Herramientas de

Calidad
Semana 06
Gráficas de Control

Docente : Renzo Cárdenas Lino

Dudas sobre la sesión anterior

¿Dudas? ¿Qué aprendimos la sesión

anterior?
Logro de la sesión

Al finalizar la sesión, el estudiante elabora las gráficas de

control para poder realizar el análisis de la variación de
los procesos en una organización.
Conocimientos previos
¿Qué observamos en las imágenes?
Utilidad del tema

¿Cómo nos servirá este

tema para nuestra formación
personal y/o profesional?

https://www.youtube.com/watch?v=gm4jnTwreDc
Temario

Introducción

Origen, objetivos

Gráficas de Causas de la
Control variabilidad

Tipos G.C.
Gráficas de Control

7
herramientas
básicas
Gráficas de Control
Gráficas de Control
Gráficas de Control
Origen

Los gráficos de control incluyen toda clase de gráficos

utilizados con fines de control. Se han usado durante mucho
tiempo, desde que el Dr. W. A. Shewhart acuñó el término por
primera vez en 1926.

Es "una herramienta estadística utilizada con fines de control,

que consiste en un gráfico con unas líneas que son los límites
de control calculadas estadísticamente".
Gráficas de Control
Definición

Es una gráfica que

sirve para observar y
analizar la variabilidad
y el comportamiento
del proceso a través
del tiempo.
Gráficas de Control
Definición

Analizar principalmente a las variables de

salida (características de calidad), pero
las cartas de control también pueden
aplicarse para analizar la variabilidad de
variables de entrada o de control del
proceso mismo.

https://www.youtube.com/watch?v=8WwKu4daToo&t=373s
Gráficas de Control
Causas de variación en los procesos

Causas Comunes (aleatorias, fortuitas, naturales)

• Es aquella que permanece día a día, lote a lote y es aportada

en forma natural por las condiciones de trabajo.
• Esta variación es inherente a las actuales características del
proceso.
• Es resultado de la acumulación y combinación de diferentes
causas difíciles de identificar y eliminar, ya que son propios al
sistema.
• Y aunque la contribución individual de cada causa es pequeña,
a largo plazo representan la mayor oportunidad de mejora.
Gráficas de Control
Causas de variación en los procesos
Causas Especiales (asignables, atribuibles, imputables)

• Es causada por situaciones o circunstancias especiales

que no están de manera permanente en el proceso. Son
ocasionadas por variaciones anormales (6Ms)
Por ejemplo:
• La falla ocasionada por el mal funcionamiento de una
pieza de la máquina.
• El empleo de materiales no habituales.
• El descuido no frecuente de un operario.

(*) por su naturaleza relativamente discreta, a menudo pueden ser

identificadas y eliminadas si se cuentan con los conocimientos.
Gráficas de Control
Proceso en Control Estadístico

Estado de un proceso que trabaja solo

con causas comunes de variación. Su
desempeño en el futuro inmediato es
predecible

Es predecible en el sentido de que su

tendencia central y la amplitud de su
variación se mantiene sin cambios al
menos en el corto plazo.
Gráficas de Control
¿Qué implica que un proceso esté bajo control?

• No necesariamente hace lo que supuestamente tiene

que hacer.
• El proceso está funcionando bien cuando no hay causas
asignables que lo deformen y que está en condiciones
de dar un producto o servicio consistente, de acuerdo a
sus posibilidades.
• Cuando un proceso esté bajo control, recién conviene
determinar qué tan capaz es de cumplir las
especificaciones que tenga. Si no lo está, no se tendrá
una medida correcta de su verdadera capacidad.
Elementos básicos Gráficas de Control
Línea central de la gráfica de control:
𝑛
𝑥𝑖
✓ Representa el promedio estadístico, Media estadística o promedio estadístico 𝜇 = 𝑥ҧ = ෍
𝑛
cuando el proceso esta bajo control. 𝑖=1

✓ Limites de control superior e

inferior: Que forman el área donde σ(𝑥 − 𝜇)2
Desviación standard poblacional 𝜎=
se ubiquen los puntos, cuando el 𝑛
proceso se encuentra bajo control.
σ(𝑥 − 𝑥)ҧ 2
Desviación standard muestral 𝑠=
𝑛−1

