UNIDAD 2: GRÁFICOS DE CONTROL PARA

VARIABLES.-

2.1. CONCEPTOS GENERALES Y PRINCIPIOS DEL

CONTROL ESTADÍSTICO DE PROCESOS.-

2.1.1. ESTADÍSTICA DESCRIPTIVA BÁSICA.-

Las variables de salida o de respuesta de un proceso

deben cumplir con ciertas metas y/o especificaciones, a
fin de que sea posible considerar que el proceso
funciona de manera satisfactoria.
La estadística descriptiva sirve para el análisis de una
variable de tipo continuo.
A) MEDIDAS DE TENDENCIA CENTRAL.-

1) Media muestral.- Medida de tendencia central que es

igual al promedio aritmético de un conjunto de datos,
que se obtiene al sumarlos y el resultado se divide
entre el número de datos.

2) Media poblacional o del proceso, μ.-

Si para calcular la media se utilizan todos los elementos de
la población (todos los posibles individuos, especímenes,
objetos o medidas de interés sobre los que se hace un
estudio), esta medida se denomina media poblacional y se
• Es importante destacar que la media del proceso μ
es igual a cierto valor, aunque no siempre se
conoce; mientras que el valor de la media muestral
se obtiene para cada muestra y es diferente
(variable) de una muestra a otra, ya que su valor
depende de las piezas que se seleccionan, por eso
tiene la característica de aleatoria.
• Por lo anterior, el valor que se observa de la media
muestral, por lo general es diferente a la media del
proceso, μ.
• Obviamente, mientras más grande sea el tamaño de
la muestra, la media de este tipo se acercará a la
media poblacional. Sin embargo también puede
acercarse en muestras pequeñas cuya medición se
acerque al 100%.
3) Mediana o Percentil 50.-
• Medida de tendencia central que es igual al valor que
divide a la mitad a los datos cuando son ordenados de
menor a mayor.
• Para calcular la mediana cuando el número de datos
es impar, éstos se ordenan de manera creciente y el
que quede en medio de dicho ordenamiento será la
mediana. Pero si el número de datos es par, entonces
la mediana se calcula dividiendo entre dos la suma de
los números que están en el centro del
ordenamiento.
Ejemplo 1: 12.5 ; 12.6 ; 12.8 ; 13.0 ; 13.9 ; 14.0 ; 14.1
Mediana = 13.0
Ejemplo 2: 12.5 ; 12.6 ; 12.8 ; 13.0 ; 13.9 ; 14.0 ; 14.1 ; 14.1
Mediana = (13.0+13.9)/2 = 13.4
4) Moda.-
• Medida de tendencia central de un conjunto de
datos que es igual al dato que se repite más veces.
• Si únicamente un valor es el que más repite, esta
medida de tendencia central sea unimodal.
• Si existen más de un valor de repetición, será
multimodal.
• Si ningún valor se repite no existirá esta medida de
tendencia central.

B) ANÁLISIS MEDIDAS TENDENCIA CENTRAL.-

La Media es afectada por los valores extremos sea

mayores o menores.
Ej: 12.5 ; 12.6 ; 12.8 ; 13.0 ; 13.9 ; 14.0 ; 14.1 ; 14.1; 28.9
Media= 15.1
Mediana = 13.9
Media (sin punto extremo) = 13.4
Mediana (sin punto extremo) = 13.4

Conclusión: De las tres medidas de tendencia central, la

más representativa sería la Mediana. Además es
recomendable que se realice un análisis y depuración de
datos.
C) Las medidas de tendencia central como criterio de
calidad.-
Ejemplo: La especificación del peso de un producto es de
500+/- 10
Para ver si se cumple con las especificaciones se toma una
muestra aleatoria grande y se obtiene que la Media = 502.
Debido a que estos estadísticos están dentro de las
especificaciones, se podría creer que el proceso cumple
con éstas. Sin embargo, esto no necesariamente es cierto,
ya que en la muestra podría haber datos menores a 490 o
mayores a 510.
En otras palabras, las medidas de tendencia central son
insuficientes como criterio de calidad, ya que no toman en
cuenta qué tan dispersos están los datos, un hecho vital
para la calidad.
D) MEDIDAS DE DISPERSIÓN O VARIABILIDAD.-
1) Desviación estándar muestral.- Es la medida más
usual de variabilidad e indica qué tan esparcidos están
los datos con respecto a la media; se denota con la
letra S.

