Semana 2 - Contenido

SEMANA 2 – CONTROL ESTADÍSTICO DE PROCESOS
CONTROL ESTADÍSTICO DE PROCESOS
SEMANA 2
Gráficos y diagramas de control
Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está
IACCemitir, difundir, poner a disposición del público ni
permitido copiar, reproducir, reeditar, descargar, publicar,
utilizar los contenidos para fines comerciales de ninguna clase. 1
OBJETIVOS ESPECÍFICOS
• Interpretar gráficas de control por
variables y atributos.
IACC
2
OBJETIVOS ESPECÍFICOS..................................................................................................................2
INTRODUCCIÓN ..............................................................................................................................4
1. DEFINICIONES Y CONCEPTOS DE LOS GRÁFICOS DE DIAGRAMA DE CONTROL..........................5
1.1 OBJETIVOS DE LAS GRÁFICAS DE CONTROL ......................................................................6
1.2 CAUSAS DE LAS VARIACIONES DE UN PROCESO ...............................................................6
1.3 GRÁFICAS DE CONTROL POR VARIABLES ........................................................................ 10
1.3.1 TEOREMA DEL LÍMITE CENTRAL ............................................................................. 10
1.3.2 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DEL RANGO (GRÁFICOS R) ......... 11
1.3.3 EJEMPLO DE APLICACIÓN.......................................................................................11
1.3.4 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DE LA MEDIA (GRÁFICOS 𝑥)....... 14
1.4 GRÁFICAS DE CONTROL POR ATRIBUTOS ....................................................................... 17
1.4.1 GRÁFICAS P............................................................................................................ 17
1.4.3 GRÁFICAS C............................................................................................................ 23
COMENTARIO FINAL .....................................................................................................................28
REFERENCIAS ................................................................................................................................29
IACC
3
INTRODUCCIÓN
En la actualidad, las empresas deben determinadas características de calidad
controlar sus procesos y medir su durante un proceso de monitoreo.
desempeño, para poder implementar
mejoras, incrementar la productividad, De este modo, existen gráficas de control por
aumentar su rentabilidad y, en definitiva, variables y por atributos; en las primeras, se
poder entregar un servicio de calidad a sus pueden destacar las gráficas 𝑥̅ y R; para las
clientes. Para que ello ocurra es relevante que segundas, se tienen las gráficas c y p. Ambos
puedan administrar de forma correcta sus tipos de gráficas serán estudiadas durante
esta semana.
operaciones.
La primera etapa que permite realizar un Para las empresas que desean alcanzar ciertos
análisis cuantitativo y cualitativo de una objetivos dentro de sus procesos, es vital
situación determinada es la inspección y evaluar su desempeño mediante las gráficas
medición de datos. En estas actividades, el antes mencionadas.
control estadístico de procesos juega un rol El desempeño se puede evaluar para diversos
fundamental, ya que permite trabajar los objetivos. Por ejemplo: especificaciones de
datos recopilados y proponer acciones que producto, selección de proveedores, servicio
luego serán analizadas por la gerencia, al cliente, desempeño maquinaria utilizada,
quienes decidirán las estrategias adecuadas. experiencia de los operarios, etcétera.
Una de las herramientas del control Lo relevante no es solo realizar las gráficas,
estadístico de procesos son las gráficas de sino poder inferir información relevante del
control, las que son utilizadas para controlar proceso que permita identificar causas de
diversos problemas.
"Calidad significa hacer lo correcto cuando nadie está mirando".
(Henry Ford)
IACC
4
1. DEFINICIONES Y CONCEPTOS DE LOS GRÁFICOS DE

DIAGRAMA DE CONTROL
El control estadístico del proceso es una técnica estadística utilizada para medir el desempeño y
controlar la variabilidad de los mismos. Para ello, existe una serie de herramientas entre las que se
destacan los gráficos de control.
La gráfica de control es una herramienta que define cualitativamente el rango de variación

aceptable con respecto a un valor promedio y muestra de manera visual cómo se está comportando
un determinado proceso.
Para elaborar los gráficos de control se debe realizar un muestreo de calidad, obteniendo con ello
una serie de mediciones que deben ser trazados en la gráfica y permitirán medir el desempeño del
proceso.
Un gráfico de control posee la siguiente estructura:
• Un gráfico de control tiene un valor nominal (central), que puede ser el promedio histórico
del proceso o el valor objetivo de alcanzar.
• Posee dos límites de control basados en la distribución de muestreo de la medida de la
calidad.
o Límite de control superior (UCL, upper control limit): representa el valor más
grande.
o Límite de control inferior (LCL, lower control limit): representa el valor más
pequeño.
Figura 1. Ejemplo de diagrama de control.

