Clase 7: Control Estadístico de Procesos

1. Introducción

Para introducir el tema del Control Estadístico de Procesos, es interesante partir hablando de quien
ha sido reconocido como el propulsor de la aplicación de la Estadística en los procesos: nos
referimos a Walter A. Shewhart (1891-1967). Este físico, ingeniero y economista estadounidense ha
sido llamado el “Padre del Control Estadístico de Procesos”.

Shewhart ingresa a trabajar como inspector del Departamento de Ingeniería de la empresa Western
Electric Company en 1918, en un momento en que la técnica predominante de calidad era el
“Quality Control”, del cual hablamos en la Clase N°2. Las inquietudes de Shewhart sobre la materia
y sus conocimientos de Estadística, lo hicieron pensar en cómo aplicar esta última en los procesos
de producción, de tal forma de anticiparse a la ocurrencia de una falla o un defecto. Estamos en los
primeros indicios de la orientación a los procesos (lo que vendría muchos años después). Como
resultado de sus pruebas, publica en 1924 un pequeño instructivo interno (cuando decimos
pequeño nos referimos a que tenía una sola hoja) donde explicaba las bases de lo que hoy
conocemos como “gráfico de control”, eje central de esta clase, manifestando la importancia de
reducir la “variabilidad en un proceso” (definición clave para entender el Control Estadístico de
Procesos) y como solo preocuparse en forma reactiva de los defectos era desperdiciar los recursos
de la Compañía.

Su trabajo de varias décadas (se retiró en 1956) se ve reflejado hasta el día de hoy, ya que gran parte
de lo que desarrollaremos a continuación se basa en su trabajo. Es importante mencionar que los
gráficos de Shewhart fueron adoptados por la Sociedad Americana de Pruebas y Materiales
(American Society for Testing y Materials, ASTM). Todo su trabajo se puede encontrar en su libro
“Economic Control of Quality of Manufactured Product”, que el lector puede encontrar
íntegramente en el link https://pqm-online.com/assets/files/lib/books/shewhart1.pdf

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

1
 2. La Variación en los Procesos

Un concepto fundamental en el Control Estadístico de Procesos es la variación o variabilidad. La

variación o variabilidad está presente en todo lo que hacemos. Nuestras actividades laborales sufren
la presencia de variación permanentemente, como por ejemplo en el diámetro de una pieza
cilíndrica que se confecciona en una maestranza, en el peso en gramos de un envase de fideos en
una fábrica de pastas o en la cantidad de clientes que atiende cada día un banco, etc. En todos estos
casos hay una especificación o referencia que debemos cumplir; de lo contrario habrá un impacto
en la calidad de nuestro trabajo lo que influirá en la satisfacción de nuestros clientes (internos o
externos).

Los problemas de calidad que enfrentan las empresas y organizaciones consisten con cierta
frecuencia en que no se logra, en promedio, el valor objetivo buscado para los indicadores de calidad
relevantes para un producto o servicio. No obstante, un problema que aparece más habitualmente,
y que es con mucha frecuencia más difícil de corregir, es que el comportamiento de dichos
indicadores presenta variabilidad mayor que el nivel tolerable. Por ejemplo, vea el caso de un
servicio de transporte como el Metro. Es relevante el tiempo que toma cada tren en recorrer un
determinado tramo, sin duda uno de los parámetros importantes de buen servicio. La variabilidad
en dicho tiempo afecta tanto a la empresa como a sus clientes. Si presentara mucha variabilidad,
dificultaría la programación de los trenes y la implementación de los viajes, los usuarios tendrían
que frecuentemente esperar mucho tiempo el próximo tren y además no podrían predecir el tiempo
de demora a su destino. Aquí aparece otra distinción relevante que nos acompañará en esta clase,
la predictibilidad de los procesos

El Control Estadístico de Procesos (Statistical Process Control, SPC) es una metodología fundamental
para identificar y luego solucionar los problemas de excesiva variación en los procesos. Se suma a
las herramientas que ya hemos estudiado y debe ser utilizado, para obtener todo su potencial, en
el marco del Ciclo PDCA. También puede ser utilizado con mucha efectividad en el marco del ciclo
DMAIC para las empresas que están implementando Estrategias Lean Seis Sigma y/o Estrategias Seis
Sigma.

