Control Estadístico

de la Calidad

Gráficos de control
 Definición:
Es la actividad técnica y administrativa mediante
la cual:

• se miden las características de calidad de un

producto

• se comparan con especificaciones y requisitos

• Se toman acciones correctivas en caso de haber

discrepancias
 Clasificación de los métodos
estadísticos de C.C.
Métodos Estadísticos
de Control de Calidad

Control Estadístico de Procesos Muestreo de aceptación

(gráficos de control) (planes de muestreo)

Atributos Variables Atributos Variables

 Gráficos de Control

Concepto:
Herramienta estadística utilizada
para detectar variaciones de la
calidad de un producto, durante un
proceso de fabricación.
 Causas de las variaciones
• Causas no asignables o aleatorias:
debidas al azar, no son identificables, no
pueden ser reducidas o eliminadas.
Producen variaciones pequeñas.

• Causas asignables: identificables y que

deben ser eliminadas. Producen
variaciones grandes.
Un gráfico de control permite identificar
causas asignables y determinar si un
proceso está bajo o fuera de control.

Bajo control: trabaja en presencia de

variaciones aleatorias.

Fuera de control: hay variaciones

debidas a causas asignables.
 Muestreo de aceptación
Es el proceso de evaluar una porción de una agrupación de un
producto para tomar la decisión de aceptar o rechazar todo lo
asignado.
Es necesario por diferentes razones:
• Examinar todo el lote resulta muy costoso
• Inspeccionar todo el lote requiere demasiado tiempo
• El proceso de inspección requiere la destrucción del producto
inspeccionado
• El costo de inspección es considerado demasiado elevado
en relación al costo de pasar un producto defectuoso.
• El proceso de inspección es demasiado laborioso.
Estructura de un gráfico de control

Límite
superior
0.9 de control
0.8
Característica de calidad

Línea
0.7
0.6 central
0.5 Límite
0.4 inferior de
0.3 control
0.2
0.1
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Número de muestra
 Característica de
calidad (longitud mm)

0
0.2
0.4
0.6
0.8
1

1
3
5
7
9
11
13
15
17
Número de muestra

19
Gráfico de control

21
23
25
 Distribución de probabilidad
• Una distribución de probabilidad es un modelo matemático que
relaciona el valor de la variable con la probabilidad de ocurrencia de
este valor en la población.

• Distribuciones continuas: cuando la variable que se mide se

expresa en una escala continua.
• Distribución discreta: cuando el parámetro que se mide solamente
puede tomar ciertos valores, como los números enteros 1, 2,…,
 Ejemplo
• Una distribución discreta. Un proceso de manufacturas
electrónicas produce miles de diodos diariamente. En
promedio, el 1% de estos diodos no se apega a las
especificaciones. Cada hora, un inspector selecciona una
muestra aleatoria de 50 diodos y los clasifica como
conformes o disconformes.
• Si x = número de piezas con disconformidad ( variable
aleatoria)
• entonces, la distribución de probabilidad de x es
Donde es el número de combinaciones
de 50 partes tomadas x cada vez. Esta es un distribución
discreta, ya que el número observado de disconformidades
es x= 0,1,2,….50, y se denomina distribución binómica (o
binomial).
La probabilidad de encontrar a lo más una pieza
disconforme en la muestra como
 Una distribución continúa. Sea x una variable aleatoria que
representa el contenido real (en onzas) de las latas de café de
1 lb. Se supone que la distribución de probabilidad de x es:

Es una distribución continua, ya que el intervalo de x es

[15,5, 17]. Esta distribución se denomina distribución
uniforme,
El área bajo a función f(x) corresponde a la probabilidad de
que una lata contenga menos de 16 onzas entonces es:

• La media µ de una distribución de probabilidad es una

medida de la tendencia central en la distribución, o de su
acumulación.
• Si la población tienen N artículos, entonces la media es:
 La dispersión en una distribución se expresa como la o
varianza σ2.
Si hay N artículos en la población, entonces será:

• Es decir, la varianza es exactamente el promedio de los

cuadrados de las desviaciones (o distancias de cada
elemento de la población respecto a la media). Si σ2 =0,
no hay variabilidad en la población. Al aumentar la
dispersión lo hace también la varianza σ2 .
• Por ejemplo, si medimos voltajes, la unidad de la
varianza es volt2
• Se acostumbra trabajar con desviación estándar σ
 DISTRIBUCIONES DISCRETAS

Hay varias distribuciones de probabilidad discretas que

aparecen frecuentemente en el control estadístico de
calidad. Estudiaremos las distribuciones binómica (o
binomial) y de Poisson.

Distribución Binómica

Considérese un proceso que consiste en una sucesión de n

pruebas independientes, donde el resultado de cada una es
un “éxito” o un “fracaso”. Si la probabilidad X de un “éxito”(p)
en n pruebas responde a la función:

entonces tendrá la distribución binomial

Los parámetros de la distribución binomial son n y p,
donde n es un número entero positivo. La media y la
variancia de la distribución binomial son
La distribución binomial es el modelo probabilístico
apropiado para muestrear una población infinitamente
grande, donde:

* p representa la proporción de artículos defectuosos

* x representa el número de artículos disconformes

Por ejemplo, si p= 0.10 y n =15, entonces la probabilidad

de obtener x artículos disconformes es:
x p(x)

0 0.2059

1 0.3432

2 0.2669

3 0.1285

4 0.0428

5 0.0105

6 0.0019

7 0.0003

8 0.0000

… …………

… …………

15 0.0000
 Distribución de Poisson

Una distribución discreta útil en el control estadístico de la

calidad es la distribución de Poisson,

Donde el parámetro λ > 0.

La media y la varianza de la distribución de Poisson son
µ = λ y σ2 = λ

Es decir, la media y la variancia de la distribución de

Poisson son ambas iguales al parámetro λ.
 Distribución de Poisson
Aplicación en el control de la calidad:

Por ejemplo, supóngase que el número de defectos por

unidad en las conexiones de conductores en un dispositivo
electrónico de semiconductores tiene distribución de
Poisson, con parámetro λ = 4.