Fuente: Krajewski et al., 2008, p. 219.
IACC
5
1.1 OBJETIVOS DE LAS GRÁFICAS DE CONTROL

Son herramientas del control estadístico de procesos, ya que utilizan una muestra aleatoria de la
producción para determinar si el resultado obtenido está dentro de los rangos esperados.
A continuación, se presentan diversos objetivos que pueden justificar el uso de una gráfica de
control:
• Permiten controlar la estabilidad de los procesos.

• Se puede visualizar si las especificaciones se encuentran dentro de los resultados esperados.
• De acuerdo con los objetivos esperados, se puede trazar la línea central y observar si existe
mejora en el proceso.
• Se puede analizar si existe una evolución de los resultados esperados, como mejora o
empeoramiento.
• Permiten estimar los parámetros estadísticos que describen el comportamiento del
producto o del proceso.
• Permiten observar el comportamiento de la tendencia y de la variabilidad.
1.2 CAUSAS DE LAS VARIACIONES DE UN PROCESO

Es importante destacar que todos los procesos están sujetos a cierto grado de variabilidad, las
causas pueden ser variaciones ya sea por causas naturales o asignables. A continuación, se
presentan en detalle cada una de ellas:
• Variaciones naturales: Las variaciones naturales afectan a casi todos los procesos de
producción y, por lo tanto, es esperable que ocurran. Se trata de las diversas fuentes de
variación que ocurren dentro de un proceso que está bajo control estadístico. Las
variaciones naturales se comportan como un sistema constante de causas probabilísticas y
aunque los valores individuales son diferentes, como grupo conforman un patrón que
puede describirse como una distribución. Cuando estas distribuciones son normales se
caracterizan mediante dos parámetros:
o Media: la medida de tendencia central en este caso, el valor promedio.

o Desviación estándar: la medida de dispersión.
Siempre que la distribución (medidas de los resultados) permanezca dentro de los límites
especificados, se dice que el proceso está “bajo control”, y en tal caso, las variaciones naturales se
toleran (Heizer y Render, 2009).
IACC
6
• Variaciones asignables: Factores como el desgaste de la maquinaria, el desajuste de

equipos, la fatiga o la mala capacitación de los trabajadores, o nuevos lotes de materias
primas, son fuentes potenciales de variaciones asignables, y pueden rastrearse hasta su
razón específica (Heizer y Render, 2009).
El administrador de operaciones tiene un rol fundamente en el control de las variaciones antes

descritas, debiendo asegurar que el proceso es capaz de operar “bajo control” solo con la variación
natural. También es importante que pueda identificar y eliminar las variaciones asignables para que
los procesos se mantengan bajo control.
A continuación, se ejemplifican gráficos de control:
Ejemplo 1 (figura 2): Se visualiza un proceso que se encuentra dentro del control estadístico. No se
requiere acción alguna.
Figura 2. Ejemplo de diagrama bajo control.

Fuente: Krajewski et al., 2008.
Ejemplo 2 (figura 3): Se puede visualizar una secuencia de observaciones con cierta característica.
Una regla típica aconseja adoptar medidas correctivas cuando cinco o más observaciones muestran
una tendencia ascendente o descendente, aunque los puntos todavía no hayan rebasado los límites
de control. Aquí, nueve observaciones secuenciales se ubican por debajo de la media y muestran
una tendencia descendente. Hay pocas probabilidades de que dicho resultado pudiera presentarse
por casualidad.
IACC
7
Figura 3. Diagrama con tendencia descendente.