Limite de control superior 𝐿𝐶𝑆 = 𝜇 + 3𝜎

Limite de control inferior 𝐿𝐶𝐼 = 𝜇 − 3𝜎

Límites de Control
✓ LCI = μw− 3σw
Definición
✓ Línea central = μw

Ojo: No son las especificaciones, tolerancias ✓ LCS = μw+ 3σw

o deseos para el proceso.
Una forma de calcularlos se obtiene a partir
de la relación entre la media y la desviación
estándar de W, que para el caso que W se
distribuye normal con media μw y desviación
estándar σw.
Interpretación Gráficas de Control
Definición

Para que un gráfico de control sea

correctamente interpretado, es recomendable
que esté conformado por lo menos por 20
puntos.

Se podrá afirmar que el proceso está fuera de

control en las situaciones mostradas en las
siguientes diapositivas
Interpretación Gráficas de Control
1. Si hay al menos un punto más allá de los límites de control.

Causas
• La introducción de nuevos
trabajadores, máquinas, materiales,
o métodos.
• Cambios en los métodos de
inspección.
• Una mayor o menor atención de los
trabajadores.
• El proceso ha mejorado o
empeorado.
Interpretación Gráficas de Control
2. Racha. Si hay 7 puntos consecutivos a un lado de la línea central, o si 10 de 11
puntos consecutivos están a un lado de la línea central, o 12 de 14, o 16 de 20.

Causas:
• La introducción de nuevos trabajadores,
máquinas, materiales, o métodos.
• Cambios en los métodos de inspección.
• Una mayor o menor atención
• de los trabajadores
• El proceso ha mejorado o empeorado.
Interpretación Gráficas de Control
3. Tendencia. si hay 6 puntos consecutivos ascendentes o descendentes.

Causas:
• Deterioro o desajuste gradual del
equipo de producción.
• Desgaste de las herramientas de corte.
• Acumulación de productos de
desperdicios en las tuberías.
• Calentamiento de máquinas.
• Cambios graduales en las condiciones
del medio ambiente.
Interpretación Gráficas de Control
4. Acercamiento a los límites de control: Si 2 de 3 puntos consecutivos está comprendidos entre 2s y 3s.

Causas
• Sobrecontrol o ajustes innecesarios
en el proceso
• Diferencias sistemáticas en la calidad
del material o métodos de prueba
Interpretación Gráficas de Control
5. Acercamiento a la línea central: si la gran mayoría de los puntos están entre –1s y +1s.

Causas:
• Equivocación en el cálculo de los
límites de control.
• Agrupamiento en una misma
muestra a datos provenientes de
universos con medias bastantes
diferentes.
Interpretación Gráficas de Control
6. Periodicidad: si hay tendencia ascendente y descendente de forma consecutiva,
para casi el mismo intervalo.

Causas:
• Cambios periódicos en el ambiente
• Diferencias en los dispositivos de
medición o de prueba que se
utilizan.
• Rotación regular de máquinas u
operarios.
• Efecto sistemático producido por
dos máquinas, operarios o
materiales que se usan
alternadamente.
Gráficas de Control para variables

Diagramas que se aplican a variables o características de

calidad de naturaleza continua se aplican a características que
Cartas de control se pueden medir (peso, volumen, longitud, etcétera).
para variables Las más comunes son: de medias, de rangos, de desviaciones
estándar y de medias individuales.

Diagramas para variables que se aplican a procesos masivos, en

Cartas de control donde en forma periódica se obtiene un subgrupo de
X–R productos, se miden y se calcula la media y el rango R para
registrarlos en la carta correspondiente.
Ejemplo: líneas de ensamble, máquinas empacadoras, procesos
de llenado, etc.
G.C. para variables más usados
G.C. para variables más usado
G.C. para variables más usados
Gráficas de Control para variables

Tabla de coeficientes
para calcular los límites
de control de los
gráficos de control de
variables.
Ejemplo Gráfica de Control X-R

Una empresa fabrica tornillos especiales para un cliente y la característica más importante es el
diámetro. Determine si su proceso está bajo control. En la empresa se han tomado 5 muestras
(solo para este ejemplo, debería ser más de 20) con 4 observaciones por muestra

