Segunda Separata de La II Unidad-30-53

Universidad Nacional de Trujillo Ing.
William Guarniz Herrera

Facultad de Ingeniería Doc. de Evaluación y Control de Calidad
Escuela de Ingeniería de Materiales
CONTROL ESTADISTICO DE PROCESOS (SPC)
1. INTRODUCCION
Uno de los roles más importantes de la estadística es el del análisis de la información de los procesos
industriales repetitivos y su interpretación mediante la leyes de las probabilidades. Hoy en día, esta
ciencia ha adquirido gran importancia debido a que casi todas las propiedades físicas, las
propiedades químicas y cualquier otra característica de calidad tienen una distribución probabilística
y un comportamiento definido.
Una noción del Control Estadístico de los Procesos o SPC (“Statistical Process Control”) es la noción
de estabilidad. Cualquier proceso real exhibe variaciones y, en ls procesos productivos, las
variaciones ocurren en los parámetros de operación y en las características de calidad de los
productos. Específicamente, las variaciones ocurren en las características que son medibles y no
medibles, por ejemplo: dureza, resistencia, composición, color, apariencia, estado, etc.
En los procedimientos operativos se puede esperar un cierto grado de variación en el número de

errores cometidos por los trabajadores. En el caso del personal también se pueden esperar
variaciones que van desde el ausentismo hasta el sobretiempo. Si se toman por ejemplo, un proceso
de fabricación de ejes de transmisión, se puede comprobar que si existe una serie de causas
constantes presentes que tienen una distribución normal. Suponiendo que existe interés en el
diámetro del eje y se desea que caiga entre los limites A   B, donde A es el límite especificado
inferior y B es el límite especificado superior; cuando el eje es fabricado y su diámetro cae entre
dichos limites, se dice que el eje es conforme, de otro modo, se dice que es defectuoso o no es
conforme.
Durante el proceso de producción nunca podrán ser fabricados dos o más ejes de ls mismas
dimensiones o que exactamente iguales, no obstante, se asegura que son iguales cuando se mide el
diámetro con un micrómetro con una diferencia de centésimas de unidad, sin embargo, esto no
puede considerarse como el significado de igualdad ya que pequeñas variaciones pueden marcar
grandes diferencias en la calidad del producto.
Las causas de las variaciones de las características de calidad se deben a las variaciones en el
comportamiento de los elementos de la producción: hombres, materiales, maquinas, métodos de
operación y condiciones ambientales. No todos los trabajadores tienen las mismas habilidades y
grado de capacitación, n todos son responsables y eficientes. No siempre los materiales y los insumos
tienen la misma pureza y estructura. No siempre las maquinas conservan el mismo grado de
calibración y no siempre se les realiza un mantenimiento adecuado y oportuno. Asimismo, no
siempre los procedimientos o métodos de operación son aplicados tal cual son indicados o
transmitidos. Finalmente, las condiciones ambientales son siempre diferentes en cada momento del
día: la temperatura, la presión, la vibración, la humedad, la iluminación, etc.
2. CAUSAS NO ASIGNABLES Y CAUSAS ASIGNABLES

Cuando las variaciones existentes dentro del proceso son normales y no producen efectos
detrimentes en el producto. Dichas variaciones proceden de causas que son consecuencias de la
casualidad o del azar. Tanto este tipo de causas como las variaciones son inherentes al sistema y no
30
Universidad Nacional de Trujillo Ing. William Guarniz Herrera
pueden ser eliminadas en forma definitiva. Sólo cambiando el sistema o el proceso por completo las
causas pueden ser eliminadas parcialmente pero, de cualquier forma, nada puede hacerse para
eliminarlas totalmente, puesto que, el nuevo sistema, también incluirá causas propias de él. A estas
causas, industrialmente, se les denomina causas no asignables de variación o causas del azar.
La medición de una característica de calidad siempre está sujeta a una cierta cantidad de variación.
Realizando un número grande pero finito de observaciones de cualquier característica de calidad y
graficando las mediciones respectivas en un diagrama de frecuencias se puede observar un cierto
grado de variación. Si el régimen de variación es estable significa que el proceso también lo es, por lo
tanto, se está en estado de estabilidad estadística, en estado de control estadístico o simplemente
en control.
Por otro lado, si durante el desarrollo de un proceso se observan variaciones en las características de
calidad del producto; que no corresponden a un sistema constante de causas de azar, es decir,
variaciones superiores a lo que se espera que normalmente ocurra, entonces, es posible especular
que las herramientas, las maquinarias o los equipos no están desarrollando bien su trabajo; de igual
forma, se puede pensar que los materiales e insumos que están fuera del rango especificado, o
cualquier otra circunstancia más, son las causantes de dichas variaciones . Cuando esto ocurre, se
dice que el sistema ha variado por la presencia de causas asignables, en consecuencia, la mayor
preocupación deberá dirigirse hacia la ubicación y la erradicación de dichas causas para devolver al
proceso a su estado natural de causas de variación.
Cuando una causa asignable está presente y degenera al proceso se afirma que éste está fuera de
control, por lo que se debe esperar un incremento del porcentaje de producto rechazado o de
recortería. Por lo tanto, los procesos industriales deberán ser mantenidos en control si se quiere
obtener un producto con las especificaciones técnicas debidas y al más bajo costo.
La Potencia del SPC radica en la destreza para detectar las causas asignables cuando estas ocurren y
en la prontitud con que las acciones preventivas y/o correctivas pueden tomarse para su total
eliminación.
3. CARTAS O GRAFICOS DE CONTROL
Las cartas de control son mecanismos del SPC y fueron desarrollados por el Dr. Walter A. Shewhart,
prominente Ingeniero y Científico, llamado el padre del Control de Calidad. Por tal motivo, en su
memoria, estas herramientas también son denominadas cartas o gráficos de control de Shewhart.
El uso de las cartas de control; permite reducir los costos de manufactura, mejorar la calidad del
producto, reducir el número de piezas defectuosas, reducir los desperdicios, revisar los límites de
especificación, mejorar el programa de entrega de los pedidos, etc. Como herramientas estadísticas
se usan principalmente para realizar el control y el diagnostico de procesos repetitivos.
La mayor virtud de las cartas de control es la de informar con razonable grado de exactitud cuándo
buscar problemas o causas de variación, aunque por sí misma no pueden decir dónde buscar o qué
causa será encontrada. Si bien es cierto que las cartas de control no pueden ayudar a poner el dedo
en dónde buscar, los usuarios de estas herramientas muchas veces desarrollan tantas habilidades
que pueden diagnosticar las causas de los problemas con sorprendentes exactitud. Estas habilidades
31
son consecuencias del buen entendimiento de los procesos de producción combinado con la buena
aplicación de las cartas de control. Tal como apuntó H. F. Dodge, el SPC es 90% ingeniería y solo el
10% estadística. Esto es lógico por cuanto la estadística solamente avisa de la aparición de las causas
asignables, pero, la búsqueda y la solución de los problemas son los elementos indispensables de la
aplicación de la ingeniería de la calidad para permitir erradicar radicalmente el reproceso y el rechazo
de productos defectuosos así como los elevados costos de producción.
Por otro lado, cuando se trata de procesos de inspección y aceptación de productos, las pruebas
destructivas y los procedimientos analíticos caros también requieren del uso de los gráficos de
control para reducir los costos de la calidad.
Los gráficos de control que normalmente se utilizan en los procesos en general y en las pruebas
experimentales son los gráficos de promedios  X  , que se emplean para medir la variación del
centrado de los procesos y los gráficos de rangos R  y desviaciones estándar ( ), que se usan para
determinar el grado de dispersión de los grupos de datos individuales del universo, dentro de límites
especialmente calculados , para ejercer el control y observar las distintas variaciones que son
productos de causas del azar.
4. ALGUNAS CONSIDERACIONES SOBRE LAS MEDIAS  X  Y LAS DISPERSIONES R ,   DE LOS

