UNIVERSIDAD NACIONAL EXPERIMENTAL

FRANCISCO DE MIRANDA
ÁREA DE TECNOLOGÍA
COMPLEJO ACADÉMICO EL SABINO
UNIDAD CURRICULAR: CONTROL DE CALIDAD
MATERIAL RECOPILADO POR PROF. PIERINA ATACHO

TEMA: 3. GRÁFICOS DECONTROL DE CALIDAD

OBJETIVO GENERAL

Al finalizar la unidad, el estudiante estará en capacidad de seleccionar,

aplicar y analizar los métodos y técnicas estadísticas para el control de procesos,
que contribuya con un perfil de profesionales calificados en el logro de la calidad y
de la mejora continua de las áreas productivas, administrativas y desarrollo de
investigación de toda organización.

PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD

Pérez (s/f) señala lo siguientes principios estadísticos aplicados en control

de calidad:

VARIABLES ESTADÍSTICAS
(a) LA VARIABILIDAD
Cuando se desea mejorar un proceso a fin de elevar la calidad de un producto se
hace necesario buscar información que pueda conducirnos al logro del objetivo;
implica en consecuencia desarrollar un plan estratégico que nos conduzca a ese
fin.
Un plan de mejora de la calidad debe tomar en cuenta la variabilidad ¿Por qué?
En un proceso interactúan factores tales como los materiales, maquinas, mano de
obra, mediciones, medio ambiente y métodos. Estos 6 elementos determinan de
manera global todo el proceso, y cada uno aporta parte de la variabilidad (y de la
calidad) de los resultados del proceso. Ver Fig. 5.2.
Algunos ejemplos de variabilidad son:
Materiales no idénticos
Personas con diferentes habilidades y entrenamiento.
Desajustes y desgastes de máquinas, etc.
La variabilidad puede observarse incluso bajo condiciones de aparente estabilidad
del proceso.
La Norma ISO 9000 dice:

“El uso de técnicas estadísticas puede ser de ayuda para comprender la

variabilidad y ayudar por lo tanto a las organizaciones a resolver problemas y a
mejorar su eficacia y eficiencia. Asimismo estas técnicas facilitan una mejor
utilización de los datos disponibles para ayudar en la toma de decisiones”

“Las técnicas estadísticas pueden ayudar a medir, describir, analizar, interpretar y

hacer modelos de dicha variabilidad, incluso con una cantidad relativamente
limitada de datos”

“El análisis estadístico de dichos datos puede ayudar a proporcionar un mejor

entendimiento de la naturaleza, alcance y causas de la variabilidad, ayudando así
a resolver e incluso prevenir los problemas que podrían derivarse de dicha
variabilidad, y a promover la mejora continua”.

Estas técnicas son aplicables en un amplio espectro de actividades, tales como la

investigación de mercado, el diseño, el desarrollo, la producción, la verificación, la
instalación y el servicio.

ESTADÍSTICA es la ciencia en la cual se recolectan, organizan, presentan,

analizan e interpretan datos cuantitativos.

En la Estadística hay dos fases:

ESTADÍSTICA DESCRIPTIVA: para describir y analizar un sujeto o un grupo.

ESTADÍSTICA INDUCTIVA (o inferencia estadística): es la que trata de

determinar, partiendo de una cantidad limitada de datos (la muestra), una
conclusión importante acerca de una cantidad mucho mayor de datos (población).

(b) VARIABLES DE UN PROCESO

En todo proceso hay variables de entrada y salida:

Variable de Entrada (X): Son las que definen las condiciones de operación del
proceso, y del valor de ellas depende la eficacia del proceso. Ej. Temperatura,
velocidad, presión, cantidad y/o características de algún insumo o material, etc.
 Variable de Salida (Y): Son las que reflejan los resultados obtenidos por el
proceso.

A través de los valores que toman estas variables se evalúa la eficacia del
proceso.

Por lo general son las características de la calidad del producto que se

obtienen con el proceso.

También, pueden considerarse otras variables que no están normalmente

controladas pero que influyen en el proceso, entre las cuales tenemos: humedad
relativa del medio ambiente, habilidad de un operario, método de trabajo, etc.

(c) TIPOS DE VARIABLES

Cualitativas o de atributos: Son aquellas en donde las características que se

estudian no son numéricas. Ej. Tipo de producto. Ensamblado/No
ensamblado. Nombres de los clientes, etc.

Cuantitativas o continuas: Son aquellas cuyas características pueden

registrarse numéricamente. Ej. Peso de un lote. Número de productos
defectuosos. Número de clientes atendidos, etc.

Las continuas a su vez se clasifican en:

Discretas: Son aquellas que pueden adquirir ciertos valores y casi siempre hay
brechas entre esos valores. Ej.- No. de Clientes atendidos. No. de quejas. No. de
artículos defectuosos por lote. No. de servicios de mantenimiento.

Continuas: Son aquellas que pueden tomar cualquier valor dentro de un intervalo
específico.