Observaciones
Muestras 1 2 3 4
1 0.5014 0.5022 0.5009 0.5027
2 0.5021 0.5041 0.5024 0.502
3 0.5018 0.5026 0.5035 0.5023
4 0.5008 0.5034 0.5024 0.5015
5 0.5041 0.5056 0.5034 0.5047
Ejemplo Gráfica de Control X-R
Observaciones
Muestras 1 2 3 4 prom. rangos
1 0.5014 0.5022 0.5009 0.5027 0.5018 0.0018
2 0.5021 0.5041 0.5024 0.502 0.5027 0.0021
3 0.5018 0.5026 0.5035 0.5023 0.5026 0.0017
4 0.5008 0.5034 0.5024 0.5015 0.5020 0.0026
5 0.5041 0.5056 0.5034 0.5047 0.5045 0.0022
0.5027 0.0021
Ejemplo Gráfica de Control X-R
Ejemplo Gráfica de Control X-R
Observaciones
Muestras 1 2 3 4 prom. rangos
1 0.5014 0.5022 0.5009 0.5027 0.5018 0.0018
2 0.5021 0.5041 0.5024 0.502 0.5027 0.0021
3 0.5018 0.5026 0.5035 0.5023 0.5026 0.0017
4 0.5008 0.5034 0.5024 0.5015 0.5020 0.0026
5 0.5041 0.5056 0.5034 0.5047 0.5045 0.0022
0.5027 0.0021

LCS = D4 Ṝ y LCI = D3 Ṝ

LCS = 2.282 x 0.0021 = 0.00475

X = 0.0021
LCI = 0 x 0.0021 = 0
Ejemplo Gráfica de Control X-R

LCS = 2.282 x 0.0021 = 0.00475

x= 0.0021

4LCI = 0 x 0.0021 = 0
Gráfica de Control X-R
Gráficas de medias individuales Muestra T °C
1 125.1
2 127.5
En un proceso de impresiones en láminas de acero, para recipientes 3 122.7
de otras empresas, una variable importante del proceso es la 4 126.4
5 125.5
temperatura de horneada, que es importante para la adherencia y 6 130.5
7 127.3
secado de la pintura. La temperatura en este proceso debe ser de 125 8 127.5
9 127.3
°C con una tolerancia de ±5°C, para realizar el control del proceso se 10 123
11 123.5
tomaron las siguientes muestras: 12 128
13 126.4
14 128.3
15 129.5
16 128.1
17 125.1
18 128.5
19 125
20 126.3
21 126.5
22 127.9
23 129.5
24 131.9
Gráficas de medias individuales
Muestra T °C Rango movil
Limites de medias: 1 125.1
LCS = X + 3 (R / d2) 2 127.5 2.4
3 122.7 4.8
LCS = 126.97 + 3 (2.287/1.128) = 133.05 4 126.4 3.7

Línea central = X 5
6
125.5
130.5
0.9
5
(X) Línea central = 126.97 7 127.3 3.2
LCI = X - 3 (R / d2) 8 127.5 0.2
9 127.3 0.2
LCI = 126.97 - 3 (2.287/1.128) = 120.97 10 123 4.3
Gráficos de rangos móviles : 11 123.5 0.5
12 128 4.5
LCS = D4 x R Limites de rangos móviles :
13 126.4 1.6
14 128.3 1.9
15 129.5 1.2
LCS = 3.267 X 2.287 = 7.472 16 128.1 1.4
Línea central = R 17
18
125.1
128.5
3
3.4
(R) Línea central =2.287 19 125 3.5

LCI = D3 x R 20
21
126.3
126.5
1.3
0.2
LCI = 0 x 2.287 = 0 22
23
127.9
129.5
1.4
1.6
24 131.9 2.4

X R
126.97 2.287
Gráficas de medias individuales
Muestra T °C Rango movil
1 125.1
Temperatura en el horno 2 127.5 2.4
134 3 122.7 4.8
LCS 4 126.4 3.7
5 125.5 0.9
132
6 130.5 5
7 127.3 3.2
130 8 127.5 0.2
9 127.3 0.2
128 10 123 4.3
LC 11 123.5 0.5
12 128 4.5
126 13 126.4 1.6
14 128.3 1.9
124 15 129.5 1.2
16 128.1 1.4
122 17 125.1 3
LCi 18 128.5 3.4
19 125 3.5
120 20 126.3 1.3
21 126.5 0.2
118 22 127.9 1.4
23 129.5 1.6
24 131.9 2.4