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

2
 3. Tipos de Variación:

Hay dos tipos de variación que debemos distinguir con claridad, la variación común y la variación
especial:

Variación Común:

Variación inherente al proceso como está en el momento actual. En su corrección está el “corazón”
de la calidad y la mayor posibilidad de mejorar sustancialmente un proceso.

Hablamos de “causas comunes” (causas de la variación común) como por ejemplo: materias primas
inadecuadas, herramientas en mal estado o incorrectas, mal entrenamiento y capacitación del
equipo de trabajo, deficiente diseño del sistema de atención al público, computadores obsoletos,
sistemas computacionales afectados por virus, sistema inadecuado de contratación de personal,
etc.

Variación especial:
Variación cuyo origen se explica por situaciones o circunstancias ocasionales que tiene usualmente
carácter temporal, normalmente no predecible y que no responde al comportamiento habitual de
un proceso.
Entre las “causas especiales” se pueden mencionar: error de digitación (siempre que no sea
asignable a falta de entrenamiento o capacitación), inasistencia circunstancial de un empleado,
corte de energía eléctrica no programado, accidente en el camino que entorpece el tránsito, mal
funcionamiento ocasional de una pieza en una maquinaria, etc. En general, se trata de situaciones
o circunstancias especiales que no están de modo permanente en el proceso.
William Deming (principal autor e impulsador de las ideas modernas de Gestión de la Calidad)
estimaba que el 85% de los problemas en nivel de calidad son debidos a causas comunes y solo el
15% restante a causas especiales.

Se dice que un indicador de calidad con solo variación común importante está “bajo control”, y
cuando tiene variación especial de alguna importancia, está “fuera de control”. Cuando un indicador
tiene principalmente variación común, es predecible su media y variación, y se pueden estudiar y
determinar sus problemas principales. Deming señalaba que en reducir la variación común,
solucionando algunas de sus causas, representaba los mayores avances en Calidad.

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

3
 Si un indicador está “bajo control” no debe entenderse necesariamente que está teniendo un
comportamiento adecuado, sino principalmente que solo que su media y su variación están estables
en el tiempo. Sin embargo, resulta claro que la estabilización de la media y la variación de un
indicador, y así evitando que presente una situación que podría ser caracterizada como “caótica”,
son fundamentales para entender el proceso, descubrir las causas de su variación excesiva e iniciar
un mejoramiento efectivo.

Puede ocurrir que un indicador de calidad esté “bajo control” pero sin alcanzar en su media el valor
objetivo buscado y/o con una varianza excesiva. Por ejemplo, hablando de producción de cajas de
cereal de 400 gr., podemos estar envasando establemente cajas con promedio de 405 gr y con una
variación efectiva y estable de (+/-) 12 gr con respecto a la media de 405 gr (cuando se permitía solo
(+/-) 8 gr.). Entonces, el indicador “peso” estaría perfectamente “bajo control” pero estaría
claramente con un comportamiento inadecuado e inaceptable, y no estaría siendo “capaz” de
cumplir con las expectativas de los clientes.

4. Control Estadístico de Procesos

“La mitad del camino es comprender que la variación es el mal, la otra mitad consiste en
erradicarlo”. Esta frase dicha por Jack Welch (CEO de General Electric) nos sirve para introducir la
descripción del Control Estadístico de Procesos (Statistical Process Control, SPC). Vamos a revisar
una metodología que nos servirá para identificar el comportamiento de los procesos y tomar
medidas remediales para su mejoramiento.

El Control Estadístico de Procesos (SPC) es la aplicación de técnicas estadísticas para determinar si

un determinado indicador en un proceso está teniendo un comportamiento estable (para lo cual
utilizaremos los “Gráficos de Control”), para a continuación verificar (mediante los “Índices de
Capacidad”) si el resultado de un proceso está de acuerdo con la especificación de un producto o
servicio y cumple con las expectativas y requerimientos del cliente.

