Cap 3

Sandro Paz y Lucy Aragón
Capítulo 3
Control estadístico: gráficos de control – variables
3.1. Estimación de parámetros
Clasificación de datos
Atributos: son las características de la calidad y se dividen entre las que se ajustan a
un patrón o a una medida y las que discrepan con las especificaciones.
Variables: son las características de la calidad que son medibles. Pueden ser de dos
tipos:
- Continua: variable susceptible de ser dividida infinitamente. Depende de la

precisión del instrumento de medida. Ejemplo: el diámetro de un eje de acero.
- Discreta: variables en las que hay saltos. Son resultado del conteo. Ejemplo: la
población de un país.
En ocasiones es deseable clasificar las variables como atributos.
 Exactitud : promedio de datos que se acercan al valor real.
 Precisión : medidas realizadas que están muy cerca entre sí (variación

pequeña).
En general, los datos continuos se pueden medir, y los datos discretos se pueden
contar.
Existen otras características de calidad que deben tratarse como atributos.

Frecuentemente, aquellas características que se determinan por inspección visual se
clasifican como atributos. La antena de un televisor está colocada o no. Un interruptor
de alimentación de energía está apagado o no lo está. De acuerdo con lo mencionado,
la conformidad o no conformidad siempre se encuentra referida a alguna
especificación.
En ocasiones, es conveniente que las variables e clasifiquen como atributos. Por

ejemplo, al llenar una botella de aceite, el personal de producción puede estar más
interesado en conocer si el volumen es el correcto o no que saber si es que se
obtuvieron 0,98 o 1,03 L. Por lo tanto, el volumen de la botella se reporta como
conforme o no conforme con las especificaciones.
Recopilación de datos
Se realiza mediante observación directa o indirecta. Existen diversas técnicas de
recolección de datos. Estos datos deben permitir:
 Revelar condiciones de productos y procesos.

 Comprender la situación actual.
Facultad de Ciencias e Ingeniería 1

Control Integral de Calidad
 Ajustar el proceso.
 Inspeccionar y evaluar.
 Analizar y mejorar el proceso.
3.2. Concepto de población y muestra, datos discretos y continuos
Población: conjunto total de las mediciones de datos.
Muestra: grupo de datos representativo del total.
Estadísticas: mediciones relacionadas con las muestras. Ejemplo: media, desviación

estándar.
Parámetros: valores de referencia o el cálculo más aproximado en un momento

determinado.
La cantidad de elementos de una población puede ser un número finito o infinito.
Muestra:
 Debe ser tal que tienda a parecerse o a representar a toda la población.

 Permite conocer “algo” sobre la población y sirve como auxiliar para tomar una
decisión.
Muestra Población
Estadísticos Parámetro
x  Media muestral   Media poblacional
s  Desviación estándar   Desviación estándar poblacional
3.3. Variación
Ley inherente a la naturaleza. No hay dos seres de la misma categoría que sean
exactamente iguales. Es evidente que en la industria nunca se producen dos bienes
iguales.
Variación: puede ser grande y evidente o insignificante.

Variación pequeña: es la impresión de que los objetos son iguales. La diferencia será
visible mediante instrumentos de precisión.
Clases de variación (en producción)
1. Variación de la pieza misma.
2. Variación de una pieza a otra.
3. Variación de una hora a otra.
2 Pontificia Universidad Católica del Perú

La variación es inherente a todo proceso. Se produce como un efecto conjunto de la

maquinaria y del equipo, de los materiales, del personal y del entorno.
- Maquinaria y equipo: desgaste, vibración, etc.

- Materiales: propiedades físicas y químicas.
- Personal: métodos empleados, malestar, capacitación, etc.
- Entorno: condiciones del medio de trabajo.
Causas de la variación
Causas aleatorias: variación que fluctúa de manera natural. Sigue un patrón estable.
No es posible eliminarlas. Es difícil detectarla. Son muchas, y cada una por separado
es de poca importancia.
Causas atribuibles: variaciones que son de gran magnitud. Se pueden identificar

fácilmente.
Medidas de tendencia central
La media: representa la ubicación central de los datos.
Para datos agrupados: x 

 fi Xi , fi: frecuencia de una celda.
n
La mediana: valor que divide una serie ordenada de datos en “dos partes” iguales.
Para datos agrupados:

n 
  FMe 
Me  LMe   2  i
 fMe

 
LMe = límite inferior de la celda mediana

FMe = frecuencia acumulada de todas las celdas
fMe = frecuencia de la celda de la mediana
i = amplitud de la celda
La moda: es el valor que aparece con mayor frecuencia.
Medidas de dispersión
Muestran cómo se dispersan los datos respecto del valor central.
Rango: diferencia entre la observación mayor y menor.
R  XS  XI

Desviación estándar: mide la tendencia a la dispersión de los datos y respecto a la

media.
Para datos agrupados:
 
n fi xi   fi xi  
2 2
S
n(n  1)
3.4. La distribución normal
Distribución simétrica, unimodal, en la que la media, mediana y moda tienen el mismo

valor.
Muchos fenómenos de variación en la naturaleza y los procesos industriales se

comportan como una distribución de datos de la curva normal.
Estandarización
Distribución normal de variables continuas que se convierten a la distribución normal

estandarizada.
xi  
Z

La distribución normal queda definida por la media (  ) de la población y su desviación
estándar (  ).
Relación entre la desviación estándar y el área bajo la curva.
  y   : 68.26% de los elementos

  2 y   2 : 95.46%
  3 y   3 : 99.73%
Pasos del cálculo de probabilidades en una distribución normal:
xi  
 Calcular el valor de Z según Z 

 Con valor Z, en las tablas se encuentra el valor de área bajo la curva a la izquierda
de Xi.
3.5. El control estadístico
El control estadístico, también llamado control estadístico de procesos se inicia con W.