La probabilidad de que uno contenga a lo más dos

defectos en las conexiones es
Obsérvese que la distribución es sesgada; es decir, tiene
una prolongada extensión (cola) hacia la derecha.
Al aumentar el parámetro λ, la distribución de Poisson se
vuelve más simétrica.
 DISTRIBUCIONES CONTINUAS

Distribución normal
Muy importante tanto en la teoría como en la aplicación
de la estadística. Si x es una variable aleatoria normal,
entonces su distribución de probabilidad es,

Esta distribución se utiliza tan extensamente que a

menudo se aplica una notación especial, x N (µ,σ2),
para implicar que x tiene distribución normal, con media
µ y variancia σ2.
 µ-3σ µ-2σ µ-σ µ µ+σ µ+2σ µ+3σ
68.26%

95.44%

99.74%

La desviación estándar mide la distancia en la escala

horizontal, asociada a los límites de contención de 68,26%,
95,44% y 99,74%.
 La distribución normal acumulativa se define como la
probabilidad de que la variable normal x sea menor que o
igual a algún valor a, es decir

• No es posible evaluar esta integral en forma cerrada. Sin

embargo, utilizando el cambio de variable

• La evaluación puede hacerse independiente de µ y de

σ2. Esto es,

Donde Ф es la función de distribución acumulativa de la

distribución normal estándar (media=0, desviación
estándar=1).
 Ejemplo
El diámetro de un eje metálico tiene distribución normal,
con media de 0,2508 pulgadas y desviación estándar
de 0,0005 pulgadas. Se han determinado las
especificaciones para el eje como 0,2500+/-0,0015
pulgadas.
Se quiere determinar la fracción o proporción de los
ejes producidos que cumplen con las especificaciones.
 La distribución normal apropiada se muestra en la figura.
Nótese que

• Se esperaría que, alrededor de 91,92% de los ejes

producidos se apegan a las especificaciones.
 Obsérvese que casi todos los ejes disconformes son
demasiado grandes, porque la media del proceso se
encuentra muy cerca del límite superior de especificación.
Supongamos que puede centrarse el proceso, ajustando la
máquina, para que la media sea igual al valor nominal de
0.2500. Entonces se tiene

• Al volver a centrar el proceso se incrementó su

producción hasta aproximadamente 99,73%.
 CÓMO FUNCIONA EL DIAGRAMA DE CONTROL

Causas fortuitas y causas atribuibles de la variación de la

calidad
En cualquier proceso de fabricación siempre existirá cierto grado
de variabilidad inherente o natural. La variabilidad natural se
denomina “sistema estable de causas fortuitas”. Un proceso que
funciona con solo causas fortuitas de variabilidad se considera
bajo control estadístico.
Otros tipos de variabilidad pueden estar presentes en el
resultado de un proceso. Esta variabilidad surge por lo común de
tres fuentes: ajuste incorrecto de máquinas, errores de operario
o defectos en las materias primas . Las fuentes de variabilidad
que no forman parte del esquema de las causas fortuitas se
denominan “causas atribuibles”. Un proceso que funciona en
presencia de causas atribuibles se considera fuera de control.
El objetivo del control estadístico de procesos es detectar
la ocurrencia de causas atribuibles o cambios en el
proceso, a fin de que se pueda investigar y tomar acciones
correctivas.

El diagrama de control es una técnica de control de

procesos en línea, que se utiliza ampliamente con este
propósito.
También se emplean con el fin de evaluar los parámetros
de un proceso de producción, y determinar la capacidad
del proceso.
La meta final del control estadístico de procesos es la
eliminación de la variabilidad del proceso.
Puede que no sea posible eliminarla completamente, pero
el diagrama de control es una herramienta efectiva para
reducirla al mínimo posible.
 1. Base estadística del diagrama de control

Usos fundamentales de un diagrama de control:

*Rastreo y vigilancia de un proceso

*Reducción de la variabilidad del proceso
*Estimación de los parámetros de producto o de proceso
 La línea central representa el valor medio de la característica
de calidad, correspondiente al estado bajo control.
Las otras dos líneas horizontales, llamadas límite superior de
control (LSC) y límite inferior de control (LIC).

• Si el proceso está bajo control, casi la totalidad de los puntos

muestrales se halla entre ellos. Mientras esto suceda no es
necesario tomar ninguna acción.

• Pero aunque todos los puntos se hallan entre los límites de

control, si se comportan de manera sistemática o no aleatoria,
esto indica que el proceso está fuera de control.
 Ejemplo

• En la fabricación de anillos de pistón destinados a

motores de automóvil, una característica de calidad
crítica es el diámetro exterior del anillo.
• Se puede controlar el proceso para un diámetro exterior
promedio de 74 mm, y se sabe que la desviación
estándar del diámetro de los anillos es de 0.01mm.
 Se toma una muestra de cinco anillos cada media hora, se
calcula el diámetro promedio de la muestra y se representa
en la gráfica. Debido a que en este diagrama de control se
usa la media muestral n=5 para vigilar la media del
proceso, se denomina diagrama de control de .

Para entender mejor la base estadística de este diagrama

considérese la determinación de los límites de control. La
media del proceso es 74 mm, y su desviación estándar es
σ= 0.01 mm. Tomando muestras de tamaño n=5, la
desviación estándar de la media muestral es:
Por lo tanto, si el proceso está bajo control con un diámetro
medio de 74 mm, es de esperar (usando el teorema central
de límite para suponer que es aproximadamente normal)
que 100 (1-α) % de los diámetros medios de las muestras
estén entre 74 + y 74 - . Escogeremos
en forma arbitraria la constante igual a 3 y, por lo
tanto, los límites superiores e inferior de control serán:

LSC= 74+3(0.0045) = 74.0135

LIC= 74-3(0.0045)= 73.9865

Como se indica en el diagrama, estos límites se llaman
generalmente límites de control de “tres sigmas”. La
amplitud entre los límites de control es inversamente
proporcional al tamaño muestral n .
 Los diagramas de control :

son una técnica probada para mejorar la productividad

son eficaces para evitar defectos. El diagrama de control
ayuda a mantener el proceso bajo control.
evitan ajustes innecesarios al proceso. Un diagrama puede
distinguir entre el ruido de fondo y una variación anormal,
ningún otro dispositivo es tan eficiente.
proporcionan información para el análisis. el patrón de los
puntos en el diagrama de control contiene información
diagnóstica para un ingeniero con experiencia.
proporcionan información acerca de la capacidad del
proceso. La gráfica de control ofrece información sobre el
valor de parámetros importantes del proceso y de su
estabilidad en el tiempo.
 Tamaño muestral y frecuencia de muestreo

En el diseño de un diagrama de control hay que especificar

el tamaño muestral y la frecuencia de muestreo.
Muestras grandes facilitan la detección de cambios
pequeños en el proceso.
 Obsérvese que la probabilidad de detectar un cambio
desde 74.0000 mm hacia 74.0100 mm (por ejemplo)
aumenta al incrementarse el tamaño muestral n.

• Cuando hay que escoger el tamaño de la muestra, debe

pensarse en el tamaño del cambio que se trata de
detectar.
• Si el cambio del proceso es relativamente grande, se
usan tamaños muestrales más reducidos que los que se
tendrían que utilizar para cambios relativamente
pequeños.
 También es necesario determinar la frecuencia de
muestreo.
Lo mejor sería tomar muy a menudo muestras grandes; sin
embargo, esto no suele ser económicamente factible.
El problema general es distribuir el esfuerzo de
muestreo.