Ejemplo 3 (figura 4): Se puede visualizar que el proceso ha sufrido un cambio repentino con respecto
a su patrón normal. Las cuatro últimas observaciones son poco comunes. La primera cae cerca del
LCL, las siguientes dos ascienden hacia el UCL y la cuarta permanece por arriba del valor nominal.
En este caso, se debe vigilar los procesos cuando se producen cambios tan repentinos, aunque los
límites de control no se hayan rebasado.
Figura 4. Diagrama con cambio repentino.

Ejemplo 4 (figura 5): En el gráfico se puede visualizar que el proceso se salió de control en dos
ocasiones, porque dos de los resultados de la muestra se ubicaron fuera de los límites de control.
La probabilidad de que la distribución del proceso haya cambiado es alta.
IACC
8
Figura 5. Diagrama con resultados fuera de control.

Cuando se utilizan gráficos de control, se pueden presentar dos tipos de errores:
• Error tipo I: se produce cuando el administrador de operaciones concluye que el proceso

está fuera de control, basándose en un resultado de muestra ubicado fuera de los límites
de control, cuando en realidad se trataba de un efecto puramente aleatorio.
• Error tipo II: se presenta cuando el operador de operaciones concluye que el proceso está
bajo control y que solo se presenta aleatoriedad, cuando en realidad dicho proceso está
fuera de control estadístico.
A continuación, se presenta un resumen de las gráficas de control que se estudiarán esta semana:
Gráfica x barra
Gráficas de
control por
variables
Gráfica R
Gráficas de
control
Gráfica p
Gráficas de
control por
atributos
Gráfica c
IACC
9
1.3 GRÁFICAS DE CONTROL POR VARIABLES

Los gráficos de control por variables se utilizan para monitorear la media y la variabilidad de la
distribución de un proceso.
En los gráficos de control por variables, el control de procesos se realiza mediante variables
continuas como: pesos, diámetros, longitud, velocidad, fuerza, temperaturas, etc.
Para determinar los límites de control del gráfico 𝑥̅ y para R, se debe utilizar la siguiente tabla para
obtener los factores que serán reemplazados en las fórmulas que determinarán a continuación:
Tabla 1. Factores para determinar límites de la gráfica R y 𝑥̅ .

Fuente: Krajewski et al., 2008
1.3.1 TEOREMA DEL LÍMITE CENTRAL

El fundamento teórico de los gráficos 𝑥̅ es el teorema del límite central. Este teorema establece, en
términos generales, que la distribución de las medias de una muestra sacada de la población
(aleatorias e independientes) sigue una distribución normal, siempre que el tamaño de las muestras
sea lo suficientemente grande.
El teorema establece que:
1) la media de la distribución de las 𝑥̅ (denominada 𝑥̿ ) será igual a la media de la población

global (llamada μ).
𝑥̿ = μ
IACC
10
2) La desviación estándar de la distribución de las muestras, σ𝑥̅ , será la desviación estándar

de la población (σ), dividida entre la raíz cuadrada del tamaño de la muestra, n.
%
σ𝑥̅ = √'
1.3.2 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DEL RANGO

(GRÁFICOS R)
Los gráficos R se utilizan para monitorear la variabilidad de los procesos, siendo necesario
determinar sus rangos máximos y mínimos. Si alguno de los datos quedan fuera de los límites de
control, se dice que la variabilidad del proceso no está bajo control.
Los límites de control para el gráfico R son:
• Para determinar el límite superior del rango se debe utilizar:
UCLR= D4𝑅)
• Para determinar el límite inferior del rango se debe utilizar:
LCLR= D3𝑅)
Donde:
𝑅) = promedio de varios valores R y la línea central del gráfico de control.
D3,D4 = Constantes que proporcionan tres límites de desviación estándar.
1.3.3 EJEMPLO DE APLICACIÓN