Shewhart en 1924. Desde entonces se han desarrollado diversas técnicas. Las
principales técnicas del control estadístico de procesos son las siguientes:

 Las cartas de control

o De variables
o De atributos
 Análisis de capacidad de proceso
3.6. Técnica del gráfico de control
Gráficos de control
¿Qué son? Los gráficos de control son una herramienta de control

estadístico o trazo estadístico que, por lo general, se
calcula a partir de datos agrupados que muestran la
conducta de una característica de un proceso en el
transcurso del tiempo.
¿Para qué se Para monitorear las características de la calidad e

usan? indicarnos si el proceso se encuentra bajo control
estadístico. Además, permiten diferenciar entre variaciones
naturales y las que se producen debido a causas
atribuibles.
Algunas de las estadísticas que se vigilan por medio de gráficos de control incluyen los
promedios y rangos de los valores tomados para cada agrupación de datos.
Los gráficos de control se utilizan fundamentalmente para reducir la variabilidad del

proceso, monitorear y vigilar un proceso, y estimar los parámetros del producto o del
proceso.
Los datos se clasifican en variables (cuando provienen de valores continuos como

tiempo, longitud, volumen, etc.) y atributos (cualidades o características; por ejemplo,
bueno o malo, conforme o no conforme).
Objetivos:
a) Mejorar la calidad.
b) Definir la capacidad del proceso.
c) Tomar decisiones respecto a especificaciones del producto.
d) Tomar decisiones relativas al proceso de producción. Se observa variación natural
u otra causa.
e) Tomar decisiones relacionadas con productos recién elaborados.
3.7. Límites de control
Existen tres líneas que son las que definen un gráfico de control:
LCS: límite de control superior

LC: línea central
LCI: límite de control inferior

3.8. Gráficos de control - variables

GRÁFICOS DE CONTROL POR VARIABLES
Los gráficos de control por variables permiten controlar una característica de la calidad
que puede ser medible en una escala continua como, por ejemplo, peso, longitud,
volumen, etc.
Elaboración de un gráfico de control por variables
Para elaborar los gráficos de control se requiere de tres fases o etapas:
1) Estandarización del proceso: se requiere que el proceso que se va a analizar

se encuentre estandarizado; en caso de no estarlo, se debe estandarizar para
que las medidas de tendencia central o dispersión a través del tiempo se
mantengan estables.
2) La fase de diseño: consiste en establecer los límites de control con los que se
va a monitorear la característica de la calidad.
o Definir características de la calidad

o Debe ser medible y expresarse en números (longitud, tiempo, masa,
energía, etc.).
o Se deben priorizar aquellas características de la calidad que están
causando problemas de costos o quejas por parte de los clientes.
o Definir los subgrupos
Para elaborar un gráfico de control, se necesita reunir una cierta cantidad de

subgrupos de datos (20 a 25 subgrupos). Estos subgrupos deben estar
conformados por un tamaño n de muestras (por lo general, se suelen utilizar
subgrupos desde 4 a 6 elementos).
 Reunir datos, para recolectar datos, se deben tener en cuenta dos aspectos:
o La variabilidad entre las muestras de un mismo subgrupo debe ser mínima.

o La variabilidad entre los distintos subgrupos debe ser máxima.
Para asegurar el cumplimiento de estos dos aspectos, se recomienda que al

tomar las muestras de un mismo subgrupo el tiempo entre una muestra y la
siguiente sea mínimo. Una vez que se haya terminado de recolectar los datos
para un subgrupo, se recomienda esperar un tiempo prudente para tomar las
muestras para el siguiente subgrupo (el tiempo varía en función del proceso que
se está estudiando).
 Calcular los límites de control
Cada una de ellas se calcula de la siguiente forma:
LCS  E (w)  L var(w)

LC  E(w)
LCI  E (w)  L var(w)
Donde:
w: característica de la calidad que se está analizando

E(w): valor esperado de la característica w

Var(w): varianza de la característica w
L: cantidad de desviaciones estándar a la que se están fijando los límites
 Revisar los límites
Una vez que se han calculado los límites de control es necesario revisar si algún
punto o algunos puntos caen fuera de los límites de control. En caso de que esto
sucediera, es necesario eliminarlos y volver a realizar los cálculos sin
considerarlos para establecer nuevos límites (estos nuevos límites van a ser más
estrechos que los anteriores). Se deben volver a calcular los límites porque no
hacerlo implicaría trabajar con unos límites más amplios de los que se
obtendrían con un proceso bajo control. Esto podría ocasionar que, en la etapa
de uso, un punto que debería estar fuera de control sea considerado en control y
no permita detectar fallas en el proceso. En caso de que al volver a calcular los
límites de control se obtenga otro punto o conjunto de puntos fuera, se deberá
repetir el procedimiento hasta que todos los puntos se encuentren en control.
Nota: si se obtienen demasiados puntos fuera de control o cada vez que se

recalculan los límites de control se obtiene un nuevo punto fuera de control,
podría ser un indicio de que el proceso no se encuentra estandarizado o que los
instrumentos de medición no son lo suficientemente precisos.
 Establecimiento de los límites
Una vez que todos los puntos caen dentro de los límites de control, uno se debe
“casar con los límites”; es decir, estos quedan fijos y no deberán moverse a
menos que el proceso sufra un cambio permanente.
3) La fase de uso: cuando se monitorea la característica de la calidad con los

límites ya establecidos.
Se ponen en práctica los gráficos de control. Su uso permitirá obtener un mejor

desempeño. Una vez que se ha logrado el objetivo, se debe descontinuar su
empleo o reducir su frecuencia de inspecciones o de muestreo.
3.9. Gráficos de control x  R , x  S
Gráficos de control x  R
Los gráficos de control x  R consisten en elaborar dos gráficos, uno de promedios y
otro de rangos, los cuales permiten controlar las medidas de tendencia central y de
dispersión, respectivamente, de una característica de la calidad que es representada
por una variable continua.
Los límites para este par de gráficos de control se calculan de la siguiente forma:
_
 Primero, se calcula el promedio ( X ) y el rango ( R ) para cada subgrupo.
:::::
 Luego, se determina el promedio de los promedios ( X ) y el promedio de los rangos

