Control Estadistico de Procesos

U.T.N.
Fac. Reg. Villa María

2020
Probabilidad y
Estadística
Síntesis de:
Control Estadístico
de Procesos
Docentes:
Mag. Ing. Carlos COLAZO
Ing. Sergio TOVO
Ing. Rubén BACCIFAVA
Ing. Jeremias JALIL
Control Estadístico de Procesos

UNIVERSIDAD TECNOLOGICA NACIONAL
Facultad Regional Villa María
- Síntesis de Control de Calidad - Año 2020 -
LA MODELACIÓN ESTADÍSTICA
La ciencia en general le interesa construir modelos de fenómenos naturales. Un científico cuando se

enfrenta a un sistema o fenómeno natural que no puede explicar en términos de teorías reales construirá
algún tipo de modelo del sistema. Empezará con una colección de ideas vagas, las cambiará, examinando las
distintas configuraciones y las distintas relaciones funcionales que sugieren, hasta que su “modelo mental”
empieza a tomar forma más definida.
El modelo representa la descripción matemática de un proceso real. Los modelos se utilizan en todos los
campos tales como: biología, fisiología, ingeniería, química, bioquímica, física y economía.
Una clasificación muy útil de los modelos es describirlos como determinísticos y estocásticos. Un modelo
determinístico es aquel para el que se puede especificar relaciones exactas entre las cantidades implicadas, en
un modelo estocástico, las cantidades siguen leyes estadísticas. A modo de ejemplo si estudiamos un sistema
de muelles cargados el modelo formulado será determinístico, puesto a que la relación entre carga y
alargamiento de cada muelle sigue una ley precisa. En un estudio de un sistema de tráfico de carretera, por el
contrario, la llegada de coches en el sistema seguirá en general un modelo estadístico y por lo tanto el
modelo utilizado será estocástico. Muchos modelos tienen una mezcla de elementos determinísticos y
estocásticos.
A lo largo de toda una línea de trabajo o proceso de fabricación los productos se ven sometidos a
toda una serie de manipulaciones para poder alcanzar el estado final de producto terminado. Sin
embargo, puede ocurrir que, aunque el diseño de las piezas que componen el producto sea bueno o
el mantenimiento de las máquinas o herramientas sea el adecuado, exista cierta variabilidad de un
producto a otro motivado por una acumulación de causas fortuitas. Siempre que se cumplan las
expectativas marcadas, el sistema se podrá considerar estable y bajo control.
El control estadístico surgió como una necesidad de poder vigilar y controlar dicha estabilidad
para así poder determinar cuándo las causas han dejado de ser fortuitas para considerarse causas
asignables a algún punto o momento del proceso.
Dicho lo anterior, podemos definir el control estadístico de calidad como la actividad técnica
mediante la cual se miden las características de calidad de un producto, se comparan con las
especificaciones o requisitos y se toman acciones correctivas apropiadas cuando existe una
discrepancia entre el funcionamiento real y el estándar; es el método científico - técnico para el
aseguramiento de la calidad.
CONCEPTOS PARA TENER EN CUENTA
Proceso: Cualquier combinación determinada por máquinas, herramientas, métodos, materiales

y/o personal empleada en lograr determinadas cualidades en un producto o un servicio. Un cambio
en cualquiera de estos componentes produce un nuevo proceso.
Estas cualidades serán llamadas característica de calidad para evitar cualquier confusión con los
niveles de calidad.
Control: El proceso de control es un bucle de retroinformación a través del cual medimos el

rendimiento real, lo comparamos con la norma, y actuamos sobre la desviación.
Cuanto más rápida es la respuesta a la desviación, más uniforme será la calidad del producto.
Equipo Docente de Probabilidad y Estadística Hoja Nº 2

Control estadístico de proceso: Aplicaciones de técnicas estadísticas para la medición y análisis

de variaciones en el proceso.
Control estadístico de la calidad: Aplicación de técnicas estadísticas para medir y mejorar la

calidad del proceso. El control estadístico de la calidad incluye el control estadístico de procesos,
herramientas de diagnosis, planes de muestreos y otras técnicas.
CICLOS DE CONTROL DE CALIDAD

Un ciclo de control de calidad contiene las siguientes fases:
Especificación: Señala aquello que se desea como paso previo al establecimiento de una norma de
calidad. Se tendrán en cuenta la opinión tanto del fabricante como del consumidor, seleccionando
las características de calidad más importantes de acuerdo con la finalidad del producto.
Fabricación: El control de fabricación, también llamado control de procesos o control en línea

(SPC o statistical process control), se ejerce durante el proceso productivo. Su objetivo es mantener
una calidad uniforme del producto, previniendo la producción de artículos que se salgan de la
especificación.
El instrumento básico del control estadístico de procesos es el gráfico de control de Shewhart,
que se usa para poner en evidencia si el proceso permanece o no bajo control. Un proceso
permanece bajo control si las variaciones que se observan en el gráfico se deben al azar. Si la
variación se hace anormal, es decir, se debe a causas asignables, atribuibles o identificables, el
proceso está fuera de control.
Inspección: La inspección o control de recepción se realiza en productos ya existentes, para

verificar si la calidad de las partidas presentadas corresponde a la especificación de aceptación.
La inspección no impide la fabricación de artículos defectuosos, permite separar los artículos
conformes de los disconformes. El principal dispositivo para el control estadístico de recepción es
la tabla de muestreo de Dodge y Romig.
GRAFICOS DE CONTROL
El gráfico de control consiste en una línea central, un par de límites de control ubicados por
encima y por debajo de la línea central y la representación gráfica de los valores obtenidos dentro
de un proceso. Si todos estos valores se ubican dentro de los límites de control sin ninguna
tendencia en particular, se considera que el proceso se halla bajo control. Por el contrario, si los
valores aparecen fuera de los límites y adoptan una forma peculiar, se considera que el proceso se
halla fuera de control.
La variación ocurre en todos los procesos, ya sean fenómenos naturales o invenciones humanas.
Se dan dos clases de variación, la variación aleatoria (que es natural en el proceso tal y como se
desarrolla habitualmente) y la no aleatoria (resultado de una causa atribuible específica). La primera
es predecible (proceso bajo control), sin embargo la segunda hace que el proceso se encuentre fuera
de control. Un gráfico de control presenta la variación total en un proceso (aleatoria y no aleatoria)
y se utiliza para monitorear un proceso y mantenerlo dentro de su capacidad operativa, es decir,
bajo control.
El tipo más sencillo es el llamado gráfico p, que representa el porcentaje defectuoso o porcentaje
de veces que no se cumple una norma establecida.

Entonces, podemos decir que es inevitable que la calidad de un producto elaborado sea variable,
existiendo numerosas causas para estas, pudiendo clasificarlas en los siguientes dos tipos:
 Causas aleatorias: las variaciones por causas aleatorias no pueden ser eliminadas y ocurren
en forma inevitable en un proceso, aunque las operaciones se lleven a cabo utilizando
materias primas y métodos estandarizados. No es factible eliminar las causas aleatorias, ni
técnica ni económicamente, al menos en la actualidad.
 Causas asignables: las variaciones por causas asignables indican que existen factores
significativos que deben investigarse. Son eliminables y no pueden pasarse por alto: existen
casos provocados por negligencia con relación a ciertos estándares o por aplicación de estos
últimos en forma inadecuada.
Cuando los puntos caen fuera de los límites de control o adoptan una forma peculiar, se dice
que un proceso se halla fuera de control y esto equivale a decir "aquí existen causas de
variación asignables y el proceso se halla fuera de control". Para controlar e1 proceso será
necesario eliminar las causas asignables y encarar las acciones preventivas para evitar que
ocurran y tener presente que pueden presentarse variaciones provocadas por causas
aleatorias.
Para confeccionar un gráfico de control es necesario estimar las variaciones por causas
aleatorias. Para ello se dividen los datos en subgrupos dentro de los cuales el lote de materias
primas, máquinas, operarios y otros factores sean comunes a todos los subgrupos, con lo que la
variación dentro de un subgrupo puede considerarse igual a la variación por causas aleatorias.
Existen diferentes tipos de gráficos de control, conforme a los valores característicos o el

propósito de los mismos. En cualquier tipo de gráfico de control, el límite de control se calcula
mediante la fórmula: (valor promedio) + 3 (desviación estándar), en donde la desviación estándar es
la variación producida por las causas aleatorias. Estos gráficos de control se denominan “Gráficos
de Control 3-Sigma”.
TIPOS DE GRAFICOS DE CONTROL

Existen dos tipos de gráficos de control: uno para valor continuo( x -R y x) y otro para valor
discreto (pn, p, c y u).
Gráficos de control
1) Gráfico x - R (valor y rango promedio)

Se utiliza para controlar y analizar un proceso, empleando valores continuos de calidad del
producto, la característica de calidad debe ser medible y expresable mediante números, las idóneas
son aquellas que se pueden expresar en función de las 7 unidades básicas (longitud, masa, tiempo,
corriente eléctrica, temperatura, intensidad luminosa, y sustancia) así como mediante unidades
derivadas (poder, velocidad, fuerza, energía, presión y densidad) y de esto se obtiene la mayor parte
de la información sobre el proceso. Se deberá otorgar mayor prioridad en aquellas características de
calidad que influyen en la eficiencia del producto. “x” representa el valor promedio de un subgrupo
y “R” representa el rango de este subgrupo. Generalmente se utiliza un gráfico “R” en combinación
con un gráfico “x” para controlar la variación dentro de un subgrupo.
2) Gráfico x (valor medido)

Cuando los datos sobre un proceso se obtienen luego de un intervalo prolongado o cuando el
agrupamiento en subgrupos no resulta efectivo, se indican los valores en forma individual, pudiendo
utilizarse los mismos para confeccionar un gráfico de control. Debido a que, en este caso, no existen
subgrupos y por ende no se puede calcular R, se utiliza el rango móvil Rs de datos consecutivos
para el cálculo de los limites de control de “x”.
3) Gráfico pn, Gráfico p (cantidad de unidades defectuosas y fracción defectuosa).