Las continuas son las que requieren de un instrumento de precisión para medir,
ejemplo: peso, volumen, voltaje, longitud, resistencia, temperatura, humedad,
tiempo, diversas dimensiones, etc. Ej. Tiempo en que un cliente es atendido.

¿Cómo podemos cuantificar estas variables?

Debemos recurrir a los Datos:

Los datos que se recolectan para fines de calidad se obtienen por observación
directa.
 Por lo general ofrecen una información acerca de cómo está resultando el
proceso en un momento determinado.

Reflejan además una tendencia donde pueden medirse valores que reflejen
una variabilidad que conduzcan a niveles de excelencia en calidad; pero también
pueden ofrecer información donde la variabilidad no sea precisamente la de los
estándares para el proceso.

(d) DEFINICIÓN DE POBLACIÓN Y MUESTRA

MUESTRA: Es un número limitado de artículos tomados de una fuente más

grande.

POBLACIÓN: Es una fuente grande de artículos de donde se toma una muestra.

enso, se necesitan
medios para resumirlos; verificar en qué valor o valores tienden a concentrarse y
como se dispersan o extienden dichos datos.

desviación estándar y otros, a partir de las muestras obtenidas y cuyos resultados

se llaman estadísticos.

estimar el parámetro de una población.

llaman parámetros.

referencia.

dir toda la población, se selecciona una muestra,

de manera que será necesario efectuar esta operación cuando sea imposible
medir toda la población.

media y se denota con la letra griega “μ” (miu) o también como Xo= valor de
referencia.

habla de desviación estándar poblacional y se denota con la palabra griega “σ”

(sigma) o también como So=valor de referencia.
(2.1.2) TÉCNICAS ESTADÍSTICAS

Las Técnicas Estadísticas son utilizadas como herramientas de análisis para el

control de calidad.

La Norma ISO 10017 recomienda técnicas estadísticas específicas para cada

apartado de la Norma ISO 9001. Ésta a su vez establece los requisitos que debe
reunir un sistema de gestión de la calidad.

En general la norma recomienda las siguientes técnicas estadísticas:

a. Estadísticas descriptivas.

b. Diseño de experimentos.

c. Prueba de hipótesis.

d. Análisis de la medición.

e. Análisis de la capacidad del proceso.

f. Análisis de regresión.

g. Análisis de confiabilidad.

h. Muestreo.

i. Simulación.

j. Gráficos de control estadístico de procesos (CEP).

k. Fijación de tolerancias estadísticas.

Ejemplo1- Los sueldos mensuales de los trabajadores en cierto departamento son

los siguientes: 1100. 1300, 1000, 1500, 1600, 1100. ¿Calcule el sueldo promedio
mensual del dpto.?

X= (1100+1300+1000+1500+1600+1100)/7 = 8400/7 = 1200

Dice la Norma ISO 10017:

El término “estadística descriptiva” se refiere a procedimientos para resumir y

presentar datos cuantitativos de manera que revele las características de la
distribución de los datos.
 Las características de los datos que normalmente son de interés son su valor
central (frecuentemente descrito por el promedio), y la desviación o la dispersión
(normalmente medida por el rango, la desviación estándar o la varianza).

Otra característica de interés es la distribución de los datos, para la cual existen

medidas cuantitativas que describen la forma de la distribución (tal como el grado
de "sesgo", que describe su simetría).

(a) MEDIDAS DE TENDENCIA CENTRAL

Es un valor numérico que describe la posición central de los datos, o la forma en

que los datos se tienden a acumular en el centro.

PROMEDIO ( ):

Es la suma de las observaciones dividida entre la cantidad de observaciones.

Dónde:

=promedio

n = # de variables observadas

X1, X2,… Xn = Valor observado

Σ = símbolo que indica “suma de”.

Nota: Si estos son todos los elementos de la población, entonces el promedio

calculado es la media poblacional y se denota con la letra griega μ (mu).

Ejemplo 2:

Utilizando los datos del ejemplo 1:

-Ordenamos los salarios de menor a mayor:

800, 1000, 1100, 1100, 1300, 1500, 1600

-Como la serie es impar, 1100 tiene 50% datos a la izq. Y 50% de datos a la der.

-Por lo que la mediana del ejemplo 1 es 1100.

-Suponiendo que no hubiese el sueldo de 800 ¿Cuál sería la mediana?

-Los 2 salarios centrales serian: 1100 y 1300, por lo que la mediana es:

-Utilizando los datos del ejemplo 1:

1100 es la Moda ya que esta repetido 2 veces.

-
veces c/u)

MEDIANA:

la cantidad de elementos arriba de ella es igual a la cantidad de elementos debajo

de ella.

: la mediana es el promedio de los dos números a la mitad.

MODA (Mo):

Clasificación:

1. 1 Moda = Unimodal.

2. 2 Modas = Bimodal.

3. Más de 2 = Multimodal.

tendencia central.

(b) MEDIDAS DE DISPERSIÓN

cada lado del valor central.