El Control Estadístico de Procesos (SPC) tiene entre sus objetivos hacer predecible un proceso en el tiempo.
Cuando un proceso es predecible, entonces, se pueden asegurar que ciertas cosas ocurrirán en el
futuro, con una determinada probabilidad. Esto último será especialmente importante cuando el
indicador bajo estudio esté “bajo control” y “capaz” (ya veremos el significado de esto último)

Cuando existen “ciertas certezas” (probabilidad) del comportamiento presente y futuro de un

proceso, diremos que está “bajo control”. Esto significará que no hay actuando causas de variación
preferentemente ocasionales, que sean importantes. Pero puede suceder que esté “bajo control”,
pero con excesiva variabilidad; ello significaría que el proceso, en cuanto al indicador en estudio,

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

4
 estaría “establemente malo”. Cuando un proceso está sujeto a eventos azarosos, de difícil
predicción, entonces estará “fuera de control”. Luego, gracias al SPC, verificamos que está siendo
“capaz”; es decir, que su variación es pequeña y que se están satisfaciendo (y ojalá superando) las
expectativas de los clientes.

El SPC es una herramienta fundamental para tener los procesos bajo control, minimizando la
variabilidad y logrando que sean “capaces”.

En cualquier proceso de fabricación, sin importar su buen diseño o mantenimiento riguroso,

siempre existirá cierto grado de variabilidad mínima inherente o natural. Esta variabilidad mínima o
“ruido de fondo” es el efecto acumulativo de muchas pequeñas causas, esencialmente
incontrolables. En general esta variabilidad tiene una magnitud que no es de gran relevancia. Sin
embargo, lo habitual es que haya también variabilidad inherente al proceso “como está hoy” y que
sea corregible, estando en la corrección de esa otra variabilidad inherente, donde más se puede
ganar en el mejoramiento. Por ejemplo, mantención insuficiente de las maquinarias y mala
capacitación de los trabajadores en los equipos de trabajo, serían casos de esta variabilidad
adicional inherente, la que muchísimas veces es mayor a la que recién llamamos “variación mínima”

En otros momentos pueden estar presente ocasionalmente otros tipos de variabilidad, que pueden
surgir, por ejemplo, por ajustes incorrectos ocasionales de los equipos, por errores de las personas,
defectos puntuales en las materias primas, contingencias del entorno, etc. Esta variabilidad suele
ser también mayor que el “ruido de fondo” y causar problemas en los procesos.

En el primer caso (de las variaciones “inherentes”) se dice que tenemos variación común, en cambio
en el segundo caso (de las variaciones más bien ocasionales) estamos hablando de variación
especial. Un proceso donde sólo existe variación común, diremos que está bajo control. En cambio,
si estamos en presencia de variación especial entonces afirmaremos que el proceso está fuera de
control.

Así, un proceso que está “bajo control” es predecible, es decir, sabemos con una alta probabilidad
cómo se comportará y que resultados se obtendrán cada vez que se ejecute. Un proceso que está
“fuera de control”, se torna impredecible, es decir, no podemos estar seguro de su comportamiento
y sus resultados se tornan azarosos. Por ello, se dice que está “caótico”.

Todo proceso tiene variabilidad y ella es, habitualmente, expresión de mala calidad para el cliente,
por lo que se debe eliminar o al menos reducir muchísimo (la especial) o minimizar (aquella común)

Ejemplos de causas comunes de variación (causarían el 85% de los problemas según Deming)

1. Materias primas permanentemente de mala calidad

2. Capacitación insuficiente

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

5
 3. Liderazgo pobre de las jefaturas
4. Herramientas de trabajo en mal estado
5. Mal diseño del sistema de atención
6. Falta de planificación

Ejemplos de causas especiales de variación (causarían el 15% de los problemas según Deming),

1. Error de digitación (no asignable a falta de capacitación)

2. Falta de ajuste de una máquina
3. Accidente laboral
4. Ausencia de un trabajador en un equipo pequeño de trabajo
5. Corte de energía eléctrica no programado
6. Lote de materia prima fuera de especificación

Cada día se pierden valiosos recursos en las organizaciones debido a que se pone atención o se
malinterpretan datos de salida de los procesos. Esto ocurre de dos maneras:

a) Tratamos de explicar cambios que en realidad se debieran ignorar debido a la poca

relevancia (no implicarían poner al proceso fuera de control).
b) Falla en investigar y tomar acción en los eventos que sí son significativos. (Aquellos que
ponen al proceso como fuera de control).