• S mide la distancia que en “promedio” hay entre los

datos y la media; por ello, entre más grande sea el
valor de S habrá mayor variabilidad en los datos.
• La desviación estándar es expresada en las mismas
unidades de medición (gramos, milímetros, etc.)
que los datos.
2) Desviación Estándar Poblacional.-
• Si para calcular la desviación estándar se emplean
todos los elementos de la población o proceso,
entonces se obtiene la desviación estándar
poblacional y se denota con la letra griega sigma (σ).
• Como se comentó antes, es posible considerar a la
población como las mediciones de toda la producción
de las últimas semanas, o si las mediciones se toman
por muestras, entonces una buena idea es obtener
los parámetros poblacionales (μ y σ) con todas las
mediciones realizadas en las últimas semanas,
siempre y cuando éstas no sean pocas; de 120 a 150
mediciones en adelante es una buena cantidad.
3) Varianza Muestral.- Es el cuadrado de la desviación
estándar, S2, es muy importante para propósitos de
inferencia estadística.
4) Desviación estándar del proceso.- Refleja la
variabilidad de un proceso. Para su cálculo se debe
utilizar un número grande de datos que hayan sido
obtenidos en el transcurso de un lapso de tiempo
amplio. Se denota con la letra griega sigma σ.
5) Rango o recorrido, R.- Es igual a la diferencia entre el
dato mayor y el dato menor de un conjunto de datos. El
rango mide la amplitud de la variación de un grupo de
datos, y de igual manera que la desviación std también
es independiente de la magnitud de los datos.
6) Relación entre Media y S.- Una forma de apreciar
claramente el significado de la desviación estándar
como medida de dispersión en torno a la media, es a
través de la relación entre la media y la desviación
estándar, la cual está dada por la desigualdad de
Chebyshev y la regla empírica (se asemeja a la
Distribución Normal).
Desigualdad de Chebyshev: Resultado teórico que
relaciona Media y S, y establece el porcentaje mínimo de
datos que caen en el intervalo Media +/- k(S)con k > 1.
RELACIÓN MEDIA+/- S MEDIA+/- 2S MEDIA+/- 3S

Chebyshev 75% 89%

Regla empírica 68% 95% 99.7%

7) Límites Naturales o Reales.-
Límites reales Se obtienen con μ − 3σ y μ + 3σ, e
indican de dónde a dónde varía la salida de un proceso.

Límite real inferior (LRI) = μ − 3σ

Límite real superior (LRS) = μ + 3σ

El cálculo de estos límites está inspirado en la regla

empírica, que a su vez coincide con la propiedad de la
distribución normal.
E) DISTRIBUCIÓN.-
La Distribución muestra la forma en que los datos al
interior de su rango de variación.

1) Histograma.-
• Representación gráfica de la distribución de un
conjunto de datos o de una variable, donde los datos
se clasifican por su magnitud en cierto número de
clases. Permite visualizar la tendencia central, la
dispersión y la forma de la distribución.
• Cada clase es representada por una barra, cuya
longitud es proporcional a la frecuencia de los valores
representados.
• Por lo general, el eje horizontal está formado por una
escala numérica para mostrar la magnitud de los
datos; mientras que en el eje vertical se representan
las frecuencias.
Tabla de frecuencias: Representación en forma de tabla de
la distribución de unos datos, a los que se clasifica por su
magnitud en cierto número de clases.
Para obtener ésta, primero se divide el rango de variación de
los datos en cierta cantidad de intervalos que cubren todo el
rango, y después se determina cuántos datos caen en cada
intervalo. Se recomienda que el número de intervalos o
clases sea de 5 a 15. Para decidir un valor entre este rango
existen varios criterios; por ejemplo, uno de ellos dice que el
número de clases debe ser aproximadamente igual a la raíz
cuadrada del número de datos y el método de Sturgess.
 NÚMERO CLASES MÉTODO SQR(N) METODO
O INTERVALOS STURGESS:
1+3.5(Log(n))

2) Interpretación de un Histograma.-

En función de la forma de un Histograma se puede

realizar las siguientes interpretaciones:
a) Observar la tendencia central de los datos.
b) Estudiar el centrado del proceso.
c) Examinar la variabilidad del proceso.
d) Analizar la forma del histograma.
e) Datos raros o atípicos.
f) Estratificar.
Tendencia Central; Centrado y Variabilidad en
Histograma.-
Análisis Forma Histograma.-
• Distribución sesgada: Forma asimétrica de la
distribución de unos datos o una variable, donde la cola
de un lado de la distribución es más larga que la del
otro lado.
• Distribución multimodal: Forma de la distribución de
unos datos en la que sea aprecian claramente dos o
más modas (picos). Por lo general, cada moda refleja
una condición o realidad diferente es decir varias
causas de variación.
• Distribución muy plana: Es una distribución muy chata o
plana y que está lejos de tener forma de campana. Las
situaciones que pueden causar esto son las mismas que
las de la distribución multimodal, pero con la
particularidad de que las diferencias son menos fuertes.
• Distribución con acantilados: Es una suspensión o
corte muy brusco en la caída de la distribución.
Algunas de las posibles causas que motivan la
presencia de un acantilado son: un lote de artículos
previamente inspeccionados al 100% donde se
excluyó a los artículos que no cumplen con alguna
medida mínima o que exceden una medida máxima
(como en la figura), problemas con el equipo de
medición, errores en la medición o inspección
(cuando el inspector está predispuesto a no
rechazar un artículo y observa que éste casi cumplía
con los requisitos, registra la medida mínima
aceptable).
2.1.2. PROBABILIDAD.-