Se emplean estos gráficos cuando la característica de calidad se halla representada por la
cantidad de unidades defectuosas o fracción defectuosa. Para una muestra de tamaño constante, se
utiliza un gráfico “pn” de cantidad de unidades defectuosas mientras que se emplea un gráfico “p”
de fracción defectuosa para una muestra de tamaño variable.
4 ) Gráfico c, Gráfico u (cantidad de defectos y cantidad de defectos por unidad)

Se utiliza para el control y análisis de un proceso tomando en cuenta los defectos de un producto,
tales como raspones sobre metal cromado, cantidad de soldaduras defectuosas dentro de un apartado
de TV o fallas en un tejido desparejo. Se utiliza un gráfico “c” de cantidad de defectos para un
producto de tamaño constante.
Mientras que se emplea un gráfico “u” para un producto de tamaño variable.
COMO CONSTRUIR UN GRAFICO DE CONTROL
1) Gráfico de control x  R (valor y rango promedio).
Primer Paso: Recogemos, aproximadamente 100 datos. Luego lo dividimos en 20 o 25 subgrupos

de 4 o 5 datos cada uno, de manera tal que todos los subgrupos queden uniformes. Por último,
completamos una hoja de datos con esta información. Por ejemplo:
Subgrupo Nº x1 x2 x3 x4 x5 X x R
1 47 32 44 35 20 178 35.6 27
2 19 37 31 25 34 146 29.2 18
3 19 11 16 11 44 101 20.2 33
4 29 29 42 59 38 197 39.4 30
5 28 12 45 36 25 146 29.2 33
6 40 35 11 38 33 157 31.4 29
7 15 30 12 33 26 116 23.2 21
8 35 44 32 11 38 160 32.0 33
9 27 37 26 20 35 145 29.0 17
10 23 45 26 37 32 163 32.6 22
11 28 44 40 31 18 161 32.2 26
12 31 25 24 32 22 134 26.8 10
13 22 37 19 47 14 139 27.8 33
14 37 32 12 38 30 149 29.8 26
15 25 40 24 50 19 158 31.6 31
16 7 31 23 18 32 111 22.2 25
17 38 0 41 40 37 156 31.2 41
18 35 12 29 48 20 144 28.8 36
19 31 20 35 24 47 157 31.4 27

20 12 27 38 40 31 148 29.6 28
21 52 42 52 24 25 195 39.0 28
22 20 31 15 3 28 97 19.4 28
23 29 47 41 32 22 171 34.2 25
24 28 27 22 32 54 163 32.6 32
25 42 34 15 29 21 141 28.2 27
TOTAL 746.6 686
PROMEDIO x = 29.86 R = 27.44
Segundo Paso: Calculamos el valor medio x para cada uno de los subgrupos.
x1  x2  ...  xn
x
n
siendo n el tamaño del subgrupo. Es frecuente calcular el resultado con una posición decimal.
En el caso de nuestro ejemplo:
x  (47  32  44  35  20) / 5  35.6
Tercer Paso: Calculamos el promedio total x dividiendo la suma de los x de cada subgrupo por el
números de subgrupos k.
x1  x 2  x 3  ...  x k
x
k
debiendo calcularse x con dos posiciones decimales más que los valores tomados.
En nuestro ejemplo:
x  (35.6  29.2  ...  28.2) / 25  29.86
Cuarto Paso: Calculamos el rango R de cada subgrupo restando el valor mínimo del máximo en
cada caso.
R = (mayor valor de cada subgrupo) – (menor valor de cada subgrupo)
Calculamos R para el ejemplo:
R = (47 –20)= 27
Quinto Paso: Ahora se calcula el rango R de los rangos R, dividiendo la suma de los R de cada
subgrupo por el número de subgrupos k.
R1  R2  ...  Rk
R
k
debiendo calcularse R con dos posiciones decimales más que los valores tomados (el mismo
número de decimales que para x).
En nuestro ejemplo:
R  (27  18  ... 27) / 25  27.44
Sexto Paso: Calculo de las Líneas de Control.

Calculamos las líneas de control para el gráfico x y el R con las siguientes fórmulas:
Gráfico x Línea Central  LC = x

Límite de control superior:  LCS = UCL  x  A2 R
Límite de control inferior:  LCI = x - A2 R
Gráfico R Línea central:  LC = R

Límite superior de control:  LCS = D4 R
Límite inferior de control:  LCI = D3 R
A2, D4 y D3 son coeficientes determinados por el tamaño subgrupo (n).
En nuestro ejemplo:
Gráfico x LC = x  29.86
LCS  x  A2 R  29.86  0.577 x 27.44  45.69
LCI  x  A2 R  29.86 - 0.577 x 27.44  14.03
Gráfico R
LC  R  27.44
LCS D 4 R  2.115 x 27.44  58.04
LCI = (no se considera)
Coeficientes para Gráficos x , R
Tamaño de la Gráfico x Gráfico R

muestra n A2 D3 D4 d2
2 1.880 - 3.267 1.128
3 1.023 - 2.575 1.693
4 0.729 - 2.282 2.059
5 0.577 - 2.115 2.326
6 0.483 - 2.004 2.534
Séptimo Paso: Trazado de las líneas de control.

Trazamos en ordenadas los valores de x y R, mientras que en las abscisas el número de
subgrupos. Luego asignamos a los límites superior e inferior de control una separación de 20 0 30
mm., dibujando con línea entera la línea central y con línea punteada los límites.
Octavo Paso: Ubicación de los puntos.
Indicamos los valores de x y de R de cada subgrupo sobre la vertical correspondiente.

Marcamos en las abscisas el número del subgrupo, con espacios de 2 a 5 mm. Marcamos además
con puntos los valores de x con cruces los de R, a fin de individualizarlos fácilmente, circulando
los valores fuera de los límites de control.

Noveno Paso: Escribimos en tamaño del subgrupo (n) en el ángulo superior izquierdo del gráfico
x . Escribimos, además, cualquier otro dato de relevancia para el proceso, tales como
denominación, nombre del producto, período, método de medición, condiciones de trabajo, etc.
Gráfico desarrollado con el software estadístico SPSS ver. 10.0

2) Gráfico de control x (valor medido).
2) Gráfico de control pn (cantidad de unidades defectuosas y fracción defectuosa)
Primer Paso: Recolección de los datos.

Tomamos una muestra y clasificamos la calidad del producto en unidades que satisfagan o no un
standard de inspección. En este caso tomamos una muestra de tal tamaño que existan, en promedio,
de 1 a 5 unidades fuera de los standards, y un t~tal de 20 a 25 subgrupos.
En nuestro ejemplo:
Hoja de datos para Gráficos pn

pn (número de
Subgrupo Nº Tamaño de la muestra n unidades
defectuosas)
1 100 4
2 100 2
3 100 0
4 100 5
5 100 3
6 100 2
7 100 4
8 100 3
9 100 2
10 100 6
11 100 1
12 100 4
13 100 1
14 100 0
15 100 2
16 100 3
17 100 1
18 100 6
19 100 1
20 100 3
21 100 3
22 100 2
23 100 0
24 100 7
25 100 3
Total  n  2500  pn  68
Segundo Paso: Ahora calculamos la fracción defectuosa promedio p dividiendo el total de
unidades defectuosas en todos los subgrupos, por el número de muestras.
p
 p.n
k .n
En caso de nuestro ejemplo:
p
 p.n  68
 0.0272
k.n 25.100
Tercer Paso: Cálculos de las líneas de control.

Línea central: LC = p .n
Límite de control superior: LCS  p.n  3. p.n .(1  p)
Límite de control inferior: LCI  p.n  3. p.n .(1  p)
no se considera el LCI si resulta negativo.
En el ejemplo es:
LC = p .n = 0.0272 . 100 = 2,72
LCS  p.n  3. p.n .(1  p)  2,72  3. 2,72.(1  0,072)  7,60
LCI  p.n  3. p.n .(1  p)  2,72  3. 2,72.(1  0,072)  2,09 no se considera
Cuarto Paso: Construimos el gráfico de control y marcamos en las abscisas los números de
subgrupos, en las ordenadas el número de unidades defectuosas. Dibujamos con línea entera la LC y
con línea punteada el LCS y el LCI. Luego indicamos el número de unidades defectuosas en cada
subgrupo.
3) Gráfico p (fracción defectuosa)
Primer Paso: Seleccionar las características de calidad.