La Watson Electric Company produce bombillas de luz incandescentes. Los siguientes datos sobre el
número de lúmenes correspondientes a bombillas de 40 watt se obtuvieron cuando el proceso
estaba bajo control (Krajewski et al., 2008):
Observación
Muestra 1 2 3 4
1 604 612 588 600
2 597 601 607 603
3 581 570 585 592
4 620 605 595 588
5 590 614 608 604
IACC
11
Primero: Determinar el rango de cada muestra, restando el valor superior e inferior. El valor de R se
obtiene a partir del promedio de los rangos.
Observaciones
Muestra 1 2 3 4 R
1 604 612 588 600 24
2 597 601 607 603 10
3 581 570 585 592 22
4 620 605 595 588 32
5 590 614 608 604 24
R 22,4
Segundo: Obtener el promedio de cada muestra.
Observaciones
Muestra 1 2 3 4 X
1 604 612 588 600 601
2 597 601 607 603 602
3 581 570 585 592 582
4 620 605 595 588 602
5 590 614 608 604 604
Tercero: Aplicar las ecuaciones para obtener los límites de control del gráfico R aplicando las
ecuaciones:
• Para determinar el límite superior se debe utilizar: UCLR= D4𝑅)

• Para determinar el límite inferior se debe utilizar: LCLR= D3𝑅)
Para obtener D3 y D3 se recurre a la tabla 1 de factores, considerando que las observaciones son 4,
se tiene que:
D3 = 0 D4 = 2.282
IACC
12
Los resultados de LCL y UCL provienen de la multiplicación de D3 y D4 por R (rango de la muestra)

respectivamente:
Muestra LCL UCL R R Media

1 0 51,117 24 22,4
2 0 51,117 10 22,4
3 0 51,117 22 22,4
4 0 51,117 32 22,4
5 0 51,117 24 22,4
Finalmente, se realiza el gráfico R consideran rango, rango medio, límite superior e inferior.
Gráfico R
60
50
40
Rango
30
20
10
0
1 2 3 4 5
Número de muestra
LCL UCL Rango R Media
Figura 6. Ejemplo de gráfico R.

Fuente: Elaboración propia
IACC
13
1.3.4 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DE LA MEDIA

(GRÁFICOS 𝑥̅ )
Se utiliza para ver si el proceso está generando una producción que, en promedio, sea consistente
con un valor objetivo establecido por la gerencia para el proceso o si el desempeño actual, con
respecto al promedio de la medición del desempeño, es congruente con el desempeño pasado.
Para obtener los límites de control del gráfico 𝑥̅ se utilizan las formulas detalladas a continuación:
* =𝑥̿ + A2 * 𝑅)
UCL𝑥
LCL𝑥̅ = 𝑥̿ - A2 * 𝑅)
Donde:
𝑥̿ : corresponde a la línea central del gráfico, puede ser el promedio de las medias o un valor
establecido de acuerdo con los resultados esperados.
A2: constante para proporcionar límites tres sigma para la media de la muestra; se obtiene
de la tabla de factores.
Como la distribución de las muestras es normal, podemos afirmar que:
• El 95,45% del tiempo, los promedios de las muestras caerán dentro de ±2σx (dos sigma) si
el proceso tiene sólo variaciones naturales.
• El 99,73% del tiempo, los promedios de las muestras caerán dentro de ±3σx (tres sigma) si
el proceso tiene sólo variaciones naturales.
IACC
14

A continuación, se determinarán los límites de la gráfica de la media para el caso Watson Electric.
Primero: obtener el promedio de las muestras.
Observaciones
Muestra 1 2 3 4 X
1 604 612 588 600 601
2 597 601 607 603 602
3 581 570 585 592 582
4 620 605 595 588 602
5 590 614 608 604 604
,
𝒙 598
))) es 22,4
Segundo: De los datos anteriores tenemos que R media (𝑅)
* =𝑥̿ + A2 * 𝑅)
Para determinar el límite superior de la media: UCL𝑥
Para determinar el límite inferior de la media: LCL𝑥̅ = 𝑥̿ - A2 * 𝑅)
Muestra *
LCL 𝒙 *
UCL 𝒙 *
𝒙 ,
𝒙
1 582 615 601 598
2 582 615 602 598
3 582 615 582 598
4 582 615 602 598
5 582 615 604 598
IACC
15
Gráfica x barra
650
630
Promedio
610
601 602 602 604
590
582
570
550
1 2 3 4 5
Número de Muestras
Muestra LCL x ̅ ULC ¯X x̅ x̿
Figura 7. Ejemplo de gráfico 𝑥̿