Es decir, se toman muestras pequeñas a intervalos cortos,

o bien muestras grandes a intervalos largos.
La práctica industrial común tiende a favorecer la toma de
muestras pequeñas, más frecuentes sobre todo en
procesos de manufactura con un gran volumen de
producción, o en los que puede presentarse una gran
cantidad de causas atribuibles de diferentes tipos.
 Análisis de patrones en diagramas de control

Un diagrama de control puede indicar una condición fuera

de control cuando uno o más puntos se hallan fuera de los
límites, o bien cuando los puntos localizados exhiben algún
patrón de comportamiento no aleatorio
 Aunque todos los puntos se encuentran dentro de los
límites de control, no indican un control estadístico porque
su disposición tiene aspecto poco aleatorio.

Específicamente, se nota que 19 de los 25 puntos se

encuentran por debajo de la línea central, mientas que los
otros se hallan por arriba de dicha línea.
Si los puntos fueran en realidad aleatorios, se esperará
una distribución más uniforme de los puntos arriba y
debajo de la línea central.
También observamos que, después del cuarto punto, cinco
puntos de una fila aumentan en magnitud. Este arreglo de
puntos se denomina corrida ascendente.
Otros tipos de patrones también pueden indicar una
condición fuera de control. Por ejemplo:
Se concluye de que el proceso está fuera de control si
presenta cualquiera de las situaciones siguientes:

Un punto cae fuera de los límites de control de tres sigmas

Dos de tres puntos consecutivos caen más allá de los

límites de advertencia de dos sigmas

Cuatro de cinco puntos consecutivos se encuentran a una

distancia de una sigma o más de la línea central.

Ocho puntos consecutivos se hallan al mismo lado de la

línea central
 Criterios que se utilizan en la práctica :

Uno o más puntos están fuera de los límites de control.

Una corrida de 7 u 8 puntos, (ascendente o descendente), una

corrida sobre la línea central o bajo de ella.

Dos o tres puntos consecutivos fuera de los límites de

advertencia de dos sigmas, pero todavía entre los límites de
control
Cuatro o cinco puntos consecutivos más allá de los límites
sigma

Un patrón anormal o no aleatorio en los datos

Uno o más puntos cerca de un límite de advertencia

 DIAGRAMA DE CONTROL PARA ATRIBUTOS

Muchas características de calidad no se pueden

representar en forma conveniente por números. Los
términos “no defectuoso” o “defectuoso” se utilizan con
frecuencia para identificar estas dos clasificaciones.
Las características de calidad de este tipo se llaman
atributos.

Ejemplos de características de calidad que son atributos

La ocurrencia de bielas deformes para motores

La proporción de chips de semiconductores no funcionales
en una producción, etc.
 Existen tres diagramas de control de atributos que se
utilizan regularmente.
El primero se refiere a la fracción de productos
disconformes o defectuosos fabricados por un proceso de
manufactura, y se llama diagrama de control de la
fracción de disconformes, o diagramas p.
El segundo tipo de diagrama es denominado diagrama de
control de disconformidades, o diagrama c y está
diseñado para tratar este caso.
Y el último es un diagrama de control de
disconformidades por unidad, o diagrama u, que es útil
cuando el número promedio de disconformidades (o
defectos) por unidad constituye una base más conveniente
para el control del proceso
 DIAGRAMA DE CONTROL PARA LA FRACCIÓN DE
DISCONFORMES (diagrama de p)
Se define como el cociente entre el número de artículos
disconformes en una población y el número total de
artículos de la población.

Los artículos pueden tener varias características de calidad

que el inspector examina simultáneamente. Si no está
conforme con el estándar de una o más de tales
características, se clasificará como disconforme.

En general, expresamos la fracción de disconformes como un

número decimal, aunque se usa en ocasiones el llamado
porcentaje de disconformes, el cual tiene una apreciación
más intuitiva..
 Aunque se acostumbra trabajar con la fracción de
disconformes, podríamos analizar también la fracción de
conformes, lo que da como resultado un diagrama de control
para el rendimiento del proceso.

• Supóngase que el proceso de producción funciona de

manera estable, de suerte que la probabilidad de que
cualquier artículo no esté conforme con las
especificaciones es p, y que los artículos producidos
sucesivamente son independientes. Si se selecciona una
muestra aleatoria de n artículos del producto, y si D
representa el número de artículos no conformes, entonces
D tienen distribución binomial con parámetros n y p; es
decir,
• Sabemos que la media y la variancia de la variable
aleatoria D son np y np(1-p), respectivamente.
• La fracción disconforme muestral se define como el
cociente del número de artículos disconformes D en la
muestra, entre el tamaño muestral n; o sea,

• Además, la media y la variancia , son

• Debido a que la gráfica controla la fracción disconforme

p del proceso, se denomina también diagrama de p.
 Desarrollo y empleo del diagrama de control

Si w es una variable que mide una característica de calidad,

la media de w es 1, y la varianza de w es 1, entonces el
modelo general para el diagrama de control es :

Donde k es la distancia entre los límites de control y la línea

central, expresada en múltiplos de la desviación estándar
de w. Se acostumbra escoger k = 3
Supongamos que se conoce la fracción disconforme p
en el proceso de fabricación, o que se especifica un valor
estándar. Entonces la línea central y los límites de control
del diagrama de control de la fracción disconforme serán:

Línea central = p

El manejo real de este diagrama consistiría en:

Tomar muestras subsecuentes de n unidades
Calcular la fracción muestral disconforme
Graficar la estadística en el diagrama

Mientras quede entre los límites de control y la sucesión

de puntos ubicados no exhiba un patrón sistemático, se
concluye que el proceso está bajo control, al nivel p.
 Cuando se desconoce la fracción no conforme p del
proceso, hay que estimarla a partir de los datos observados.

El procedimiento normal es seleccionar m muestras

preliminares, cada una de tamaño n. Como regla general, m
tendría que ser igual a 20 o 25.
Entonces, si hay Di artículos no conformes en la muestra i,
se calcula la fracción disconforme en la i-ésima muestra
como:

Y la media de estas fracciones disconformes muestrales

individuales es:
La estadística estima la fracción disconforme p
desconocida. La línea central y los límites de control del
diagrama de control de la fracción disconforme resultan:

Línea central=

• Aquí, los límites de control obtenidos se consideran

límites de control de prueba. Permiten determinar si el
proceso estaba bajo control cuando se obtuvieron las m
muestras iniciales.
 En algunos casos es imposible determinar una causa
atribuible para un punto que cae fuera de control. Hay dos
tipos de acción que pueden tomarse.