Este paso consiste en definir para qué se va a utilizar la gráfica de control. A modo de ejemplo
decimos que podría servir para controlar a) una sola característica de calidad, b) un grupo de
características de calidad, c) una pieza, d) un producto en su totalidad o e) varios productos.
También puede emplearse para controlar el desempeño de: a) un operario, b) un centro laboral, c)
un departamento, d) un turno, e) una planta o f) una compañía.
Segundo Paso: Defina el tamaño del subgrupo y el método.

El tamaño del subgrupo dependerá de la proporción de no conformidad. Antes de definir este
habrá que realizar algunas prueba con el objetivo de darse una idea aproximada de la proporción de
no conformidades.
Tercer Paso: Recolección de los datos.

Un fabricante de MODEM para computadora recopilo los siguientes datos de la prueba final que
se somete el producto a fines de marzo y abril. Estos son :
Cantidad Nro. de no Fracción de no Límite

Subgrupo
Inspeccionada conformidades conformidades
Marzo-abril LCS LCI
n Np p
29 2385 55 0.023 0.029 0.011
30 1451 18 0.012 0.031 0.009
31 1935 50 0.026 0.030 0.010
1 2450 42 0.017 0.028 0.012
2 1997 39 0.020 0.029 0.011
5 2168 52 0.024 0.029 0.011
6 1941 47 0.024 0.030 0.010
7 1962 34 0.017 0.030 0.010
8 2244 29 0.013 0.029 0.011
9 1238 53 0.043 0.032 0.008
12 2289 45 0.020 0.029 0.011
13 1464 26 0.018 0.031 0.009
14 2061 47 0.023 0.029 0.011
15 1667 34 0.020 0.030 0.010
16 2350 31 0.013 0.029 0.011
19 2354 38 0.016 0.029 0.011
20 1509 28 0.018 0.031 0.009
21 2190 30 0.014 0.029 0.011
22 2678 113 0.042 0.028 0.012
23 2252 58 0.026 0.029 0.011
26 1641 34 0.021 0.030 0.010
27 1782 19 0.011 0.030 0.010
28 1993 30 0.015 0.030 0.010
29 2382 17 0.007 0.029 0.011
30 2132 46 0.022 0.029 0.011
50515 1015
Cuarto Paso: Calculamos la línea central y los limites de control del ensayo:
Primero calculamos la fracción promedio de no conformidad que es la línea central
p
 np  1015  0.020
 n 50515
Usando los p se calculan los límites de control de cada día:
p(1  p) 0.020(1  0.020)

LCS29 = p + 3.  0.020  3.  0.029
n29 2385
p(1  p) 0.020(1  0.020)

LCI29 = p - 3.  0.020  3.  0.011
n29 2385
Y de esta manera para todos los días, los resultados se ven en las dos últimas columnas.
Quinto Paso: Calculamos ahora la línea central y los límites de control corregido:
p nuevo 
 np  np d

1015  53  113  17
 0.019
n  n d 50515  1238  2678  2382
Tenemos en cuenta que los días 9, 22 y 29 existió una situación fuera de control, dado a que
existe una causa atribuible para cada uno de estos puntos de control se los descarta.
Este valor representa el mejor cálculo de la fracción de no conformidad p0 = 0.019

Esta fracción de no conformidad sirve para calcular los LCS y LCI del período siguiente.
Sexto Paso: continuar con esta repetición de cálculos hasta el último día del mes de abril.
Si a nuestro ejemplo lo calculamos usando el software de estadística SPSS los resultados serán:
Recordemos que tanto la

gráfica p, como c o como u, son grupos de gráficas de atributos y la p controla la proporción de no
conformidades mientras que la c controla el número de no conformidades y la u controla el
número de no conformidades por unidad.
4) Gráfico c (cantidad de defectos)
El procedimiento para construir una gráfica c es le mismo que para una gráfica p.
El tamaño es el de una unidad inspeccionada. Una unidad inspeccionada puede ser un aeroplano,
una caja de latas de bebidas gaseosas, una gruesa de lápices, 500 solicitudes de seguro médico, una
caja de etiquetas, etc., etc.
Los datos se recopilaron mediante el número de no conformidades, que en la fabricación de

canoas de plástico tuvieron que ver con mancas e imperfecciones. Estos son :
Nro. de Conteo de no Nro. de Conteo de no

Comentarios Comentarios
serie conformidades serie conformidades
102 7 198 3
113 6 208 2
121 6 222 7
125 3 235 5
132 20 Adherencia en el molde. 241 7
143 8 258 2
150 6 259 8
152 1 264 0
164 0 267 4 Larguero caído
166 5 278 14
172 14 281 4
184 3 288 5
185 1 Total  c = 141
Primero calculamos el número promedio de no conformidades correspondiente a una cantidad de
subgrupos. Donde c es la cantidad de no conformidades y g es el número de subgrupos.
c
 c  141  5.64
g 25
Usando los c se calculan los límites de control de cada día:
LCS = c + 3. c  5.64  3. 5.64  12.76

LCI = c - 3. c  5.64  3. 5.64  1.48 o 0.
Quinto Paso: Calcule la línea central y los límites de control corregido:
c nuevo 
c  c
d

141  20  14
 4.65
g  g d 25  2
donde cd es número de no conformidades en los subgrupos descartados y

gd es el número de subgrupos descartados.
Este valor representa el cálculo más aproximado de la línea centraly los límites de control
corregidos son:
LCS = c 0 + 3. c0  4.65  3. 4.65  11.1
LCI = c 0 - 3. c0  4.65  3. 4.65  1.82 o 0.
Sexto Paso: logre el objetivo.
Una ves logrado el objetivo se realiza la gráfica. Una manera más fácil de realizarla es apoyarse
en un software de estadística como puede ser el SPSS y los resultados serán:
5) Gráfico u (cantidad de defectos por unidad)
Cuando hay situaciones en las que el tamaño del sub-grupo es variable, la grafica que se emplea
es la u (número de no conformidades por unidad), también se suele emplear cuando el tamaño del
sub-grupo es constante. La gráfica u es equivalente matemáticamente a la gráfica c y se obtiene de
la misma forma. Las ecuaciones que se utilizan en este procedimiento son:

u
c
u
c
n n
u u
LCS  u  3. LCI  u  3.
n n
c = número de no conformidades de un subgrupo.

n = número de unidades inspeccionadas de un subgrupo.
u = número de no conformidades / unidad de un subgrupo.
u = número promedio de no conformidades / unidad correspondiente a muchos subgrupos.
A modo de ejemplo para ilustrar la gráfica u un empleado revisa los conocimientos de

embarques de una pequeña compañía de flete aéreo nocturno, para detectar errores. Como el
número de conocimientos varía de un día a otro la técnica empleada es la del gráfico u. En la tabla
siguiente se consignan los datos:
Cantidad Nro. de no No conformidades Límite

Fecha
Inspeccionada conformidades por unidad
Enero-Marzo LCS LCI
n c u
Ene. 30 110 120 1.09 1.51 0.89
31 82 94 1.15 1.56 0.84
Feb. 1 96 89 0.93 1.53 0.87
2 115 162 1.41 1.50 0.90
3 108 150 1.39 1.51 0.89
4 56 82 1.46 1.64 0.76
6 120 143 1.19 1.50 0.90
7 98 134 1.37 1.53 0.87
8 102 97 0.95 1.53 0.87
9 115 145 1.26 1.50 0.90
10 88 128 1.45 1.55 0.85
11 71 83 1.16 1.59 0.81
13 95 120 1.26 1.54 0.86
14 103 116 1.13 1.52 0.88
15 113 127 1.12 1.51 0.89
16 85 92 1.08 1.56 0.84
17 101 140 1.39 1.53 0.87
18 42 60 1.19 1.70 0.70
20 97 121 1.25 1.53 0.87
21 92 108 1.17 1.54 0.86
22 100 131 1.31 1.53 0.87
23 115 119 1.03 1.50 0.90
24 99 93 0.94 1.53 0.87
25 57 88 1.54 1.64 0.76
27 89 107 1.20 1.55 0.85
28 101 105 1.04 1.53 0.87
Mar. 1 122 143 1.17 1.49 0.91

2 105 132 1.26 1.52 0.88

3 98 100 1.02 1.53 0.87
4 48 60 1.25 167 0.73
2823 3389
Se recopilaron datos de 5 semanas, cada semana de seis días, para un total de 30 subgrupos, el
cálculo de la línea central de ensayo es el siguiente:
u
 c  3389  1.20
 n 2823
El cálculo de los límites de control de ensayo y el punto graficado, u, debe hacerse para cada uno
de los grupos. En el caso del 30 de enero son:
u 1.20
LCSenero30  u   1.20  3.  1.51
n 110
u 1.20
LCSenero30  u   1.20  3.  0.89
n 110
c 120
u.enero30    1.09
n 110
Este cálculo se repite para los 29 valores restantes y los valores respectivos se consignan en la
tabla.
Si analizamos los valores, se observan que no existen puntos fuera de control.