Análisis:
En este caso, el proceso se encuentra bajo control y las medias demuestran que no existe una
tendencia en la gráfica que permita realizar mejoras. Si una de las medias de las muestras hubiese
estado fuera de control, es necesario analizar las causas de los problemas. Estas causas pueden ser
falta de capacitación en los operarios, mantenciones, calidad de los insumos, etc. En cada caso, se
deben realizar las medidas correctivas y analizar estadísticamente nuevas muestras para ver si el
proceso vuelve a estar bajo control.
• Revisa el recurso adicional “Ejercicio de Gráficos de Control

por Variables”, para observar la planilla Excel con el
desarrollo del ejercicio anterior.
IACC
16
1.4 GRÁFICAS DE CONTROL POR ATRIBUTOS

Son gráficos de control basados en la observación de la presencia o ausencia de una determinada
característica, o cualquier tipo de defecto en el producto, servicio o proceso en estudio.
Dentro de los gráficos por atributos, se puede encontrar los siguientes límites de control.
Límite
superior
Límites
de
Control
Límite Límite
Central Inferior
Para aplicar las gráficas de control por atributos, se debe tener en cuenta lo siguiente:
• El tamaño de la muestra debe ser considerable para obtener información significativa.

• Se aplica a procesos que tienen un gran número de disconformidades o unidades
defectuosas.
1.4.1 GRÁFICAS P
Es una carta de control que permite monitorear la proporción o porcentaje de productos
defectuosos en una muestra de una línea de producción o en un subgrupo, utilizándose para medir
el desempeño de procesos. El objetivo de este tipo de cartas de control es analizar la proporción de
artículos defectuosos por subgrupos (unidades rechazadas/unidades inspeccionadas).
Generalmente, son utilizadas para reportar resultados en puntos de inspección, donde una o más
características de calidad son evaluadas, y en función de esto el artículo puede ser aceptado o
rechazado.
IACC
17
Se debe realizar el siguiente procedimiento para calcular los límites superior e inferior de los gráficos
P:
Primero: se debe calcular la desviación estándar de la distribución de la proporción defectuosa, σp:
)))))))))))
/
* (12/̅ ))))
σp = .
'
Donde:
• n= tamaño de la muestra.
• 𝑝̅ = línea central del gráfico, que puede ser la proporción defectuosa de la población histórica
promedio, o un valor objetivo.
• 𝑝̅ = total de defectos /número total de observaciones
Segundo: a partir de la desviación estándar de la distribución de la proporción defectuosa se pueden

calcular los límites superior e inferior de los gráficos P.
Límite superior UCLp = 𝑝̅ + zσp
Límite inferior LCLp = 𝑝̅ - zσp
Donde:
• z = número de desviaciones estándar con respecto al promedio.
El gráfico se usa de la siguiente forma. Periódicamente se toma una muestra aleatoria de tamaño n
y se cuenta el número de productos o servicios defectuosos. El número de elementos defectuosos
se divide entre el tamaño de la muestra para obtener una proporción de muestra defectuosa, p, la
cual se traza después en el gráfico. Cuando una proporción de muestra defectuosa queda fuera de
los límites de control, el analista supone que la proporción defectuosa generada por el proceso ha
cambiado y busca la causa asignable. Las observaciones que se ubican por debajo del LCLp indican
que el proceso puede haber mejorado en realidad.
Es posible que el analista no logre encontrar ninguna causa asignable porque siempre existe la
posibilidad de que una proporción fuera de control se haya producido de manera fortuita. Sin
embargo, si el analista descubre causas asignables, esos datos de muestra no deben usarse para
calcular los límites de control para el gráfico.
IACC
18

El departamento de procesamiento de datos de un banco tiene cinco analistas que se dedican a
introducir datos. Un supervisor verifica todos los días la precisión de una muestra aleatoria de 250
registros. Cuando un registro contiene uno o más errores, se considera defectuoso y es preciso
hacerlo de nuevo. Los resultados de las 30 últimas muestras se presentan en la siguiente tabla.
Todos fueron verificados para asegurar que ninguno estuviera fuera de control (Krajewski et al.,
2008). Tomando como base estos datos históricos, trace un gráfico p usando z = 3.
Muestra Número de registros

defectuosos
1 7
2 5
3 19
4 10
5 11
6 8
7 12
8 9
9 6
10 13
11 18
12 5
13 16
14 4
15 11
16 8
17 12
18 4
19 6
20 11
21 17
22 12
23 6
24 7
25 13
26 10
27 14
28 6
29 11
30 9
Total 300
IACC
19
Para obtener 𝑝̅ , tenemos que considerar que:
• El número total de registros defectuosos es de 300.