Como ya hemos señalado, para estudiar si un indicador de calidad está “Bajo Control” (tiene sólo
variación común; es decir, no presenta variación especial de importancia), se pueden usar gráficos
o cartas de control. El objetivo básico de un gráfico o carta de control es observar y analizar el
comportamiento de un proceso a través del tiempo. Así, es posible distinguir entre variaciones por
causas comunes o especiales para la toma de decisiones sobre la mejora.

Tal como mencionábamos al principio de esta clase, Las primeras gráficas de control SPC fueron
desarrolladas en los años 1920 por Walter Shewhart, en la empresa especializada en la fabricación de
teléfonos Western Electric, en Illinois.

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

6
 5. Gráficos de Control

Lo primero que debemos saber es que un gráfico de control está formado en base a 3 líneas:
• LSC : Línea Superior de Control
• LC : Línea Central
• LIC : Línea Inferior de Control

El procedimiento se resume en tomar mediciones de la variable a controlar y observar su

comportamiento en el tiempo.

La construcción de los gráficos de control está basada en el comportamiento de la Distribución

Normal. Muchas variables, o transformaciones de ellas, siguen, al menos aproximadamente, una
Distribución Normal. Lo interesante de esto es que la distribución normal ha sido profusamente
estudiada y hay información suficiente para obtener valiosa información de esta.

Se dice que una Variable X sigue una Distribución Normal

X ~ N ( µ , 2 ) donde µ es la media y 2 la varianza, que es una medida de su variabilidad. existente.
Se cumple que el 99.73% de las observaciones caen en el intervalo [µ - 3 , µ + 3  ]

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

7
 Lo anterior nos lleva a expresar que un evento que se produzca en el intervalo [µ - 3 , µ + 3  ]
es altamente probable que ocurra, en cambio diremos que es improbable (no imposible) que un
evento ocurra fuera de este intervalo.

Si esto lo relacionamos con los gráficos de control, las causas comunes son probables y en cambio
las causas especiales son improbables y por lo tanto cuando ocurren es porque algo extraño ocurrió
lo que debe ser investigado y sus causas eliminadas para que no vuelva a ocurrir

Los Límites de Control (LC) no deben ser confundidos ni utilizados como si fuesen Límites de
Especificaciones (LE). Los LC corresponden a límites como el proceso está hoy día, en base a los
datos observados. De esta forma, no tienen relación con los límites entre los cuales el producto o
servicio es adecuado y aceptable para el “cliente”. Estos últimos son los Límites de Especificaciones.

Los Límites de Control nos permiten “Controlar” la estabilidad del proceso, en relación a algún
indicador de calidad. Sólo un proceso estable es mejorable. Naturalmente, interesa muchísimo
estudiar si los valores del indicador de calidad en observación están dentro de especificaciones,
pues éste es el objetivo en calidad. No obstante, esto se lleva a cabo mediante un estudio de
“capacidad” del indicador, mediante el cálculo de índices de capacidad (que veremos más
adelante).

Los gráficos o cartas de control se clasifican en dos tipos:

• Gráficos de Control para variables: Diagramas que se aplican a variables de proceso de

naturaleza continua (peso, volumen, longitud, etc.)

• Gráficos de Control para atributos: Diagramas que se aplican a variables de proceso del tipo
“pasa o no pasa” o donde se cuenta el número de no conformidades que obtienen los
productos analizados.

Veremos a continuación los gráficos más usuales que se utilizan en cada caso

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

8
 Gráficos de Control para variables

Los principales gráficos de control para variables son los llamados Gráfico ̅
X − R y Gráfico ̅
X − S.