( R ) calculados en el paso anterior. Cada uno de estos valores representa la línea
central en el gráfico de promedios y en el gráfico de rangos, respectivamente.
 Mediante tablas, se deben determinar los valores de la constante d 2 y d 3 , las

cuales están en función únicamente del número de unidades que conforman el
subgrupo o tamaño del subgrupo (n).
 Después, se determina el valor de la desviación estándar del proceso ( ) , la cual

se define como el promedio de los rangos dividido entre la constante d 2 .
 A continuación, se determinan la desviación estándar de los promedios (  ) y la

X
desviación estándar de los rangos ( R ) . La primera se calcula dividiendo la

desviación estándar del proceso ( ) entre la raíz cuadrada del tamaño del
subgrupo (n); y la segunda se calcula multiplicando la constante d 3 por la
desviación estándar del proceso ( ) .
 Finalmente, se reemplazan los valores hallados en las expresiones que permiten

hallar los límites de control.
x
_
_ ij R
xj  RJ  máx j  mín j 
n d2

_
x
m
 i _
j 1
Rj
x R  R  d3
m m

  
X n
Donde:
xij  dato individual i correspondiente al subgrupo j

_
x j  promedio de los datos del subgrupo j
 _
x  promedio de los promedios (línea central en el gráfico de x )
R j  rango del subgrupo j

_
R  promedio de los rangos
n  tamaño del subgrupo
m  cantidad de subgrupos
  desviación estándar del proceso
 x  desviación estándar de los promedios

 R  desviación estándar de los rangos
d 2  constante (depende únicamente del valor de n)
Los límites en los gráficos de control se establecerían de la siguiente forma:
_
Gráfico de x
 
LCS  E ( w)  L var( w)  x L _  x  L 
x n

LC  E ( w)  x
 
LCI  E ( w)  L var(w)  x L _  x L 
x n
Gráfico de R
_ _
LCS  E ( w)  L var(w)  R L R  R Ld3
_
LC  E ( w)  R
_ _
LCI  E (w)  L var(w)  R L R  R Ld3
Por lo general, el valor de L es 3. Los motivos por los que se suele utilizar este
valor de L se explicarán más adelante.
Al reemplazar el valor de L = 3 se obtiene lo siguiente:

_
Gráfico de x

LCS  x  3 
n

LC  x

LCI  x  3 
n
Gráfico de R
_
LCS  R 3d3
_
LC  R
_
LCI  R 3d3

Comentarios:
Para determinar los límites de control en un gráfico de promedios, se parte del

supuesto de que la característica de la calidad medida por la variable x se distribuye
de manera normal con media  y desviación estándar  ; ya que si x se distribuye de
manera normal, entonces los promedios se distribuyen también de manera normal con media
 y desviación estándar  .
n
_
x  N ( , 2 )  x  N ( ,
2
)
n
Pero no siempre todas las características que se van a medir se distribuyen de manera
normal. Cuando una característica no tiene una distribución normal, se utiliza el
teorema del límite central para asegurar que se cumpla el supuesto de la normalidad.
Teorema del límite central: la distribución de la suma de datos de

un conjunto de variables se distribuye de manera normal
independientemente de cuál sea su distribución individual.
Si la suma de los datos se distribuye de manera normal, entonces el promedio

también; puesto que solo ha sido dividido entre una constante n. Esto se cumple
siempre que el valor de n sea mayor o igual a 30.
Existen algunas poblaciones de datos cuya distribución no es normal, pero se asemeja

mucho a una distribución normal (esto puede comprobarse analizando la forma del
histograma o haciendo una prueba de bondad de ajuste para normalidad). En esto
casos, para asegurar el cumplimiento de la normalidad, solo basta con tomar
subgrupos pequeños (pueden ser de 5 o 6 unidades) y aplicar el teorema del límite
central.
Cuando una variable x que se distribuye de manera normal con media  y desviación
estándar  es estandarizada, se transforma en una variable z con media 0 y
desviación estándar 1. La probabilidad de que un dato estandarizado se encuentre
hasta  1 desviación estándar es 0,6826; la probabilidad de que se encuentre hasta 
2 desviaciones estándar es 0,9546; y la probabilidad de que se encuentre hasta  3
desviaciones estándar es 0,9973. Esto significa que si se establecen los límites de
control a  3 desviaciones estándar de la línea central, la probabilidad de que un
punto caiga fuera de los límites de control es 0,0027 (1-0,9973).
El número 3 fue establecido de tal manera que no permitiera que muchos puntos
cayeran fuera de control (el 99,73% de los puntos cae dentro), pero que a la vez
permita detectar cambios en el proceso a través de una notable variación en la
cantidad de puntos que caen fuera de los límites de control. La intención original era
que la probabilidad de que un punto caiga fuera de los límites de control fuera de
0,0020 (0,0010 para cada lado, por la simetría de la distribución normal); pero, como
sería necesario trabajar con números decimales, se decidió dejarlo en 3 para facilitar
los cálculos.