En la figura siguiente se muestra en que casos se utilizan las gráficas por atributos:
Gráfica por atributos

Unidades no conformes No conformidades
c
Constante np
Tamaño de (n=1)
La muestra Constante o
p u
Varíable

UTILIZACIÓN DE LAS FICHAS DE CONTROL
Las fichas de control se utilizan para:
1) Alcanzar el estado de control estadístico (todas las medidas y recorrido dentro de los límites
del control; por consiguiente, proceso sin ninguna causa imputable de variación).
2) Dirigir un proceso.
3) Determinar la capacidad del proceso. Antes de que el proceso esté bajo control, deben
determinarse los límites de variación de proceso. Como límites de control se establecen para
las medidas, deben multiplicarse por n (n tamaño del subgrupo) antes de compararlos con
tolerancias.
La fichas de control pueden tener un importante papel de aceptación del producto. Procesos que
son capaces de alcanzar las especificaciones y que están bajo el control estadístico son los primeros
candidatos al auditado mediante el muestreo de aceptación. El control estadístico verifica la
estabilidad del proceso y la homogeneidad del producto y, luego puede aplicarse efectivamente
algún tipo de muestreo.
CONCEPTOS BÁSICOS DE LAS FICHAS DE CONTROL
Estimación de la media, μ: Shewhart investigó tanto la mediana como la media de los

subgrupos como estimadores de μ. Llegó a ala conclusión de que la media, X ,era un estimador
más sensible. La media de un subgrupo es la suma de todos los puntos individuales del subgrupo
dividida por el número de ellos. X = ∑ Xi/n.
Estimación de la desviación tipo σ: El recorrido de R de un subgrupo es, generalmente,

utilizado para estimar la desviación tipo distribución de X, σx. Para subgrupo de tamaño n=2, R es
tan eficiente como estimador de σx como la desviación tipo de los subgrupos s. Ambos estadísticos
utilizan todos los datos disponibles. Para n=3, s es el estadístico más eficiente. S utiliza los tres
datos de cada subgrupo. R utiliza solamente dos datos extremos, en consecuencia ignora la
información contenida en el dato central. Para cálculos manuales y n pequeño, la facilidad de uso y
las reducidas posibilidades de error hace a R una mejor elección que s . Se recomienda R para n ≤
20 y un n ≤ 10.
σx ≃ R /d2 ≃ s /c2 sx = X  X ) 2
/( n  1)
R = X mayor - X menor R
R
N

d2 y c2 son funciones del tamaño del subrupo. Tanto R como s son estimadores válidos de σx sólo si
los subgrupos se toman aleatoriamente de la población estable. Como es práctica habitual tomar los
subgrupos periódicamente más que aleatoriamente, existe el riesgo de que la frecuencia del
muestreo pueda coincidir con la acción de alguna variable desconocida y producir un recorrido o
desviación tipo desproporcionados a los valores de σx.
Límites de Control: Se pueden establecer límites de control basados en estadística del proceso, a
una medida ±3 desviaciones tipos parámetros. Si el parámetro representado en la ficha se
distribuye normalmente, alrededor de 99,73 por 100 de todos los valores caerán dentro de los
límites de control. Si un punto cae afuera de los límites de control, Hay sólo 27 probabilidades en
10000 de que la distribución no haya cambiado.
La distribución de X será siempre próxima a la normal para n ≥4. La distribución de las X

puede ser o no normal.
Los límites de control para R serán demasiados anchos si las distribución de las X es leptocúrtica
(más puntiaguda y larga, con colas más delgadas que la normal); serán demasiado estrechos sí la
distribución es platocúrtica( con el vértice más plano que la normal). Si el valor de X cambia en los
subgrupos mientras se toman muestras para la fijación de los límites de control, los R serán también
demasiados anchos. Factores de tendencia como el desgaste de herramienta o el incremento de
temperatura son una causa para esto. Si los subgrupos se toman demasiados separados , se puede
empeorar la situación . si es demasiado pequeño, puede dar una R inadecuada y por lo tanto unos
límites de control incorrectos, tanto para X como para R. Si los límites de control para X y R son
demasiados amplios, el riesgo de despreciar señal para actuar (riesgo β) crece. Si los límites para R
son demasiados estrechos, el riesgo de emitir una falsa señal de fuera de control (riesgo α) crece.
Una observación: Estar bajo "control estadístico" significa simplemente que solo están presentes
causas aleatorias. Esto no significa necesariamente que el producto cumpla con las especificaciones.
Y a la inversa, un proceso que no está bajo control estadístico puede estar todavía produciendo
artículos conforme con la especificación.
Tamaño del Subgrupo, n.: Dado que σx = σx/√n, cuando mayor sea el tamaño del subgrupo, n, será
la desviación tipo la distribución de las medias, σx, menores los limites de control a
3 σ, y más sensible será la ficha de las X . Sin embargo a medida que n crece, el tiempo necesario
para obtenerla y representar los valores en la ficha también crece. La sensibilidad de una ficha para
la detección de cambios en el proceso con diferentes tamaños de subgrupos, puede definirse
mediante una curva característica.
Subagrupamiento racional:. Cada subgrupo de proceder de una única y distinta población. Un

subgrupo de unidades producidas consecuentemente, tomadas de la misma cavidad de un molde,
será apropiado.
Visualmente puede detectarse, en una ficha de X y R, la elección inadecuada o irracional de los

subgrupos. Dos ejemplos serían:
1. Puntos X amontonados junto a la línea X , sin ocupar todo el espacio entre los límites de
control superior e inferior.
2. Puntos X más allá de ambos límites de control la mayor parte del tiempo.
En ambos casos, el recorrido ocupa escrupulosamente todo el espacio entre los límites de
control.
La primera condición la ha producido la utilización, en el mismo subgrupo, de unidades de

diferentes cavidades de un molde múltiple. R es una función de las diferencias entre cavidades más
que la diferencias momento a momento, en cuales se ha trazado la carta.  X es una función de las
diferencias de momento a momento y como normalmente son más pequeñas que la diferencias entre
cavidades, R y los resultantes límites de control están inflados con respecto a X .
La segunda condición se ha producido por haber tomado todas las unidades de un subgrupo la
misma cavidad, pero tomando los subgrupos sucesivos de diferentes cavidades. Ahora, R es más
pequeño, pero X está inflada por la diferencia entre cavidades.
Como regla general, cada cavidad del molde debe ser considerada como una máquina separada y
representada en fichas independientes. La misma lógica debe emplearse con otras máquinas de
producción múltiple.
Por qué utilizar medias: Las medias son más sensibles a los cambios que las unidades (figura 4).
Consideraremos un proceso en el que σ para las unidades es 50 y la media de las unidades es de
1000. El recorrido 3σ para las unidades es 150, por lo tanto, los límites serán 1000+150 =1150, y
1000-150=850. Un cambio en el proceso de 1000 a 1100 cambiará las líneas límite a 1250 y 950.
La probabilidad de que un proceso cambiado caiga fuera de los límites es alrededor de 16 por 100.
Detectar un cambio con una certeza del 99 por 100 requiere, de media, 27 subgrupos de unidad de
cada uno.
Curvas Características de las fichas de control: La curva característica (CC) es una representación
gráfica del verdadero valor de un parámetro del proceso, es decir, la media, frente a la probabilidad
de que una muestra única caiga dentro de los límites de control. Muestra la amplitud de la ficha
para detectar cambios en el proceso. La figura 5 es una cura CC para una ficha de control de las X
con una media μ x = 45.8, desviación tipo σx= 2,9 y tamaño del subgrupo n=4. Esta curva no debe
confundirse con la distribución de mediciones. En algunos casos el perfil es similar pero el
significado es completamente diferente.
La CC es una función del tamaño del subgrupo n, de la separación de los límites de control tσ y
de la desviación σ. Mediante la evaluación de las curvas CC para varios tamaño de subgrupo y
límites de control puede diseñar una carta para un problema determinado con el mejor compromiso
entre n y t.

Figura 4. Las medias son más sensibles que los valores individuales para detectar cambios
Figura 5. Curva característica (CC) de una ficha de control.
Pasos para la implantación de las fichas de control
1. Elegir la característica a controlar. Este es un tema que depende del criterio del analista, pero
podemos aplicar los siguientes orientaciones:

a) Dar la mayor prioridad a las características que están produciendo defectos y en las que los
operarios tiene posibilidad de controlar el ajuste. Estas prioridades pueden establecerse con
un análisis de Pareto.
b) Identificar las variables y condiciones del proceso que contribuyen a las características
finales del producto. Por ejemplo pH, la concentración de sales y la temperatura de la
solución son variables del proceso que podrían contribuir a la uniformidad de la capa de
galvanizado. La selección de estas variables, generalmente, es muy subjetiva y cuestionable.
c) Elegir características que puedan proporcionar la cantidad de datos necesarios para el
diagnóstico de los problemas. Los datos por atributos proporcionan una información
resumida, pero puede ser necesario completarla con datos por variables para diagnosticar las
causa y determinar las acciones.
d) Determinar el primer punto del proceso de producción que debe envasarse para obtener
información de las causas imputables, así como las fichas que han de servir como primero y
efectivo dispositivo de advertencia para la prevención de disconformidades.
2. Elegir el tipo de ficha de control. La tabla "A "compara varias fichas de control básicas. El
objetivo es hacer artículos conformes con la especificación. El
Adecuado uso de las fichas de p, np, u, y c ha de conducir a la eliminación de los que no lo son.
3. Decidir la línea central que ha de utilizarse y las bases de cálculos de los límites de control.
La línea central puede ser la media de los datos pasados, o la media deseada. Los límites
generalmente se sitúan en ± 3σ, pero pueden elegirse muchos otros para distintos riesgos
estadísticos. Los límites ± 3σ incluyen un muy pequeño riesgo de hallar el fallos que no
existen, pero un gran riesgo de no hallar fallos que si existen.
4. Seleccionar el subgrupo racional.
5. Determinar la frecuencia de extracción de los subgrupos(cuyos elementos componentes han de

ser consecutivos en lo posible). La tasa de cambio del proceso(desgaste de las herramientas o
deterioro) determinará el tiempo máximo permitido en subgrupos Muestrear un proceso nuevo
de frecuencia, hasta que los datos indiquen que ésta puede ser reducida.
6. Determinar el tamaño del subgrupo.
7. Proporcionar el sistema de recogida de datos. Si la ficha de control ha de servir como

herramienta para el día a día del taller, debe ser simple y fácil de usar.
8. Calcular los límites de control y dar instrucciones específicas para la interpretación de los
resultados y la toma de decisiones.