A continuación veremos en detalle cada uno de ellos:

̅−𝐑
Gráfico 𝐗

Se utiliza en procesos industriales de tipo “masivo”, es decir, donde se producen muchos artículos,
partes o componentes en un lapso de tiempo pequeño. Estos procesos pueden realizar docenas,
cientos o miles de operaciones por día. Además las variables de salida bajo estudio son del tipo
continuo (longitud, temperatura, presión, densidad, peso, etc.)

Para entender la metodología de construcción de este tipo de gráficos, debemos antes conocer (o
recordar) uno de los teoremas importantes de la estadística:

Teorema Central del Límite

Sea X1, X2,.….. Xn un conjunto de variables aleatorias independiente e idénticamente distribuidas de

una distribución con media µ y varianza σ2, entonces si n es suficientemente grande, la variable
aleatoria

1 n
X =  Xi
n i =1

Tiene aproximadamente una distribución normal con media µ y varianza σ2/n (notablemente
aunque la variable original no siga una distribución normal).

Nota: es importante remarcar que este teorema no dice nada acerca de la distribución de X, excepto
la existencia de media y varianza

Este Teorema nos sirve mucho porque si no tenemos información sobre cuál es la distribución de
probabilidades que tiene la variable que estamos controlando, podemos sacar sucesivas muestras,
sacar el promedio de dichos valores y estos sí tenderán a distribuirse como una normal. Por lo tanto,
el procedimiento que vamos a seguir es el siguiente:

• Para crear este tipo de gráfico de control se toman muestras de tamaño n cada cierto periodo
(1 hora, 3 horas, 1/2 día, por turno, etc.).
• Las muestras son habitualmente de entre 5 y 9 mediciones (se observan 5 a 9 unidades, n= 5 a
9) y se toman muestras para 20 a 25 tiempos.
• Para cada muestra se calcula la media de las mediciones y el rango (valor máximo menos valor
mínimo).

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

9
 • Finalmente se calcula el promedio de los promedios de cada muestra y el promedio de los
valores de los rangos.

Con estos datos vamos a calcular los límites de control para el gráfico X(barra), los cuales están
dados por las siguientes expresiones:

LCS = X + ( A2 * R )
LC = X
LCI = X − ( A2 * R )

El factor A2 surge de una serie de aproximaciones estadísticas (que no vienen al caso detallar) y que
se encuentra en función del tamaño de la muestra. Este valor se obtiene de la siguiente tabla:

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

10
 Reiteramos lo dicho anteriormente (hemos visto errores de este tipo en apuntes sobre el tema) que
el valor de este factor se obtiene a partir del tamaño de la muestra (5, 6, 7, etc.) y no de la cantidad
de veces que se toma la muestra (15, 20, 30, etc.). Por ejemplo si el tamaño de nuestra muestra es
6, entonces el valor de A2 es 0,483

Para el caso del gráfico R, las expresiones son las siguientes:

LCS = D4 * R
LC = R
LCI = D3 * R

Donde D3 nuevamente es un factor que depende del tamaño de la muestra y que se puede ver en
la tabla que mostramos en la página anterior.

En la lectura complementaria a esta clase, podrá encontrar un ejemplo desarrollado de este tipo de
gráfico o carta de control.

Para comprender el uso de ambos gráficos, tenemos que decir que el gráfico X(barra) representa la
“exactitud” de los datos de la variable medida, es decir, cuán cerca o no están con respecto al valor
esperado, en cambio el gráfico R nos entrega información sobre la “precisión” del comportamiento
de los datos, es decir, cuán dispersos están los datos con relación a la media.

Recuerde que dos muestras pueden tener el mismo promedio pero una contener valores muy
cercanos a dicho promedio y otras muy lejanos a ese valor, pero que entre ellos se compensen.
Entonces necesitamos saber que ambas muestran se comportan de manera distintas, porque desde
el punto de vista del promedio el proceso parece estar bajo control pero cuando revisamos cuál fue
el rango de valores obtenidos nos damos cuenta que no.