La primera es eliminar el punto, como si se hubiera

encontrado una causa atribuible. No existe una justificación
analítica para actuar de esta manera, a no ser que algunos
puntos que se hallan fuera de los límites de control puedan
provenir de una distribución de probabilidad característica
de un estado fuera de control.

La segunda es conservar el punto (o los puntos)

considerando los límites de control de prueba adecuados
para el control actual.
 Ejemplo

• Se envasa jugo de naranja concentrado y congelado en

botes de cartón de 6 onzas. Estos envases los produce
una máquina formando un tubo a partir de una pieza de
cartón y aplicando luego un fondo metálico. Al
inspeccionar un bote puede determinarse al llenarlo si
goteará por la junta lateral o la del fondo. Tal bote
disconforme tiene un sellado inadecuado en la junta lateral
o la de fondo. Se desea elaborar un diagrama de control
para vigilar la fracción de envases disconformes
producidos por esta máquina.
• Para establecer el diagrama de control, se seleccionaron
30 muestras de n = 50 botes cada media hora durante un
período de tres turnos, en los cuales la máquina operó
continuamente. Los datos se muestran en la tabla 5.1
Se construye un diagrama de control preliminar para ver si
el proceso estaba bajo control cuando se obtuvieron esos
datos. Como las 30 muestras contienen botes
disconformes, obtenemos de

• Usando p1 como estimación para la fracción

disconforme real del proceso, es posible calcular ahora
los límites superior e inferior de control como
Por lo tanto, para LSC= 0.2313 + 0.1789= 0.4102 y
para LIC = 0.2313 – 0.1789 = 0.0524
Observamos que dos puntos, correspondientes a las muestras
15 y 23, se encuentran por arriba del límite superior de control
y, por lo tanto, el proceso no está bajo control. Hay que
investigar estos puntos para ver si se puede determinar una
causa atribuible.
El análisis de los datos de la muestra 15 indica que se utilizó
una nueva remesa de materia prima de cartón en la
producción durante este lapso de media hora. Lo cual genera,
a veces, una producción irregular.
Además, durante el período, en el que se obtuvo la muestra
23, trabajó un operador con poca experiencia, y ello podría
explicar la alta fracción disconforme de dicha muestra.
Por consiguiente, se eliminan las muestras 15 y 23, y se
determinan la nueva línea central y los límites de control
revisados como sigue:
 Por consiguiente, se eliminan las muestras 15 y 23, y se
determinan la nueva línea central y los límites de control
revisados como sigue:

• La línea central y los límites revisados se indican como

líneas discontinuas en el diagrama de control de la
figura 5.1.
 Observamos que ahora la fracción disconforme de la muestra
21 es mayor que el límite superior de control. Sin embargo, el
análisis de los datos no revela una causa atribuible razonable
o lógica, y se decide conservar el punto.
A veces, la verificación de datos de un diagrama de control
proporciona información que afecta a otros puntos no
necesariamente fuera de los límites de control. Por ejemplo, si
se hubiera encontrado que el operario temporal que estaba
trabajando cuando se tomó la muestra 23 trabajaba realmente
durante el periodo de dos horas en el que se obtuvieron las
muestras 21-24, entonces habrían tenido que descartarse las
cuatro muestras, aunque solo la 21 es mayor que los límites
de control, pues este operario sin experiencia probablemente
tuvo una influencia negativa en la fracción de disconformes
durante el periodo entero.
 DIAGRAMA DE CONTROL DE DISCONFORMIDADES
(Diagrama de c o np)
• Un artículo disconforme es un producto que no satisface
una o más de las especificaciones. Cada punto específico
en el que no se satisface una especificación resulta ser un
defecto o disconformidad.
• Un artículo disconforme tendrá por lo menos una
disconformidad. Sin embargo, dependiendo de su
naturaleza y su gravedad, es muy factible que un artículo
posea varias disconformidades y, de todos modos, no sea
clasificado como disconforme.
• Por ejemplo, supóngase que se fabrican computadoras.
Cada unidad podría tener uno o más desperfectos menores
en el acabado de la caja, y debido a que no afectan
seriamente su funcionamiento, se podría clasificarla como
conforme.
Sin embargo, al tener demasiados desperfectos se tendría
que clasificar la computadora como no conforme, ya que
aquellos serían evidentes para el consumidor, y podrían
afectar la venta de la unidad. Hay muchos casos en los que
es preferible trabajar directamente con el número de
defectos o disconformidades, en vez de hacerlo con la
fracción no conforme.

Algunos ejemplos son la cantidad de soldaduras defectuosas

en 100 m de oleoducto, el número de remaches rotos en un
ala de un avión, la cantidad de defectos funcionales en un
dispositivo lógico electrónico, etc.

• Es posible desarrollar diagramas de control para el

número total de disconformidades en una unidad, o bien
para el número promedio de defectos por unidad.
 Considérese la ocurrencia de no conformidades en una
unidad de inspección del producto. La unidad de
inspección es sencillamente una entidad apropiada para
registrar los defectos. Podría ser un grupo de 5 artículos,
10 artículos, etc. Supongamos que los defectos o
disconformidades ocurren en esta unidad de inspección
según una distribución de Poisson; es decir,

Donde x representa el número de disconformidades y c > 0

es el parámetro de la distribución de Poisson. Se sabe
que la media y la variancia de la distribución de Poisson
son ambas iguales al parámetro c. Por lo tanto, un
diagrama de control de no conformidades con límites de
tres sigmas se caracteriza por:
 Línea central = c

• suponiendo que se dispone de un valor estándar para c.

Si estos cálculos dan un valor negativo para el LIC,
entonces tómese LIC = 0.
• Si no se da un valor estándar, se podrá estimar c como
la media observada del número de disconformidades en
una muestra preliminar de unidades de inspección,
digamos . En este caso, el diagrama de control tendrá
los parámetros

Línea central =
Los límites de control deben considerarse límites de control
de prueba cuando no se dispone de un valor estándar, y es
necesario examinar las muestras preliminares para detectar
una posible falta de control. El diagrama de control de
disconformidades se llama a veces diagrama de c.

Ejemplo:
Se presenta el número de disconformidades observadas
en 26 muestras sucesivas, cada una con 100 tarjetas de
circuitos impresos. Obsérvese que se definió
convenientemente la unidad de inspección como 100
circuitos. Ya que las 26 muestras contienen un total de
516 disconformidades, se estima c por,
Por lo tanto, los límites de control de prueba son

Línea central = = 19.85

= 19.85
Aquí se grafica el número de disconformidades observadas
de las muestras preliminares. Dos puntos caen fuera de los
límites de control, las muestras 6 y 20. La investigación de
la muestra 6 reveló que un inspector nuevo había
examinado las tarjetas de dicha muestra y no reconoció
varios tipos de disconformidades que pondrían haber
estado presentes. Además, el número demasiado grande
de disconformidades en la muestra 20 se debió a un
problema en el control de la temperatura en la máquina de
soldar, el cual ser resolvió inmediatamente. Por lo tanto,
parece razonable excluir estas dos muestras y revisar los
límites de control de prueba. Ahora se calcula c por
 Y los límites de control revisados son

Línea central = = 19.67

Estos serán los valores estándares para verificar la

producción del próximo período.