• Número total de observaciones es de 7500, considerando 250*30=7500
455
* = 6.855 = 0,04
𝑝
Luego, se obtiene la desviación estándar σp:
)))))))))))
/
* (12/̅ ))))
σp = . 985
)))))))))))))))))))
)))))))
5,5; )))))))
(125,5;)
σp = . 985
σp = 0,0124
Límite superior UCLp = 𝑝̅ + zσp
UCLp = 0,04 + 3*0,0124
UCLp = 0,077
Límite inferior LCLp = 𝑝̅ - zσp
UCLp = 0,04 - 3*0,0124
UCLp = 0,003
Para calcular la proporción defectuosa se debe aplicar la siguiente fórmula:
<ú>?@A B? @?CDEF@AE B?G?HFIAEAE

Proporción defectuosa = <ú>?@A FAFJK B? @?CDEF@AE /A@ >I?EF@J
Número de registros por muestras = 250
IACC
20
Luego, se debe calcular la proporción defectuosa de la 1 a la 30:
Número de registros Proporción

Muestra defectuosa
defectuosos
1 7 0,028
2 5 0,020
3 19 0,076
4 10 0,040
5 11 0,044
6 8 0,032
7 12 0,048
8 9 0,036
9 6 0,024
10 13 0,052
11 18 0,072
12 5 0,020
13 16 0,064
14 4 0,016
15 11 0,044
16 8 0,032
17 12 0,048
18 4 0,016
19 6 0,024
20 11 0,044
21 17 0,068
22 12 0,048
23 6 0,024
24 7 0,028
25 13 0,052
26 10 0,040
27 14 0,056
28 6 0,024
29 11 0,044
30 9 0,036
Finalmente, se debe graficar: 𝑝̅ , UCLp = 𝑝̅ + zσp, LCLp = 𝑝̅ - zσp y la proporción defectuosa, quedando
el gráfico de la siguiente manera:
IACC
21
Figura 8. Ejemplo 1 de gráfico p.

Análisis:
Se puede observar que todos los registros defectuosos están dentro de los límites de control, por lo
tanto, solo se sugiere que continúe la supervisión del proceso.
A continuación, se muestran los cuatro días siguientes:
Número de registros
Muestra
defectuosos
31 17
32 15
33 22
34 21
Se debe determinar la proporción defectuosa:
Número de registros
Muestra Proporción defectuosa
defectuosos
31 17 0,068
32 15 0,060
33 22 0,088
34 21 0,084
IACC
22
Finalmente, se incluyen en el gráfico los nuevos registros:
Figura 9. Ejemplo 2 de Gráfico p.

Fuente: Elaboración propia.
Las muestras 33 y 34 pasan el límite superior, por lo tanto, se observa que se encuentran fuera de
control y será necesario determinar las razones del desempeño deficiente en esos días. El supervisor
tendrá que buscar el problema y, una vez identificado, deberá aplicar las medidas correctivas que
correspondan.
Las causas pueden ser, por ejemplo, que se incorporó un analista nuevo con poca experiencia,
errores en la maquinaria, entre otras.
1.4.3 GRÁFICAS C
Los gráficos c se utilizan cuando los productos o servicios tienen más de un defecto. Por ejemplo,
defectos ocasionados en el proceso de producción, accidentes que ocurren en una intersección
específica, quejas por productos tangibles (son productos que se fabrican, por ejemplo; productos
alimenticios, electrodomésticos, tecnológicos) y servicios intangibles (no es entregado fisicamente,
por ejemplo; servicios bancarios, servicio al cliente, etc.). Cuando a la gerencia le interesa reducir el
número de defectos por unidad o por encuentro de servicio, resulta útil aplicar este tipo de gráficas.
IACC
23
Los límites de control se obtienen de la siguiente manera:
Límite superior UCLc = 𝑐̅ + z√𝑐̅
Límite inferior LCLc = 𝑐̅ - z√𝑐̅
El valor de z se obtiene a partir de la desviación estándar de los promedios de la muestra, de acuerdo

con lo siguiente:
Si Z= 1 el 68,27% de los promedios cae dentro de la desviación estándar.