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

11
 ̅−𝐒
Gráfico 𝐗

Cuando se requiere tener una mayor capacidad para detectar cambios pequeños, entonces se
puede incrementar el tamaño del subgrupo (n). Hasta n=9 las estimaciones de σ en función de R
funcionan bastante bien, no así para n>9. En ese caso se recomienda aproximar σ por la desviación
estándar de los subgrupos.

En este caso se procede de manera similar que para el caso anterior, salvo que el tamaño de los
subgrupos es mayor o igual a 10 y en vez de calcular los rangos de cada subgrupo, se calcula su
desviación estándar S.

(Recordemos que si en una muestra de tamaño n, siendo las observaciones 𝑌1 , 𝑌2 , … , 𝑌𝑛 , y siendo

𝑌̅ el promedio de las observaciones, la desviación estándar muestral es calculada mediante la
1
expresión S = √𝑛−1 ∙ ∑𝑛1(𝑌𝑖 − 𝑌̅)2 )

En este caso la expresión para los límites de control del gráfico X(barra) es:

S
LCS = X + 3 *
c4 n
LC = X
S
LCI = X − 3 *
c4 n

El valor de C4 está en función del tamaño de la muestra y se obtiene de la tabla que ya mostramos.

En el caso del gráfico S los límites se calculan de acuerdo a lo siguiente:

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

12
 S
LCS = S + 3 * 1 − c42
c4
LC = S
S
LCI = S − 3 * 1 − c42
c4

Capacidad de un proceso
Hasta ahora hemos hablado de los límites del proceso, que representan como éste está funcionando
en la actualidad, o más precisamente, qué nivel de variabilidad presenta en este momento, pero
hasta ahora no hemos dicho nada sobre cómo se relaciona con los límites de especificación que
pueden venir dados por los clientes externos o internos, requerimientos normativos, del mercado,
etc.
La relación que existe entre estos límites define la capacidad del proceso en términos de cómo el
proceso es capaz de cumplir con las especificaciones. Para esto existe una serie de indicadores que
permiten medir el nivel de cumplimiento.
Un primer indicador de capacidad es el índice Cp que resulta de dividir el ancho de las
especificaciones o variación tolerada y la amplitud de la variación natural del proceso:

LES − LEI
Cp =
6

Dado que no conocemos el valor de σ hacemos las aproximaciones respectivas, ya sea si estamos
trabajando con los límites donde usamos el valor de R o S, entonces queda:

LES − LEI LES − LEI

Cp = Cp =
6( R / d 2 ) 6( S / c4 )
La interpretación de este indicador la podemos ver en la siguiente tabla:

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

13
 No obstante la definición de Cp no indica nada sobre si el proceso está centrado o no, ¿Qué ocurre
si el proceso no está centrado? (ver figura)

Entonces necesitamos otro indicador que dé cuenta de este hecho y este es el llamado Cpk

   
   
 X − LEI LES − X   X − LEI LES − X 
C pk = Min , o C pk = Min ,
 R R   S S 
 3 3   3 3 
 d2 d 2   c4 c4 

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

14
 Gráficos de Control para Atributos
Existen muchas características de calidad del tipo “pasa o no pasa” y de acuerdo a esta calificación,
el producto o servicio es evaluado como defectuoso o no defectuoso, conforme o no conforme,
dependiendo de si cumple o no cumple con las especificaciones o criterios de calidad definidos para
el proceso. Si el producto o servicio no tiene la calidad deseada, no se permite que pase a la siguiente
etapa del proceso y es separado o registrado y se le denomina “defectuoso”.
Los gráficos o cartas de control que permiten monitorear esta condición son:
• Cartas p: Proporción de defectuosos
• Cartas np: Número de defectuosos
• Cartas c: Número de defectos
• Cartas u: Defectos por unidad
Veamos en qué consiste cada una de ellas