Se obtuvieron 20 muestras nuevas, cada una de ellas de una

unidad de inspección (es decir, 100 tarjetas). Se anota el
número de disconformidades en cada muestra y se registran
en la tabla 5.8
• Se grafican estos puntos en el diagrama de control de
la figura 5.9
• No se indica falta de control; sin embargo, el número de
no conformidades por tablilla es todavía demasiado
grande. Se necesitan acciones administrativas para
mejorar el proceso.
 Otras técnicas útiles para un análisis adicional de
disconformidades son: el diagrama de causa y efecto
(también llamado diagrama de Ishikawa), y el diagrama
de concentración de defectos.
El primero se utiliza para ilustrar claramente las distintas
fuentes de disconformidades en productos y sus
interrelaciones. Es útil para centrar la atención de
operadores, ingenieros de producción y directores en los
problemas de calidad.

• El desarrollo de un buen diagrama causa-efecto, suele

mejorar el nivel de comprensión tecnológica del
problema.
En la figura 5.11
 Diagrama causa-efecto para el proceso de montaje de
tarjetas de circuitos impresos. Existen varias maneras de
trazar el diagrama.
Este se centra en las tres fuentes genéricas principales de
disconformidades: materiales operadores y equipos. Otro
enfoque útil es organizar el diagrama según el flujo del
material a través del proceso.

• El diagrama de concentración de defectos se usa

para determinar si las no conformidades se localizan en
la misma área del producto. Este diagrama es
normalmente esquema del producto, donde se indica la
frecuencia media de ocurrencia de no conformidades
mediante zonas sombreadas.
• Diagrama de concentración de defectos que sirve
para examinar las burbujas en una pieza de plástico,
obtenida por inyección.
• La ubicación de las burbujas indica que la mayor parte
se encuentra al lado derecho.
• Su origen se halló en un calentamiento irregular del
molde.
DIAGRAMA DE CONTROL DE DISCONFORMIDADES
POR UNIDAD ( Diagrama de u)

• El ejemplo A ilustra un diagrama de control de

disconformidades con tamaño muestral exactamente
igual a una unidad de inspección. Se escoge dicha
unidad por su sencillez o facilidad de obtener los datos.
• Sin embargo, no hay razón alguna para restringir el
tamaño muestral a una unidad de inspección.
• Supóngase que decidimos basar el diagrama de control
en un tamaño muestral de n unidades de inspección.
Nótese que n no necesariamente tiene que ser entero.
 Supóngase que se hubiera especificado un tamaño de los
subgrupos n = 2.5 unidades de inspección. El tamaño
muestral sería (2.5)(100) = 250 tarjetas.
Existen dos enfoques generales para construir la gráfica
revisada, una vez elegido un nuevo tamaño muestral.
El primero es simplemente redefinir una nueva unidad de
inspección, que es igual a n veces la unidad de inspección
anterior

• En este caso, la línea central de la nueva gráfica de

control es , y los límites de control son
donde es el número medio observado de no
conformidades de la unidad de inspección original.
 Supóngase que en el ejemplo A, después de revisar los
límites de control de prueba, se hubiera decidido usar un
tamaño muestral de n = 2.5 unidades de inspección.
Entonces la línea central se ubicaría en
=(2.5)(19.67) = 49.18, y los límites de control
serían o LSC = 70.22 y LIC = 28.14.
 El segundo enfoque implica elaborar un diagrama de
control basado en el promedio de disconformidades por
unidad de inspección. Si encontramos un total de c
disconformidades en una muestra de n unidades de
inspección, entonces el número promedio de no
conformidades por unidad de inspección será

• Nótese que u es una variable aleatoria de Poisson, ya

que es una combinación lineal de n variables aleatorias
independientes de Poisson. Por consiguiente, los
parámetros del diagrama de control son

Línea central =
Donde u representa el número promedio observado de no
conformidades por unidad en un conjunto preliminar de
datos.
Los límites de control obtenidos a partir de las fórmulas
anteriores se considerarían límites de control de prueba.
Esta gráfica se denomina diagrama de control de
disconformidades por unidad, o diagrama u.
• Ejemplo Diagrama u
Un fabricante de computadoras desea establecer un
diagrama de control de disconformidades por unidad en
la línea de montaje final. Se seleccionan como tamaño
muestral cinco computadoras. Los datos respecto al
número de no conformidades en 20 muestras, de cinco
computadoras cada una, aparecen en la tabla 5.1
 Calculamos el número medio de no conformidades por
unidad:

Los parámetros de la gráfica de control son

Línea central = = 1.93

 Los datos preliminares no presentan una falta de control
estadístico; por lo tanto, se adoptarían los límites de
control de prueba para el control actual.
Una vez más nótese que el número medio de
disconformidades por unidad es demasiado alto, aunque el
proceso se encuentre bajo control.
Aun cuando se trata de disconformidades no funcionales o
de apariencia, hay demasiadas. La administración debe
emprender acciones para mejorar el proceso.
 DIAGRAMA DE CONTROL DE VARIABLES

• Muchas características de calidad se pueden expresar

en términos de una medida numérica. Por ejemplo,
podría medirse el diámetro de un cojinete con un
micrómetro y expresarse en milímetros.
• Una característica de calidad medible, como
dimensión, peso o volumen, se llama variable. Los
diagramas de control para variables permiten el uso
procedimientos de control más eficientes, y
proporcionan más información respecto al rendimiento
del proceso que los diagramas de control de atributo.
 Cuando se trata con una característica de calidad que es
una variable, se suele controlar el valor medio de la misma
y su variabilidad.

• El control de la media del proceso suele ejercerse con el

diagrama de control de medias, o diagrama de x.
Es posible controlar la variabilidad o dispersión del
proceso mediante un diagrama de control de la
desviación estándar, llamado diagrama de S, o con un
diagrama de control de la amplitud, llamado diagrama
de R. Este último es más usado.
Por lo general se utilizan diagramas de x y de R por
separado para cada característica de calidad que
interese.
La figura 6.1a, la media µ y la desviación estándar σ están
bajo control en sus valores nominales (digamos µ0σ0); por
consiguiente, la mayor parte de la salida del proceso cae
dentro de los límites de especificación.

La figura 6.1b la media se transformó en un valor µ1 >µ0 ,

lo que genera una mayor fracción de productos
disconformes.