GRAFICOS DE CONTROL.
En las pruebas de “corridas” largas el promedio de los valores de  X j  , es decir X , deberá ser igual
'
al promedio real del universo X . Asimismo, la desviación estándar de la distribución de frecuencias
  '
de los valores X j , es igual a x
n
, donde n es el tamaño de la muestra o tamaño del
subgrupo de muestra. De esta manera, todos los promedios X j

de cada subgrupo deberán caer
X  x
o X  3
'
dentro de los límites n , para intuir preliminarmente que el proceso está en
control.
La distribución de los valores X j de las muestras tomadas al azar tiende a ser normal aun cuando el
universo de donde son extraídas las muestras no sea normal. El aspecto más importante que puede
observarse de universo no normales, por decir, universos de distribución cuadrada o triangular, es
que la distribución de los promedios X j

de dichos universos agrupados en muestras de tamaño
n=4, es aproximadamente normal.
En cuanto a las dispersiones, desde el punto de vista práctico (cuando no se cuenta con un
instrumento de cálculo rápido, tales como calculadora o computadora), es más fácil calcular R de un
subgrupo de datos, haciendo una simple sustracción, que calcular. En muchas ocasiones, la facilidad
de cálculo de R es de mucha importancia que cualquier ventaja teórica que se pueda tener el empleo
de  como dispersión de los datos de cada subgrupo. Sin embargo, en los casos en que las
mediciones son costosas, por ejemplo, en las pruebas destructivas de piezas valiosas, es necesario
que las inferencias que se puedan realizar de un limitado número de pruebas sean las más confiables
posibles, por tal motivo, el cálculo de los valores  es, por demás justificado.
32
Los gráficos R y  explican casi exactamente la variación de los datos individuales X j del universo
dividido en subgrupos, pero algunas veces son omitidos cuando la experiencia demuestra que las
dispersiones raras veces salen fuera de los límites de control aun cuando los valores de X j
lo hacen
con mucha frecuencia.
'
Los desvíos del promedio del universo X ocurren debido a los desajustes de las maquinas o de los
parámetros de operación en los procesos donde la habilidad y el cuidado del operador son factores
importantes. Por otro lado, la excesiva rotación del personal constituye una causa muy común del
incremento de la dispersión debido a que el cambio de un operador por otro menos calificado o
menos cuidadoso, normalmente ocasiona que los procesos arrojen resultados con excesiva variación.
Aun cuando no se trate del mismo operador; la desmotivación, la desmoralización, la

irresponsabilidad, la indisciplina, etc., constituye causas de gran variación de la dispersión del
proceso.
De hecho, toda esta circunstancia se puede dar día a día, hora a hora, etc. En estos casos las cartas
de control R y  son indispensable y se constituyen en herramientas extremadamente útiles para el
control de los procesos a fin de llevar a la dispersión a un estado de control estadístico. Si la
distribución de los valores de X j

es normal aun cuando el universo son lo sea, la distribución de

valores j , evidentemente, no es simétrica y, por lo tanto no puede ser normal, más aun para
pequeños valores del tamaño de la muestra “n”
Mientras más grande es el número de subgrupo “N” que intervienen en las cartas de control, para el
cálculo de R y , más grande es el grado de confianza para la estimación de la variabilidad o
dispersión del universo ’.
Una experiencia común en las maquinas operadas manualmente, donde la dispersión de los procesos
es altamente dependiente del cuidado que ponga el operador en el manejo de dichas maquinas, es
que la introducción de las cartas de control induce a una mejora notable de dicho cuidado y a una
reducción de la dispersión del proceso..
Finalmente, la información que dan los primeros subgrupos de muestras normalmente no es

representativa de los acontecimientos futuros, por esta razón, debe ser depurada antes de llevar a
cabo el análisis estadístico mediante las cartas de control o gráficos de control.
5. SELECCIÓN DEL TAMAÑO Y FRECUENCIA DE LOS SUBGRUPOS D MUESTRAS

Técnicamente, el tamaño de las muestras debe ser definido de tal manera que los datos de cada
subgrupo sean los más homogéneos posible y que entre subgrupos exista la máxima oportunidad de
variación. Esto quiere decir, que para poder detectar los cambios en el universo un subgrupo deberá
estar constituido de datos que correspondan a las características de calidad de los artículos que
hayan sido fabricados lo más cercanamente posible uno del otro, el próximo subgrupo deberá
consistir de datos extraídos producidos en un momento posterior y así sucesivamente. Por todo ello,
es mejor que no exista predisposición para la selección de datos en un subgrupo determinado. Las
muestras deberán ser escogidas al azar.
33
Shewhart sugirió 04 datos por subgrupos como un taño ideal de cada muestra o subgrupos.
Industrialmente, muy a menudo se utilizan 05 datos por subgrupos. Sin embargo, debido a que
dentro de un subgrupo se necesita un mínimo de variación, es deseable que cada subgrupo sea tan
pequeño como sea posible. Un tamaño de muestra de 04 es mejor que 02 o 03 unidades puesto que
los promedios X j adoptan una distribución casi normal aun cuando el universo del cual hayan sido
extraídos los datos no sea normal.
Solamente cuando el costo de las mediciones lo justifiquen subgrupos de 02 o 03 datos pueden ser
empleados. Cuando se desea que los gráficos de control sean sensitivos a pequeñas variaciones de
los promedios del proceso se pueden utilizar tamaños de muestras de 10 ó 20 datos.
Mientras más grande sea el tamaño de cada muestra o subgrupo “n” más estrecho son los límites de
control en los gráficos X y, por lo tanto, es más fácil detectar pequeños cambios en el universo. Esto
es cierto si los subgrupos son seleccionados de tal manera que la más grandes variaciones en el
proceso ocurren entre los subgrupos y no dentro de cada subgrupo.
Cuando las cartas de control se aplican para realizar el análisis de la información histórica es
necesario tabular subgrupos más grandes que lo ordinariamente recomendado para información de
lapso cortos de muestreo.
No existen reglas generales en cuanto a la frecuencia del muestreo para armar los subgrupos. Esta
tiene que hacerse después de realizar un análisis de costo – beneficio. Al comienzo, se pueden tomar
muestras o determinaciones más frecuentes para arribar a las conclusiones deseadas en menor
tiempo. Posteriormente, después que los problemas han sido diagnosticados, corregidos y resueltos
la función de las cartas de control deberá ser sólo de mantenimiento del control del proceso de
producción y, para ello, la frecuencia del muestreo necesariamente debe ser disminuida.
6. DETERMINACION DE LOS LIMITES DE CONTROL