Tabla "A"
Tipos de datos Parámetros Uso Ventaja Desventaja Comentarios

representados característico
Variables
Media y Proceso con Un buen Cálculos Selección del
recorrido (o predominio de observatorio de complejos; tamaño de
desviación máquina. las variaciones respuestas subgrupos,
tipo) del estadísticas de lentas; relación frecuencia y
X y R/ s subgrupo un proceso. indirecta entre cantidad de
límites de subgrupos
control y utilizados para
tolerancia. fijar y modificar
cuidadosamente
los límites de
control.
Unidades y Cuando sólo es Muy rápido y No tan sensible
recorrido posible una fácil de como la ficha
observación cumplimentar y
de X y R.
por lote. explicar.
XyR Directamente
comparable
con las
tolerancia
Sumas Productos o Más rápida Complejo, difícil Pre-control es
acumuladas de ensayos de repuesta a un de explicar. más fácil y
desviaciones de costes elevado cambio brusco simple.
la media del en los que es en la media que
subgrupo a corriente una la ficha de
partir de un variación de X y R.
valor de 0,5  a 2 
referencia.
Atributos
p Fracción no- Sólo disponible Normalmente, Los datos por A medida que
conforme datos para datos más atributos no son mejora la
atributos o fáciles de tan útiles para calidad, los
np Cantidad no - para orientar obtener que los trabajos de subgrupos se
conforme la calidad de por variables. diagnosis como hacen mayores.
una unidad Cálculos más lo datos por A la larga, las
u Disconformida compleja con fáciles que en variables. fichas por
des por unidad. más de una las fichas atributos se
característica de X . hacen obsoletas.
Cantidad de de interés.
c disconformidad
es

TIPOS DE FICHAS DE CONTROL
Datos por variables frente a datos por atributos

Las fichas de datos por variables requieren mediciones en base a una escuela continua, como
longitud, peso o resistencia.
Las fichas de datos por atributos requieren solamente el recuento de mediciones discretas, como
buenas o malas. Los datos por variables dan más información que los atributos, y por tanto son las
preferidas para el control estadístico de procesos y esenciales para el diagnóstico.
Las fichas por atributos son útiles siempre que la tasa de defectuosa sea suficientemente alta
como para mostrarla en ficha con un razonable tamaño de subgrupo. Las actuales exigencias en
cuanto a competencia en calidad que afectan a muchas industrias son tan elevadas que las fichas por
atributos no son adecuadas.
Datos por variables

Fichas de control por medias y recorridos, X y R. Esta fichas particularmente útil para
los procesos con predominio de la máquina. Tomar 25 subgrupos de 4 o 5 unidades cada uno.
Calcular la media, X y el recorrido, R, de cada subgrupo. Calcular la media de todos los
subgrupos, X , y el recorrido medio R . Calcular los límites de control a 3σ utilizando las fórmulas:
Línea Central = X
Límite de control superior para X = X + A2 R
Límite de control inferior para X = X - A2 R
Línea central = R
Límite de control Superior para R = D4 R
Límite de control Inferior para R = D3 R
Para tamaño de subgrupos > 10, utilizar la desviación σ en vez del recorrido. Calcular los
límites 3 σ aplicando la fórmula :
Línea Central = X
Límite de control superior para X = X + A1 s
Límite de control inferior para X = X - A2 s
Línea central = s
Límite de control Superior para R = B4 s
Límite de control Inferior para R = B3 s
Los valores de A, B y D dependen del tamaño del subgrupo, n .

Los factores de las fichas de control dan por su puesto una población normal de elementos,
aceptándose moderadas desviaciones. Ver figuras 6 y 7 muestran hojas de datos y ficha de control
para X y R.
Figura 6 .Hojas de datos para las fichas control de X y R.
Figura 7. Ejemplo de ficha de control X y R.
INTERPRETACIÓN DE LAS FICHAS: Colocar las fichas para X y R una encima de la otra de
manera que la media y el recorrido de cada subgrupo estén en la misma línea vertical. Observar si
una o las dos señalan faltas de control del subgrupo.
Si las X caen fuera de los límites de control, es evidente un cambio general ha afectado todas
las piezas posteriores al primer subgrupo que se encuentran en esa situación.
Estudiando el registro de los datos recogidos, la operación de proceso y la experiencia del

operario al descubrir las causas de esos subgrupos fuera de control. Son causas típicas los cambios
de material, personal etc.
Si las R caen fuera de los límites de control, es evidente que la uniformidad del proceso ha
cambiado. Son causas típicas los cambios de personal, variabilidad en el material, o desgaste de las

máquinas. En un caso, un repentino incremento de las R avisó de un inminente accidente de la

máquina.
Una sola R fuera de control puede ser causada por un cambio de procesos producido mientras se
obtenía el subgrupo.
Nelson (1984-1985) límites proporciona ocho tests para detectar estos casos de fichas de control
que utilizan 3σ. La figura 8 muestra los diferentes tests. Cada zona tiene una amplitud de 1σ.
Figura 8. Ilustración de tests para causas especiales, aplicados a fichas de control de X .
FICHAS DE CONTROL PARA VALORES INDIVIDUALES DE X, Y RECORRIDO DE R: Este es un

gráfico de observaciones individuales que es útil cuando sólo es posible una observación por lote, y
no es tan sensible como la carta de X (ver más arriba el apartado porque utilizar medias).
Por esta razón se acostumbran a utilizar límites de control 2σ. A diferencia de los límites de
control para medias, los límites de control para unidades pueden compararse directamente con los
límites de tolerancia.
Tomar un mínimo de 30 unidades en subgrupos de al menos 2. Calcular la media de las 30, X ,

el recorrido de cada subgrupo, R, y la media de los recorridos R . Calcular los límites de control 3σ,
aplicando:
Línea Central = X
Límite de control superior para X = X + E2 R
Límite de control inferior para X = X - E2 R
Línea central = R
Límite de control Superior para R = D4 R
Límite de control Inferior para R = D3 R
Los límites de control 2σ se calculan utilizando los dos tercios de la banda 3 σ aplicando
Límite de control superior para X = X + 2/3 E2 R

Límite de control inferior para X = X - 2/3 E2 R
Los valores de los factores E2 y D dependen del tamaño del subgrupo, n.

Esos factores se pueden aplicar supuesta una población normal de individuos, son aceptables
moderadas desviaciones
Datos por atributos
FICHAS DE CONTROL PARA FRACCIONES NO – CONFORME: La fracción no - conforme, p,

es la razón de los productos no conformes al total de productos del subgrupo. Puede describir una
característica única de calidad, o dos o más consideraciones colectivamente. Se debe hacer una
distinción entre no - conformidad( por ejemplo, un defecto) y una unidad no-conforme (por
ejemplo, una unidad defectuosa). Una no conformidad es un caso independiente de no
cumplimiento de algún requisito; una unidad conforme es un artículo que contiene una o más no -
conformidades. La preparación de fichas separadas para cada característica es posible. Agrupar en
una las disconformidades producto de distintas causas, pueden hacer muy difícil la interpretación de
la ficha.
El tamaño del subgrupo, n, es función de la tasa de disconformidad. Cuanto mejor es la calidad,
más grande ha de ser el subgrupo necesario para detectar falta de control.. La ANSI/
ASQC recomienda al menos un artículo no - conforme por subgrupo. El valor de n es siempre
mayor de 50 y casos de n = 400 a 600 no son infrecuentes. Subgrupos pequeños darán límites de
control amplios y permitirán que un proceso este bajo control. A medida que la tasa de
disconformidad se hace más pequeña, el tamaño del grupo se hace mayor, el tiempo requerido para
obtener cada punto también crece y reduce el tiempo de respuesta de la ficha. Con el uso
continuado, todas las fichas por atributos se hacen obsoletas para fines de control.
Siempre que sea posible el tamaño de los subgrupos ha de ser el mismo. Si los distintos subgrupos
no difieren de la media de los subgrupos, n , en más de 25 por 100, es mejor utilizar n que n para
calcular los límites de control Si difieren en más del 25 por 100, requieren establecer separados
límites de control, calculados para cada subgrupos , utilizando su n particular.
Tomar 25 subgrupos. Calcular la fracción no conforme de cada subgrupo, p, y la media de las

fracciones no - conformes de todos los subgrupos, p .Calcular los límites de control 3σ, aplicando:
Línea central = p
Límite control superior para p = p +3 √ p (1 - p )/n
Límite control Inferior para p = p - 3 √ p (1 - p )/n
EJEMPLO DE FICHA DE CONTROL PARA P: La siguiente tabla muestra los resultados del ensayo e
inspección final, durante un período de 5 meses, de ciertos imanes permanentes utilizados en relés
eléctricos. El número total de imanes ensayados fue de 14901; el total de los conformes fue de
1030. El tamaño de la muestra fue de:
14091
n  741.6
19
La fracción no-conforme medida fue de:
1030
p  0073
14091
Tabla "B" Punto de fusión de resina
Los límites de control fueron situados a:
p ± 3σp= p.(1 - p)/ n = 0,073 ± 3 0,073 (1 - 0,073)/ 741,6