Ejemplo 3- En un departamento de ensamblaje el salario máximo es de 500 Bs. F
y el salario mínimo es de 300 Bs. F ¿Determine el rango?

R = 500 – 300 = 200 Bs. F

1. Rango.

2. Desviación estándar.

3. Varianza.

RANGO:

los valores u observaciones mayor y menor.

R = Xh– Xl

Dónde:

R = Rango

Xh = observación mayor en una serie

Xl = observación menor en una serie.

DESVIACIÓN ESTÁNDAR:

que los datos muéstrales (gr- cm- etc.)

Dónde:

S = Desviación estándar de la muestra

Xi = Valor observado

= promedio

n = # de valores observados.
Ejemplo 4: Sea la siguiente tabla donde Xi representa a valores observados en
kilogramos.

Una desviación estándar grande indica mayor variabilidad que una pequeña.

VARIANZA

Se denota por S2

variabilidad en estadística superior.

(c) RELACIÓN ENTE LAS MEDIDAS DE TENDENCIA CENTRAL

PROMEDIO (valor central):

Cuando la distribución es simétrica

Cuando no es marcadamente asimétrica hacia la derecha o la izquierda.

Cuando se calculan más estadísticos, como por ejemplo: medidas de dispersión,

graficas de control, etc.

Contar con un valor estable en estadística inductiva.

Se recomienda descartar todos aquellos valores atípicos que se encuentran en la

muestra cuando sea necesario determinar medidas de tendencia central.
Se utiliza cuando la distribución es asimétrica positiva o negativa.

Determinar el punto medio exacto de una distribución.

Cuando la distribución tiene valores extremos (afecta al promedio pero no a la

mediana).

Se usa cuando se desea tener una medida rápida y aproximada de la tendencia

central.

Para describir el valor más característico de una distribución. Ej. La edad de esta
sección.

(d) RELACIÓN ENTRE LAS MEDIDAS DE DISPERSIÓN

Es muy común en la dispersión. Sus ventajas son:

Proceso con desviación estándar mayor

ara justificar el cálculo de una

medida más precisa de la dispersión.

El rango no es una función de alguna medida de tendencia central.

A media que aumenta la cantidad de observaciones, la exactitud del rango baja
porque es más fácil que haya valores extremadamente altos o bajos.

Se sugiere limitar el uso del rango a un máximo de 10 observaciones.

Es la medida más común de la dispersión.

Se usa cuando se desea una medida más precisa o se deben calcular otros
estadísticos.

Cuando los datos tienen un valor extremo sea alto o bajo, es preferible la
utilización de la desviación estándar al rango.

En la medida que la desviación estándar se hace pequeña, la calidad mejora.

La grafica anterior muestra dos distribuciones con el mismo promedio y el

mismo rango (R)

agruparse en torno al centro.

n comparación con la de la
gráfica superior.

GRAFICOS DE CONTROL

Hdez (2005) explica cómo se calculan los gráficos de control también

llamadas cartas de control, las cuales constituye la herramienta más poderosa
para analizar la variación en la mayoría de los procesos.
Han sido difundidas exitosamente en varios países dentro de una amplia variedad
de situaciones para el control del proceso.

Las cartas de control enfocan la atención hacia las causas especiales de variación
cuando estas aparecen y reflejan la magnitud de la variación debida a las causas
comunes.

Las causas comunes o aleatorias se deben a la variación natural del

proceso.
Las causas especiales o atribuibles son por ejemplo: un mal ajuste de
máquina, errores del operador, defectos en materias primas.

Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente. Cuando ocurre esto tenemos un proceso estable y
predecible.

Cuando existen causas especiales el proceso está fuera de Control

Estadístico; las gráficas de control detectan la existencia de estas causas en el
momento en que se dan, lo cual permite que podamos tomar acciones al
momento.

Ventajas:

Es una herramienta simple y efectiva para lograr un control estadístico.

El operario puede manejar las cartas en su propia área de trabajo, por lo cual
puede dar información confiable a la gente cercana a la operación en el
momento en que se deben de tomar ciertas acciones.
Cuando un proceso está en control estadístico puede predecirse su
desempeño respecto a las especificaciones. En consecuencia, tanto el
productor como el cliente pueden contar con niveles consistentes de calidad y
ambos pueden contar con costos estables para lograr ese nivel de calidad.
Una vez que un proceso se encuentra en control estadístico, su
comportamiento puede ser mejorado posteriormente reduciendo la variación.
Al distinguir ente las causas especiales y las causas comunes de variación,
dan una buena indicación de cuándo un problema debe ser corregido
localmente y cuando se requiere de una acción en la que deben de participar
varios departamentos o niveles de la organización.

Gráficos de control por variables y por atributos.

En Control de Calidad mediante el término variable se designa a cualquier

característica de calidad “medible” tal como una longitud, peso, temperatura, etc.
Mientras que se denomina atributo a las características de calidad que no son
medibles y que presentan diferentes estados tales como conforme y disconforme o
defectuoso y no defectuoso.