Ejemplo 1
En una planta de procesamiento de espárragos se está controlando el peso de los

productos en proceso (esto es, antes de pasar por la última operación de inoculación)
porque existe la creencia de que los operarios, debido a la fatiga del día, tienden a
realizar un mal llenado de los productos en los envases, lo cual genera que exista un
sobrepeso de los productos en algunos casos y con lo que se generan pérdidas
económicas para la empresa en el largo plazo; y, en otros, los productos llegan con un
peso por debajo de las especificaciones, lo cual ocasiona quejas por parte de los
clientes. El ingeniero de producción a cargo decide utilizar los gráficos de control
x  R para monitorear el proceso y determinar si la fatiga de los operarios es la causa
de ese problema y plantear una solución al respecto.
Luego de recolectar 25 subgrupos de tamaño 5, en intervalos de tiempo fijo de 1 hora

por cada subgrupo, se obtuvieron los siguientes resultados (en kg):
 25
R
25
X
m 1
 1280
m 1
 4,98
m m
a) Se pide elaborar los gráficos de control para x y para R .

b) Si el subgrupo número 23 utilizado para diseñar los límites de control anteriores
_
tuvo unos valores de X  5,25 y R  10 , ¿qué es lo que se debe hacer?
Solución:
 
Primero, se deben hallar los valores de X y R.
25 _
 X 128
X m 1
  5,12
25 25
25
_ R 4,98
R m 1
  0,1992
25 25
Luego, se debe determinar el valor de las constantes d 2 y d 3 . Para un tamaño de
subgrupo 5, estos valores son 2,326 y 0,864, respectivamente.
Se determina la desviación estándar del proceso.
_
R 0,1992
   0,08564
d2 2,326

Por último, se reemplazan estos valores en las respectivas expresiones para

determinar los límites de control tanto para los promedios como para los rangos.
_
Gráfico de x :

LCS  x 3   5,12  3 * 0,08564  5,234
n 5
LC  5,12

LCI  x 3   5,12  3 * 0,08564  5,005
n 5
Gráfico de R :
_
LCS  R 3d 3  0,1992  3 * 0,864 * 0,08564  0,4212
_
LC  R  0,1992
_
LCI  R 3d 3  0,1992  3 * 0,864 * 0,08564  0
b) Si el promedio del subgrupo 23 es 5,25, significa que este punto cae fuera de los
límites de control del gráfico de promedios. En este caso, lo que se debe hacer es
eliminar el subgrupo tanto en el gráfico de control para promedios como en el gráfico
de control para rangos (a pesar de que en el gráfico de rangos no se encuentre fuera)
y volver a calcular los límites.
24 _
 X 128  5,25
X m 1
  5,1146
24 25  1
24
_ R 4,98  10
R m 1
  0,2033
24 25  1
_
R 0,1992
   0,08740
d2 2,326
_
Gráfico de x :

LCS  x 3   5,1146  3 * 0,08740  5,232
n 5
LC  5,12


LCI  x 3   5,1146  3 * 0,08740  4,997
n 5
Gráfico de R :
_
LCS  R 3d 3  0,2033  3 * 0,864 * 0,08740  0,4298
_
LC  R  0,2033
_
LCI  R 3d 3  0,2033  3 * 0,864 * 0,08740  0
Gráficos de control x  s
Otro par de gráficos que resultan de mucha utilidad son los de promedios - desviación
estándar. Son los que mayor uso tienen en la industria. Este par de gráficos presentan
una mayor exactitud, puesto que utilizan todos los datos para calcular las medidas de
dispersión (desviación estándar) a diferencia del rango que solo utiliza el mayor y
menor de los datos para analizar la dispersión.
Los pasos para su elaboración son los siguientes:
_
 Primero, se calculan el promedio ( x ) y la desviación estándar ( s ) para cada
subgrupo.
:::::
 Luego, se determinan el promedio de los promedios ( x ) y el promedio de las

desviaciones estándar ( s ) calculados en el paso anterior. Cada uno de estos
valores representa la línea central en el gráfico de promedios y en el gráfico de
desviaciones estándar, respectivamente.
 Mediante tablas se determina el valor de la constante c4 , la cual está en función

del tamaño del subgrupo (n).
 Después, se determina el valor de la desviación estándar del proceso ( ) , la

cual se define como el promedio de las desviaciones estándar dividido entre la
constante c4 .
 A continuación, se determinan la desviación estándar de los promedios (  ) y

X
la desviación estándar de las desviaciones estándar ( s ) . La primera se calcula

dividiendo la desviación estándar del proceso ( ) entre la raíz cuadrada del
tamaño del subgrupo (n); y la segunda se calcula multiplicando la desviación
estándar del proceso ( ) por la raíz cuadrada de 1 menos la constante c4
elevada al cuadrado.
 Por último, se reemplazan los valores hallados en las expresiones de los límites
de control.

2
 n _

_
x ij
  ij

x  x j
 s
_
xj  s j  i1 
n n 1 c4
m _ m

xj j 1
_ s
j 1
j

x s  
_
m m x n
 s   1  c4 2
Donde:
xij  dato individual i correspondiente al subgrupo j

_
x j  promedio de los datos del subgrupo j
 _
x  promedio de los promedios (línea central en el gráfico de x )
s j  desviación estándar del subgrupo j

_
s  promedio de las desviaciones estándar
  desviación estándar del proceso
 x  desviación estándar de los promedios
 s  desviación estándar de las desviaciones estándar
n  tamaño del subgrupo
m  cantidad de subgrupos
c4  constante (depende únicamente del valor de n)
_
Gráfico de x
 
LCS  E ( w)  L var(w)  x L _  x L 
x n

LC  E ( w)  x
 
LCI  E ( w)  L var(w)  x L _  x L 
x n

Gráfico de s
 
_ _
LCS  E ( w)  L var(w)  s  L s  s  L 1  c 4
2
_
LC  E ( w)  s
 
_ _
LCI  E ( w)  L var(w)  s  L s  s  L 1  c 4
2
De la misma manera que en los gráficos de control x  R , se reemplaza el valor de L

= 3 en los límites de control; con lo cual se obtiene:
_
Gráfico de x

LCS  x  3 
n

LC  x

LCI  x  3 
n
Gráfico de s
 
_
LCS  s  3 1  c4
2
_
LC  s
 
_
LCS  s  3 1  c4
2
Ejemplo 2
El PET es un material muy útil en la producción de envases de bebidas gaseosas, ya

que mantiene la efervescencia del líquido contenido en él. Sin embargo, esta
propiedad se pierde cuando el material es sometido a una temperatura de extrusión
superior a los 300 ºC.
Considerando que la temperatura de fusión del PET es de 240 ºC y que se han

obtenido los siguientes valores después de recolectar 25 subgrupos de tamaño 5:
25 _ 25
 x i  6658
i 1
S
i 1
i  358
Establezca los límites para los gráficos de control Xbarra - S.
Solución:
Primero, se deben calcular el promedio de los promedios y el promedio de las

desviaciones estándar.