Una planta produce papel para la industria de periódicos. En la fase final del proceso, el papel pasa
por una máquina que mide varias características de calidad del producto. Cuando el proceso de
producción de papel está bajo control, el promedio es de 20 defectos por cada rollo.
a) Se solicita elaborar un gráfico de control para el número de defectos por rollo. Para este
ejemplo, se debe utilizar límites de control dos sigma.
b) Cinco rollos tuvieron el siguiente número de defectos: 16, 21, 17, 22 y 24, respectivamente.
El sexto rollo usó pulpa de otro proveedor y tuvo 5 defectos. ¿El proceso de producción de
papel está bajo control?
Desarrollo del punto a:
El número promedio de defectos por rollo es de 20. Por lo tanto:
UCLc = 𝑐̅+z*√𝑐̅ =20+2 *√20=28,94
LCLc =𝑐̅ −z *√𝑐̅ = 20−2* √20=11,06
IACC
24
Figura 10. Ejemplo de Gráfico c (punto a).

Desarrollo del punto b:
Muestra Número de LCLc UCLc c

Defectos
1 16 11,06 28,94 20,00
2 21 11,06 28,94 20,00
3 17 11,06 28,94 20,00
4 22 11,06 28,94 20,00
5 24 11,06 28,94 20,00
6 5 11,06 28,94 20,00
IACC
25
Figura 10. Ejemplo de Gráfico c (punto b).

Análisis:
La planta trabaja con el proveedor de las primeras cinco muestras desde hace muchos años. El
proveedor de la sexta muestra es nuevo en la compañía. La gerencia decidió seguir trabajando con
el nuevo proveedor por un tiempo y monitorear el número de defectos para saber si seguía siendo
igual de bajo. Si el número continúa ubicándose por debajo del LCL en 20 muestras consecutivas, la
gerencia cambiará de proveedor permanentemente y volverá a calcular los parámetros del gráfico
de control.
• Revisa el recurso adicional “Ejercicio de Gráficos de Control

por Atributos”, para observar la planilla Excel con el
desarrollo del ejercicio anterior.
IACC
26
• Para profundizar y complementar el contenido de esta

semana, se sugiere la lectura del capítulo 6 de
“Administración de Operaciones” (Krajetski et al., 2008),
disponible en los recursos adicionales.
IACC
27
COMENTARIO FINAL
Esta semana se pudo estudiar la relevancia que tienen los diversos gráficos de control que permiten
medir desempeño y además incluir mejoras en los diversos procesos, teniendo un impacto positivo
en la organización, por ejemplo, aumentando la calidad de los productos terminados, seleccionando
un proveedor materias primas que disminuya los defectos.
Cuando se desea medir el desempeño de un proceso es importante analizar sus características y el

tipo de datos recopilados, para identificar adecuadamente, si aplica utilizar el gráfico de control por
variables o por atributos.
Al utilizar las gráficas aquí estudiadas, permitirán al administrador del proceso controlar, mejorar y
retroalimentar a la gerencia.
IACC
28
REFERENCIAS
Heizer, J. y Render, B. (2009). Principios de administración de operaciones. México: Pearson
Educación.
Krajewski,L., et al. (2008). Administración de operaciones. México: Pearson Educación.
PARA REFERENCIAR ESTE DOCUMENTO, CONSIDERE:
IACC (2018). Gráficos y diagramas de control. Control Estadístico de Procesos.
Semana 2.
IACC
29
IACC
30

Semana 2 - Contenido

Cargado por

Copyright:

Formatos disponibles

Semana 2 - Contenido

Cargado por

Información del documento

Descripción 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

Semana 2 - Contenido

Cargado por

Copyright:

Formatos disponibles

SEMANA 2 – CONTROL ESTADÍSTICO DE PROCESOS

CONTROL ESTADÍSTICO DE PROCESOS

"Calidad significa hacer lo correcto cuando nadie está mirando".