La figura 6.1c, la desviación estándar del proceso cambió a

un valor σ1 >σ0. Esto también da como resultado un mayor
rechazo del proceso, aunque la media todavía se halla en
su valor nominal.
 DIAGRAMAS DE CONTROL DE X Y R

Base estadística de los diagramas

Supongamos que una característica de calidad está

distribuida normalmente, con media µ y desviación
estándar σ, ambas conocidas. Si x1, x2,…..xn es una
muestra de tamaño n, entonces la media de tal muestra es

Y se sabe que x tiene distribución normal, con media µ

y desviación estándar . Además la
probabilidad de que cualquier media muestral se halle
entre
y
es 1 –α.
 Por lo tanto, si se conocen se µ y σ se podrían utilizar las
ecuaciones anteriores como límites superior e inferior de
control en un diagrama de control para medias muestrales.

Se acostumbra reemplazar por 3, de manera que se

usan límites de tres sigmas. Si una media muestral cae
fuera de esos límites, ello indica que la media del proceso
ya no es igual a µ.

• En la práctica, habitualmente se desconoce µ y σ. Por lo

que hay que estimarlas a partir de muestras
preliminares, tomadas cuando se considera que el
proceso está bajo control (por lo menos 20 a 25
muestras).
 Supongamos que se dispone de m muestras, cada una
con n observaciones de la característica de calidad. Por lo
general n será pequeño(4,5 o 6).
Estos tamaños muestrales pequeños resultan de la
construcción de subgrupos racionales, y del hecho de que
los costos de muestreo e inspección asociados a
mediciones de variables son relativamente altos.

• Sean x1, x2,..., xm las medias de las muestras. Entonces,

el mejor estimador de µ, “es el gran promedio”, y se
utilizara como linea central del diagrama de
Para fijar los límites de control se necesita un estimador de
la desviación estándar σ. Es posible evaluar σ a partir de
las desviaciones estándares o de las amplitudes de las m
muestras. Si x1, x2,….,xn es una muestra de tamaño n, la
amplitud R de la muestra es la diferencia entre la mayor y
menor observaciones; o sea,

• Existe una relación entre la amplitud de una muestra

proveniente de una distribución normal y la desviación
estándar. La variable aleatoria se llama amplitud
relativa.
• Los parámetros de la distribución de W son funciones
del tamaño muestral n. La media de W es d2
En la tabla VI se dan valores de d2 para diversos tamaños
muéstrales.
 Sean R1,….,Rm las amplitudes de las m muestras. La
amplitud media es

• Entonces, un estimador de σ se calcula como

• Si el tamaño muestral es relativamente pequeño, el

método de la amplitud produce un estimador de la
variancia casi tan bueno como el estimador cuadrático
usual (la variancia muestral S2).

n Eficiencia relativa

2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
 Si se utiliza como un estimador de m, y como un
estimador de σ, los parámetros del diagrama de son:

Línea central =

• Se observa que la cantidad

es una constante que depende únicamente del tamaño

muestral, por lo tanto, es posible volver a expresar
 Diagrama de R

Dado que la amplitud muestral está relacionada con la

desviación estándar del proceso, la variabilidad del
mismo puede controlarse representando los valores de
R de muestras sucesivas en un diagrama de control.
Los parámetros del diagrama son:
La línea central corresponderá a
Para obtener los límites de control se necesita un
estimador de σR. Suponiendo que la característica de
calidad está distribuida normalmente, puede encontrarse
σRa partir de la distribución de la amplitud relativa . La
desviación estándar de W, digamos d3, es una función
conocida de n. Así, puesto que
 la desviación estándar de R es

• Como se desconoce σ, es posible estimar con

• Y los parámetros de diagrama de R, con los límites de

control de tres sigmas habituales, son
 Si se toma

• pueden redefinirse los parámetros de la gráfica de R

como

• Las constantes D3 y D4 se dan en la tabla utilizada para

varios valores de n.
 Desarrollo y uso de los diagramas de X y R
Ejemplo

• Se fabrican anillos de pistón para motor de automóvil

mediante un proceso de forjado.

• Se desea controlar este por medio de diagramas de y

de R.
• Se tomaron 25 muestras tamaño 5 cada una cuando se
consideró que el proceso estaba bajo control.
• Los datos de estas muestras aparecen en la tabla 6.1
 A partir de los datos de la tabla, la línea central para la
gráfica de R es:

• Para muestras de n = 5, se obtiene de la Tabla VI que

D3= 0 y D4= 2.115. Por lo tanto, los límites de control
para la gráfica de R son:
 Observando este diagrama no hay indicios de una
condición fuera de control.
Como el diagrama de R indica que la variabilidad del
proceso está bajo control, puede trazarse ahora el
diagrama de . La línea central es

• Con el fin de determinar los límites de control del

diagrama de se utiliza A2 = 0.577 de la tabla vista
para muestras de tamaño n = 5 siendo:
Con el diagrama de se puede estimar el diámetro medio
de los anillos para pistón en = 74.001 mm.

Es posible estimar la desviación estándar del proceso

mediante

• Los límites de especificación para los anillos son 74.000

+/-0.03 mm. Puede estimarse la fracción de anillos
disconformes producidos suponiendo que el diámetro es
una variable aleatoria normal, con media 74.001 y
desviación estándar 0.0099, de la manera siguiente:
Aproximadamente 0.256% de los anillos producidos
estarían fuera de las especificaciones

Este porcentaje parece muy pequeño hasta que se

comprende que esto equivale a 2560 de partes por
millón. Si el volumen de producción es grande 0.256%
puede ser totalmente inaceptable.
La capacidad del proceso es una propiedad medible de
un proceso para producir un resultado dentro de los límites
de especificaciones

RCP=

• Para el proceso de los anillos de pistón resulta

RCP=

• Esto implica que los límites de tolerancia “natural” en el

proceso (tres sigmas por arriba y por debajo de la
media) coinciden casi exactamente con los limites
inferior y superior de especificación. Por consiguiente,
se producirá un número moderadamente bajo de los
anillos disconformes.
 La figura a se muestra un proceso RCP > 1,
donde los límites de especificación quedan fuera de los
limites superior e inferior de la tolerancia natural (LSTN = µ
+3σ, LITN =µ -3σ). Por consiguiente no se producirán
unidades disconformes.

En la figura b se presenta un proceso RCP=1, esto

implicaría alrededor de 27 artículos no conforme de 10.000
producidos.