Los gráficos se preparan preliminarmente sin considerar los límites de control hasta que se haya
obtenido una cantidad suficiente de datos de tal manera que los límites estimados sean lo
suficientemente confiables para ser utilizados como elementos de control. Los límites no se
determinan hasta que, por lo menos, 25 subgrupos de los datos individuales del universo sean
obtenidos.
De acuerdo con la experiencia es conveniente que las primeras muestras sean descartadas porque
generalmente no son representativas del universo y de lo que se pueda determinar posteriormente,
es decir, este simple hecho podría permitir la inclusión de causas asignables que son consecuencia de
los errores de medición así como de causas propias de los ajustes iniciales de los parámetros de
producción.
Cuando los 25 subgrupos de muestras se obtienen en un periodo bastante corto, es decir, en 24

horas, es necesario tomar otras 25 muestras para poder sacar una conclusión definitiva acerca de los
límites de control. Por otro lado, cuando las determinaciones son muy lentas acerca es a menudo
determinar los límites de control preliminares de aproximadamente 10 subgrupos con el fin de sacar
34
ciertas conclusiones acerca del proceso, pero, con cargo a modificarlos posteriormente cuando se
obtenga la cantidad recomendada de muestras.
Los límites de control deberán establecerse desde el punto de vista más económica y, para ello, se ha
considerado que los limites 3 – sigma son los que cumplen este rol de la manera más acertada
Los gráficos de control dan una visión más completa de la historia de la calidad de un producto o de
un proceso de una forma más simple y evidente que una tabulación ordenada de datos. Por
supuesto, que la contribución más importante de los gráficos de control es la de ayuda a buscar los
problemas en el proceso cuando los promedios o las dispersiones de los grupos de datos tabulados
caen fuera de los límites de control. Una decisión basada en el estudio de los puntos que caen fuera
de los límites de control es mucho más acertada y económica que el empleo del sentido común para
la solución de los problemas de calidad.
Si el proceso ha permanecido en control satisfactoriamente según el análisis de las cartas de control

X  R o X   , los límites deberán ser extendidos para ser aplicados en el control de la producción
futura. A medida que se acumule mayor información, los límites deberán ser revisados de tiempo en
tiempo. Es recomendable establecer períodos regulares para llevar a cabo esta revisión; una vez por
semana, una vez por mes, cada 25, 50 o 100 subgrupos de muestra, etc.
7. INDICACIONES DE CONTROL O FALTA DE CONTROL

Los límites de control están ubicados lo suficientemente lejos de la línea central. Algunos pocos
puntos podrían caer fuera de los límites de control sin un cambio significativo del promedio del
universo. No necesariamente esta desviación del patrón de variación constante (sistema de causas
constantes no asignables) es insatisfactoria desde el punto de vista práctico puesto que muchos
procesos de producción no lo hacen del todo bien.
Evidentemente, cuando los puntos que caen fuera de los límites de control significa que el universo
ha variado. Es como si las muestras hubieran sido extraídas de universos diferentes. Es obvio que
cuando más grande es la desviación del promedio del universo más fuerte será la evidencia de la
falta de control y por más pequeño que sea el cambio, éste puede ser detectado por el grafico de
control.
La falta de control es indicada por los puntos que caen fuera de los límites de control en las cartas X
o R. esto equivale a decir, que ciertas causas asignables de variación están presentes y que el proceso
no es un sistema de causas constantes.
En contraste, cuando los puntos caen dentro de los límites de control, no se puede decir con la
misma seguridad que no existen causas asignables de variación en el proceso y que se trata de un
sistema de causas constantes, porque esto podría no ser cierto ya que las secuencias o “corridas”
características de puntos dentro de los límites de control son indicadores de una falta de control del
proceso.
Aun en los mejores procesos de manufactura ocurren errores ocasionales que constituyen causas
asignables de variación pero que no necesariamente constituyen una base para tomar acción
correctiva alguna. Este hecho, sin embargo, conduce a adoptar algunas reglas prácticas para
35
relacionar el control satisfactorio con el número de puntos que caen fuera de los límites de control;
como por ejemplo, el considerar no más de 1 de 53 o 2 de 100 puntos fuera de los limites, como
evidencia de control.
8. PRUEBAS PARA DETECTAR FALTA DE CONTROL CUANDO HAY EVIDENCIA DE SECUENCIAS DE

PUNTOS DENTRO DE LOS LÍMITES DE CONTROL.
Para poder sospechar cambios en cualquier parámetro del universo  X ' o ' , en los procesos
prácticos de manufactura es común tomar en cuenta las sgtes reglas basadas en las secuencias o
“corridas” largas de puntos dentro de los límites de control:
a. Cuando de 7 puntos consecutivos, todos caen en un mismo lado de la línea central.
b. Cuando de 11 puntos consecutivos, al menos 10 caen en un mismo lado de la línea central.
c. Cuando de 14 puntos consecutivos, al menos 12 caen en un mismo lado de la línea central.
d. Cuando de 17 puntos consecutivos, al menos 14 caen en un mismo lado de la línea central.
e. Cuando de 20 puntos consecutivos, al menos 16 caen en un mismo lado de la línea central.
Las secuencias mencionadas en cada una de las reglas anteriores ocurren como una cuestión del
azar, sin cambio alguno del universo y con mucho más frecuencia que la evidencia fácilmente
observable de un punto fuera de los límites de control 3 – sigma. Sin embargo, tomar una decisión
para iniciar la búsqueda de causas asignables en el proceso en base a las observaciones de una
secuencia de puntos es mucho menos confiable que hacerlo cuando existe la evidencia de que un
punto ha caído fuera de los límites de control.
Es preferible que para el análisis del cambio de los parámetros del universo se tenga en
consideración una sola regla antes que todas juntas debido a que es posible llegar a conclusiones
falsas sobre dicho cambio. Las secuencias de puntos, sobre o debajo de la línea central son útiles en
relación a una posible toma de acciones sobre las cartas de control aun cuando no sean usadas como
base de la acción para la búsqueda de problemas en los procesos.
Las pruebas de las secuencias pueden ser útiles en circunstancias en que una carta de control X con
limites 3- y tamaños de muestras pequeños, por decir 2 a 5, no son sensibles a pequeños cambios
en el centro del universo.
El procedimiento general para que las secuencias o “corridas” extremas den una indicación
significativa de la presencia de causas asignables, más de lo que podría indicar un punto fuera de los
límites de control, es la sgte.
En primer lugar los puntos deben ser unidos dentro de la carta de control mediante líneas rectas que
permitan visualizar fácilmente la existencia de cualquier secuencia de puntos.
En segundo lugar, el área existente entre la línea central y cualquiera de los dos límites de control
deberá ser dividida en 03 zonas: A, B y C. Por cada zona s puede adoptar una decisión cuando los
puntos caen dentro o fuera de dicha zona.
La Zona A cae entre 2 y 3 de distancia de la línea central y cualquiera de los dos límites. La zona B
cae entre 1 y 2 de distancia y la zona C cae entre la línea central y 1 de distancia.
36
Se dice que se ha producido un cambio en el promedio del proceso cuando:
a). 2 de 3 puntos caen dentro o fuera de la zona A
b). 4 de 5 puntos caen dentro o fuera de la zona B
c). 8 puntos consecutivos caen dentro o fuera de la zona C.
En conclusión, cuando se tenga que decidir la búsqueda de problemas o causas asignables en el

proceso es bastante acertado considerar que es suficiente que un solo punto salga fuera de los
límites de control u 08 puntos consecutivos caigan entre la línea central o cualquiera de los límites de
las cartas de control.
Finalmente, las personas que tengan que decidir acerca de las acciones a tomar; si es Ingeniero
de Control de Calidad, un supervisor, un Ingeniero de métodos o un operador de máquinas, deberán
entender plenamente el proceso que está siendo analizado y los principios generales del análisis de
las cartas de control
9. ERRORES DE TIPO I y ERRORES DE TIPO II.