Según sea el tipo de la característica de calidad a controlar así será el

correspondiente Gráfico de Control que, por tanto, se clasifican en gráficos de
Control por Variables y gráficos de Control por Atributos.

Comparación de las gráficos de control por variables vs. atributos

Gráficos de Control por Gráficos de control por

variables atributos
Ventajas significativas Conducen a un mejor Son potencialmente
procedimiento de control. aplicables a cualquier
proceso
Proporcionan una Los datos están a
utilización máxima de la menudo disponibles.
información disponible de
datos. Son rápidos y simples de
obtener.
Son fáciles de interpretar.

Son frecuentemente
usados en los informes a
la Gerencia.

Más econónomicas

Desventajas significativas No se entienden a menos No proporciona

que se de capacitación; información detallada del
puede causar confusión control de características
entre los limites de
individuales.
especificación y los
límites de tolerancia.
No reconoce distintos
grados de defectos en las
unidades de producto.
Campos de aplicación de los gráficos de control

VARIABLES

Gráficos Descripción Campo de aplicación.

X R Medias y Rangos Control de características individuales.
X S Medias y Control de características individuales.
desviación
estándar.
I Individuales Control de un proceso con datos variables que no
pueden ser muestreados en lotes o grupos.

ATRIBUTOS

Gráficos Descripción Campo de aplicación.

P Proporciones Control de la fracción global de defectuosos de un
proceso.
NP Número de Control del número de piezas defectuosas
defectuosos
C Defectos por Control de número global de defectos por unidad
unidad
U Promedio de Control del promedio de defectos por unidad.
defectos por
unidad

Elaboración de Cartas de control X R (variables)

Paso 1: Colectar los datos.
Los datos son el resultado de la medición de las características del producto, los
cuales deben de ser registrados y agrupados de la siguiente manera:
Se toma una muestra (subgrupo) de 2 a 10 piezas consecutivas y se anotan
los resultados de la medición (se recomienda tomar 5). También pueden ser
tomadas en intervalos de tiempo de ½ - 2 hrs., para detectar si el proceso
puede mostrar inconsistencia en breves periodos de tiempo.
Se realizan las muestras de 20 a 25 subgrupos.

Paso 2: Calcular el promedio X y R para cada subgrupo

X1 X 2 ....X N
X
N
 R X mayor X menor

Paso 3: Calcule el rango promedio R y el promedio del proceso X .

R1 R2 ......RK
R
K

X1 X 2 .......X K
X
K
Donde K es el número de subgrupos, R1,R2..es el rango de cada subgrupo;
X 1 , X 2.... son el promedio de cada subgrupo.

Paso 4: Calcule los limites de control

Los límites de control son calculados para determinar la variación de cada

subgrupo, están basados en el tamaño de los subgrupos y se calculan de la
siguiente forma:

LSC R D4 R LSC X X A2 R
LIC R D3 R LIC X X A2 R

Donde D4, D3, A2 son constantes que varían según el tamaño de muestra. A
continuación se presentan los valores de dichas constantes para tamaños de
muestra de 2 a 10.

n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31

Paso 5: Seleccione la escala para las gráficas de control

Para la gráfica X la amplitud de valores en la escala debe de ser al menos del
tamaño de los límites de tolerancia especificados o dos veces el rango promedio
R .
Para la gráfica R la amplitud debe extenderse desde un valor cero hasta un valor
superior equivalente a 1½ - 2 veces el rango.
Paso 6: Trace la gráfica de control

Dibuje las líneas de promedios y límites de control en las gráficas.

Los límites de Control se dibujan con una línea discontinua y los promedios con
una línea continua para ambas gráficas.
Marcar los puntos en ambas gráficas y unirlos para visualizar de mejor manera el
comportamiento del proceso.

Paso 7: Analice la gráfica de control

Ejemplo 1
Se toman las medidas de los diámetros de una pieza cilíndrica, el tamaño de
muestra de cada subgrupo es de cinco, y se toman 25 subgrupos a intervalos de 1
hr.
Realice la carta de control X R .

muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70

muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65

Calculando el rango y el promedio para cada subgrupo obtenemos:

muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
Promedio 0.70 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
Rango 0.20 0.20 0.10 0.15 0.20 0.25 0.65 0.20 0.20 0.20 0.40 0.20 0.05

muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Promedio 0.71 0.82 0.75 0.76 0.67 0.70 0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10
Calculando el Rango promedio, promedio del proceso y límites de control:

R .198

X = .71

LSC R D4 R = 2.11* 0.198 = 0.41

LIC R D3 R
=0

LSC X X A2 R = .71+ (.58) (.198) = .82

LIC X X A2 R = .71-(.58) (.198) = .59

Xbar/R Chart for C1

UCL=0.8254
0.8
Sample Mean

0.7 Mean=0.7112

0.6 LCL=0.5970

Subgroup 0 5 10 15 20 25

0.7 1
0.6
Sample Range

0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0

La carta de control R muestra un punto fuera de los límites de

especificaciones, por lo cual el proceso se encuentra fuera de control, en este
caso es necesario investigar las causas y tomar las acciones correctivas para
eliminar el problema. En la siguiente parte se muestran los criterios para
determinar las situaciones en las cuales un proceso puede estar fuera de control.