X R
126 .97 2.287
Gráficas de medias individuales
Muestra T °C Rango movil
Gráfica de rangos móviles 1 125.1
2 127.5 2.4
8 3 122.7 4.8
LCS 4 126.4 3.7
7 5 125.5 0.9
6 130.5 5
6 7 127.3 3.2
8 127.5 0.2
5 9 127.3 0.2
10 123 4.3
4 11 123.5 0.5
12 128 4.5
3 13 126.4 1.6
14 128.3 1.9
2 LC 15 129.5 1.2
16 128.1 1.4
17 125.1 3
1
18 128.5 3.4
19 125 3.5
0 LCI
20 126.3 1.3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
21 126.5 0.2
Muestra
22 127.9 1.4
23 129.5 1.6
24 131.9 2.4

X R
126.97 2.287
Gráficas de Control para atributos

Diagramas que se aplican al monitoreo de características de

calidad del tipo “pasa, o no pasa”. Generalmente se asocian
con distribuciones discretas, como la binomial o Poisson.
Cartas de control
para atributos
Las más comunes son:
• p (proporción de artículos defectuosos),
• np (nro. de unidades defectuosas),
• c (nro. de defectos),
• u (nro de defectos por unidad)
G.C. para atributos más usados
G.C. para atributos más usado
Gráfica de control

Gráfica de control
por atributos:
 Gráfica de control por Atributo
𝑛𝑖 tamaño de la muestra “i” (nro de artículos que lo componen)
K: número de muestras estudiadas
𝑑𝑖 : número de artículos defectuosos en la muestra “i”
𝑐𝑖 : número de defectos en la muestra “i”

𝑑𝑖 𝑐𝑖
Gráfico p 𝑝𝑖 = Gráfico np 𝑑𝑖 Gráfico c 𝑐𝑖 Gráfico u 𝑢𝑖 =
𝑛𝑖 𝑛𝑖

𝑝.ҧ (1 − 𝑝)ҧ
𝐿𝐶𝑆𝑖 = 𝑝ҧ + 3 𝑢ത
𝑛𝑖 𝐿𝐶𝑆 = 𝑛𝑝ҧ + 3 𝑛𝑝.ҧ (1 − 𝑝)ҧ 𝐿𝐶𝑆 = 𝑐ҧ + 3 𝑐ҧ 𝐿𝐶𝑆𝑖 = 𝑢ത + 3
𝑛𝑖

𝑝.ҧ (1 − 𝑝)ҧ 𝐿𝐶𝐼 = 𝑐ҧ − 3 𝑐ҧ

𝐿𝐶𝐼𝑖 = 𝑝ҧ − 3 𝐿𝐶𝐼 = 𝑛𝑝ҧ − 3 𝑛𝑝.ҧ (1 − 𝑝)ҧ 𝑢ത
𝑛𝑖 𝐿𝐶𝐼𝑖 = 𝑢ത − 3
𝑛𝑖
G.C. para atributos: Cartas P
Muestra P. Defectuosos
Una empresa de seguros está 1 15
implementando un control de seguros 2 12
3 19
para pólizas, para lo cual
4 2
semanalmente toma una muestra de 5 19
2,500 pólizas, registrando el número 6 4
7 24
de pólizas mal confeccionadas. Los 8 7
resultados de las 12 últimas semanas 9 10
10 17
se muestran en la tabla siguiente
11 15
¿Está fuera de control el proceso? 12 3
G.C. para atributos: Cartas P
Muestra Defectuosos

1 15
Para graficar se debe calcular la proporción
2 12
defectuosa
de cada muestra (n) 1, 2,…….. 12 3 19
4 2
5 19
p1 = d1 / n1 p2 = d2 / n2
6 4
7 24
pi = 15 / 2500 pi = 12 / 2500 8 7
9 10
p1 = 0.0060 p1 = 0.0048 10 17
11 15
12 3
147
G.C. para atributos: Cartas P
Para graficar se debe calcular la proporción defectuosa de la muestra 1, 2, … … . .12
MUESTRA Defectuosos pi Muestra Defectuosos
1 15 2500 p1 0.0060 1 15
2 12 2500 p2 0.0048
2 12
3 19 2500 p3 0.0076
3 19
4 2 2500 p4 0.0008
5 19 2500 p5 0.0076
4 2
6 4 2500 p6 0.0016 5 19
7 24 2500 p7 0.0096 6 4
8 7 2500 p8 0.0028 7 24
9 10 2500 p9 0.0040
8 7
10 17 2500 p10 0.0068
9 10
11 15 2500 p11 0.0060
12 3 2500 p12 0.0012
10 17
147
11 15
12 3
𝑝ҧ = 0.0049 147
G.C. para atributos: Cartas P
𝑝ҧ 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑑𝑒𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑖

𝑃𝑎𝑟𝑎 𝑒𝑙 𝑒𝑗𝑒𝑚𝑝𝑙𝑜 "n" es constante

LCS= 0.0049 + 3 √ [0.0049(1-0.0049)/2500]

LCS= 0.0049 + 3 X 0.0014
LCS= 0.0091

LCS= 0.0049 - 3 √ [0.0049(1-0.0049)/2500]

LCS= 0.0049 - 3 X 0.0014
LCS= 0.0007
G.C. para atributos: Cartas P
MUESTRA Defectuosos pi
1 15 2500 p1 0.0060
2 12 2500 p2 0.0048
3 19 2500 p3 0.0076
4 2 2500 p4 0.0008
5 19 2500 p5 0.0076
6 4 2500 p6 0.0016
7 24 2500 p7 0.0096
8 7 2500 p8 0.0028
9 10 2500 p9 0.0040
10 17 2500 p10 0.0068
11 15 2500 p11 0.0060
12 3 2500 p12 0.0012
147
G.C. para atributos: Cartas C
N ° Ro l lo defectos
1 6
2 5
Una empresa que produce rollos de
3 4
papel para la industria grafica, cuenta al 4 4
5 1
final al proceso con una máquina que 6 3
7 3
mide varias características de calidad y 8 7
9 5
que proporciona la cantidad de defectos 10 7
por número de rollo. Elabore la gráfica c 11 5
12 12
y analice si el proceso está bajo control. 13 5
14 4
15 7
16 2
17 4
18 2
µci = ‾c Total de defectos / Total de muestras

σi = √‾
c
G.C. para atributos: Cartas C
N° Rollo defectos
1 6
2 5
3 4
4 4
5 1
6 3
LCS = ‾c + 3 √ ‾c 7 3
8 7
LC = ‾c 9 5
10 7
11 5
LCI = ‾c - 3 √ c‾ 12 12
13 5
14 4
15 7
16 2
17 4
18 2
86
Cuando un valor resulta negativo, el límite se lleva a “0”
G.C. para atributos: Cartas C
N° Rollo defectos
1 6
2 5
3 4
4 4
5 1
6 3
7 3
8 7
9 5
10 7
11 5
12 12
13 5
14 4
15 7
16 2
17 4
18 2
86
G.C. para atributos: Cartas U

En una empresa se fábrica cajas metálicas, se Muestra Inspecciones Defectos Muestra Inspecciones Defectos