= 0,073 ± 0,0287 = 0,102 y 0,044
El valor 0,0287 se halla, ya sea por cálculo se halla, ya sea por cálculo directo, ya sea mediante
gráfico Z. Utilizar el gráfico, hallar el tamaño de la muestra en la escala inferior, subir hasta la
intersección con la diagonal de trazo continuo de p . Desplazarse hacia la escala de la izquierda
para obtener el valor 3 ,que resulta ser 0,029. El límite superior para p será pues LCSp = 0,073 + 0,
029 = 0,102, y el límite inferior es LCIp. La ficha de control resultante se muestra en la siguiente
figura 9. Obsérvese que la última muestra esta por debajo del LCI, indicando una significativamente
baja fracción no - conforme. Aunque esto puede significar que hay una causa imputable que ha
producido una mejor calidad, estos puntos pueden también ser debidos a que el inspector ha
aceptado, por error, alguna unidades no - uniformes.

Figura 9. Ficha para fracción defectuosa
FICHAS DE CONTROL PARA EL NÚMERO DE NO-CONFORMES, NP: El valor np es un

recuento directo del número de no-conforme en un subgrupo. Las directivas y precauciones para la
preparación en una ficha np son las mismas que para la ficha p, excepto que el tamaño de todos los
subgrupos ha de ser el mismo.
Tomar 25 subgrupos. Contar el número de no-conformes, np, de cada subgrupo. Calcular el

número de no-conformes de todos los subgrupos, n p . Calcular los límites 3σ, aplicando:
Línea central = n p
Límite control superior para p = n p +3 √n p (1 - p )/n
Límite control superior para p = n p - 3 √n p (1 - p )/n
Ejemplo de ficha de control para np. ( Ejemplo basado en la tabla anterior)
Línea central = n p = 54,2
Límite control superior para p = n p +3 √n p =54,2 ±3√54,2

= 54,2 ± 22,1 = 76,3 y 32, 1
Las fichas son idénticas excepto en la escala; vertical por eso no se ha producido la ficha para np.
Los valores son muy similar al ejemplo anterior.
FICHAS DE CONTROL PARA DISCONFORMIDADES POR UNIDAD, U: La ficha de control

para u es la más útil cuando varias disconformidades independientes (deben ser independientes)
pueden representarse en una unidad de producto. Esto acostumbrada a suceder en los montajes
complejos.
Las líneas de las fichas de control para muestras de tamaño n son:
Línea central = u
Límite control superior = u +3 √ u )/n
Límite control inferior = u - 3 √ u )/n

Donde u es el número total de disconformidades de todas las muestras dividido por el número
total de unidades de todas las muestras, es decir, las disconformidades por unidad de todo el
conjunto de resultados de ensayo. Para nuestras de tamaño distintos, los límites de control se
calculan para cada tamaño separadamente, utilizando un valor combinando de u .
Ejemplo de ficha de control para u: La tabla siguiente nos da los resultados de la inspección de
25 lotes consecutivos en un producto. El tamaño del lote fue prácticamente constante, por eso se
utilizó un tamaño de muestra constante(n = 100. Se contaron todas las disconformidades dado que,
en cada artículo, se podían producir dos o más de ellas, del mismo o de distinto tipo. Las cantidades
de disconformidades por unidad se hallaron dividiendo la cantidad de no-conformidades halladas
por el tamaño de la muestra.
Luego, para la ficha de control para u ,
Línea central = u =37,5 / 25 = 1,5

Límite control = u +3 √ u )/n = 1,50 ±3√ 1,50 / 10
= 1,50 ± 1,16 = 2,66 y 0,34
Tabla "c"
Figura 10. Ficha de control para u
FICHA DE CONTROL PARA CANTIDADES DISCONFORMIDADES, C: Una ficha de control

para la cantidad de disconformidades de una muestra es el equivalente de la ficha de control para u.
Es una práctica alternativa cuando todas las muestras son del mismo tamaño n, y es particularmente
efectiva cuando el número de disconformidades posibles en una unidad es grande pero el porcentaje
de cualquier disconformidad determinada es pequeño. Son ejemplos de ello las irregularidades
superficiales, las grietas o las picaduras en productos continuos o de gran superficie como hilo, el
alambre, el papel etc.
La probabilidad de que se produzca una disconformidad en determinado punto puede ser

pequeña pero la oportunidad global puede ser grande.
La ficha para c utiliza directamente el recuento de defectos.
Las fórmulas para las líneas de control son:

Línea central = c
Límite control superior = c +3 √ c
Límite control inferior = c - 3 √ c
Donde c es el número de discontinuidades en todas las muestras dividido por el número de
muestras, es decir el , la media de disconformidades por muestra.
FICHAS DE CONTROL DE SUMA ACUMULADA: Un gráfico de la suma acumulada de las

desviaciones, respecto de un valor de referencia, de la media de los subgrupos es especialmente
adecuado para detectar cambios bruscos en la media que ha presentado el proceso, por lo menos, en
los últimos 5 subgrupos. Cada punto contiene información procedente de todas las observaciones
hasta la correspondiente inclusive. Habitualmente, cada punto es igual al punto precedente más el
valor de un estadístico calculado a partir del último subgrupo.
Las fichas de control de suma acumulada, al igual que otras que hemos estudiados, se interpretan
comparando los puntos dibujados con los límites críticos, pero que en este caso no son ni paralelos
ni fijos. Una plantilla en forma de v es el dispositivo que se coloca sobre la ficha, con el origen
sobre el último punto marcado. Los puntos cubiertos por la plantilla son una indicación de que el
proceso se ha desviado.
Comparación de una ficha de control de sumas acumulada con otra normal.
La siguiente figura 11 muestra también una ficha normal para X , que no habría detectado el
cambio hasta que los puntos de la gráfica no hubieran sobrepasado los límites de control.
La comparación de una ficha de control de suma acumulada con otra normal de X debe tener en
cuenta el concepto de longitud media de la serie. La LMS es el número medio d
puntos de la muestra dibujados, a un determinado nivel de calidad especificado, antes que la ficha
detecte un cambio respecto de un nivel anterior.
Para cambios comprendidos entre 0,5 σx y 2, σx, las fichas de suma acumulada lo detectan,
más o menos, con la mitad de subgrupos necesarios de una ficha normal para X ,
reduciendo el plazo para actuar en este número de períodos. Las fichas para X normalmente
funcionan mejor para cambios en ambos recorridos.

Figura 11. Comparación entre una ficha de control de suma acumulada y la ficha de X y R correspondiente.
FICHAS DE CONTROL ESPECIALES: En algunas fichas de control que hemos visto se asume
que las distribuciones son normales. Cuando las medidas no responden a este supuesto, a veces, se
pueden" transformar" matemáticamente, y la mediciones transformadas pueden entonces tratarse
mediante fórmulas de los límites de control habituales.
La siguiente tabla resume algunos tipos especiales de fichas de control no tratados más arriba y
se dan referencias sobre donde hallar detalladas instrucciones para su construcción y utilización.
Nombre de la ficha Características Referencias

Mediana No requiere cálculos aritméticos Grant y Leavenworth(1980), pag
Cuando el tamaño de los subgrupo 287 - 289.
es impar
Media móvil y recorrido móvil Suaviza el efecto de las tendencias; Grant y Leavenworth(1980), pag
con cada medición individual se 293 - 298.
traza una nueva media
Media geométrica móvil: media Combina mediciones sucesivas; es Wortham y Heinrich (1972)
suavizada exponencialmente eficaz para detectar pequeños
cambios en el proceso
Control adaptativo Evalúa los datos del proceso frente Capítulo 28, apartado sobre control
al valor previsto y cuantifica el adaptativo. Manual del control de
ajuste necesario calidad versión 4.
Deméritos Permite ponderar los defectos Grant y Leavenwhort (1980)
según su grado de importancia. páginas 269 - 271.