Interpretación del control del proceso.

El objeto de analizar una gráfica de control es identificar cuál es la variación del

proceso, las causas comunes y causas especiales de dicha variación y en función
de esto tomar alguna acción apropiada cuando se requiera.

Juran sugiere un conjunto de reglas de decisión para detectar patrones no

aleatorios en las cartas de control. Cuando se detecta alguno de los patrones
siguientes se puede decir que el tomar alguna acción para corregir el problema ya
que el proceso puede estar fuera de control.

PATRONES FUERA DE CONTROL

Gráficas de control X S (variables)

El procedimiento para realizar las cartas de control X S es similar al de las

cartas X R La diferencia consiste en que el tamaño de la muestra puede variar y
es mucho más sensible para detectar cambios en la media o en la variabilidad del
proceso.

El tamaño de muestra n es mayor a 9.La Carta X monitorea el promedio del

proceso para vigilar tendencias.

La Carta S monitorea la variación en forma de desviación estándar.

Terminología

k = número de subgrupos

n = número de muestras en cada subgrupo

X = promedio para un subgrupo

X = promedio de todos los promedios de los subgrupos

S = Desviación estándar de un subgrupo


S = Desviación est. promedio de todos los subgrupos

X1 X 2 ....X N
X
N

X1 X 2 .......X K
X
K
LSC X X A3 S

LIC X X A3 S

LSC S B4 S

LIC S B3 S
Ejemplo 2

Se registra el peso diariamente durante dos semanas. Realizar la gráfica de

control X S

Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5 X S

1 10 12 8 10.00 2.00
2 12 11 7 9 13 10.40 2.41
3 5 6 4 9 6.00 2.16
4 8 8 6 7.33 1.15
5 17 15 16 18 20 17.20 1.92
6 22 24 22 22.67 1.15
7 8 9 7 8.00 1.00
8 6 5 6 5 5.50 0.58
9 10 10 10 11 9 10.00 0.71
10 13 10 12 11.67 1.53
10.88 1.46

X 10.88

S 1.46

Se calculan los límites de control para cada subgrupo, ya que al tener tamaños de
muestra diferentes estos son variables.

Gráfica X S con límites constantes:

Para la realización de los diagramas de control con límites constantes

utilizamos las fórmulas siguientes:

Los parámetros para el gráfico X son:

LIC X X A3 S

LIC X X A3 S

y para el gráfico S :

LICS B4 S
LSCS B3 S
 Xbar/S Chart for C1-C5

25
Sample Mean

15
UCL=13.70
Mean=10.87
LCL=8.033
5

Subgroup 0 1 2 3 4 5 6 7 8 9 10

4
UCL=3.725
Sample StDev

2
S=1.451
1

0 LCL=0

Ejemplo 3:

Las siguientes cifras son la medias y las desviaciones estándar de muestras

de 5 observaciones correspondientes a los diámetros de una pieza metálica:

muestra X-bar Si muestra X-bar Si

1 74.01 0.0148 14 73.99 0.0153
2 74.001 0.0072 15 74.006 0.0073
3 74.008 0.0106 16 73.997 0.0078
4 74.003 0.0091 17 74.001 0.0106
5 74.003 0.0122 18 74.007 0.007
6 73.996 0.0087 19 73.998 0.0085
7 74 0.0055 20 74.009 0.008
8 73.997 0.0123 21 74 0.0053
9 74.004 0.0055 22 74.002 0.0074
10 73.998 0.0063 23 74.002 0.0119
11 73.994 0.0029 24 74.005 0.0087
12 74.001 0.0042 25 73.998 0.0162
13 73.998 0.0105 PROMEDIOS 74.001 0.0090

De la tabla tenemos que: X 74 .001 y S = .0090

Calculamos los límites de control:

LIC X X A3 S = 74.001 + (1.427)(.0090) = 74.014

LIC X X A3 S = 74.001 – (1.427)(.0090) = 73.998

LICS B4 S = (2.089)(.0090) = 0.019

LSCS B3 S = (0)(.0090) = 0

Carta de control de lecturas Individuales I-MR (Datos variables).

A menudo esta carta se llama “I” o “Xi”.

Esta Carta monitorea la tendencia de un proceso con datos variables que no
pueden ser muestreados en lotes o grupos.
Este es el caso cuando la capacidad de corto plazo se basa en subgrupos
racionales de una unidad o pieza.
Este tipo de gráfica es utilizada cuando las mediciones son muy costosas(Ej.
Pruebas destructivas), o cuando la característica a medir en cualquier punto en
el tiempo es relativamente homogénea (Ej. el PH de una solución química)
La línea central se basa en el promedio de los datos, y los límites de control se
basan en la desviación estándar (+/- 3 sigmas)

Terminología

k = número de piezas

n = 2 para calcular los rangos

X = promedio de los datos

R = rango de un subgrupo de dos piezas consecutivas

R = promedio de los (n - 1) rangos

LSC X X E2 R

LIC X X E2 R

LSC R D4 R
LIC R D3 R

Donde D4, D3, E2 son constantes que varían según el tamaño de muestra usado
para agrupar los rangos móviles como se muestra en la tabla siguiente:

n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
* Generalmente se utiliza n = 2

Ejemplo 3: La longitud de un tramo de tubo se registra para cada producto.