25 _
 x
i 1 6658
x   266,32
25 25
25
_ S
i 1 358
S   14,32
25 25
Luego, se debe determinar el valor de la constante c 4 :
Para n = 5, c 4  0,94
Lo siguiente es calcular la desviación estándar del proceso:
_
S 14,32
   15,23
c 4 0,94
Por último, se deben reemplazar los valores hallados en las expresiones de losa
límites de control para ambos gráficos.
_
Gráfico de x :

LCS  x 3 
15,23
 266,32  3 *  286,75
n 5

LC  x  266,32

LCS  x  3 
15,23
 266,32  3 *  245,88
n 5
Gráfico de s :
   14,32  3 *15,23 * 1  0,94   29,908

_
LCS  S  3 1  c 4
2 2
_
LC  S  14,32
   14,32  3 *15,23 * 1  0,94   0

_
LCS  S  3 1  c 4
2 2
Análisis de los gráficos
Proceso fuera de control

En un gráfico de promedios, además de que un proceso se encuentre fuera de control
cuando un punto del gráfico cae fuera de los límites, existen siete reglas adicionales
que permiten determinar esta situación. Estas son las siguientes:

 9 puntos seguidos a un mismo lado de la línea central
0,00135
Texto Texto Texto Texto Texto Texto

LCS

x
6
LCI
0,00135
 6 puntos en tendencia
0,00135
LCS

x
6
LCI
0,00135
 14 puntos subiendo y bajando alternadamente
0,00135
LCS

x
6
LCI
0,00135

 2 de 3 puntos a 3  de la línea central en el mismo lado
0,00135
LCS


 3
 2
 1
LCI
0,00135
 4 de 5 puntos a más de 1  de la línea central a un mismo lado
0,00135
LCS

 3
 2
 1
LCI
0,00135
 15 puntos seguidos a menos de 1 
0,00135
LCS

 3
 2
 1
LCI
0,00135

 8 puntos seguidos a más de 1  de la línea central
0,00135
LCS


 3
 2
 1
x
LCI
0,00135
Estas reglas se deben a que la probabilidad de que cada uno de esos eventos suceda
es menor o igual a 0,0027, que es la probabilidad de que un punto caiga fuera de los
límites de control cuando el proceso está en control, lo cual es poco probable (1 de
cada 370 puntos cae fuera); por tanto, la probabilidad de que alguno de estos eventos
ocurra es igual o menos probable que la probabilidad de que algún punto caiga fuera
de los límites y, por tanto, su ocurrencia significaría que el proceso se encuentra fuera
de control.
Causas posibles de una condición fuera de control
A continuación, se presentan algunas causas posibles de una condición fuera de

control.
1. Cambio o salto de nivel: cambio repentino de nivel del gráfico.
Causas:
- Operario sin experiencia
- Materia prima distinta
- Avería en una pieza de máquina, etc.
2. Tendencia o cambio permanente de nivel
Algunas causas:
- Desgaste de herramientas
- Deterioro gradual de equipo
- Fatiga del trabajador, etc.
3. Ciclos recurrentes: cuando el gráfico muestra periodicidad en la presentación de

puntos altos y bajos.
Posibles causas:
- Rotación periódica de operarios
- Efecto del clima en los materiales, etc.
4. Dos poblaciones (mezcla): cuando son muchos los puntos que están cerca o fuera
de los límites de control.
Causas:
- Diferencias en calidad del material

- Diferentes métodos o equipo de prueba, etc.
5. Errores
- Equipo de medición descalibrado

- Error en cálculos
- Toma de muestra de poblaciones distintas, etc.
3.10. Consideraciones económicas.
En el proceso del diseño de los gráficos de control se debe tener en cuenta algunas
consideraciones económicas, tales como el tamaño del subgrupo y la frecuencia de
muestreo. Para minimizar el costo operativo del uso de los gráficos de control se
debería reducir el tamaño del subgrupo y la frecuencia de muestreo. Sin embargo, no
es posible reducir dichos factores sin afectar el desempeño de los gráficos de control.
Se conoce que en general muestras grandes mejoraran la capacidad del gráfico para
detectar cambios en el proceso. De esta manera, se puede reducir los costos al
reducir el tamaño de la muestra siempre y cuando esta reducción no afecte la
capacidad del grafico para detectar una determinada magnitud de cambio. Así
también, se conoce que para mejorar la capacidad del gráfico para detectar cambios
en el proceso se debe preferir tomar muestras grandes de forma frecuente. Debido a
que al incrementar la frecuencia del muestreo se obtendrá un incremento de los costos
por utilizar el grafico de control, el diseño del gráfico de control incluye la elección de
una frecuencia de muestreo que no sea muy costosa pero que tampoco afecte la
capacidad de la herramienta para detectar un cambio especifico, el cual deberá
corresponder a la naturaleza del proceso y la importancia del mismo.
La capacitación del personal que realizará la toma de muestras, las mediciones y