La figura c se muestra un proceso con RCP <1.Cuando las

tolerancias naturales caen fuera de las especificaciones, el
proceso es muy sensible a la producción o rendimiento, y
se generara un gran número de artículos con
disconformidades.
 Elección del tipo adecuado de diagrama de
control
Diagramas de X y R (o de x y S). Hay que considerar el
uso de diagramas de control de mediciones en los casos
siguientes:

• Se introduce un nuevo proceso, o se fabrica un nuevo

producto mediante un proceso ya existente
• El proceso ha estado funcionando durante algún tiempo,
pero tiene problemas crónicos o no puede cumplir con
las tolerancias especificadas
• El proceso tiene problemas, y el diagrama de control
puede ser útil para fines de diagnóstico (localización de
averías)
• Se necesitan procedimientos de prueba costosos
 •Se han utilizado gráficas de control de atributos, pero el
proceso está fuera de control.

Procesos con especificaciones muy estrechas.

Situaciones en las que el operario debe de decidir si ajusta

o no el proceso.

Se quiere un cambio en las especificaciones del proceso

Se debe demostrar continuamente la estabilidad y

capacidad del proceso.
Diagramas de atributos (de p, c y u). Debe considerarse
el uso de las gráficas de control de atributos en los casos
siguientes:

• Los operarios controlan las causas atribuibles, y es

necesario reducir el rechazo del proceso
• El proceso es una operación de montaje complicada, y
la calidad del producto se mide en términos de la
ocurrencia de disconformes, del funcionamiento exitoso
o fallido del producto, etc
• Se necesita un control del proceso, pero no se pueden
obtener datos de mediciones
• Casos en los que se necesita un resumen histórico del
funcionamiento del proceso. Los diagramas de control
de atributos, como los de p, c y u, son muy eficaces
para resumir información respecto al proceso desde el
punto de vista de la administración.
Resumen del control de procesos
por variable
 Control de proceso por Variables

Condición: características de calidad que se quiere

controlar sea medible en una escala continua.

Ventaja: gran cantidad de información a obtener (base

para la mejora de la calidad).

En el 99% de los procesos de fabricación las variables se

distribuyen según una distribución contínua del tipo
Normal, caracterizada por:

La media ( µ, X): índice de centralización hacia el que

tienden los valores de la población.

Desviación típica o estándar ( σ, S ): índice de

dispersión de los valores de la población.
 Control de proceso por Variables
Función de densidad de la Distribución Normal:

µ-3σ µ-2σ µ-σ µ µ+σ µ+2σ µ+3σ

68.26%

95.44%

99.74%

Límites de variación natural: son aquellos que

agrupan el 99.74% de la producción cuando el proceso está
bajo control. Quedando sólo un 0.26% fuera de los límites de
control.
 Control de proceso por Variables

En un proceso en que se desconoce la desviación típica,

es necesario proceder a su estimación para evaluar la capacidad
de proceso.
La estimación de la media del proceso se realiza mediante la
media de las medias muestrales:

X = Σ xi
i
m j m1
1 250,00
2 276,00
3 290,00
xi es la media de cada muestra: xi =Σ x Ejemplo 4 294,00
n 5 305,00

n 5
x 1415,00
xi 283,00
 Control de proceso por Variables

La desviación típica del proceso se estima a partir del

recorrido muestral medio:
σ= R
d2
El recorrido muestral medio es la media de los recorridos
de las muestras:
R= Σ Ri donde Ri = Valor max. -Valor min. de la muestra. j i
m1
m 1 250.00
2 276.00
3 290.00
Ejemplo 4 294.00
5 305.00

x max 305.00
x min 250.00
Ri 55.00
 Control de proceso por Variables

También se puede estimar mediante la desviación típica

muestral media:
s = Σ si σ=s
m c2
Donde si es la desviación típica de cada muestra:
2
Si = Σ ( x – xi )
n

d2 y c2 son coeficientes que dependen del Tamaño

muestral d2 c2
tamaño muestral. 2 1.1280 0.5642
3 1.6960 0.7236
4 2.0590 0.7979
5 2.3260 0.8407
6 2.5340 0.8686
Gráficos de control para el promedio del
proceso
Uno de los parámetros que es preciso controlar en cualquier
característica de calidad es su promedio. El efecto de un
desplazamiento del promedio de un proceso se aprecia en la
figura:
LTI LTS
0,6
N (0,1) N (1,1)

0,4
f (x)

0,2

0,1

-4 -3 -2 -1 0 1 2 3 -4

x
Gráficos de control para el promedio del
proceso
La herramienta básica que se utiliza en el Control Estadístico
de calidad es el gráfico de control, que se define como un
intérvalo de confianza en una escala de tiempo en el que
periódicamente comprobamos si los valores de la muestra
que tomamos en el proceso se encuentran dentro de los
límites de control marcados.
LCS

LC

LCI
 Gráficos de control para el promedio del
proceso

Los límites de control que se utilizan en el gráfico del

promedio son tales que agrupan el 99,74% de los valores, es
decir, más menos 3 veces la desviación típica.
LCS = μ + 3. σ
n
LC = μ

LCI = μ - 3. σ
n
 Gráficos de control para el promedio del
proceso

Límite de atención: agrupa el 95% de los valores

muestrales cuando el proceso funciona correctamente:

LAS = μ + 1,96 . σ
n

LAI = μ – 1,96 . σ
n

Si alguna media muestral se sitúa entre los límites de

atención y los de control, no es necesario parar el proceso
pero es conveniente iniciar etapa de vigilancia.
 Gráficos de control para el promedio del
proceso

Límite de atención: agrupa el 95% de los valores

muestrales cuando el proceso funciona correctamente:

LAS = μ + 1,96 . σ
n

LAI = μ – 1,96 . σ
n

Si alguna media muestral se sitúa entre los límites de

atención y los de control, no es necesario parar el proceso
pero es conveniente iniciar etapa de vigilancia.
Gráficos de control para el promedio del
proceso

754,00 LCS

753,00
LAS
752,00
751,23 751,37
751,00 751,09 751,00
LC 750,48
750,00
x

749,75 749,62
749,00 748,96 749,09
748,83
LAI
748,00

747,00 LCI

746,00
1 2 3 4 5 6 7 8 9 10

muestras
 Desviación estándar

La ventaja principal de la desviación estándar de la muestra

es que se expresa en la unidad original de las mediciones.
considérense las dos muestras que siguen:
MUESTRA 1 MUESTRA 2
X1=1 X1=1
X2=3 X2=5
X3=5 X3=9
X =3 S=2 X=5 S=5
La muestra 2 tiene más dispersión que la muestra 1,
 Desviación estándar
• Ahora considérese una tercera muestra, por ejemplo,
MUESTRA 3
X1= 101
X2= 103 X= 103 S=2
X3= 105
La desviación estándar es idéntica a la desviación estándar
de la primera. Al comparar las dos muestras vemos que
ambas tienen la misma dispersión alrededor de su media y
por eso tienen la misma desviación estándar.

La desviación estándar no refleja la magnitud de los

datos muéstrales sino solamente su dispersión alrededor
de la media.
3. Gráficos de Control por variables
Gráficos x -R
Se utilizan cuando la característica de
calidad que se desea controlar es una
variable continua.
Se requieren M muestras de tamaño n.