Realice la gráfica de control individual.

Parte Longitud
1 12.02
2 11.85
3 11.98
4 11.72
5 11.88
6 12.07
7 12.03
8 12.13
9 12.16
10 12.16
11 12.16
12 12.21
13 12.19
14 11.93
15 11.89

Se calcula el rango móvil de la siguiente manera: diferencia entre 1ª y 2ª lectura,

2ª y 3ª y así hasta n-1.

Parte Longitud Rangos

1 12.02 0.17
2 11.85 0.13
3 11.98 0.26
4 11.72 0.16
5 11.88 0.19
6 12.07 0.04
7 12.03 0.10
8 12.13 0.03
9 12.16 0.00
10 12.16 0.00
11 12.16 0.05
12 12.21 0.02
13 12.19 0.26
14 11.93 0.04
15 11.89
12.03 0.10
X 12.03
R 0.10

LSC X X E 2 R =12.03+ (2.66)(.10) = 12.29

LIC X X E2 R =12.03 – (2.66) (.10) = 11.76

LSC R D4 R = 3.27 (.10)= .327

LIC R D3 R = 0

I Chart for C1
12.35
UCL=12.30
12.25

12.15
Individual Value

12.05
Mean=12.03
11.95

11.85

11.75 LCL=11.75
1
11.65
0 5 10 15
Observation Number

Moving Range Chart for C1

0.4

UCL=0.3384
0.3
Moving Range

0.2

0.1 R=0.1036

0.0 LCL=0

0 5 10 15
Observation Number
Interpretación del proceso:

Revisar la gráfica de rangos para puntos fuera de los límites de control como
signo de la existencia de causas especiales. Note que los rangos sucesivos
están correlacionados, debido a que tienen un punto en común y debido a esto
se tiene que tener cuidado al interpretar tendencias.
Las gráficas por lecturas individuales pueden ser analizadas para puntos fuera
de los límites de control, dispersión de puntos dentro de los límites de control y
para tendencias o patrones. Cabe hacer notar que si la distribución de proceso
no es simétrica, las reglas mostradas anteriormente para gráficas X podrán dar
señales de causas especiales sin que éstas existan.

Gráficas de control por atributos

Cualquier característica de calidad que pueda ser clasificada de forma binaria:

“cumple o no cumple”, “funciona o no funciona”, “pasa o no pasa”, etc., a los
efectos de control del proceso, será considerado como un atributo y para su
control se utilizará un Gráfico de Control por Atributos.

Los criterios de aceptación al utilizar gráficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se están
alcanzando es producir resultados consistentes a través del tiempo. Este
procedimiento consiste en definir operacionalmente lo que se desea medir. Una
definición operacional consiste en:

1º. Un criterio que se aplica a un objeto o a un grupo

2º. Una prueba del objeto o del grupo y

3º. Una decisión, sí o no: El objeto o el grupo alcanza o no el criterio.

Gráfica P para fracción de Unidades Defectuosas (atributos)

La gráfica p mide la fracción defectuosa o sea las piezas defectuosas en el

proceso. Se puede referir a muestras de 75 piezas, tomada dos veces por día;
100% de la producción durante una hora, etc. Se basa en la evaluación de una
característica (¿se instalo la pieza requerida?) o de muchas características (¿se
encontró algo mal al verificar la instalación eléctrica?). Es importante que cada
componente o producto verificado se registre como aceptable o defectuoso
(aunque una pieza tenga varios defectos específicos se registrará sólo una vez
como defectuosa).
Pasos para la elaboración de la gráfica:

Paso 1- Frecuencia y tamaño de la muestra:

Establezca la frecuencia con la cual los datos serán tomados (horarios, diarios,
semanales). Los intervalos cortos entre tomas de muestras permitirán una rápida
retroalimentación al proceso ante la presencia de problemas. Los tamaños de
muestra grandes permiten evaluaciones más estables del desarrollo del proceso y
son más sensibles a pequeños cambios en el promedio del mismo. Se aconseja
tomar tamaños de muestra iguales aunque no necesariamente se tiene que dar
esta situación, el tamaño de muestra debería de ser mayor a 30. El tamaño de los
subgrupos será de 25 o más.