Siguiendo la practica americana de usar los llamados limites 3 – sigma. La experiencia demuestra que
en la mayoría de los casos estos límites producen un balance económico entre los dos tipos de
errores.
El error de Tipo I o error α se define como el error que consiste en buscar problemas o causas
asignables en un proceso cuando no los hay. Consiste en considerar que un proceso está fuera de
control o de especificación cuando realmente no lo está, es decir, cuando el proceso está operando
en control y debidamente centrado de tal manera que sólo aproximadamente el 0.27% de los puntos
de una distribución normal cae fuera de los límites de control.
El error α significa que cuando un proceso está debidamente centrado y controlado, solamente 27 de
10000 puntos (0.27%) caerán fuera de los límites de control y por ello, el universo no dejara de estar
en control, esto es, una fracción α. En consecuencia, se dice que el error α se produce cuando se
buscan problemas donde no existen puesto que el universo no ha cambiado.
El error tipo II o error β se define como el error que se comete cuando no se buscan problemas
donde realmente los hay. Si se concluye que el universo no ha cambiado y en realidad si ha
cambiado, cuando se aduce que el proceso está en control y en realidad no lo está o, cuando se
acepta una hipótesis y ésta debe ser rechazada , se está cometiendo un error de tipo II o un error β.
Cuando quiera que los ajustes se hagan basados en el criterio de no reconocer la variabilidad
inherente, propia o natural de los procesos de manufactura, existe el peligro de que algunos ajustes
innecesarios sean llevados a cabo en forma frecuente y que esta actitud incremente la variabilidad
de los parámetros de los procesos y de las características de calidad del producto. Cuando por
ignorancia no se reconoce el efecto nada nocivo de las causas no asignables y a propósito se ajustan
los parámetros del universo no habiendo necesidad de hacerlo, se está cometiendo un error tipo I o
un error α. Lo contrario sería cometer un error de tipo II o un error β.
37
Con los límites X  3 x , es una carta de control X , es evidente de que en un proceso centrado, el
error α no será frecuente. Por otro lado, si se produce cambios moderados en el centro del proceso,
muy a menudo se pueden cometer errores de tipo II.
Las teorías estadísticas modernas abarcan muchas pruebas diferentes de hipótesis para determinar si
las muestras proceden de universos diferentes o pertenecen al mismo universo. Las cartas de control
constituyen una de estas pruebas. En la práctica común, los límites de control se colocan lo bastante
lejos de la línea central, es decir, a 3 – sigma de distancia para que los errores de tipo I sean raros y
los parámetros de los procesos no se estén manipulando innecesariamente. Esto es verdad y es
independiente del tamaño de la muestra “n” considerando en los cálculos de los límites de control.
Sin embargo, mientras más grande sea el tamaño de los subgrupos n, los límites de control serán más
estrechos y las cartas de control X serán más sensibles para captar los cambios de promedio del
'
universo X . En otras palabras, un incremento en el tamaño de la muestra “n” reduce la frecuencia
de aparición de los errores de tipo II o tipo β, sin que los errores d tipo I o error α aparezcan en forma
frecuente.
10. TEORIA DEL MUESTREO.

Los gráficos de control son herramientas estadísticas que son usadas frecuentemente para el
diagnóstico y el control de los procesos que son repetitivos. Se debe conocer la importancia de la
distribución normal en la teoría del muestreo.
Suponiendo que se realiza una serie de mediciones de una población o de un universo de datos que
no está normalmente distribuido y se agrupan muestras consecutivas de “n” observaciones, X1,X2,
.... Xn, .
n
X
j 1
i
Xj
n
La distribución de los promedios tiende a ser normal. Mientras el tamaño de la muestra “n” sea más
grande, la distribución de los promedios X j será mucho más aproximada a la normalidad. Por otro
lado, si las observaciones individuales del universo X1,X2, .... Xn están normalmente distribuidas,
entonces, los promedios tienden a ser normales.
Si las muestras son de tamaño pequeño como n=4 o n=5, también es posible demostrar que la
distribución de los promedios X j tienden a estar muy cerca de la normalidad aun cuando la
población entera no sea normal.
De esta manera se puede afirmar que la media o el valor esperado de la distribución de las medias se
define como:
E X   X  X '
Donde:
X : es la media de las medias o la gran media
X ' : es la media poblacional o media del universo de observaciones
38
Si la población es infinita entonces, la varianza de la distribución de las medias denotada por  x se
define como:
Var X    x2   ' n
2
Donde:
 '2 : es la varianza de la población
' : es la desviación estándar respectiva.
Por lo tanto, es posible inferir que si el universo, del cual son extraídas las muestras, está
normalmente distribuido con una media X ' y una varianza  ' , entonces, las medias de las
2
muestras también estarán normalmente distribuidas con una media igual a X ' y una varianza
 '2 / n .
En esta fórmula se puede observar que cuando n   la Var  X   0 y, por lo tanto la condición
de normalidad es mucho más aproximada. En consecuencia  X   ' / n ; donde:  x es la
desviación estándar de los promedios.
Si se supone que la población de la que las muestras son extraídas tiene una distribución normal de
probabilidad con media X y una desviación estándar  ' , que no es necesariamente una
distribución normal, entonces, la variable normalizada asociada con los promedios X j estará
definida como:

Z  X j  X '/  x  X j  X '/  ' / n  
La cual, es asintóticamente normal.
Así
  e
z
lim PZ  z   1 2 u 2 / 2
du
n

Para demostrar la normalidad de la distribución de las medias, Shewhart experimentó tomando

muestras de una distribución uniforme de una población no normal, es decir, de distribuciones
rectangulares y triangulares. Luego de que las distribuciones de los promedios se aproximaban a una
distribución normal.
11. COMENZANDO CON LOS GRAFICOS DE CONTROL POR VARIABLES

Suponiendo que se toman muestras con promedio X 1, X 2 ,....y X N , entonces, la probabilidad
P( X j ) que dichos promedios caigan entre los límites X '3 ' n y X '3 ' n es de 99.73%, es
decir; sólo el 0.27% de los promedios de las muestras de tamaño n caerán fuera de los límites de
control.
Ploteando los valores X j en un gráfico de control se encontrarán algo parecido a lo mostrado en la

figura.
39
Donde:
LSC : Límite superior de control = X '3 ' n
LC : Limite central = X '  X
LIC : Límite inferior de control = X '3 ' n
Al gráfico de control de la figura anterior se le denomina grafico de control 3 – sigma. Si los

promedios X j caen dentro de los límites LIC y LSC, entonces es posible suponer que el proceso está
en control estadístico y no es necesario tomar acción adicional. Si los promedios X j caen fuera de
los límites de control, automáticamente, se afirma que el proceso está fuera de control y se tiene que
tomar acción de inmediato para corregir las causas de variación del sistema y tratar de restaurar la
estabilidad estadística en el más corto plazo.
En general, los límites de control son: X 'k  ' n y X 'k  ' n , donde k es el coeficiente que
determina la dispersión de los límites de control con respecto a la media. Cuando K=3, los limites
usados son conocidos como 3- sigma.
12. GRAFICOS DE CONTROL DE LOS PROMEDIOS , CARTAS DE CONTROL X

En la mayoría de las aplicaciones prácticas, tanto la media del universo X ' , como su dispersión  ' ,
no son conocidas y tienen que ser determinadas de la información observada. No hay ninguna regla
o algo parecido para estimar X ' y  ' , sin embargo, en base a la amplia experiencia de los
investigadores se requiere formar al menos 25 subgrupos, de 4 o 5 observaciones cada uno, para
estudiar dichos parámetros.
La media del universo X ' , puede ser estimada mediante el cálculo de la gran media X , según la
N
formula X  X j/N
j 1
. Esta es una estimación bastante exacta y no tiene sesgo alguno con
respecto de la media del universo.
Si cada subgrupo ha sido formado bajo la asunción de que las muestras son homogéneas, la
desviación estándar estará dada por:
2
 X  X 1 / n
n
1  i1 Para el primer subgrupo
i 1
 X  X 2 /n
n
2  i2 Para el segundo grupo
i 1
40
……………………………..
2
 X  X N  /n
n
N  iN Para el enésimo subgrupo
i 1
N
Luego, el promedio de todas estas desviaciones estará dado por   
j 1
j / N . Esta desviación
estándar no es exacta y es ligeramente sesgada. Para corregir dicho sesgo y para estimar el valor de
la desviación estándar del universo  ' , el valor esperado de éste está definido por la sgte. Ecuación:
 '  E ( )   / c2
Donde
c2  2 / n (n  2) / 2!/n  3) / 2!
Estimación de límites de control de las cartas X a partir de la desviación estándar media   .
Los limites basados en   calculan de la sgte. Forma:

' 
LSCx  X  k x  X  k  Xk
n c2 n
' 
LIC x  X  k x  X  k  X -k
n c2 n
Si se emplean los limites 3 – sigma, k=3
Luego
A1  3 c2 n
Entonces reemplazando
LSCx  X  A1
LSCx  X  A1
Estimación de límites de control de las cartas X a partir del rango medio R  .
N
El rango medio, R   R j / N , es una estimación no sesgada de la desviación estándar del universo
j 1
 ' , en base al rango medio R , puede ser llevada a cabo mediante la sgte. Relación:
 ' R d2
Donde d 2 es un factor que depende del tamaño de la muestra y extraídos de tablas.
Por lo tanto, la estimación de los límites de control basados en R , se lleva a cabo como sigue:
' R
LSCx  X  k x  X  k  Xk
n d2 n
' R
LSCx  X  k x  X - k  Xk
n d2 n
Empleando los limites 3 – sigma, k=3
Luego
41
A2  3 d 2 n
Entonces reemplazando
LSCx  X  A2 R
LSCx  X  A2 R
El coeficiente A2 está corregido contra todo sesgo y depende solamente del tamaño de la muestra.
Estimación de límites de control de las cartas X a partir de los parámetros del universo
 X ' ,  ' .
En este caso, los límites de control se estiman como sigue:
'
LSCx  X ' k x  X '  k
n
'
LSCx  X 'k x  X '  k
n
Si se trata de límites de control 3 – sigma, k=3
Luego
A3 n
Reemplazando
LSCx  X ' A '
LSCx  X ' A '
13. GRAFICOS DE CONTROL DE RANGOS R.
Este tipo de gráfico es una herramienta muy importante para detectar cambios en la variabilidad o
dispersión del universo de la característica de la calidad medida.
Tal como se ha visto previamente, el rango de cada subgrupo de muestra se determina como
R j  X max  X min , donde R j es una variable aleatoria. En contraste con la distribución de los
valores X j , la cual es normal o aproximadamente normal, es decir, simétrica, la distribución de los
valores R j , no es simétrica, aun cuando el universo de los datos X j sea normal.
13.1 Estimación de los límites de Control del Grafico “R” a partir de la Desviación
Estándar Del Universo (’).
Mediante la teoría estadística es posible determinar que el valor esperado de R está definido por la
siguiente ecuación:
E R   R  d 2 '
Y su desviación estándar como
 R  d 3 '
Donde los factores d2 y d3 están en función de n
Por otro lado, los límites de control están definidos por
LSC R  E R   3 R
LSC R  E R   3 R
Y reemplazando en las ecuaciones anteriores
42
LSCR  d 2 'd 3 '  d 2  3d 3  '  D 2 '
LICR  d 2 'd 3 '  d 2  3d 3  '  D1 '
Los factores D1 y D2 dependen de n y están tabulados en tablas.
13.2 Estimación de los límites de Control del Grafico “R” a partir del Rango Medio R 
Algunas veces no se conoce el valor de la desviación estándar del universo; sin embargo, este
parámetro puede ser estimado mediante la ecuación  '  R d 2 . Introduciendo este valor en las
ecuaciones anteriores
LSCR  d 2  3d 3  '  (1  3d 3 / d 2 ) R  D 4 R
LSCR  d 2  3d 3  '  (1  3d 3 / d 2 ) R  D3 R
Donde los factores D3 y D4 están en función de “n” y son encontrados y extraídos en tablas.
Cuando los puntos R j salen fuera de los límites de control es una señal de la presencia de causas
asignables de variación, por lo tanto, se debe tomar acción de inmediato para corregir el proceso.
Si la variable aleatoria R j pertenece a una distribución probabilística no normal, entonces los
factores D1, D2, D3, y D4 no corresponden a los limites 3 –, en vez de ello, corresponden a los límites
 
de la distribución  i2 Chi cuadrado.
14. GRAFICOS DE CONTROL DE LAS DESVIACION ESTANDAR   .
Tanto el grafico  como el grafico R son empleados para detectar cambios en la dispersión del
universo. El grafico R ha sido más usado debido a su simplicidad de cálculo. Sin embargo, el grafico 
es más sensitivo en el grafico R en la detección de cambios en la variabilidad del universo cuando el
tamaño de la muestra es igual o mayor que 20 (n  20).
 j Es también una variable aleatoria (no se trata de ’ puesto que ésta es una constante del
 
universo) relacionada a la distribución  i2 .
14.1 Estimación de los Límites de Control del Grafico  a partir de la Desviación Estándar
del Universo (’).
De la misma forma como se procedió con el rango R es posible demostrar que:
E R     c2 '
y su desviación estándar
 
ER   2n  1  2nc22 2  ' / 2n
1
Los valores de c2 dependen de n y pueden ser extraídos de tablas.

Los límites de control para el grafico  están definidos por:
LSC  E    3 
LSC  E    3 
43
Reemplazando en las ecuaciones anteriores tenemos:

LSC  B2 '
LSC  B1 '
Los valores de B1 y B2 se pueden obtener de tablas.
14.2 Estimación de los Límites de Control del Grafico  a partir de la Desviación Estándar
del Universo (  ).
Para establecer un criterio de detección de la variabilidad del universo es preciso conocer el valor de
la desviación estándar ’, puesto que B1 y B2 son factores que dependen solamente del tamaño de
la muestra n. Sin embargo, ’ no necesariamente tiene que ser conocida, en especial, en los casos en
que se arranca con un nuevo proceso de producción. En vez de ’ es posible utilizar la desviación
N
estándar media,   
j 1
j / N , la que es una estimación no sesgada de ’. Esto significa que si se
forman por lo menos 25 subgrupos de muestras de tamaño n los límites de control pueden ser
determinados como sigue:
 
LSC    3 2n  1  2nc22 2  / c2 2n
1
 
LSC   1  3 2n  1  2nc22 
1
2
/ c2 2n 
Así LSC  B4 
Similarmente LIC  B3 
Los factores B3 y B4 se encuentran en tablas
15. LIMITES DE TOLERANCIA NATURAL

Si el Ingeniero de Diseño dice que la especificación de una pieza cualquiera es 50.80  0.02
milímetros, significa que las dimensiones de dicha pieza deberían variar a lo menos desde 50.78
milímetros y a lo mucho hasta 50.82 milímetros.
La especificación más baja (I = 50.78 mm) y la especificación más alta (S = 50.82 mm.) representa los
valores extremos, más allá de los cuales, una característica de calidad determinada de un producto
aceptable, no puede pasar. Por lo tanto, si las dimensiones de la pieza caen dentro de un rango
especificado, se dice que el producto es conforme, de lo contrario, se dice que el producto no es
conforme, Al rango especificado se le conoce técnicamente como tolerancia especificada. En este
caso, la tolerancia es 0.04
Si la desviación estándar del universo es ’= 0.08, estando el proceso centrado y las dimensiones
normalmente distribuidas; significa que la media del universo es X ' 50.80 mm. y su variación 
0.24 mm. Por lo tanto, los límites naturales del proceso son:
X '3 '  50.8  3(0.08)mm  51.04 mm