La probabilidad y la estadística estudian modelos

(abstracciones de la realidad) que permiten variaciones
en la salida de un sistema aunque las variables que se
controlan no cambien a propósito durante el estudio.
Estos modelos se emplean para comprender, describir y
cuantificar aspectos importantes del sistema, así como
para predecir la respuesta del sistema a diversas
entradas.
A) Conceptos Básicos.-
1) Variable aleatoria.- Función que asocia un número a
cada resultado de un experimento aleatorio. Se
asocia a una característica de calidad.
2) Variable aleatoria discreta: Es aquella que tiene un
rango finito (o infinito numerable). Por ejemplo, el
número de tornillos defectuosos en una muestra
aleatoria de tamaño 15, o el número de errores de un
operador industrial.
Por lo tanto, una Variable aleatoria discreta es aquella
que se pueden numerar los posibles valores que toma.
3) Variable aleatoria continua: Si el rango de una
variable aleatoria X contiene un intervalo (finito o
infinito) de números reales, entonces X es una variable
aleatoria continua. Algunos ejemplos de variables
continuas son: peso, volumen, longitud, voltaje,
resistencia, ángulo, espesor, entre otras.
3) Distribución de probabilidad de X: Es una
descripción del conjunto de los valores posibles de X
con la probabilidad asociada a cada uno de estos
valores.

B) Distribuciones discretas.-
Las Distribuciones Discretas pueden ser:
- Binomial.
- Geométrica.
- Hipergeométrica.
- Poisson.
1) Distribución Binomial.-
Este tipo de Distribución discreta, es característica o
frecuente en control de calidad, cuyas características
son del tipo “pasa, no pasa”. Por ejemplo, un artículo
cumple con especificaciones o no, una pieza resiste
cierta fuerza o no, una lámpara enciende o no.
Por lo tanto este tipo de distribución tiene mucha
aplicación en el control de características Discretas.
2) Distribución Geométrica.-
Proporciona la probabilidad de requerir X repeticiones
independientes de un experimento Bernoulli para
observar el primer éxito. Un experimento Bernoulli es
un de tipo aleatorio donde los posibles resultados de
cada ensayo son: “éxito” o “fracaso”.
Ejemplo: ¿Cuál es la probabilidad de que sea necesario
extraer de manera aleatoria a lo más 20 artículos para
encontrar el primer defectuoso?

3) Distribución Hipergeométrica: Da la probabilidad de

obtener X éxitos en n experimentos Bernoulli, donde la
probabilidad de éxito cambia de un experimento al
siguiente.
Ejemplo: En una empresa industrial, cada día se
produce un lote de N = 50 piezas grandes de cierto
tipo. Los registros muestran que, de éstas, en
promedio K = 6 son defectuosas. Si en forma aleatoria
se examinan n = 10 piezas de la producción de un día,
¿cuál es la probabilidad de encontrar x = 0 o x = 1 piezas
defectuosas?
4) Distribución de Poisson.-
• Una situación frecuente en control de calidad es
evaluar variables como las siguientes: número de
defectos por artículo, número de defectos por metro
cuadrado de tela, número de defectos por unidad de
área, número de impurezas en un líquido, número de
errores de un trabajador.
• Todos los casos anteriores se resumen así: número de
eventos que ocurren por unidad (por unidad de área,
por unidad de volumen, por unidad de tiempo, etc.).
• Estas situaciones corresponden o están asociadas a la
distribución de Poisson.
B) Distribuciones Continuas.-

• DISTRIBUCIÓN NORMAL.-
- Es una distribución continua cuya densidad tiene
forma de campana. Es muy importante tanto en la
estadística teórica como en la aplicada.
- Si X es una variable aleatoria normal, entonces su
función de densidad de probabilidades está dada
por:
La representación de la función indicada es:

1. P(μ − σ < X < μ + σ) = 0.6827

2. 2. P(μ − 2σ < X < μ + 2σ) = 0.9545 3.
3. P(μ − 3σ < X < μ + 3σ) = 0.9973
Estas propiedades señalan la proporción de la
distribución normal que se localiza en torno a la media
μ.
Por ejemplo, entre más menos una desviación
estándar de la media se ubica en 68.27% del área; y en
la media más menos tres veces σ se encuentra 99.73%
de la distribución.