Ejemplo: fábrica que produce piezas

cilíndricas de madera. La característica de
calidad que se desea controlar es el
diámetro.
Obtención de las muestras
Forma A.
7:00

Proceso

Muestra de
6 Piezas
 8:00

Proceso

Muestra de
6 Piezas
 Obtención de las muestras
Forma B.

Retirar piezas individuales a lo largo del

tiempo correspondiente a la muestra.

En vez de retirar 6 piezas a las 7, se retira

una a la 7:10, 7:20, 7:30, ..
Se obtiene una tabla de datos de la
siguiente forma:

No. muestra Mediciones

1 2 3 4 5 6

1 50.04 50.08 50.09 50.1 50.24 50.04

2 50.14 49.97 50.07 49.97 50.03 50.1

3 49.99 50.13 50.18 50.04 50.08 50.08

4 50.03 50.18 50.08 50.08 50.01 50.12

. . . . . . .
. . . . .. . .

30 49.98 50.08 50.08 50.03 50.08 50.1

Construcción de los gráficos x -R.
Paso 1. Calcular media y rango para cada
muestra
No. muestra Mediciones

1 2 3 4 5 6 x R

1 50.04 50.08 50.09 50.1 50.24 50.04 50.1 0.2

2 50.14 49.97 50.07 49.97 50.03 50.1 50.05 0.17

3 49.99 50.13 50.18 50.04 50.08 50.08 50.08 0.19

4 50.03 50.18 50.08 50.08 50.01 50.12 50.1 0.15

. . . . . .
. . . . . .
. . . . . .
.30 .49.98 .50.08 .50.08 .50.03 .50.08 50.1 50.06 0.12
Paso 2. Calcular la media de medias y la
media de los rangos

X  Xi
R
 R i

N N

Xi : media de la muestra i

Ri : cantidad de muestras
N : número de muestras
Paso 3. Cálculo de los límites de
control.

Límites de control para el gráfico x

LSC  X  A2 R
Línea Central  X

LIC  X  A2 R
Límites de control para el gráfico R

LSC  D4 R

Línea Central  R

LIC  D3 R
 Gráfico R
Gráfico de R

0.50
0.45
0.40
0.35
0.30
R

0.25
0.20
0.15
0.10
0.05
0.00
0 5 10 15 20 25 30

No. de muestra
Nº subgrupo
 Gráfico x
Gráfico de Xp

50.20

50.15

50.10
x
Xp

50.05

50.00

49.95
0 5 10 15 20 25 30

No.Nºde muestra
subgrupo
 Puntos a considerar para construir
gráficos de control:
• Tamaño de la muestra y frecuencia del
muestreo
a)Tomar con frecuencia muestras pequeñas (4, 5, 6
cada media hora)
b) Tomar muestras grandes con una frecuencia menor
(20 cada dos horas)

• Número de muestras (aprox. 25 muestras, entre

100-150 observaciones)
Resumen del control de
procesos por atributos
 Gráficos de control por atributos
• Se utilizan para controlar características
de calidad que no pueden ser medidas, y
que dan lugar a una clasificación del
producto: defectuoso o no defectuoso
• Tipos:
Gráfico p, gráfico c ( np), gráfico u.
 Gráfico p
Se usa para estudiar la variación de la
proporción de artículos defectuosos.

p = no. de artículos defectuosos / n

n: tamaño de la muestra
 Límites de control
para el gráfico p.

p (1  p )
LSC  p  3
n
LC  p
p(1  p)
LIC  p  3
n
 Ejemplo de gráfico p.
Se envasa jugo de naranja en recipientes de cartón de 6
onzas. Estos envases los produce una máquina formando
un tubo a partir de una pieza de cartón y aplicando luego un
fondo metálico. Al inspeccionar un envase puede
determinarse si goteará al llenarlo, por la junta lateral o la
del fondo, si gotea el envase se considera disconforme.
Elaborar un diagrama de control para vigilar la fracción de
envases disconformes producidos por esta máquina.
Se seleccionaron 30 muestras de n=50 envases cada media
hora durante un período de tres turnos, en los cuales la
máquina operó continuamente.
 Gráfico c (np)
• Se usa para controlar el número de
defectuosos en una muestra.
• Límites de control

LSC  np  3 np(1  p)
LC  np

LIC  np  3 np(1  p)
Ejemplo de gráfico c.
Supongamos un proceso que fabrica
tornillos. Una manera de ensayar cada
tornillo sería probarlo con una rosca
calibrada.
Si el tornillo no entra en la rosca, se le
considera defectuoso o disconforme.
Para controlar este proceso, se pueden
tomar muestras de 50 tornillos y contar
el número de defectuosos presentes en
cada muestra.
Se cuenta en cada muestra el Número de
artículos defectuosos y se registra. Se
obtendría una Tabla como la siguiente:
N
Muestra
1
Nº Defectuosos
3
D i
p i 1
2 2 N n
3 4
4 3
5 4 Total defectos observados = 75
6 2
n=50
7 5
- - N=25
- - p =0.06
25 6
 Gráfico np

12
Nº Disconform es

10

0
0 5 10 15 20 25 30

Muestra
 Gráfico u
Se basa en el número de defectos por
artículo.
Ejemplo: número de defectos por pieza de
madera (manchas, grietas, torceduras).
Se inspecciona una pieza y se cuenta
cuantos defectos tiene.
 Construcción de un gráfico u
Paso 1. Se seleccionan N muestras de
tamaño n.

Paso 2. En cada muestra se cuentan el

número de defectos presentes (suma de
todos los defectos que tengan las piezas
de la muestra). Ci
Paso 3. Se calcula el promedio de
defectos por muestra.
C
 C i

N
Paso 4. Se calculan los límites de
control

LSC  C  3 C
LC  C
LIC  C  3 C
Contenido
5. Etapas del Control Estadístico
de Procesos
Etapa 1:
Ajuste del
Control proceso
estadístico

Etapa 2:
Control del
proceso
Etapa 1: Ajuste del proceso
Se recogen unas 100-200 mediciones y
se realiza un gráfico de control.
a) Proceso bajo control: se adoptan los
límites de control.
b) Pocos puntos fuera de control (2 o 3):se
eliminan y se calculan nuevos límites.
c) Observaciones no siguen un patrón
aleatorio, investigar, eliminar causas
asignables y comenzar nuevamente el
proceso de ajuste
Etapa 2: Control del proceso
Nuevas observaciones del proceso
productivo, se registran en gráficos de
control con los límites establecidos en
la etapa 1.

Si el proceso se sale de control, se

detiene y se investigan las causas.
Eliminada la causa del problema se
continua la producción.