X'3 '  50.8  3(0.08)mm  50.56mm
44
La diferencia entre ambos e igual a 0.48 mm., es conocida como la Tolerancia Natural y a la vez, es
igual a 6’.
Comparando los límites de la tolerancia natural con los límites de la tolerancia especificada ¿Este
proceso cumple con la especificación ¿ No, debido a que 6’>(S-I), es decir, la tolerancia natural del
proceso es superior a la tolerancia establecida.
Cuando 6’>(S-I), las dimensiones cumplen con las tolerancia requerida aunque su media no coincida
con la media de la especificación. A la relación:
6 '
Se le denomina capacidad de proceso, mientras más pequeña sea, n el proceso es más
S  I 
preciso.
Gráficamente en las figuras sgtes. Se muestran lo que realmente sucede en la práctica. En la Figura
(a) se observa un proceso de producción ideal, donde los valores individuales del universo están
centrados y normalmente distribuidos de tal manera que su dispersión total 6’ es siempre menor
que la tolerancia especificada.
Mientras mayor sea ésta con respecto a la tolerancia natural, las condiciones de operación de los
procesos serán más tolerantes y los parámetros de operación tendrán mayor campo acción y de
variación.
De la misma manera, las características de calidad del producto no necesariamente tendrán un ajuste
severo con respecto a la especificación nominal. El centro del proceso X puede trasladarse con
cierta facilidad hacia cualquiera de los límites sin que el producto salga fuera de los límites de la
especificación.
En contraste, el proceso de la fig. (b), es un proceso normal pero que no tiene mayor campo de
variación ya que fácilmente saldría fuera de especificación. El proceso debe estar totalmente
controlado y ajustado a las especificaciones previamente estipuladas. Un pequeño desfase en el
centrado del proceso provocará la aparición de producto defectuoso o no conforme.
En el caso de la fig. ©, Corresponde a un proceso anormal, es decir, totalmente fuera de la

especificación. Aun cuando el proceso esté centrado, su dispersión es demasiado amplia y superior a
la dispersión especificada por lo que una buena cantidad del producto será defectuosa
En este caso, dos acciones posibles pueden ser tomadas. La primera acción, seria cambiar la
tolerancia del diseño, es decir, hacerla más amplia, como la del caso (a).
La segunda acción, consistirá en reducir la variabilidad del proceso, modificando, los parámetros de
operación y optimizándolos de tal manera que los puntos de la campana de Gauss se concentre entre
los limites especificados I y S. En el caso extremo en que los limites especificados I y S estén muy
cerca del centro del universo X ' , sería imposible obtener la cantidad de producto deseado, por lo
que es preciso cambiar el proceso o cambiar las máquinas o las materias primas ya que de otra
manera no se podría reducir la tolerancia natural.
45
16. GRAFICOS DE CONTROL POR ATRIBUTOS.

Las dimensiones, la temperatura, la presión, la composición química, etc., son características de
calidad medibles y solamente pueden ser controladas mediante cartas de control por variables. Sin
embargo, si las características de la calidad son buenas o malas, defectuosas o no defectuosas
conformes o no conformes; a este tipo de inspección de le denomina inspección por atributos. Para
ello, solamente se utiliza: el criterio, el sentido común, los sentidos corporales o alguna herramienta
o medidor pasa no-pasa.
En este sentido, la inspección de las características de calidad por atributos es mucho más barata que
la inspección por variables.
En la práctica, existen varias tipos de carta de control por atributos que pueden ser usadas en
cualquiera de los casos siguientes:
a. La carta p o grafico de control de la fracción defectuosa no conforme con las especificaciones.

b. La carta np o grafico de control para el número de artículos defectuosos
c. La carta c o grafico de control para el numero de defectos.
d. La carta u o carta de control para el numero de defectos por unidad.
En adición a las ventajas del costo, el uso de las cartas de control por atributos permite un manejo
más útil de la información de la historia de la calidad. Muchas de las decisiones gerenciales se basan
en la información rápida que se pueda conseguir acerca de los cambios que ocurren en los niveles de
calidad tanto del proceso como del producto.
17. GRAFICOS DE CONTROL DE LA FRACCION DEFECTUOSA “p”

Puesto que sólo existen dos resultados posibles de las características de calidad de los artículos que
son inspeccionados por atributos, es decir, bueno- malo, bueno-malo, bueno-malo, etc., y que son
productos al azar, la fracción defectuosa en la muestra puede variar considerablemente. No
obstante, a medida que la fracción defectuosa en el universo permanezca invariable, la frecuencia
relativa de la fracción defectuosa en las muestras tiende a seguir la ley binomial.
El valor esperado del número de artículos defectuosos en una muestra de tamaño “n” se define
como:
E ( d1 )  np '
y su varianza
Var (d1 )  np ' q '  np ' (1  p ' )
46
Si p’ denota la probabilidad constante de que un artículo sea defectuoso y si di es el número de
artículos defectuosos en una muestra de tamaño n, entonces,
Pi=di / n
Donde pi es una variable aleatoria que tiene una distribución binomial cuyas propiedades están
definidas por:
E ( pi )  E (d i / n)  (1/ n) E (d i )
y
Var( pi )  Var(di / n)  (1/ n 2 )(di )
Reemplazando en las ecuaciones anteriores
Var( pi )  np' (1  p' ) / n 2  p' (1  p' ) / n
Por lo que la desviación estándar estará dado por
 '  p' (1  p' ) / n
Por lo tanto, los límites 3-sigma para los gráficos de control p se define como:
LSC p  p '3 'p  p '3 p ' (1  p ' ) / n
LIC p  p'3 'p  p'3 p' (1  p' ) / n
En la figura se puede observar un ejemplo de la carta de control p
Si la variable aleatoria pi cae fuera de los límites de control quiere decir que algo erróneo está
ocurriendo dentro del proceso o con las características de calidad del producto. En este tipo de
grafico ¿Cuál es la probabilidad de una falsa alarma? Realmente, no es 0.0027 como lo es para una
distribución normal. Suponiendo que se desea encontrar la probabilidad de una falsa alarma usando
los límites 3-sigmas ¿Cómo se podría lograr? Esto es posible, procediendo de la forma siguiente:
  P( pi  p'3 'p )  P( pi  p'3 'p )

  2 P[ Z1  LIC  p' / p' 1  p' / n ]
La aproximación normal es posible debido a que el tamaño de la muestra n es muy grande. Cuando
p’ es conocido, el criterio de control se puede establecer rápidamente, pero cuando el promedio de
la fracción defectuosa del universo no es conocido, entonces, el criterio de control se puede
establecer empleando el parámetro p , que representa la fracción defectuosa promedio de un
conjunto de datos, luego
LSCp  p  3 p  p  3 p1  p / n
LIC p  p  3 p  p  3 p1  p / n
47
El parámetro p se calcula en base a por lo menos 25 subgrupos. En este tipo de cartas de control el
tamaño de la muestra o de cada subgrupo no es 4 o 5 unidades, como para el caso de las cartas de
control por variables, sino: 100, 200, 1000, etc.
18. CARTAS DE CONTROL “p” PARA SUBGRUPOS DE DIFERENTES TAMAÑOS.