Paso 2- Calculo del porcentaje defectuoso (p) del subgrupo:

Registre la siguiente información para cada subgrupo:

El número de partes inspeccionadas – n

El número de partes defectuosas – np

np
Calcule la fracción defectuosa (p) mediante: p
n

Paso 3 – Calculo de porcentaje defectuoso promedio y límites de control

El porcentaje defectuoso promedio para los k subgrupos se calcula con la

siguiente fórmula:

np1 np 2 .... np k
p
n1 n 2 ..... n k

p (1 p )
LSC p p 3
n

p (1 p )
LIC p p 3
n

Donde n es el tamaño de muestra promedio.

NOTA: Cuando p y/o n es pequeño, el límite de control inferior puede resultar
negativo, en estos casos el valor del límite será = 0

Paso 4- Trace la gráfica y analice los resultados.

Ejemplo 4

Un fabricante de latas de aluminio registra el número de partes defectuosas,

tomando muestras cada hora de n = 50, con 30 subgrupos. Realizar la gráfica de
control para la siguiente serie de datos obtenida durante el muestreo.

Muestra Latas defectuosas Muestra Latas defectuosas

np np
1 12 16 8
2 15 17 10
3 8 18 5
4 10 19 13
5 4 20 11
6 7 21 20
7 16 22 18
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6

Calcule la fracción defectuosa para cada muestra:

Muestra Latas defectuosas Fracción defectuosa Muestra Latas defectuosas Fracción defectuosa
np p np p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
p .2313

p (1 p ) .23 * .77
LSC p p 3 = .2313 3 =.4102
n 50

p (1 p ) .23 * .77
LIC p p 3 = .2313 3 =.05243
n 50

Trazando la gráfica

P Chart for C1

0.5 1
1

0.4 UCL=0.4102
Proportion

0.3

P=0.2313
0.2

0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number

Gráfica np – Número de defectivos

La gráfica np es basada en el número de defectuosos en vez de la proporción de

defectuosos. Los límites son calculados mediante las siguientes fórmulas.

LSC np 3 np 1 p

LIC np 3 np 1 p

Ejemplo 5:

Utilizando los datos del diagrama anterior, construya la gráfica np e interprete los
resultados.
 De la tabla obtenemos p 0.2313 , n = 50.

Calculando los límites de control tenemos:

LSC = (50)(0.2313) 3 50 0.2313 0.7687 20.510

LIC = (50)(0.2313) 3 50 0.2313 0.7687 2.620

NP Chart for cantidad

25 1
1

20 3.0SL=20.51
Sample Count

15

NP=11.57
10

5
-3.0SL=2.621
0
0 10 20 30
Sample Number

Gráfico de Control C.

Gráfica C – para número de defectos

Se utiliza para determinar la ocurrencia de defectos en la inspección de una

unidad de producto. Esto es determinar cuantos defectos tiene un producto.
Podemos tener un grupo de 5 unidades de producto, 10 unidades, etc.

Los límites de control se calculan mediante las siguientes fórmulas:

LSC c 3 c

LSC c 3 c

Donde:
c = total de defectos/ número de unidades de producto.

Ejemplo:

En la siguiente tabla tenemos el número de unidades de defectos observados en

26 muestras sucesivas de 100 filtros de seguridad.

muestra defectos muestra defectos

1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15

516
c 19.67
26

LSC 19.67 3 19.67 32.97

LIC 19.67 3 19.67 6.37

C Chart for C1

40 1

3.0SL=33.21
30
Sample Count

20 C=19.85

10
-3.0SL=6.481
1
0
0 10 20
Sample Number
Grafica U – Defectos por Unidad

El diagrama u se basa en el promedio de defectos por unidad inspeccionada:

c
u=
n

Donde

c = número de defectos

n = cantidad de piezas inspeccionadas

Para determinar los límites de control utilizamos las fórmulas siguientes:

u
LSC u 3
n

u
LIC u 3
n

Ejemplo 6

Una compañía que fabrica computadoras personales desea establecer un

diagrama de control del número de defectos por unidad. El tamaño de muestra es
de cinco computadoras. En la tabla se muestran el número de defectos en 20
muestras de 5 computadoras cada una. Establecer el diagrama de control u.
 muestra tamaño de muestra Número de defectos, c promedio de defectos por unidad u
1 5 10 2
2 5 12 2.4
3 5 8 1.6
4 5 14 2.8
5 5 10 2
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2
10 5 15 3
11 5 9 1.8
12 5 5 1
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total 193 38.6

ui 38 .60
u 1.93
n 20

Los límites de control son los siguientes:

1.93
LSC 1.93 3 3.79
5

1.93
LIC 1.93 3 0.07
5
 U Chart for C1
4
3.0SL=3.794

3
Sample Count

2 U=1.930

0 -3.0SL=0.06613

0 10 20
Sample Number

CAPACIDAD DE PROCESO

Hernández y Reyes (2007) describen la capacidad de proceso y como calcularla

en el siguiente contenido:

Capacidad del proceso: Es la aptitud del proceso para producir productos dentro
de los límites de especificaciones de calidad.

Objetivos1
1. Predecir en que grado el proceso cumple especificaciones.