participará de las actividades del control en línea deberá ser capacitado, según el
grado de participación, en los fundamentos estadísticos o el uso de las cartas de
control.
3.11. Gráfico de datos individuales.
Los gráficos de control de datos individuales, se observa dato a dato debido a que el
tamaño de muestra es igual una unidad o individuo. Debido a que el tamaño de
muestra es de una unidad, el TLC no es aplicable. Usualmente, este tipo de gráfico se
utiliza para controlar el pH de soluciones, temperatura de sustancias, ensayos de
resistencia a la tracción, procesos administrativos: ventas/semana, reclamos/mes,
entre otros. Al igual que en los otros tipos de gráficos de control se sugiere emplear
veinte o más subgrupos para diseñar los límites de control. En el gráfico de los
promedios el esperado de la variable se obtiene como el promedio de las
observaciones de los m subgrupos. En el gráfico de los rangos se obtiene el esperado
como el promedio de los m-1 rangos móviles, tal como se muestra a continuación:
Para el grafico de promedios: E(w)= X –barra
R: rango móvil (Ri = Xi - X¡-1 , i = 2, 3, ... m)
Para el grafico de rangos: E(w)= R-barra

Subgrupos: m
Rangos: m – 1
LCS  E (w)  L var(w)

LC  E(w)
LCI  E (w)  L var(w)
3.12. Curvas OC y ARL
La curva de operación característica describe la probabilidad de que un punto

(parámetro que es monitoreado) caiga dentro de los límites de control para diferentes
valores de este parámetro. Por ejemplo, para el caso de un gráfico de promedios, el
eje vertical del gráfico describe la probabilidad de que el promedio de un subgrupo
tomado caiga dentro de los límites de control cuando la media del proceso presenta
diferentes valores 1.
Denominaremos Pa a la probabilidad de que un punto caiga dentro de los límites de

control.
Como se dijo anteriormente, un gráfico de control es una herramienta de control

estadístico; pero, al igual que cualquier herramienta, no es infalible. Existen
situaciones en las que un punto podría caer fuera de los límites de control estando el
proceso bajo control; es decir, que se cometa un error. Cuando esto sucede decimos
que estamos ante un error de tipo I. Por otro lado, existen situaciones en las que el
proceso cambia; sin embargo, no detectamos esos cambios, ya que los puntos sigan
cayendo dentro de los límites de control. En estas situaciones se dice que estamos
frente a un error de tipo II.
Error de tipo I   : probabilidad de que un punto caiga fuera de los límites de control
cuando el proceso se encuentra en control.
Erro de tipo II   : probabilidad de que un punto caiga dentro de los límites de control
cuando el proceso se encuentra fuera de control.
La longitud de corrida promedio (ARL, por sus siglas en inglés) es el número de

muestras necesarias que se tomarán antes de darnos cuenta de que el proceso se
encuentra fuera de control; es decir, antes de que tengamos una señal de fuera de
control (punto fuera de los límites de control).
Existen dos tipos de ARL: el ARLo y el ARL . Cuando un proceso se encuentra en

control, se utiliza el ARLo ; y cuando un proceso se encuentra fuera de control, se
utiliza el ARL .
Se puede calcular el ARLo y el ARL para cualquier gráfico de control.
Por ejemplo, al analizar un gráfico de promedios para un proceso en control se obtiene

lo siguiente:

Los promedios se distribuyen de manera normal con media  y desviación estándar

 . Si se quiere determinar el valor de ARLo , lo que se debe hacer primero es calcular
la probabilidad de que un punto caiga fuera de los límites de control cuando el proceso
se encuentra en control ( ) .
_
  1  P( LCI  x  LCS )
Como sabemos, los límites se encuentran a  3 desviaciones estándar de los

promedios de la línea central (la línea central para un gráfico de promedios es el
promedio de los promedios).
 _ 
  1  P( x 3  x  x 3 )
n n

x  3
 
x  3 x _  
n x x n  x)
  1  P(  
  
n n n
  1  P 3  z  3
  1 0,9973
  0,0027
Esto significa que, en promedio, 27 de cada 10 000 puntos caerán fuera de los límites
de control; es decir, 1 de cada 370 estará fuera de los límites, por lo que el ARLo es
370.
El ARLo puede calcularse de la siguiente forma:
1 1
ARL o    370
 0,0027
Por otro lado, supongamos ahora que el proceso sufrió una variación y que el
promedio de la característica de la calidad que se estaba controlando se encuentra 0,5
desviaciones estándar por encima de lo que era antes. En ese caso, el ARL se
calcularía de la siguiente forma:
La característica de la calidad en estudio se distribuye de manera normal con media

  0,5  y desviación estándar  .
n

El procedimiento que se debe seguir es el mismo: se debe calcular la probabilidad de

que un punto caiga fuera de los límites de control; pero, en este caso, para un proceso
fuera de control (1   ) .
_
  P( LCI  x  LCS )
 _ 
Pr  P( x 3  x  x 3 )
n n

  _  x  3 
x  3  x  0,5  x  x  0,5  n  x  0,5 
Pr  P( n n n n)
  
n n n
  P 2,5  z  3,5
  0,9935
1    1  0,9935  0,0065
Esto significa que 65 de cada 10 000 puntos caen fuera de los límites de control, lo
que equivale a 1 de cada 154, aproximadamente.
El ARL puede calcularse de la siguiente forma:
1 1
ARL    153,85
1   1  0,9935
Esto se interpreta como que, en promedio, se tomarán y graficarán 154 muestras

hasta que el gráfico de control nos avise de que el proceso está fuera de control.
Nota: cabe resaltar que ARLo  ARL y, por tanto,   1   ; ya que cuando uno
existe, el otro no, puesto que uno es para uno condición en control; mientras que el
otro, para una condición fuera de control.
Ejemplo 3
Se tiene un proceso cuya media es igual a 25, y la desviación estándar es 1,2. Se ha

diseñado un gráfico de control con subgrupos de 4.
a) Determinar el ARL en control.

b) Determinar el ARL fuera de control cuando la media se desplaza a un valor de 25,5.
c) Si se recoge una muestra cada 100 unidades producidas, ¿cuál es el máximo
número de unidades que podrían estar comprometidas?
d) Elaborar un gráfico de ARL versus el valor de la media.