1. DEFINICIONES Y CONCEPTOS DE LOS GRÁFICOS DE

La gráfica de control es una herramienta que define cualitativamente el rango de variación

Un gráfico de control posee la siguiente estructura:

Figura 1. Ejemplo de diagrama de control.

1.1 OBJETIVOS DE LAS GRÁFICAS DE CONTROL

• Permiten controlar la estabilidad de los procesos.

1.2 CAUSAS DE LAS VARIACIONES DE UN PROCESO

o Media: la medida de tendencia central en este caso, el valor promedio.

• Variaciones asignables: Factores como el desgaste de la maquinaria, el desajuste de

El administrador de operaciones tiene un rol fundamente en el control de las variaciones antes

A continuación, se ejemplifican gráficos de control:

Figura 2. Ejemplo de diagrama bajo control.

Figura 3. Diagrama con tendencia descendente.

Figura 4. Diagrama con cambio repentino.

Figura 5. Diagrama con resultados fuera de control.

Cuando se utilizan gráficos de control, se pueden presentar dos tipos de errores:

• Error tipo I: se produce cuando el administrador de operaciones concluye que el proceso

1.3 GRÁFICAS DE CONTROL POR VARIABLES

Tabla 1. Factores para determinar límites de la gráfica R y 𝑥̅ .

1.3.1 TEOREMA DEL LÍMITE CENTRAL

El teorema establece que:

1) la media de la distribución de las 𝑥̅ (denominada 𝑥̿ ) será igual a la media de la población

2) La desviación estándar de la distribución de las muestras, σ𝑥̅ , será la desviación estándar

1.3.2 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DEL RANGO

Los límites de control para el gráfico R son:

• Para determinar el límite superior del rango se debe utilizar:

• Para determinar el límite inferior del rango se debe utilizar:

𝑅) = promedio de varios valores R y la línea central del gráfico de control.

D3,D4 = Constantes que proporcionan tres límites de desviación estándar.

1.3.3 EJEMPLO DE APLICACIÓN

Segundo: Obtener el promedio de cada muestra.

• Para determinar el límite superior se debe utilizar: UCLR= D4𝑅)

Los resultados de LCL y UCL provienen de la multiplicación de D3 y D4 por R (rango de la muestra)

Muestra LCL UCL R R Media

LCL UCL Rango R Media

Figura 6. Ejemplo de gráfico R.

1.3.4 DETERMINACIÓN DE LOS LÍMITES DE LA GRÁFICA DE LA MEDIA

Como la distribución de las muestras es normal, podemos afirmar que:

1.3.5 EJEMPLO DE APLICACIÓN

Primero: obtener el promedio de las muestras.

Para determinar el límite inferior de la media: LCL𝑥̅ = 𝑥̿ - A2 * 𝑅)

Muestra LCL x ̅ ULC ¯X x̅ x̿

Figura 7. Ejemplo de gráfico 𝑥̿

• Revisa el recurso adicional “Ejercicio de Gráficos de Control

1.4 GRÁFICAS DE CONTROL POR ATRIBUTOS

• El tamaño de la muestra debe ser considerable para obtener información significativa.

Primero: se debe calcular la desviación estándar de la distribución de la proporción defectuosa, σp:

Segundo: a partir de la desviación estándar de la distribución de la proporción defectuosa se pueden

Límite superior UCLp = 𝑝̅ + zσp

Límite inferior LCLp = 𝑝̅ - zσp

• z = número de desviaciones estándar con respecto al promedio.

1.4.2 EJEMPLO DE APLICACIÓN

Muestra Número de registros

Para obtener 𝑝̅ , tenemos que considerar que:

• El número total de registros defectuosos es de 300.

Luego, se obtiene la desviación estándar σp:

UCLc = 𝑐̅+z√𝑐̅ =20+2 √20=28,94

LCLc =𝑐̅ −z √𝑐̅ = 20−2 √20=11,06