Cálculo Probabilidad.-
 UNIDAD 2
GRAFICAS DE CONTROL PARA
VARIABLES
2.2. Elaboración e interpretación de gráficas para
variables.-

2.2.1. Generalidades Cartas de Control:

Las cartas de control son herramientas estadísticas que
permiten estudiar la variabilidad a través del tiempo. Lo
anterior es clave para mejorar los procesos, a través de
tres actividades básicas:

a) Estabilizar los procesos (lograr control estadístico)

mediante la identificación y eliminación de causas
especiales. b) Mejorar el proceso mismo, reduciendo la
variación debida a causas comunes. c) Monitorear el
proceso para asegurar que las mejoras se mantienen y
para detectar oportunidades adicionales de mejora.
2.2.2. Causas comunes y especiales de variación Los procesos
siempre tienen variación, ya que en él intervienen
diferentes factores sintetizados a través de las 6 M:
materiales, maquinaria, medición, mano de obra (gente),
métodos y medio ambiente. Bajo condiciones normales o
comunes de trabajo, todas las M aportan variación a las
variables de salida del proceso, en forma natural o
inherente, pero además aportan variaciones especiales o
fuera de lo común, ya que a través del tiempo las 6 M son
susceptibles de cambios, desajustes, desgastes, errores,
descuidos, fallas, etc. Así, hay dos tipos de variabilidad: la
que se debe a causas comunes y la que corresponde a
causas especiales o atribuibles. Resulta fundamental
distinguir de forma eficiente entre ambos tipos de
variación, para así tomar las medidas adecuadas en cada
caso.
La variación por causas comunes (o por azar) es aquella
que permanece día a día, lote a lote; y es aportada de
forma natural por las condiciones de las 6 M. Esta
variación es inherente a las actuales características del
proceso y es resultado de la acumulación y
combinación de diferentes causas que son difíciles de
identificar y eliminar, ya que son inherentes al sistema y
la contribución individual de cada causa es pequeña; no
obstante, a largo plazo representan la mayor
oportunidad de mejora.
La variación por causas especiales (o atribuibles) es causada por
situaciones o circunstancias especiales que no están de
manera permanente en el proceso. Por ejemplo, la falla
ocasional por el mal funcionamiento de una pieza de la
máquina, el empleo de materiales no habituales o el descuido
no frecuente de un operario. Las causas especiales, por su
naturaleza relativamente discreta, a menudo pueden ser
identificadas y eliminadas si se cuenta con los conocimientos y
condiciones para ello. Cuando un proceso trabaja sólo con
causas comunes de variación se dice que está en control
estadístico o es estable, porque su variación a través del
tiempo es predecible. Además, independientemente de que su
variabilidad sea mucha o poca, el desempeño del proceso es
predecible en el futuro inmediato, en el sentido de que su
tendencia central y la amplitud de su variación se mantienen
sin cambios al menos en el corto plazo.
En contraste, se dice que un proceso en el que están
presentes causas especiales de variación está fuera de
control estadístico (o simplemente que es inestable);
este tipo de procesos son impredecibles en el futuro
inmediato pues en cualquier momento pueden
aparecer de nuevo las situaciones que tienen un efecto
especial sobre la tendencia central o sobre la
variabilidad.

2.2.3. Tipos de Cartas de Control.-

• Gráficas de Control por Variables:

Variables Continuas
Variables Discretas
• Gráficas de Control por Atributos.

2.2.4. Variables Discretas y Continuas.-

Variables Discreta: Tiene un único valor dentro de un

conjunto numerable, es decir no acepta cualquier valor,
únicamente aquellos que pertenecen al conjunto. Es
decir puede asumir un número contable de valores. NO
SE MIDEN.
Ejemplos:
- Número de hijos de una familia.
- Producción mensual de una empresa año 2021.
- Número pacientes COVID de una empresa.
- Número de clientes de una empresa.
Variables Continuas: Tiene valores en todo un
intervalo, a diferencia de una variable discreta, nunca
puede ser medida con exactitud; el valor determinado
depende en gran medida de la precisión de los
instrumentos. SE MIDEN.

Ejemplos:
- Perfil térmico.
- Tiempos de proceso.
- Pesos.
- Velocidades
- Presiones.
TUTORIZACIÓN:

Definir si las siguientes causas son comunes o

especiales:

1) Fallo de máquina por mantenimiento inadecuado. Común

2) Temblor. Especial
3) Técnica ineficiente de recolección de muestra. Común
4) Falta de capacitación al personal. Común
5) Presencia de personal nuevo. Común
6) Situación económica inestable del país. Especial
7) Aguas contaminadas generadas por la planta. Común
8) Norma caducada. Común.
9) Instrumentos mal calibrados. Común.
Definir el tipo de variable:

1) Ventas mensuales.
2) Presiones de vacío.
3) Número de quejas de clientes.
4) Cantidad de Clientes de un segmento.
5) Volumen de botellas de refresco.
6) Temperatura de cocción.
7) Velocidad de camiones repartidores.
8) Tasa de devoluciones.
9) Evaluaciones históricas de auditorías.
Productividad.
 UNIDAD 2
Tema: Tipos de Gráficas para variables
2.2. Gráfico por variables.-

El objetivo básico de una 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 y especiales (atribuibles), lo que
ayudará a caracterizar el funcionamiento del proceso
y decidir las mejores acciones de control y de mejora.
Cuando se habla de analizar el proceso nos referimos
principalmente a las variables de salida
(características de calidad), pero las cartas de control
también pueden aplicarse para analizar la variabilidad
de variables de entrada o de control del proceso
mismo.
a) Componentes de una Carta de Control:

LÍMITES DE CONTROL.-

Los límites de una carta de control no son las

especificaciones, tolerancias o deseos para el proceso.
Por el contrario, se calculan a partir de la variación del
estadístico (datos) que se representa en la carta. De
esta forma, la clave está en establecer los límites para
cubrir cierto porcentaje de la variación natural del
proceso, pero se debe tener cuidado de que tal
porcentaje sea el adecuado, ya que si es demasiado alto
los límites serán muy amplios y será más difícil detectar
los cambios en el proceso; mientras que si el porcentaje
es pequeño, los límites serán demasiado estrechos.
Determinación de límites de control.-

La forma más común para determinar los límites de

control es a partir de la relación entre la media y la
desviación estándar de la variables (W), que para el
caso que W se distribuye normal con media μw y
desviación estándar σw, y bajo condiciones de control
estadístico se tiene que entre μw − 3σw y μw + 3σw se
encuentra 99.73% de los posibles valores de W .
Si W es el estadístico/parámetro que se va a graficar
en la carta, supongamos que su media es μw y su
desviación estándar σw, entonces el límite de
control inferior (LCI), la línea central y el límite de
control superior (LCS) están dados por:
LCI = μw − 3σw
Línea central = μw
LCS = μw + 3σw

Con estos límites y bajo condiciones de control

estadístico se tendrá una alta probabilidad de que
los valores de W estén dentro de ellos. En
particular, si W tiene distribución normal, tal
probabilidad será de 0.9973.
Las cartas de control para variables se aplican a
características de calidad de tipo continuo, que
intuitivamente son aquellas que requieren un
instrumento de medición (peso, volumen, voltaje,
longitud, resistencia, temperatura, humedad, etc.).
Las cartas para variables tipo Shewhart más usuales
son:
• X – (de medias).
• R (de rangos).
• S (de desviaciones estándar).
• X (de medidas individuales).
2.2.1. Cartas de Control Tipo X-R.-

Este tipo de carta de control se emplea de preferencia

en procesos industriales considerados de tipo
“masivo”, Por ejemplo: líneas de ensamble, máquinas
empacadoras, procesos de llenado, operaciones de
soldadura en una línea de producción, moldeo de
piezas de plástico, torneado de una pieza metálica, el
corte de una tira en pedazos pequeños, etc.
Es decir que se aplican a procesos masivos, en donde
en forma periódica se obtiene un subgrupos de
productos, se miden y se calcula la media y el rango R
para registrarlos en la carta correspondiente.
Entonces la idea es que: cada determinado tiempo o
cantidad de piezas se toma un número pequeño de
piezas (subgrupo) a las que se les medirá una o más
características de calidad. Con las mediciones de cada
subgrupo se calculará la media y el rango, de modo que
cada periodo de tiempo, se tendrá una media y un rango
muestral que aportarán información sobre la tendencia
central y la variabilidad del proceso, respectivamente.
Con la carta X – se analiza la variación entre las medias
de los subgrupos, para detectar cambios en la media
del proceso. Mientras que con la carta R se analiza la
variación entre los rangos de los subgrupos, lo cual
permite detectar cambios en la amplitud o magnitud de
la variación del proceso.
Pasos:

1) Definir el número de subgrupos. Se recomienda por

lo menos tener 25 subgrupos.
Cuál es la ventaja de tener un alto número de
subgrupos o un número menor de subgrupos?
2) Definir el tamaño del subgrupo. Se recomienda que
sea de 2 a 10; sin embargo es prudente escoger un
tamaño de subgrupo de 5 unidades, las cuales tienen
que tomarse de manera continua.
3) Definir el espacio o período de tiempo en el cual se
tomarán los datos de los subgrupos. Se recomienda
tener un intervalo de media hora hasta 2 horas.
Cuál es el criterio para definir??
Reflexión: Dependerá del tipo de proceso; si el
proceso es automático, tipo batch; número de días
representativos o espacios de tiempo representativos.