PRE - CONTROL
Teoría del PRE- CONTROL
El PRE - CONTROL es un simple algoritmo para controlar un proceso en base de tolerancias. Se

da por supuesto que el proceso está produciendo un artículo con una característica de la calidad
mensurable y ajustable que varía de acuerdo con alguna distribución pero no se hace ninguna
precisión respecto a la forma y estabilidad reales de la distribución. Junto a los extremos de la
tolerancia se establecen unas zonas de precaución
Un proceso nuevo se califica tomando muestras de unidades consecutivas hasta que cinco
seguidas caen dentro de la zona central antes de que las otras caigan en precaución. Esto asegura
que la distribución es suficientemente estrecha como para centrar el proceso dentro de los límites de
tolerancia. Esto no es control estadístico; esto es control de la capacidad; ahora se sabe que el
proceso es capaz de elaborar el producto dentro de la tolerancia. Si el proceso no puede ser
calificado, debe empezar inmediatamente un trabajo de diagnosis para identificar y controlar las X
rojas.
Una vez calificado el proceso, se controla tomando muestras periódicas de dos unidades cada
una ( a las que llamaremos A, B). Este pequeño subgrupo y la inmediata información que
proporciona directamente al operario del proceso constituye un rápido y riguroso bucle de
realimentación. Solamente hay que actuar si tanto A como B caen en la zona de precaución.
La eficacia estadística del PRE - control reside en la regla del producto de probabilidades:
P(A,B) = P(A) x P(B).
Así, el riesgo de una falsa señal es drásticamente reducido con la utilización de una muestra de
tamaño dos. La probabilidad real de la función del ancho de las zonas de precaución(ver párrafo
sobre riesgo  más adelante). La probabilidad de pasar por un alto un trabajo fuera de tolerancia es
controlado por el tamaño de las zonas de precaución y la frecuencia de toma de muestras ( ver
párrafo sobre riesgo  más adelante).
Debido a que las reglas de PRE - control son tan simples, los usuarios llegan a la conclusión de
que son arbitrarias y las cambian en un esfuerzo para mejorar el PRE - control. El tamaño de la
muestra es un compromiso entre la reducción del riesgo y falsa señal y una espera larga para actuar.
La anchura de la zona de precaución es un compromiso entre la sensibilidad y la oscilación. Con las
zonas de precaución preparadas, la oscilación es una señal de que la actual distribución es más
ancha que la tolerancia, el proceso debe ser arreglado. La frecuencia de muestreo es un
compromiso entre costes y el esfuerzo de tomar muestras más seguido, y el riesgo de elaborar
productos fuera de tolerancia. Los cálculos originales del PRE - control una frecuencia de 25 pares
A, B entre ajuste es suficiente para que produzca ningún trabajo fuera de tolerancia. El cambio de
las ya optimizadas zonas de precaución y tamaños de los subgrupos solo producirá un menos
control efectivo del proceso.
Requisitos para su aplicación

El PRE - control es efectivo para algunos procesos en los que el operario puede medir una
característica de la calidad de interés (dimensión, color, resistencia, etc.) y puede ajustar el

proceso para cambiar esta característica, y cuando el proceso tiene una salida continua (papel) o
una salida discreta ( por ejemplo piezas de máquinas).
Aunque el PRE - Control requiere un mínimo de cinco unidades para calificar una preparación,
está realmente controlando el proceso mientras estas cinco unidades se están produciendo. Si las
primeras unidades son amarillas, ajuste el proceso antes de hacer la tercera. El recuento para la
calificación debe comenzar de nuevo, pero nosotros ya no hemos prevenidos de productos no
conformes.
No hay ningún requisito y ninguna asunción implícita con respecto a la capacidad del proceso o
de la distribución de frecuencias de la característica de calidad.
Puesta en marcha del PRE - CONTROL
TOLERANCIAS BILATERALES: Colocar las líneas de referencia a +1/4 del intervalo de

tolerancias nominal y a -1/4. Colorear las tres áreas: entre líneas de referencia (mitad de la
tolerancia total) verde; entre cada línea de referencia y el límite de la tolerancia, amarillo; más allá
de los límites de tolerancia, rojo . Ver la siguiente figura 12.
Figura 12. Línea de PRE-Control para tolerancia limitada
TOLERANCIA UNILATERALES, LECTURA DIRECTA (PLANEIDAD O EXCENTRICIDAD):

Colocar una línea de referencia a mitad de la tolerancia, desde cero hasta el límite máximo.
Colorear las áreas: entre cero y la línea de referencia, verde, entre la línea de referencia y el límite
máximo, amarillo; por encima del límite máximo, rojo. Ver la siguiente figura 13.
Figura 13. Líneas de PRE-Control para tolerancias unilaterales, lectura directa.
TOLERANCIAS UNILATERALES MÍNIMOS O MÁXIMOS (RESISTENCIA): Colocar una línea

de referencia a un cuarto del espacio entre el límite de tolerancia y la mejor muestra producida
durante las anteriores operaciones. Colorear las áreas: desde la línea de referencia hasta más allá de
la mejor pieza, verde; desde líneas de referencia hasta el límite de tolerancia, amarilla; más allá del
límite de tolerancia, rojo. Ver la siguiente figura 14.
Proveer al operario del proceso de los medios para medir características, y colorear el
instrumento de medición en verde (bien), amarillo (precaución) y rojo (pare).
Figura 15 . Líneas de PRE-Control para tolerancias unilaterales, mínimos y máximos.
Utilización del PRE-CONTROL
CALIFICACIÓN DE LA PREPARACIÓN: Medir cada pieza producida hasta obtener cinco

verdes seguidas. Si se halla una amarilla, empezar de nuevo el recuento. Si se encuentran dos
amarillas seguidas o alguna roja, ajustar el proceso y empezar el recuento de nuevo. Esta etapa
reemplaza a la inspección de la primera pieza.
FUNCIONAMIENTO: Medir, periódicamente, dos piezas consecutivas (a las que llamamos par
A, B). Si ambas son amarillas, del mismo lado, ajustar. Si son amarillas, pero de lados opuestos,
pedir ayuda. Si alguna es roja, ajustar. En el caso de dos amarillas, el ajuste debe hacerse
inmediatamente para prevenir trabajo no - conforme. Si las dos son rojas, para, ya se está
produciendo trabajo no - conforme. No colocar la pieza roja con las piezas anteriores.
FRECUENCIA DE MEDICIÓN: Medir seis pares A B de media entre cada ajuste que requiera el
proceso. Ya que una hora tiene 60 minutos, esta regla se reduce: tiempo entre mediciones en
minutos = tiempo entre ajustes en horas x 10:
Tiempo entre ajustes, h Tiempo entre mediciones, min

1 10
2 20
3 30
4 40
RIESGO: Todas las técnicas para el análisis de la variación de procesos implican algún riesgo.
Riesgo tipo I, y tipo II, y que también son aplicación al PRE - Control.
RIESGO  : Es el riesgo de una falsa alarma ante una condición operativa específica. El riesgo
de una señal amarilla doble cuando el proceso no debe ser ajustado.
RIESGO  : Es el riesgo de omisión ante una condición operativa específica. El riesgo de

producir trabajo fuera de tolerancia y no tener una señal amarilla doble o roja.
Las peores condiciones operativas práctica para un riesgo  es una distribución de frecuencias
normal de la característica de la calidad con una media  a valor nominal (en el centro de
tolerancia) y un ± 3  correcto en los límites superior e inferior de la tolerancia, respectivamente.(
ver la siguiente figura 15) .
Hay nueve posibles permutaciones de pares de A, B(ver la figura). Ya que la probabilidad de

cada par es el producto de las probabilidades de cada acontecimiento componente, la probabilidad
de obtener una determinada permutación de A y B es la proporción de área bajo la curva normal
correspondiente a un A multiplicada por la proporción correspondiente a un B. Hay cuatro
permutaciones de A y B que constituyeron una falsa alarma (las indicadas en "ayuda" y " ajuste"
mostrada en la figura.
En el peor de los casos, un operario que utilice el PRE - Control recibirá una señal de ajustar el
proceso, cuando ese ajuste no es necesario, un 2 por 100 de las veces. Cuando el operario ajuste el
proceso y trate de recalificar la preparación, probablemente obtenga dos amarillos antes de que se
presentación verdes. Esta señal amarilla doble para ajuste del proceso le lleva a la posición original.
El resultado de esta falsa señal es una secuencia de dos ajustes innecesarios, uno a consecuencia de
la falsa señal y otro para corregir ésta. Pero no produce artículos no - conformes.
Las peores condiciones operativas práctica para el riesgo  es la misma distribución normal con
± 3  igual a la tolerancia total utilizada más arriba, pero con la media  desplazada del valor
nominal. En este caso, el trabajo fuera de tolerancia producido no se excederá, de media, del 1 por
100. Los cálculos son algo complejos que para el riesgo  .
Figura 15. Cálculo del riesgo  en el PRE-Control.