Cuanto más grandes sea el tamaño de los subgrupos es más probable que la fracción defectuosa o
no conforme dentro de ellos esté lo más cerca posible de la fracción defectuosa del universo. Esta
hipótesis se puede comprobar matemáticamente debido a que tanto la desviación estándar de p
como la desviación estándar de X varían inversamente con la raíz cuadrada de n.
Mientras la mayoría de las mediciones que se usan para las cartas de control X son tomadas con
propósitos de control, en este caso, es posible predisponer para obtener muestras del mismo
tamaño, sin embargo, la mayoría de las cartas p, usan información que, en la práctica, no se produce
o no se toma generalmente de la producción diaria, por lo que el tamaño de la muestra,
representada por la cantidad total del producto obtenido puede variar notablemente de un día a
otro. También puede formarse subgrupos de información semanal, quincenal, mensual o anual, de
allí que n es normalmente variable.
Para determinar los límites de control, que también son variables, en las cartas p con tamaños de
muestras cambiantes, se procede como sigue:
1. Recopilar data histórica previa
2. Determinar la fracción defectuosa media p de un total de 25 subgrupos como mínimo. Emplear
N N
la fórmula p   di
i 1
n
i 1
i
3. Determinar la fracción defectuosa para cada subgrupo, pi  d i n i

4. Determinar la desviación estándar para cada subgrupo,  pi  3 p(1  p) / ni
5. Determinar los límites de control, p  3 pi
6. Graficar los puntos pi, con sus respectivos limites según (5).
7. Estimar la fracción defectuosa estándar proyectada para el próximo periodo (mes, año, etc.), po' ,
corrigiendo p mediante la eliminación de los puntos que están fuera de control.
po' 
d  di ifc
n  ni ifc
Donde d ifc es el número de artículos defectuosos en los nifc artículos totales, cuyas fracciones
defectuosas pifc caen fuera de los límites de control.
8. Continuar con el proceso de control retornando al punto (3) hasta llegar a tener una fracción
defectuosa estándar po' mínima y estable e igual o aproximada a la fracción defectuosa media
p que corresponde al periodo ultimo analizado. De esta manera se puede afirmar que el proceso
está optimizado.
9. Cuando el proceso esté completamente optimizado se puede intentar usar limites constantes,
considerando el proceso esperado del tamaño de la muestra n , en la fórmula del ítem (4), como:
48
N
n   ni N
i 1
En vez de ni y luego los límites de control constantes son determinados como en (5). Posteriormente,
las fracciones defectuosas individuales pi, se van graficando a medida de que se van calculando.
Cuando algún punto pi cae fuera de los límites de control constantes, es necesario hacer el cálculo de
sus límites de control variable verdaderos para determinar si el punto mencionado está realmente
fuera de control.
19. COMPARACION ENTRE LAS CARTAS “p” Y LAS CARTAS X

a. El costo de la colección de la información es generalmente menor para las cartas p que para
las cartas X . La razón estriba en que las pruebas de inspección por variables son
mayormente destructivas y las pruebas de inspección por atributos no lo son
b. El costo de cálculo y ploteo puede ser menor empleando las cartas p ya que éstas pueden
ser aplicadas para un mayor número de características de calidad observada en un solo tipo
de producto. Sin embargo, las cartas X no son normalmente multifuncionales debido a
que sólo se aplican para cada característica de calidad del producto investigado.
c. La carta p no es tan sensitiva como la carta X.
Mientras más pequeño sea el tamaño de los subgrupos en las cartas p éstas serán menores sensitivas
a los cambios de los niveles de calidad. Sin embargo, para las cartas X , el tamaño de los subgrupos
puede ser de 4 o 5 observaciones y la frecuencia se deja a criterio del Ingeniero de Control de
Calidad.
20. CARTAS DE CONTROL DEL NUMERO DE ARTICULOS DEFECTUSOS “np”

Cuando el tamaño de la muestra es variable se hace necesario el empleo de las cartas de control de
la fracción defectuosa p, sin embargo, cuando es constante podría ser preferible llevar a cabo las
cartas de control del número de artículos defectuosos np, debido al ahorro de tiempo en los cálculos
y a su facilidad de entendimiento para algunas personas.
Tal como se deduce en la ecuación Var (d1 )  np ' q '  np ' (1  p ' ) , la desviación estándar de artículos
rechazados en una muestra de n artículos es np' 1  p' . Así, los límites de control 3 – sigma para
las cartas de control np están dados por:
LSCnp  np'3 np' (1  p' )
LSCnp  np'3 np' (1  p' )
Cuando el valor de la fracción defectuosa del universo p’ es conocida se puede estimar mediante la
fracción rechazada promedio p .
21. DETERMINACION DEL TAMAÑO DE LA MUESTRA PARA LAS CARTAS “p”
Una de las formas para determinar el tamaño de la muestra para las cartas p o np es la siguiente:
suponer que se tiene un universo normal de datos estable de la fracción rechazada tal como se
muestra en la figura siguiente, si el promedio p’ del universo se mueve hacia la derecha una fracción
adicional p’, entonces, la probabilidad de que la variable aleatoria pi, caiga dentro de los límites de
control o la probabilidad de no detectar el cambio, está definida por:
49
  P pi  LSCp 
Normalizando esta función

  P Z  LSC p   p' p'/  'p  p '
' 
Reemplazando valores
  
  P Z  p'3 p' (1  p' ) / n  ( p' p' ) / ( p' p' )1   p' p'/ n 
La probabilidad de detectar el cambio del universo está representada por (1-β), que es la
probabilidad de que la variable aleatoria pi caiga fuera de los límites de control.
De la ecuación anterior:

Z  3 p' 1  p' / n  p' /  p'p'1   p'p'/ n
De esta última ecuación se puede determinar el tamaño de la muestra n cuando los valores de p’,
p’ y β son conocidos. Teniendo el valor de la probabilidad de no detectar el cambio (β), de tablas, es
posible encontrar el valor de Z por lo que n quedará totalmente definida.
En el caso especial en que β=0.5, Z=0. Así:
n = 9p’(1-p’) / (p’)2
El intervalo entre muestras se deja a criterio del Ingeniero de Control de Calidad. Básicamente, estará
determinado por dos factores: el costo del muestreo y el costo de la inspección. Los periodos de
muestreo pueden ser de una hora, un día, un mes, etc.
22. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS “c”.

Las cartas X , R o  son aplicadas a cualquier características de calidad medible. La carta de control p
puede ser aplicada a los resultados de la inspección de aceptación o de rechazo de los artículos
individuales de un producto determinado.
La carta de control del número de defectos “c” tiene un campo de utilidad mucho más restringido
pero hay algunos procesos de manufactura donde su aplicación es ventajosa.
50
La carta “c” se aplica para control del número de defectos en subgrupos de tamaño constante. Cada
subgrupo de la carta c generalmente es un artículo individual y, por lo tanto, la variable aleatoria ci es
el número de defectos observados en un artículo. Tiene cierto parecido a las cartas de control np
para el número de artículos defectuosos en un lote de producción de tamaño definido n.
Cuando el tamaño del subgrupo de la carta c es superior a la unidad es esencial de que se mantenga
constante para que todos los subgrupos tengan la misma oportunidad de ocurrencia de los defectos.
En muchos artículos de diferente clase, las oportunidades de aparición de defectos son numerosas y
la probabilidad de que un defecto aparezca en un punto definido es pequeña. En esta situación son
aplicables las propiedades de la distribución de Poisson para determinar los límites de control.
Este tipo de grafico se emplea para controlar: la cantidad de remaches de defectuosos en el fuselaje
de los aviones, la cantidad de rotura de la resina protectora de las muestras de alambre que van a ser
sometidas a una prueba de voltaje; el número de defectos superficiales que se observan en las
planchas galvanizadas, pintadas, plateadas o recubiertas con resinas; el número de burbujas de aire
en botellas de vidrio, el número de imperfecciones observados en la superficie de rollos de papel o
en placas fotográficas, el número de huecos o poros en una pieza metálica, el número de errores
topográficos, etc.
De acuerdo con la ecuación    , la desviación estándar de la distribución de Poisson estas dado

por  , donde  es el valor esperado del número de defectos c’ del universo. Luego.
LSCc    3   c'  3 c'
LSCc    3   c'  3 c'
Cuando el valor estándar del numero promedio de defectos por unidad co' no es usado el valor de c’
puede ser estimado con el promedio c .
LSCc    3   c'  3 c
LSCc    3   c'  3 c
c i
Y c i 1
Donde ci es la variable aleatoria que representa el número de defectos en cada artículo y N es el

número total de artículos.
Puesto que la distribución de Poisson es sesgada y no es una distribución simétrica, tanto el límite
superior como el inferior no son equidistantes de la línea central.
En situaciones en las que las cartas de c son aplicadas, tal como en el número de defectos
observados en inspecciones de ensamblajes complejos, los límites de control deberán ser ajustados
51
que los 3-sigma normales. La selección de los limites, tiene un significado económico ya que se tiene
que realizar un balance entre los costos de los dos tipos de errores: el error α, que consiste en buscar
causas asignables cuando éstas realmente están ausentes y el error β, que consiste en no buscar
causas asignables cuando éstas realmente están presentes.
Cuando el límite de control inferior sea un número negativo, de hecho, el límite de control que se
debe usar deberá ser solamente el superior.
23. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS COMBIANDOS c’comb