En función de esta definición, se establece el tiempo a

emplearse en la toma de datos.
Ejemplo:
Se define un número de subgrupos de 25; un tamaño
de subgrupo de 5 unidades; y un tiempo de
espaciamiento de 1 hora; por lo tanto se necesitarían
25 horas de recolección de datos.
Análisis: Qué hacer para una empresa que no tiene
proceso continua, sino tipo batch?
4) Es importante hacer hincapié que el levantamiento
de datos deben realizarse en condiciones de
operación normales y no especiales o “preparadas”.
5) Cálculo el promedio y Rango de cada subgrupo:

Xs= ∑Xi/n

Rs = Valor máximo-Valor mínimo

Ejemplo:
Subgrupo 1: Datos de Peso(g): 200; 205; 199; 201; 212
Promedio S1 = (200+205+199+201+212)/5
= 203,4 = 203
Rango = 212-199 = 13
5) Calcular el promedio de los “promedios” y el
promedio de los rangos:

Xp = ∑Xs/Número Subgrupos

Rp = ∑Rs/Número de Subgrupos

Estos valores determinados corresponderán a la

LÍNEA CENTRAL DE LOS DIAGRAMAS X y R.

6) Determinación o cálculo de los Límites de control

para X.
Como por lo general en un estudio inicial no se conoce
σ, ésta puede estimarse de la siguiente manera:

• Considerando la variabilidad dentro de muestras (σ

de corto plazo) a través de los rangos de los
subgrupos, y la estimación está dada por:
σ = Rp.d2 ; donde Rp es la media o promedio de los
rangos de los subgrupos y d2 es una constante que
depende de n, el tamaño de subgrupo o muestra.

Reemplazando esta definición, en las definiciones de

SHEWHART, se obtiene las siguientes expresiones:
LCS= Xp + A2Rp
Línea central = Xp
LCI= Xp - A2Rp

A2= Constante en función del tamaño de la muestra

determinada de tablas.

7) Determinación o cálculo de los límites de control

para R.

Teniendo en cuenta el mismo análisis para la

determinación de los límites de control de medias X;
se obtienen las siguientes expresiones:
LCI = D3Rp
Línea central = Rp
LCS = D4Rp

8) Trazar las gráfica de control X y R.

9) En las dos cartas de control el eje de las abscisas(x),

se representará el número del subgrupo y en el eje de
las ordenadas (y) se representarán los valores de las
medias o rangos según corresponda.

10) Cuando ya se conocen la media, μ, y la desviación

estándar del proceso, σ, entonces estos límites para la
carta de medias están dados por: LCS = μ + 3σ √n.
Línea central = μ . LCI = μ − 3σ √n
11) Realizar el análisis correspondiente.

EJEMPLO: ARCHIVO EXCEL

TUTORIZACIÓN:

• Resumen Cartas de Control X y R.

• Ventajas/desventajas.
• Cálculo de Límites.
• Análisis.

Link para FACTORES O CONSTANTES CARTAS DE

CONTROL (Apéndices).

https://www.uv.mx/personal/ermeneses/files/2018/05/
6-control-estadistico-de-la-calidad-y-seis-sigma-
gutierrez-2da.pdf
2.2.2. CARTAS DE CONTROL POR VARIABLES TIPO X-
S.-

Cuando con una carta X– R se quiere tener mayor

potencia para detectar cambios pequeños en el
proceso, se incrementa el tamaño de subgrupo, n.
Pero si n > 10, la carta de rangos ya no es eficiente
para detectar cambios en la variabilidad del proceso,
y en su lugar se recomienda utilizar la carta S, en la
que se grafican las desviaciones estándar de los
subgrupos.

Es decir en este tipo de Cartas de Control, se va a

realizar un procedimiento similar al desarrollado para
las gráficas tipo X-R.
Recomendación:

Si luego de realizar una Gráfica X-R, se requiere

mayor detalle en la variabilidad del proceso, será
pertinente optar por este tipo de carta de control; es
decir es aplicable cuando se desea profundizar en las
causas comunes que ocasionan la variabilidad de un
proceso; por lo tanto es sumamente aplicable para
“procesos críticos” , altamente específicos o en
algunos casos para productos nuevos normalmente
del tipo tecnológicos.
a) Determinación de los límites de Control.-

Para este tipo de carta de control se deberán

establecer los Límites de control para la Carta X como
para la Carta S.

LÍMITES DE CONTROL PARA CARTA S.-

LÍMITES DE CONTROL PARA CARTA X.-

b) Pasos a seguir para construir gráfica X-S.-

1) Definir el número de subgrupos. Se recomienda

por lo menos tener de 15 a 20 subgrupos.
2) Definir el tamaño del subgrupo. Se recomienda que
sea mínimo 10 unidades. 3) Definir el espacio o
período de tiempo en el cual se tomarán los datos de
los subgrupos. Se recomienda tener un intervalo de
media hora hasta 2 horas.
5) Cálculo el promedio y Desviación de cada subgrupo:

Xs= ∑Xi/n

Sp= ∑Si/n

Si = SQR((∑(Xi-Xm)´2)/(n-1))

6) Calcular los Límites de Control para S y X.