Solución:
a) El promedio de los promedios ( x ) = 25;
Desviación estándar de los promedios (  _ ) = 1.2 = 0,6

x 4
Los límites de control utilizados en este gráfico son:
LCS = 25 + 3 * 1,2 = 26,8

4
LCI = 25 - 3 * 1,2 = 23,2
4
La probabilidad de aceptación se calcula de la siguiente forma:
 _

Pa  P LCI  x  LCS 
 
 _

Pa  P 23,2  x  26,8 
 
 
 23,2  25 26,8  25 
Pa  P z 
 1,2 1,2 
 4 4 
Pa  P 3  z  3
Pa  0,9973
La probabilidad de que un punto caiga fuera de control cuando el proceso se

encuentra en control es la siguiente:
  1  Pa  1  0,9973  0,0027
Finalmente, el ARL en control es:
1
ARLo   370
0,0027
Siempre que el proceso se encuentre bajo control, el ARL para el gráfico de promedios
será 370.
b) Para un valor de 1  25,5 , la probabilidad de que un punto caiga dentro de los

límites de control será:
 _

Pa    P LCI  x  LCS 
 

 _

Pa    P 23,2  x  26,8 
 
 
 23,2  25,5 26,8  25,5 
Pa    P z 
 1,2 1,2 
 4 4 
Pa  P 3,83  z  2,16
Pa  0,98455
Luego, se determina el ARL, que es la inversa de la probabilidad de que un punto

caiga fuera de los límites de control cuando el proceso se encuentra fuera de control.
1 1
ARL    64,72
1   1  0,98455
c) El ARL fuera de control es aproximadamente 65. Esto significa que la producción

desde hace 65 puntos como máximo ha cambiado su media y podrían ser unidades no
conformes. Por tanto, la cantidad de unidades que podrían estar comprometidas como
máximo son:
65 *100  6500 unidades
d) Para elaborar un gráfico de ARL, tomamos distintos valores de la media (1) para
calcular la probabilidad de que un punto caiga dentro de los límites de control (Pa).
 _

Pa    P LCI  x  LCS 
 
 _

Pa    P 23,2  x  26,8 
 
 
 23,2   26 ,8   
Pa    P 1
z 1

 1,2 1,2 
 4 4 

Reemplazando distintos valores de 1 y calculando las probabilidades de que un

punto caiga dentro de los límites de control, se puede obtener una tabla como la
siguiente:
µ Pa ARL µ Pa ARL
21,0 0,00 1,0 24,9 1,00 325,3
21,3 0,00 1,0 25,2 1,00 234,8
21,6 0,00 1,0 25,5 0,98 65,8
21,9 0,02 1,0 25,8 0,95 20,9
22,2 0,05 1,1 26,1 0,88 8,2
22,5 0,12 1,1 26,4 0,75 4,0
22,8 0,25 1,3 26,7 0,57 2,3
23,1 0,43 1,8 27,0 0,37 1,6
23,4 0,63 2,7 27,3 0,20 1,3
23,7 0,80 4,9 27,6 0,09 1,1
24,0 0,91 11,0 27,9 0,03 1,0
24,3 0,97 29,9 28,2 0,01 1,0
24,6 0,99 100,6 28,5 0,00 1,0
Si hacemos el gráfico del valor de la media versus Pa, tenemos:
Curva OC
1,2
Pa
1
0,8
0,6
0,4
0,2
0
0 20 40 60 80 100
valor de la media
Ahora, si hacemos el gráfico de ARL, tenemos:

Gráfico de ARL
400
ARL 350
300
250
200
150
100
50 podemos darnos cuenta de que el menor valor del ARL es 1.
Si observamos el gráfico,
Por otro lado, no es 0fácil observar los valores pequeños de ARL, por lo cual se
recomienda utilizar escala logarítmica para visualizar mejor el gráfico. Entonces
tendremos: 0 20 40 60
Gráfico de ARL valor de la media

1000
ARL
100
10
1
0 20 40 60 80 100
valor de la media
Ejemplo 4
Supongamos que la desviación estándar de cierta característica es  = 2 y que la

media es  = 100. Se cuenta con un gráfico de control desviación estándar para
subgrupos de tamaño 4.
a) Calcular el ARL en control.

b) Elaborar un gráfico de ARL.

Solución:
Lo primero es calcular los límites de control.
Para n = 4, C4 = 0,921
_
LC  S  C 4 *   0,921 * 2  1,842
_
LCS  S  3 1  C 4 *   1,842  3 1  0,9212 * 2  4,179
2
_
LCI  S  3 1  C 4 *   1,842  3 1  0,9212 * 2  0
2
La probabilidad de un punto caiga dentro de los límites de control es:
Pa = P (0 < S < 4,179)
Pa = P (0 < S2 < 17,467)
Pa = P (S2 < 17,467)
Esta probabilidad se calcula a través de la distribución  2 .
 S 2 n  1 17,4674  1 
Pa  P  
 
2
22 
 S 2 n  1 
Pa  P  13,10 
 
2

Pa  0,99557473
  1  Pa  1  0,99557473  0,00442527
1
ARL o   225,97
0,00442527
Esto significa que, en promedio, 1 de cada 226 puntos caerá fuera de los límites de
control cuando el proceso se encuentre en control.
Si se desea determinar el ARL fuera de control, se debe reemplazar el nuevo valor de

la varianza en la expresión del cálculo de probabilidades. Por ejemplo, si la desviación
estándar cambia a un valor de 2,2, el ARL fuera de control sería el siguiente:
 S 2 n  1 17,4674  1 
Pa  P  
  2
2, 2 2