2. Apoyar a diseñadores de producto o proceso en sus modificaciones.

3. Especificar requerimientos de desempeño para el equipo nuevo.

4. Seleccionar proveedores.

5. Reducir la variabilidad en el proceso de manufactura.

6. Planear la secuencia de producción cuando hay un efecto interactivo de los

procesos en las tolerancias
1
Douglas C. Montgomery, Introduction to Statistical Quality Control, Second Edition, pp 307
 LIE LSE

s _
xi
p X

p = porcentaje de medidas bajo la curva de probabilidad fuera de

especificaciones.

1c. Partes fuera de especificaciones

En el área sombrada observamos medidas fuera de los límites de especificación.

Para solucionar este problema, podemos reducir la desviación estándar.

También podríamos cambiar la media.

Lo ideal sería, por supuesto cambiar ambas.

Cálculo de la capacidad del proceso

Antes de calcular la capacidad del proceso, el proceso debe estar en control
estadístico.

2a. Condiciones y fórmulas para el estudio de capacidad del proceso

Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos1:

El proceso se encuentre bajo control estadístico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso está fuera de control la

1
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
 media y/o la desviación estándar del proceso no son estables y, en
consecuencia, su variabilidad será mayor que la natural y la capacidad
potencial estará infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los índices de habilidad. Si los datos se componen
de menos de 100 valores, entonces deben calcularse los límites de confianza
inferiores.
Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras. En el caso de la industria
automotriz se especifican 300 partes mínimo.
El parámetro analizado en el estudio sigue una distribución de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
índices de capacidad son incorrectos y solo se podrán determinar los índices
de desempeño del proceso, que no toma en cuenta si el proceso está en
control o no.

También, es importante al realizar un estudio de capacidad, asegurarnos que la

variación en el sistema de medición no sea mayor al 10%.

Para calcular la habilidad o capacidad potencial, primero se determina la

desviación estándar estimada de la población como sigue:

R
ST
d2

LSE LIE
Cp
6 ST

Donde:

Cp = capacidad potencial
LSE = límite superior de especificaciones

LIE = límite inferior de especificaciones

ST = desviación estándar a corto plazo

El índice Cp debe ser 1.33 para tener el potencial de cumplir con

especificaciones (LIE, LSE)

Los valores Z se determinan como sigue:

LIE X
ZI
ST

LSE X
ZS
ST

Para calcular la habilidad o capacidad real utilizamos la siguiente fórmula:

menor Z I , Z S
C pk
3

Para que el proceso cumpla con las especificaciones el Cpk= debe de ser 1.33 .

Capacidad a partir de cartas de control

En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.

?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso
“estable”. La distribución será “predecible” en el tiempo.

Predicción

Tiempo

Cálculo de la desviación estándar del proceso

R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4

Donde,

S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R

C4 = Ídem al anterior para una carta X - S

Al final del texto se muestran las constantes utilizadas para las cartas de control.

En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma

rangos / (n -1)
Ejemplo 3 (carta X - R)

De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después

de que el proceso se estabilizó quedando sólo con causas comunes: x = 64.06 ,

R = 77.3

Por tanto estimando los parámetros del proceso se tiene:

x media de medias

R 77 .3
33 .23
d2 2.326

Si el límite de especificación es: LIE = 200.

200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.

Ejemplo 4 (carta X - S)

De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después

de que el proceso se estabilizó quedando sólo con causas comunes:
x 100, s 1.05

Por tanto estimando los parámetros del proceso se tiene:

x 100

s 1.05
= 1.117
C4 .094

C4 para n = 5 tiene el valor 0.94

Si el límite de especificación es: LIE = 85 y el LSE = 105.

 105 100
El C pk 1.492
3 1.117

105 85
El C p 2.984
6 1.117

Por lo tanto el proceso es capaz de cumplir con especificaciones.

Ejemplo 5:

De una carta de control X - R (con subgrupos de n = 5), después de que el

proceso se estabilizó quedando sólo con causas comunes, se obtuvo lo siguiente:

Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parámetros del proceso se tiene:

= X media de medias = Rmedio / d2 =77.3 / 2.326 = 33.23

[ d2 para n = 5 tiene el valor 2.326]

Si el límite de especificación es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las
especificaciones.

Otros índices de capacidad del proceso

INDICE DE CAPACIDAD Cpm

Es un indicador de capacidad potencial que toma en cuenta el centrado del

proceso:
X T
Si V donde T es el centro de las especificaciones.

Cp LSE LIE
C pm
1 V2 6 2
( T )2
Cuando T es igual a X media del proceso, Cpm = Cp = Cpk

INDICE DE CAPACIDAD Cpkm

Es un indicador de capacidad real que toma en cuenta el centrado del proceso:

Si T es el centro de las especificaciones.
Cpk
C pkm
2
T
1

Cuando T es igual a X media del proceso, Cpkm = Cpk

Bibliografía Consultada:

Hdez, H. (2005). Cartas de Control.

Hernández, H. y Reyes, P. (2007). Capacidad y Desempeño del Proceso.

Pérez, G. (S/F). Principios estadísticos aplicados en control de calidad.