ANEXO Nº 1

CONTROL ESTADÍSTICO DE CALIDAD

1. Gráficos de control

Entre los métodos estadísticos de control de calidad del proceso, se encuentran los gráficos de
control, por variables y por atributos.
Una variable es una característica de calidad que puede ser medida en una escala continua:
metros, cm3, litros, gramos, cm2, m2, kilos, toneladas, qq, etc. Se trata, por ejemplo, de medir:
el diámetro de una pieza, el peso de una lata de tomates, la capacidad de un tanque de agua,
el contenido de una botella de vino, etc.. En estos casos se mide la media, el rango y la
desviación estándar.
Un atributo es una característica de calidad que no puede ser medida cuantitativamente; es,
por tanto, cualitativa. Estas características dan lugar a una clasificación de “buena-mala”,
“defectuosa-no defectuosa”, “pasa-no pasa”. En este caso se controla: el número de defectos
por unidad, el promedio de defectos por unidad, el número de defectuosos de una población y
el porcentaje de defectuosos en una población.

El gráfico de control es una herramienta estadística utilizada para detectar variaciones de la

calidad de un producto, durante el proceso de fabricación.
Las causas de las variaciones son de dos tipos:

a) Causas internas o no asignables o aleatorias: son debidas al azar, no son identificables y no

pueden ser reducidas ni eliminadas. Producen variaciones pequeñas.
b) Causas externas o asignables: son identificables y deben ser eliminadas. Producen variaciones
grandes. Son, por ejemplo: un mal ajuste de máquina, errores del operador, defectos en
materias primas.

Un gráfico de control permite identificar causas asignables y determinar si un proceso está bajo o
fuera de control. Está bajo control cuando se trabaja en presencia de variaciones aleatorias. El
proceso está fuera de control cuando presenta variaciones debidas a causas asignables. En este
último caso, se deben tomar acciones correctivas inmediatas.

2. Gráficos de control por variables1

Paso 1: Colectar los datos: K y n.

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:

1
www.icicm.com/files/Cartas_de_Control.doc
 Se toma una muestra de 2 a 10 unidades o piezas consecutivas y se anotan los resultados de la
medición. Otra opción es tomar las piezas no consecutivas, sino en intervalos de tiempo de ½
a 2 horas.; esto permite detectar si el proceso muestra inconsistencias en breves periodos de
tiempo. Esta pequeña muestra de entre 2 a 10 unidades constituye un subgrupo n.
 Se realizan las muestras de 20 a 25 subgrupos; es decir, K = 20 a 25.

a) El tamaño del subgrupo "n" será pequeño (siendo n = 5 el tamaño más usual) y constante.
b) La frecuencia de muestreo será tal que recoja los cambios en el proceso entre las muestras
debidos a causas internas (no asignables) y, al mismo tiempo, permita detectar la aparición de
causas externas (asignables). Las muestras deben recogerse con la frecuencia y en los tiempos
oportunos para que puedan reflejar dichas oportunidades de cambio. Por ejemplo: frecuencias
horarias, diarias, por turno, por lote de material, etc.
c) K (el número de subgrupos) debe satisfacer dos criterios: 1) Se recogerán muestras suficientes
para cerciorarse de que las causas internas de variación tienen oportunidad para manifestarse. 2)
Proporcionar una prueba satisfactoria de la estabilidad del proceso. A partir de un mínimo de 100
mediciones individuales, se obtiene esta garantía y esto puede lograrse, por ejemplo, con 25
muestras con n= 4 ó con 20 muestras con n= 5).

Paso 2: Calcular el promedio

X y R para cada subgrupo

X 1  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
X 1  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 límites 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:

LSCR  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 (n = 5), y se toman 25 subgrupos (N = 25) a intervalos de 1 hora.
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

LSCR  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
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.

En este caso, 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.

Patrones fuera de control

Juran2 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.

2
Análisis y planeación de la calidad, J.M. Juran ,F.M Gryna, Tercera Edición, McGrawHill.
Metodolog´ıa. Si existen patrones no aleatorios en los gr´aficos de
la media y el rango, se eliminan primero las causas atribuibles en el
gr´afico del rango, lo que producir´a una mejora en el gr´afico de X.
¯ Bajo la hip´otesis de normalidad, X¯ y R son independientes. Por
tanto, si esta hip´otesis no se refleja en los gr´aficos de control de
ambas variables, se debe revisar la hip´otesis de normalidad.
www.ugr.es/~mruiz/temas/Tema_6.pdf
3. Gráficos de control por atributos3

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.