implementó una estación de control de proceso, antes 1 33 86 14 30 39

2 30 72 15 32 58
que las cajas pasen al área de pintura y acabados. Se 3 31 56 16 30 81
4 30 60 17 30 60
estableció que cada 4 horas se tome una muestra de una 5 28 45 18 29 38
6 27 38 19 31 43
de las 3 líneas de fabricación en forma secuencial, 7 32 64 20 28 62
obteniendo la siguiente información de 25 muestras. 8 30 48 21 33 49
9 33 80 22 27 49
10 30 75 23 30 69
11 28 42 24 29 78
12 34 78 25 30 60
Elabore la gráfica de control correspondiente e indique si 13 29 58
el proceso está bajo control.
G.C. para atributos: Cartas U
Muestra Inspecciones Defectos
1 33 86
2 30 72
3 31 56 Observamos que “n” no es constante. Una de las
4 30 60
5 28 45
maneras más sencillas para calcular el ū y σi , es
6 27 38 considerar los totales y obtener un promedio del
7 32 64
8 30 48 tamaño de las muestras:
9 33 80
10 30 75 ū = Total de defectos / Total de productos inspeccionados.
11 28 42
12 34 78
ū = 1,488 / 754 = 1.97
13 29 58
14 30 39 Warning! No
15 32 58 σi = √ (ū / n) = √(1.97/30.16) recomendado
16 30 81
17 30 60
18 29 38
19 31 43
Sin embargo, considerar los totales y hacer "n”
20 28 62 promedio constante, puede tener un margen de error
21 33 49 en los límites.
22 27 49
Por ello, calcularemos cada uno de los Límites de
23 30 69
24 29 78 acuerdo al valor de cada tamaño de muestra
25 30 60
total 754 1488
G.C. para atributos: Cartas U
Muestra Inspecciones Defectos ui=d/n
1 33 86 2.6061
2 30 72 2.4000
3 31 56 1.8065
4 30 60 2.0000
5 28 45 1.6071
6 27 38 1.4074
7 32 64 2.0000
8 30 48 1.6000
9 33 80 2.4242
10 30 75 2.5000
11 28 42 1.5000 𝑢ത 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑑𝑒𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑢𝑖
12 34 78 2.2941
13 29 58 2.0000
14 30 39 1.3000
15 32 58 1.8125 𝑢ത = 1.9664
16 30 81 2.7000
17 30 60 2.0000
18 29 38 1.3103
19 31 43 1.3871
20 28 62 2.2143
21 33 49 1.4848
22 27 49 1.8148
23 30 69 2.3000
24 29 78 2.6897
25 30 60 2.0000
G.C. para atributos: Cartas U
Para la primera muestra:

Los límites de control :

LCS1 = 1.9664 + 3 √ (1.9664 / 33)
LCS = ū + 3 √ (ū / ni) LCS1 = 2.6986
LC = ū
LCI = ū - 3 √ (ū /ni)
LCI1 = 1.234

LCI1 = 1.9664 - 3 √ (1.9664 / 33)

LCI1 = 1.234

Luego determinamos los valores de LCI2 y LCS2 con la muestra 2 (n igual a 30)
hasta la muestra 25
G.C. para atributos: Cartas U
Gráfico U
3

2.5

Promedio de defectos por muestra

2

1.5

0.5

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Muestras

u LC Lci LCs
Caso a desarrollar - Grupos
Uso de Gráficos X y R para
monitorear un proceso.

Trabajo grupal La dirección de West Allis Industries está preocupada por la

producción de un tornillo de metal especial que usan algunos de los
Elaborar la GRAFICA DE CONTROL y clientes más importantes de la compañía. El diámetro del tornillo es
determinar si el proceso se encuentra crucial para el cliente. Los datos de cinco muestras aparecen en la
bajo control estadístico. tabla adjunta. El tamaño de la muestra es 4.
Datos para los Gráficos X y R: Observaciones sobre el diámetro del
tornillo (pulg)

Observación
Número de Muestra 1 2 3 4 R X

1 0.5001 0.5032 0.5008 0.5031

2 0.5011 0.5021 0.5034 0.5027

3 0.5012 0.5036 0.5025 0.5021

4 0.5018 0.5044 0.5023 0.5025

Se formarán grupos aleatoriamente. 5 0.5011 0.5046 0.5034 0.5037
Tiempo de actividad : 20 min Los grupos
expondrán en clase. Promedio
Caso a desarrollar - Grupos
En un proceso se produce por lotes y éstos se
prueban al 100%. Se lleva un registro de la
proporción de artículos defectuosos por diferentes
causas. Los datos de los últimos 25 lotes se muestran
en la tabla.

a) Obtenga una carta p.

b) ¿Cómo explicaría los límites de control que
obtuvo a alguien que no tiene conocimientos
profundos de estadística?
c) Suponiendo que todos los lotes tienen el
mismo tamaño, elabore 3 cartas np para
tamaños de lote 200, 220 y 180.
d)¿Observa alguna diferencia importante entre
la carta p y las np?
e)¿De qué depende la elección entre la carta p
o np?
¿Qué hemos aprendido hoy?
¿Qué hemos aprendido hoy?

¿Qué aprendí de las Gráficas de Control?

¿Para qué me sirve lo aprendido?

• Es un herramienta que nos ayuda a comprobar si un proceso, está

o no bajo control.
• Ayuda a identificar problemas.
• Puede ayudar a evaluar una solución implantada en una
organización