7) Graficar las cartas correspondientes.

EJEMPLO: ARCHIVO EXCEL

p
2.2.3. CARTAS DE CONTROL POR VARIABLES X
INDIVIDUALES.-

La carta de individuales es un diagrama para variables

de tipo continuo, pero en lugar de aplicarse a
procesos semi-masivos o masivos como es el caso de
la carta X – R, se emplea en procesos lentos, en los
cuales para obtener una medición o una muestra de
la producción se requieren periodos relativamente
largos. Ejemplos de este tipo de procesos son: •
Procesos químicos que trabajan por lotes. • Industria
de bebidas alcohólicas, en las que deben pasar desde
una hasta más de 100 horas para obtener resultados
de los procesos de fermentación y destilación.
Este tipo de cartas también se utilizan cuando los
costos de muestreo son altos, o cualquier la variable a
analizarse conduzca a un ensayo destructivo. Ejemplo:
Planchas de asbesto-cemento o fibro-cemento en la
cuales para determinar la presión que soportan las
mismas se realiza un ensayo destructivo.

Algunas variables administrativas cuyas mediciones se

obtienen cada día, cada semana o más. Por ejemplo,
mediciones de productividad, de desperdicio, de
consumo de agua, electricidad, combustibles, etcétera;
suelen ser controladas por medio de este tipo de
cartas.
Al igual que las otras variedades de cartas estudiadas, en este
tipo, se obtendrán dos cartas, la de tipo X individuales y la Tipo
de Rangos Móviles.

Carta Tipo X individuales.-

En este tipo de cartas se representan todos los datos
individuales y los límites de control se determinan de la
siguiente manera:
LCI = Xp – 3 (Rm)/d2
LC = Xp
LCS = Xp + 3 (Rm)/d2

En estas fórmulas: Xp= Media de todos los datos.

Rm = Media del Rango móvil
d2= Factor obtenido de tablas en función del orden del rango
móvil.
Carta de Rangos móviles.-

La carta de rangos móviles se ha empleado como

complemento a la carta de individuales, donde se
grafica el rango móvil de orden 2 para detectar
cambios en la dispersión del proceso. Sin embargo,
estudios recientes demostraron que la carta de
individuales es suficientemente robusta para detectar
cambios tanto en la media como en la dispersión del
proceso, ya que cuando una medición individual se
dispara esto afecta directamente los dos rangos
móviles en los que participa. Por ello, hay una
tendencia a utilizar sólo la carta de individuales.
Rango Móvil:
Es la diferencia entre el valor mayor y el menor entre
datos consecutivos; normalmente el orden del rango
móvil empleado es de 2; en este caso el rango móvil
es la diferencia entre el valor mayor y menor entre
dos datos consecutivos.

Los límites de control para este tipo de carta, se

calculan con las siguientes expresiones:

LCI = D3 (Rm)
LC = Rm
LCS = D4 (Rm)
Donde:
Rm = Media del Rango móvil
D3 y D4= Factor obtenido de tablas en función del
orden del rango móvil.

Pasos a seguir para la elaboración de la Carta de

Individuales y la Carta de Rangos móviles.-

1) Definir el “orden del rango móvil”, generalmente

será de DOS (2).
2) Calcular los rangos móviles, de manera consecutiva
entre dos datos consecutivos.
Ejemplo:

n Variable (mm) Rango Móvil, Rm

1 225
2 228 (228-225) = 3
3 226 (228-226)= 2
4 221 (226-221)=5
5 220 (221-220)=1
6 221 (221-220)=1
7 219 (221-219)=2
8 218 (219-218)=1
9 221 (221-218)=3
10 220 (221-220)=1

3) Cálculo de Xp =
(225+228+226+221+220+221+219+218+221+220)/10 =
221.9 mm
4) Cálculo de Rango Móvil promedio, Rm.

Rm = (3+2+5+1+1+2+1+3+1)/9= 2.11

5) Calcular los Límites de Control y Líneas Centrales

para X individuales y Rangos móviles.

X INDIVIDUALES:

Orden de rango móvil = 2. De tabla ; d2 = 1.128

LCI= 216.29
LC= 221.90
LCS= 227.52
RANGOS MÓVILES.