Si se asume que varias piezas de un conjunto van a ser ensambladas al azar y si la distribución de
frecuencias del número de defectos o imperfecciones superficiales de cada una de las piezas sigue la
ley de Poission, entonces, la sumatoria de la combinación lineal de todos los defectos sigue el mismo
tipo de distribución.
Así
N
'
ccomb   ci
i 1
Donde N es el número de piezas a ensamblar

Por otro lado
LSCcomb  ccomb
'
 ccomb
'
LSCcomb  ccomb
'
 ccomb
'
Esto significa que la carta c no se restringe al control de un tipo único de defecto sino que puede ser
usada también para controlar el total de defectos de diferente tipo observados en un solo artículo
de varios parecidos, llámese artefactos eléctricos y electrónicos, ensambles de autos, de máquinas
de coser, etc.
24. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS POR UNIDAD u

La variable c, representa el número de defectos y a la vez el número de defectos por unidad cuando
el tamaño del subgrupo o de la muestra es también la unidad. Ejemplo de ello, se observa en la
inspección de artículos unitarios como: un televisor, un aeroplano, un carrete de alambre, un rollo de
papel, etc. En estos casos, las unidades son semejantes en tamaño y apariencia y los defectos tienen
la misma área de oportunidad de artículos en artículo.
Sin embargo, no es realmente indispensable que el tamaño de la muestra sea la unidad para aplicar
el control mediante la carta c. El tamaño del subgrupo puede ser un número cualquiera pero
constante. Este caso es más usado cuando la probabilidad de aparición de un defecto es tan pequeña
que es posible que una unidad cualquiera del producto no presente defectos.
Por otro lado, cuando el área de oportunidad de ocurrencia de un defecto cambia de muestra en
muestra, entonces, es evidente que la carta c no es aplicable para el control del total de defectos en
el producto. En este caso es necesario tomar una medida patrón para el área de oportunidad que
puede ser el estadístico c/n, donde n es el tamaño de la muestra constituida por n artículos y puede
variar de subgrupos a subgrupos. El estadístico c/n es el número de defectos por unidad
representado por u.
52
Los límites de control de este tipo de carta están definidos por:
u '3 u '
LSCu 
n
u '3 u '
LICu 
n
Donde u’, es el promedio de defectos por unidad del universo y puede ser substituido por el valor de
los estándar u o' para control futuro. También se puede estimar u’ mediante el valor promedio u de
una serie de muestras. Así
N
c i
u i 1
N
n
i 1
i
Donde c i es el total de defectos encontrados y  n es el total de unidades inspeccionadas,

i
luego
u 3 u
LSCu 
n
u 3 u
LVCu 
n
Es menester recordar que el estadístico u no se acomoda a la distribución de Poisson, pero el
estadístico un = c sí se ajusta bien.
53

Segunda Separata de La II Unidad-30-53

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Segunda Separata de La II Unidad-30-53

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de Trujillo Ing.

William Guarniz Herrera

CONTROL ESTADISTICO DE PROCESOS (SPC)

En los procedimientos operativos se puede esperar un cierto grado de variación en el número de

2. CAUSAS NO ASIGNABLES Y CAUSAS ASIGNABLES

4. ALGUNAS CONSIDERACIONES SOBRE LAS MEDIAS  X  Y LAS DISPERSIONES R ,   DE LOS

subgrupo de muestra. De esta manera, todos los promedios X j

que la distribución de los promedios X j

Aun cuando no se trate del mismo operador; la desmotivación, la desmoralización, la

distribución de los valores de X j

Finalmente, la información que dan los primeros subgrupos de muestras normalmente no es

5. SELECCIÓN DEL TAMAÑO Y FRECUENCIA DE LOS SUBGRUPOS D MUESTRAS

6. DETERMINACION DE LOS LIMITES DE CONTROL

Cuando los 25 subgrupos de muestras se obtienen en un periodo bastante corto, es decir, en 24

Si el proceso ha permanecido en control satisfactoriamente según el análisis de las cartas de control

7. INDICACIONES DE CONTROL O FALTA DE CONTROL

8. PRUEBAS PARA DETECTAR FALTA DE CONTROL CUANDO HAY EVIDENCIA DE SECUENCIAS DE

En conclusión, cuando se tenga que decidir la búsqueda de problemas o causas asignables en el

9. ERRORES DE TIPO I y ERRORES DE TIPO II.

10. TEORIA DEL MUESTREO.

Para demostrar la normalidad de la distribución de las medias, Shewhart experimentó tomando

11. COMENZANDO CON LOS GRAFICOS DE CONTROL POR VARIABLES

Ploteando los valores X j en un gráfico de control se encontrarán algo parecido a lo mostrado en la

Al gráfico de control de la figura anterior se le denomina grafico de control 3 – sigma. Si los

12. GRAFICOS DE CONTROL DE LOS PROMEDIOS , CARTAS DE CONTROL X

respecto de la media del universo.

Los limites basados en   calculan de la sgte. Forma:

Los valores de c2 dependen de n y pueden ser extraídos de tablas.

Reemplazando en las ecuaciones anteriores tenemos:

15. LIMITES DE TOLERANCIA NATURAL

X '3 '  50.8  3(0.08)mm  51.04 mm

En el caso de la fig. ©, Corresponde a un proceso anormal, es decir, totalmente fuera de la

16. GRAFICOS DE CONTROL POR ATRIBUTOS.

a. La carta p o grafico de control de la fracción defectuosa no conforme con las especificaciones.

17. GRAFICOS DE CONTROL DE LA FRACCION DEFECTUOSA “p”

  P( pi  p'3 'p )  P( pi  p'3 'p )

18. CARTAS DE CONTROL “p” PARA SUBGRUPOS DE DIFERENTES TAMAÑOS.

3. Determinar la fracción defectuosa para cada subgrupo, pi  d i n i

19. COMPARACION ENTRE LAS CARTAS “p” Y LAS CARTAS X

20. CARTAS DE CONTROL DEL NUMERO DE ARTICULOS DEFECTUSOS “np”

22. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS “c”.

De acuerdo con la ecuación    , la desviación estándar de la distribución de Poisson estas dado

LSCc    3   c'  3 c'

LSCc    3   c'  3 c'

Donde ci es la variable aleatoria que representa el número de defectos en cada artículo y N es el

23. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS COMBIANDOS c’comb

Donde N es el número de piezas a ensamblar

24. CARTAS DE CONTROL DEL NÚMERO DE DEFECTOS POR UNIDAD u

Donde c i es el total de defectos encontrados y  n es el total de unidades inspeccionadas,

También podría gustarte