3.1. Gráfica P para porcentaje de Unidades Defectuosas

La gráfica p mide el porcentaje defectuoso o sea las piezas defectuosas en el proceso. Se basa en
la evaluación de una característica (¿se instaló 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 (horaria, diaria, semanal). 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 K debería de ser mayor a 30. El tamaño de los subgrupos será de
n = 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  np2  ....  npk

p
n1  n2  .....  nk

3
www.icicm.com/files/Cartas_de_Control.doc
 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: Un fabricante de latas de aluminio registra el número de partes defectuosas, tomando

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

Calcule la fracción defectuosa para cada muestra, considerando que n = 50:

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  347 /(30 x50)

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

3.2. Gráfica np – Número de defectuosos

La gráfica np está 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: Utilizando los datos del ejercicio anterior (que aparecen en la tabla siguiente), construya
la gráfica np e interprete los resultados.
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
De la tabla obtenemos p  0.2313 , n = 50 ; np = 11,57 (también: 347/30)

Calculando los límites de control tenemos:

np = 11,57

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

3.3. Gráfica C – para número de defectos por unidad

Se utiliza para determinar la ocurrencia de defectos en la inspección de una unidad de producto.

Esto es determinar cuántos defectos tiene un producto. Por ejemplo, se fabrican teléfonos
celulares y entonces se toma uno de ellos y se cuenta el número total de defectos (raspaduras en
la superficie, rajaduras en el plástico, antena defectuosa, botón defectuoso, etc.). Los defectos
pueden ser de diferentes tipos y se cuenta el total de ellos, obteniéndose un resultado que el
número de defectos por unidad de inspección.

Cuando se fabrican pinturas y barnices, una prueba muy común es hacer un extendido sobre una
placa de vidrio, dejar secar el producto y luego inspeccionar los defectos en la superficie. Se
pueden aplicar los gráficos C para controlar este tipo de procesos, contando el número de defectos
sobre la superficie del recubrimiento. En la industria textil también es necesario controlar defectos
superficiales en las telas. Se pueden aplicar los gráficos C para controlar el número de defectos
sobre la superficie de un área rectangular de la tela.
A medida que el proceso genera las unidades (por ejemplo, teléfonos celulares), retiramos una
unidad a intervalos regulares y contamos el número total de defectos. Se toman N unidades de
producto (más de 25 o 30) a intervalos regulares). En cada unidad podemos encontrar: 0 defectos,
1 defecto, 2 defectos, … n defectos. El resultado se anota en un gráfico hora por hora y se
denomina gráfico C. Se obtendría una tabla como la siguiente:

Unidad de inspección Nº de defectos

1 3
2 2
3 4
4 0
5 1
6 1
7 5
8 4
- -
- -

A partir de la tabla calculamos C como promedio del número de defectos en las muestras
(unidades de inspección).

C = total de defectos/ número de unidades de inspección.

Los límites de control se calculan mediante las siguientes fórmulas:

LSC  C  3 C

LSC  C  3 C

En caso de que el límite inferior de control resulte negativo, se le asigna valor cero.

Ejemplo: En la siguiente tabla tenemos el número de unidades de defectos observados en 26

unidades sucesivas de filtros de seguridad.
 unidad defectos unidad 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
TOTAL DE DEFECTOS 516

516
C  19.84
26

LSC  19.85  3 19.85  33.21

LIC  19.85  3 19.85  6.48

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

Los dos puntos fuera de control se deben a causas asignables que deben ser corregidas. Por
tanto, se eliminan esas dos mediciones (unidades 6 y 20) y se recalculan los valores central y
límites.

Nuevo C = 472 / 24 = 19,67

LSC  19.67  3 19.67  32.97

LIC  19.67  3 19.67  6.37

Ahora las mediciones se encuentran dentro de los límites y el proceso está bajo control. Por tanto,
se adoptan estos nuevos límites para controlar la producción futura.
4. Gráfica U – para número de defectos por unidad

Muchas veces sucede que las unidades que produce el proceso presentan una tasa de defectos
muy baja; por ejemplo:

UNIDAD Nº DE DEFECTOS
1 0
2 0
3 0
4 1
5 0
Etc.

Esto ocurre porque el proceso está totalmente automatizado y hay pocos errores. El promedio de
defectos es cercano a cero y el límite inferior de control seguramente será negativo.

En estos casos se redefine la unidad de inspección. Por ejemplo, se puede tomar como unidad de
inspección la cantidad de 100 tarjetas de sonido. Es decir, cada media hora se retiran del proceso
100 tarjetas y se cuentan los defectos del total de las mismas. Así, la cantidad de defectos
promedio por unidad de inspección será más alta y es posible también que el LIC sea mayor a
cero.

Ejemplo: se está controlando el número de defectos en un proceso de ensamblado de licuadoras y

se define una unidad de inspección de 5 licuadoras (m = 5). Se toman n unidades de inspección
(más de 20 ó 30) a intervalos regulares. Se cuenta en cada unidad de inspección el número de
defectos, se registra y luego se divide el número de defectos (de cada unidad de inspección) por m
(en nuestro ejemplo, m = 5).

Se pide calcular el valor u como promedio del número de defectos por licuadora.

La tabla quedaría así:

 Unidad de m : Tamaño de Número de u : promedio de defectos por
inspección muestra defectos licuadora
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

u
u i

38.60
 1.93 ; es lo mismo que 193 / (5 x 20)
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