Cartas p: Proporción de defectuosos

La carta p gráfica las variaciones en la fracción o proporción de productos defectuosos por muestra
o subgrupo. Su propósito es la detección de causas especiales que puedan hacer aumentar la
proporción de productos defectuosos de un proceso.
El procedimiento para construir una carta p es el siguiente:
1. De cada lote, embarque, pedido o de cada cierta parte de la producción, se toma una muestra
o subgrupo de n artículos.
2. Las muestras o subgrupos se toman durante un período de tiempo (por ejemplo una hora, medio
día, un día completo), por i períodos (entre 20 y 25).
3. Para las n unidades observadas en cada período se registra:
N° de unidades defectuosas: di
N° de unidades observadas (si son distintas en cada periodo): ni
4. Para cada periodo se calcula la proporción de unidades defectuosas:

di
pi =
ni

5. A continuación se calcula el valor promedio de los pi

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

15
 6. Entonces, los límites de control de la carta p con tamaño de subgrupo constante, están dado
por:

p (1 − p )
LCS = p + 3
n
LC = p
p (1 − p )
LCI = p − 3
n

7. Cuando por alguna razón (por restricciones físicas o por el tipo de proceso) el tamaño de
subgrupo n no se mantiene constante a lo largo de las muestras, se tienen dos alternativas: usar
el tamaño promedio de subgrupo (buena aproximación) o construir una carta de control con
límites variables (complejo).

Carta np
En algunas oportunidades, cuando el tamaño de subgrupo o muestra es constante puede ser más
conveniente usar la carta np, en la que se gráfica el número de defectos por subgrupo d i en lugar de
la proporción.
De lo anterior, los límites de control de la carta np:
Donde n es el tamaño del subgrupo y 𝑝̅ es la proporción promedio de artículos defectuosos.
De lo anterior, los límites de control de la carta np:

LCS = n p + 3 n p(1 − p)
LC = n p
LCI = n p − 3 n p(1 − p)

Donde n es el tamaño del subgrupo y 𝑝̅ es la proporción promedio de artículos defectuosos.

En el caso de los gráficos de control p no es necesario que el número de unidades observadas sea
constante en el tiempo. Esto, sin embargo, es necesario para los gráficos np. Por lo tanto, el gráfico
p se puede utilizar en forma más flexible.

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

16
 Cartas c y u

En particular, se utilizan para analizar la cantidad de defectos que tienen las unidades
inspeccionadas (no sólo si es o no defectuosas como en el caso de las cartas p y np).
Cada unidad inspeccionada puede tener más de un defecto, suceso o atributo y no necesariamente
se cataloga como defectuosa.
Otras variables que también se pueden evaluar son errores por trabajador, cantidad de quejas por
mal servicio, cantidad de llamada telefónicas en un periodo, etc. En general se utilizan para evaluar
número de eventos que ocurren por unidad.

En el caso de la carta c, se utiliza para analizar la variabilidad del número de defectos por subgrupo,
cuando el tamaño de éste se mantiene constante. Se calcula c(barra) que es el promedio de los
defectos encontrados en cada subgrupo. Se grafica ci que es igual al número de defectos o eventos
en el i-ésimo subgrupo, muestra o unidad.
Las expresiones para los límites de control son las siguientes:

LCS = c + 3 c
LC = c
LCI = c − 3 c

La carta u, se utiliza para analizar la variabilidad del número de defectos por subgrupo, cuando el
tamaño de éste no es constante. Se calcula u(barra) que es el promedio de los ui que es igual al
número de defectos o eventos en el i-ésimo subgrupo dividido por el tamaño de cada subgrupo
Las expresiones para los límites de control son las siguientes:

Como en este caso el tamaño de los subgrupos no es constante, entonces se toma como valor de n
el promedio de los ni (tamaño de cada subgrupo).

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

17
 FUENTES BIBLIOGRÁFICAS

Deming, W. Edwards (1989); La salida de la crisis; Ediciones Díaz de Santos S.A.

Garvin, David (1983); Quality on the Line; Harvard Business Review;

https://hbr.org/1983/09/quality-on-the-line

Gutiérrez, Humberto; De la Vara, Román (2013), Control Estadístico de la Calidad y Seis Sigma; Mc Graw Hill

Izar, Juan Manuel (2017). Manufactura de Clase Mundial; Alfaomega

Liker, Jeffrey K. (2010). Toyota; Grupo Editorial Norma

Pontificia Universidad Católica de Chile © Osvaldo Ferreiro – Renato León

18