayor parte de los puntos debe
encontrarse cerca de la línea central. Una vez más, es conveniente que haya puntos que se
acerquen a los límites de control inferiores o a cero, pues son indicadores de una reducción
en la cuenta de no conformidades. (Summers, 2006)
En el caso del ejemplo, se puede observar que el punto 6 se encuentra fuera de control
y se debe investigar para determinar la causa de tantas no conformidades. No existen otros
patrones en la gráfica. A excepción del punto 6, la gráfia muestra un desempeño bastante
estable. (Summers, 2006)
54
3.2.2.3 Elaboración de la gráfica 𝒖
Una gráfica para la cantidad de no conformidades por unidad, o gráfica u, es aquella que
estudia el número de no conformidades de una unidad (𝑛 > 1). La gráfica u es muy similar
a la gráfica c; sin embargo, a diferencia de esta última, una gráfica u también se puede utilizar
con tamaños de muestra variables. (Summers, 2006)
Los pasos que se deben de seguir para poder construir una grafica 𝑢 son los siguientes:
Este paso es similar al de las gráficas 𝑐, por lo que se procederá directamente con el ejemplo:
Durante la inspección se toma una muestra aleatoria de tamaño 400 una vez por hora.
Al inspeccionar visualmente los conectores para manguera se buscan diversas no
conformidades, como variaciones en el diámetro interno, mal acabado exterior, roscas
incompletas, variaciones en los extremos de los conectores, compuesto incorrecto del
plástico y decoloraciones. (Summers, 2006)
𝑐
𝑢=
𝑛
55
en la gráfica se calcula dividiendo 𝑐, la cantidad de no conformidades encontradas, entre 𝑛,
la cantidad de unidades inspeccionadas. Redondeando el ejemplo a tres decimales, el primer
subgrupo quedaría de la siguiente manera:
𝑐 12
𝑢1 = = = 0.030
𝑛 400
Número de 𝑐 𝑛 𝑢
subgrupo
1 400 12 0.030
2 400 70 0.018
3 400 10 0.025
4 400 11 0.028
5 400 10 0.025
6 400 12 0.030
7 400 90 0.023
8 400 10 0.025
9 400 80 0.020
10 400 90 0.023
11 400 10 0.025
12 400 11 0.028
13 400 12 0.030
14 400 10 0.025
15 400 90 0.023
16 400 22 0.055
17 400 80 0.020
18 400 10 0.025
19 400 11 0.028
20 400 90 0.023
Tabla 8: Hoja de datos: Conectores para manguera
56
Calcular la línea central y los límites de control
∑𝑛𝑖=1 𝑐
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 ū =
∑𝑛𝑖=1 𝑛
Los límites de control para una gráfica u se calculan mediante las siguientes fórmulas:
√ū
𝑈𝐶𝐿𝑢 = ū + 3
√𝑛
√ū
𝐿𝐶𝐿𝑢 = ū − 3
√𝑛
∑𝑛𝑖=1 𝑐 210
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 ū = 𝑛 = = 0.026
∑𝑖=1 𝑛 20(400)
√ū √0.026
𝑈𝐶𝐿𝑢 = ū + 3 = 0.026 + 3 = 0.05
√𝑛 √400
√ū √0.026
𝐿𝐶𝐿𝑢 = ū − 3 = 0.026 − 3 = 0.001
√𝑛 √400
57
Dibujar la línea central y los límites de control en la gráfica
En este paso se traza en la gráfica la línea central y los límites de control. La gráfica 𝑢 del
ejemplo de Special Platics, Inc. Se muestra en la ilustración 10. (Summers, 2006)
0.06
0.05
0.04
0.03
0.02
0.01
0
1 2 2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Interpretar la grafica
Se puede observar que la gráfica 𝑢, que se muestra en la ilustración 10, aparenta estar
bajo control estadístico, sin embargo, cuenta con un punto fuera de control (punto 16), el cual
debe de investigarse para determinar la causa de esa gran cantidad de no conformidades por
unidad. (Summers, 2006)
58
Conclusión
Finalmente sabemos la importancia que tienen estas gráficas de control para atributos, ya que
como se pudo observar en la investigación presentada, es un instrumento muy útil para llevar
un monitoreo y un gran control de los procesos que se lleguen a presentar en distintos
procesos, desde lo numérico hasta lo teórico.
Es aquí donde sabemos que, así como se pueden aplicar en diferentes procesos, esta
herramienta no es totalmente universal, es decir, no siempre se puede aplicar en cualquier
proceso, ya que en ocasiones no se cumplen todas las características que debe tener un
proceso de producción, y es ahí donde los datos no coinciden para poder expresarse con las
gráficas para atributos.
De igual manera se presentó la manera en que se deben sacar cada uno de los cálculos
de los límites, ya sea del límite de control superior, del límite de control inferior y del límite
central, así como también la forma de interpretar o analizar cada uno de los gráficos
presentados, para darnos una idea de cómo podremos representarlo en nuestros procesos y
de qué manera elegir una corrección o identificación de algún problema posible.
59
Bibliografía
Besterfield, D. (2009). Control de Calidad. México: PEARSON EDUCACIÓN .
Cantú, H. (2011). Desarrollo de una cultura de calidad (cuarta edición). México: McGraw-Hill.
Cuatrecasas, L. (2010). Gestión integral de la calidad. Implantación, control y certificación.
España: Profit Editorial.
Defeo, J. (2007). Método Juran. Análisis y planeación de la calidad (quinta edición). México:
McGraw-Hill.
Gutiérrez, H. (2010). Calidad Total y Productividad. México: McGraw Hill Interamericana
Editores S.A de C.V.
Montgomery. (2004). Control estadístico de la calidad. LIMUSA WILEY.
Pulido, H., & De la Vara, R. (2013). Control estadístico de la calidad y Seis Sigma. México:
McGraw-Hill Interamericana Editores, S.A de C.V.
Summers, D. (2006). Administración de la Calidad. México: PEARSON EDUCAIÓN .
60