D3= 0 D4= 3.2686

LCI= 0
LC= 2.11
LCS= 6.90

6) Construir Cartas de Control individuales y rangos

móviles.
7) Interpretar y analizar.
TUTORIZACIÓN.-

Resumen de la Clase.-

• Cartas Control individuales /Rangos móviles:

- Para procesos lentos, especiales o con ensayos

destructivos.
- Detalla la variabilidad del proceso en función de la
media y de los rangos entre dos valores
consecutivos; con esto se logra un control entre
“dato y dato” o entre “lote y lote”; de esta forma
en estos procesos largos permite hacer
correcciones para lotes posteriores.
CONCLUSIÓN DE CARTAS DE CONTROL.-

El uso de las diferentes cartas de control por

variables: X-R ; X-S; Individuales/Rango móvil
dependerá básicamente de los siguientes factores:

1) Tipo del proceso.

2) Planificación estratégica de la Empresa.
3) Evaluaciones anteriores/históricas.
INDICACIONES.-

Actividades Semana del 11 al 15 julio 2022:

Miércoles 13 julio 2022:

Clase; Tema: 2.3. Capacidad del Proceso.

Jueves 14 julio 2022:

Lección Sincrónica Temas Unidad 2: Gráficas de
Control para Variables.
Hora: 20h10-21h10
 Unidad 2
Capacidad de Proceso Cp, Cpk y Cpm
2.3. Capacidad de Proceso Cp, Cpk y Cpm.

La Capacidad de Proceso, es la habilidad de un

proceso de cumplir con las expectativas del cliente
(Davis Bothe).

Por lo tanto, es la medición del ajuste de nuestro

proceso a las expectativas del cliente; entonces la
Capacidad del Proceso es la habilidad o grado de
aptitud que tiene un proceso para cumplir con las
especificaciones (frecuentemente técnicas)
deseadas.

La Capacidad del Proceso indicará la variabilidad del

proceso debida sólo a causas comunes.
La curva de distribución normal representa la Voz del
Proceso y las especificaciones representa la Voz del
Cliente.
Es ideal que la Voz del Proceso está al interior de la
Voz del Cliente.

2.3.1. Evaluación de la capacidad del proceso.-

La evaluación de la Capacidad del proceso se realiza

cuando el proceso se encuentra dentro del control
estadístico; es decir cuando se han identificado,
analizado, corregidas (eliminadas) las causas
especiales de variabilidad.
En virtud de que las causas comunes (asociadas a las
6M) son intrínsecas o inherentes al proceso; las
características de calidad/especificaciones tendrán un
límite inferior y un superior.

La medida de la capacidad del proceso para cumplir

estas especificaciones se miden mediante el Indice de
Capacidad del Proceso, Cp.

Cp = (LES-LEI)/6ơ
2.3.2. Análisis Indice Capacidad Proceso:
LES-LEI= Ancho tolerancias 6 sigma= Ancho campana
Cp = 1 Significa que el numerador (LES-LEI) es igual a 6
sigma, es decir este sería el valor mínimo del Indice de
Capacidad de Proceso.

Cp<1 Significa que el numerador es menor a seis sigma,

es decir este proceso no es adecuado al trabajo.
Proceso No Capaz.

Cp>1 Significa que el numerador es mayor a seis sigma,

es decir este proceso es adecuado. Proceso Capaz.

Cp=0 No existe proceso; o significa que los límites

superior e inferior son las mismas.
Medidas a tomar para un proceso NO CAPAZ.-

• Reingeniería.
• Rediseño de procesos y/o productos.
• Cambios de actividades de inspección.
• Benchmarking para posibilidades de tercerizar o
maquilar.
• Cambiar los límites de las especificaciones de los
productos.
2.3.3. Indice de Capacidad Real, Cpk.

El Cpk evalúa el “centrado” del proceso; es decir la

localización de la media del proceso (cima de la
distribución normal) respecto a las especificaciones.
Análisis Cpk.-

Si Cpu<Cpl significa que la media está desplazada

hacia el límite de especificación superior.

Si Cpl<Cpu significa que la media está desplazada

hacia el límite de especificación inferior.

Si Cpk es similar a Cp significa que la media del proceso

se ubica en el punto medio de las especificaciones.

Si Cpk < Cp significa que el proceso no está centrado.

Cpk>1 El proceso está operando dentro de las
especificaciones.

Cpk<1 El proceso está operando o produciendo

productos fuera de especificaciones.

Cpk=0 o negativo; la media del proceso está fuera de

especificaciones.
2.3.3. Indice de Capacidad Taguchi, Cpm.-

Este índice de capacidad Cpm, se orienta a disminuir la

variabilidad en torno al valor nominal.

N= Especificación Nominal.
TUTORIZACIÓN.-

• Cp = Capacidad potencial del proceso.

• Cpk= Capacidad real del proceso (centralización de
la media).
• Cpm= Capacidad Taguchi. (Variabilidad del valor
nominal).

Ejemplo Excel.