 S 2 n  1 
Pa  P  10,826 
 
2

  Pa  0,98729505
1    1  Pa  1  0,98729505  0,01270495
1
ARL   78,71
0,01270495
Ahora, para cada  que se reemplace, esa probabilidad variará. Entonces, se puede
elaborar un gráfico de ARL calculando distintos valores de ARL para distintos valores
de .
Desv.  ARL
estándar
1 2,46E-11 40649948614
1,05 2,6819E-10 3728723989
1,1 2,1184E-09 472054345,635
1,15 1,2809E-08 78067722,933
1,2 6,1945E-08 16143270,016
1,25 2,4816E-07 4029713,793
1,3 8,4737E-07 1180122,260
1,35 2,5246E-06 396107,487
1,4 6,69E-06 149477,654
1,45 1,6022E-05 62413,580
1,5 3,5146E-05 28452,687
: : :
2,6 0,05143364 19,443
2,65 0,05854624 17,081
2,7 0,06613902 15,120
2,75 0,07419364 13,478
2,8 0,08268896 12,094
2,85 0,09160145 10,917
2,9 0,10090573 9,910
2,95 0,11057498 9,044
3 0,1205814 8,293

Gráfico de ARL
4,5E+10
ARL
4E+10
3,5E+10
3E+10
2,5E+10
2E+10
1,5E+10
1E+10
5E+09
1
0 10 20 30 40 50
desviación estándar
En el gráfico se presentan distintos valores de ARL para diferentes valores de

desviación estándar. Podemos observar que los valores de ARL para valores menores
a los de la desviación estándar en control son enormes, conforme el valor de la
desviación estándar va aumentando el ARL decrece rápidamente. Esto puede
apreciarse mejor si se grafica en una escala logarítmica.
Gráfico de ARL
1E+11
ARL 1E+10
1E+09
10000000
10000000
1000000
100000
10000
1000
100
10
1
0 10 20 30 40 50
desviación estándar

Cap 3

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap 3

Cargado por

Copyright:

Formatos disponibles

Sandro Paz y Lucy Aragón

3.1. Estimación de parámetros

- Continua: variable susceptible de ser dividida infinitamente. Depende de la

En ocasiones es deseable clasificar las variables como atributos.

 Exactitud : promedio de datos que se acercan al valor real.

 Precisión : medidas realizadas que están muy cerca entre sí (variación

Existen otras características de calidad que deben tratarse como atributos.

En ocasiones, es conveniente que las variables e clasifiquen como atributos. Por

 Revelar condiciones de productos y procesos.

Facultad de Ciencias e Ingeniería 1

3.2. Concepto de población y muestra, datos discretos y continuos

Población: conjunto total de las mediciones de datos.

Muestra: grupo de datos representativo del total.

Estadísticas: mediciones relacionadas con las muestras. Ejemplo: media, desviación

Parámetros: valores de referencia o el cálculo más aproximado en un momento

La cantidad de elementos de una población puede ser un número finito o infinito.

 Debe ser tal que tienda a parecerse o a representar a toda la población.

Variación: puede ser grande y evidente o insignificante.

Clases de variación (en producción)

1. Variación de la pieza misma.

2. Variación de una pieza a otra.

3. Variación de una hora a otra.

2 Pontificia Universidad Católica del Perú

La variación es inherente a todo proceso. Se produce como un efecto conjunto de la

- Maquinaria y equipo: desgaste, vibración, etc.

Causas atribuibles: variaciones que son de gran magnitud. Se pueden identificar

Medidas de tendencia central

La media: representa la ubicación central de los datos.

Para datos agrupados: x 

Para datos agrupados:

LMe = límite inferior de la celda mediana

La moda: es el valor que aparece con mayor frecuencia.

Muestran cómo se dispersan los datos respecto del valor central.

Rango: diferencia entre la observación mayor y menor.

Facultad de Ciencias e Ingeniería 3

Desviación estándar: mide la tendencia a la dispersión de los datos y respecto a la

Para datos agrupados:

3.4. La distribución normal

Distribución simétrica, unimodal, en la que la media, mediana y moda tienen el mismo

Muchos fenómenos de variación en la naturaleza y los procesos industriales se

Distribución normal de variables continuas que se convierten a la distribución normal

Relación entre la desviación estándar y el área bajo la curva.

  y   : 68.26% de los elementos

Pasos del cálculo de probabilidades en una distribución normal:

3.5. El control estadístico

El control estadístico, también llamado control estadístico de procesos se inicia con W.

4 Pontificia Universidad Católica del Perú

 Las cartas de control

3.6. Técnica del gráfico de control

¿Qué son? Los gráficos de control son una herramienta de control

¿Para qué se Para monitorear las características de la calidad e

Los gráficos de control se utilizan fundamentalmente para reducir la variabilidad del

Los datos se clasifican en variables (cuando provienen de valores continuos como

3.7. Límites de control

LCS: límite de control superior

Facultad de Ciencias e Ingeniería 5

3.8. Gráficos de control - variables

Elaboración de un gráfico de control por variables

Para elaborar los gráficos de control se requiere de tres fases o etapas:

1) Estandarización del proceso: se requiere que el proceso que se va a analizar

o Definir características de la calidad

Para elaborar un gráfico de control, se necesita reunir una cierta cantidad de

o La variabilidad entre las muestras de un mismo subgrupo debe ser mínima.

Para asegurar el cumplimiento de estos dos aspectos, se recomienda que al

   14,32  3 15,23 1  0,94   29,908

   14,32  3 15,23 1  0,94   0