Comparación de las fichas de control para X y R con el PRE - Control.
Tema Fichas para X y R PRE - Control

Objetivo Descubrir magnitud de la variación Previene producción de
provocada por causas aleatorias e defectos.
imputables.
Detectar momento de aparición causa
imputable.
Proporcionar registros para el control
estadístico de proceso.
Reglas decisión Subgrupos X más allá de los límites de Dos amarillos consecutivos a
control. ambos lados de la zona
objetivos.
Nueve subgrupos X al mismo lado de X . Dos amarillos consecutivos en
Subgrupo R más allá del límite de control. lados opuestos de la zona
objetivos.
Tamaño del .  2, habitualmente 4 o 5. Siempre 2.
subgrupo. Para subgrupo  4, no significativo. No significativo; control por el
Efecto de la forma tamaño de las zonas de
de la distribución de precaución, no por el de la
las x. zona objetivo.
Para mejorar la Incrementar el tamaño del subgrupo. Optimizada fijando la suma de
sensibilidad las zonas de precaución igual
estadística a la mitad de tolerancia.
Para reducir el Reducir el tamaño del subgrupo; muestreo Tomar más pares A, B entre
tiempo de detección. más frecuente; acelerar los cálculos. ajustes habituales del proceso.
Para calificar el Tomar 25 subgrupo, calcular los límites de Obtención de 5 verdes
proceso control, demostrar el estado de control seguidos antes de 2 amarillos
estadístico. seguidos.
Corrientemente, tomar 10 subgrupos y
despreciar 1 o 2 puntos fuera límites de
control o utilizar antiguos límites de control
después de eliminada una causa imputable.
Efecto de una Ninguno, ya que X está dentro de los limites El fuera de tolerancia es rojo,
capacidad de de control; la teoría dice que l proceso no en consecuencia, ¡parar!
proceso mayor que puede mejorar económicamente, es decir, el
la tolerancia. cero defectos no es económicamente posible.
Riesgo Para límites de control ± 3  igual a De 0,00 a 0,002
 (probabilidad de 0,00227; para límites de control ± 2  , igual
rechazar un a 0, 05
producto bueno)
Riesgo Habitualmente no se considera pero con Depende de la frecuencia del

 (probabilidad de frecuencia es muy grande (depende de la muestreo; el trabajo fuera de
aceptar un producto frecuencia del subgrupos y de la relación tolerancia teóricamente no
malo). entre tolerancia y límites de control); tasas de excede del 1 por 100 para seis
fuera de tolerancia del 2 por 100 no son pares de A, B entre ajustes
infrecuentes; una subagrupación irracional y habituales; experiencia indica
un mal cálculo de los nuevos límites de que la tasa es del 0 y 100.
control después de un cambio en proceso,
pueden hacer esta tasa aún peor.

CAPACIDAD DE LOS PROCESOS
Importancia de la capacidad
Por ahora nos hemos centrado en determinar la estabilidad e los procesos, pero no hemos hecho
referencia a si los procesos son capaces de producir dentro de las tolerancias requeridas. Hay que
tener en cuenta que un proceso perfectamente centrado y estable puede ser incapaz de producir la
calidad requerida. Para determinar esta capacidad debemos definir una nueva serie de variables, y
en eso consisten los estudios de capacidad.
Límites de tolerancia
Hemos de ser capaces de distinguir perfectamente entre el concepto de límite de control y límite
de tolerancia.
Límite de control: Parámetro obtenido estadísticamente de un proceso y que nos da la medida de la

dispersión del mismo.
Límite de tolerancia: Parámetro obtenido del diseño realizado por el ingeniero, y que viene
determinado por las necesidades de ajuste, acabado, posicionamiento, etc.
Como se puede observar, el primero está determinado por el proceso en sí, no siendo posible
alterarlo de forma directa, mientras que el segundo surge de la necesidad del ingeniero de plasmar
unas determinadas especificaciones en un plano, dado que obtener una fabricación perfecta es
totalmente imposible.
Por esto, es perfectamente posible que los límites de control del proceso se encuentren fuera de
los límites de tolerancia de la pieza, siendo entonces el proceso incapaz. En la figura podemos ver
un proceso en el que parte de las piezas producidas están fuera de las tolerancias, incluso cuando
todos los valores están dentro de los límites de control.
Para medir la posición del proceso dentro de los límites de tolerancia emplearemos los
parámetros de capacidad.
De todas formas, es muy importante tener en cuenta dos cosas antes de ponerse a calcular estos
parámetros:
 El proceso debe estar bajo control estadístico para poder calcular los parámetros de
capacidad.
 Estos parámetros cambian cuando lo hacen las condiciones de control estadístico (cambio de
los límites de control, media, etc.)

Parámetros de capacidad
Dispersión propia del proceso Cp
siendo Ts-Ti = tolerancia total.
Como ya es conocido,
donde d2 lo obtenemos en tablas
Para que se considere que el proceso es capaz, debe valer como mínimo 1,33, aunque a veces se
exige hasta 1,66 (caso de sector aeronáutico).
Este parámetro nos mide la cantidad de margen que tiene los límites de control dentro de los
límites de tolerancia. Cuando el proceso está centrado, nos bastará con este valor, pero no siempre
será así. En ese caso necesitaremos emplear otro parámetro.

Ajuste del proceso Cpk
Basándonos en la misma figura obtenemos:
En este caso tenemos en cuenta el posible

descentramiento del proceso respecto a los límites de tolerancia, cogiendo el que tiene menor
margen.
En el caso de que el proceso esté centrado, ambos parámetros coincidirán, pero en cualquier otro
caso Cpk será menor que Cp. En ambos casos se considera que la media está dentro de los límites
de tolerancia.
Cuanto mayor sea el parámetro de capacidad, mayor será el margen del que disponemos antes de
que el gráfico de control detecte un posible cambio de tendencia, sin que se produzcan piezas
defectuosas.
Software para el control estadístico de procesos
Software para el control estadístico de procesos: Actualmente, se puede disponer de muchos

programas, de miniordenador y ordenador personal, para el análisis estadístico de datos, incluido
prácticamente todo tipo de fichas de control. Calibres con salidas digital directa pueden ser
conectados a dispositivos manuales de recogida de datos, que pueden almacenar las lecturas
obtenidas en el taller y vaciarlas, en la oficina, en el ordenador personal. Como alternativa, las
lecturas de los calibres pueden ser entradas en el dispositivo de recogida mediante el teclado.
El software calculará los parámetros de la muestra, los límites de control inicial, y la ficha de
control. Por supuesto, los límites de control pueden ser recalculados periódicamente con facilidad y
los límites ± 2  , pueden calcularse como datos adicional de orientación. La mayor parte de los
software proporcionan resúmenes y análisis adicionales, tales como listados de los datos brutos, de
valores fuera de especificación, histogramas controles de funcionamiento y otras pautas dentro de
los límites de control, ensayos de normalidad, cálculos de capacidad del proceso, análisis de Pareto
y análisis de tendencias.
El software calculará los parámetros de la muestra, los límites de control inicial, y la ficha de
control. Por supuesto, los límites de control pueden ser recalculados periódicamente con facilidad y
los límites a ± 2  , pueden calcularse como dato adicional de orientación. La mayor parte de los
software proporcionan resúmenes y análisis de Pareto y análisis de tendencias.
El relativamente bajo coste de los ordenadores personales y facilidad con que puede disponer de
X y R. Esta combinación ordenador - software ha facilitado la recogida de grandes cantidades de
datos y posibilitado la realización de variadas y complejas formas de análisis. Sin embargo, la
mejora de los procesos también requiere la identificación de los " pocos y vitales" y con frecuencia
variables inesperadas causan variaciones excesivas. El análisis por ordenador no es el sustituto de
herramientas tales, como los Multi-Vari, o los experimentos factoriales. Los ordenadores son muy
útiles cuando se a creado el esquema para un programa de amplio alcance y muy poco útiles cuando
se utiliza un programa de análisis estadístico prefabricado.

¿QUÉ SON LOS GRÁFICOS DE CONTROL?

El gráfico de control consiste en una línea central, un par de límites de control ubicados por
encima y por debajo de la línea central y la representación gráfica de los valores obtenidos dentro
de un proceso. Si todos estos valores se ubican dentro de los límites de control sin ninguna
tendencia en particular, se considera que el proceso se halla bajo control. Por el contrario, si los
valores aparecen fuera de los límites y adoptan una forma peculiar, se considera que el proceso se
halla fuera de control. En la siguiente figura 1 se pueden apreciar dos ejemplos.
GRÁFICOS DE CONTROL
La variación ocurre en todos los procesos, ya sean fenómenos naturales o invenciones humanas.
Se dan dos clases de variación, la variación aleatoria (que es natural en el proceso tal y como se
desarrolla habitualmente) y la no aleatoria (resultado de una causa atribuible específica). La primera
es predecible (proceso bajo control), sin embargo la segunda hace que el proceso se encuentre fuera
de control. Un gráfico de control presenta la variación total en un proceso (aleatoria y no aleatoria)
y se utiliza para monitorear un proceso y mantenerlo dentro de su capacidad operativa, es decir,
bajo control.
El tipo más sencillo es el llamado gráfico p, que representa el porcentaje defectuoso o porcentaje
de veces que no se cumple una norma establecida.
Entonces, podemos decir que es inevitable que la calidad de un producto elaborado sea variable,
existiendo numerosas causas para estas, pudiendo clasificarlas en los siguientes dos tipos:
 Causas aleatorias: las variaciones por causas aleatorias no pueden ser eliminadas y ocurren
en forma inevitable en un proceso, aunque las operaciones se lleven a cabo utilizando
materias primas y métodos estandarizados. No es factible eliminar las causas aleatorias, ni
técnica ni económicamente, al menos en la actualidad.
 Causas asignables: las variaciones por causas asignables indican que existen factores
significativos que deben investigarse. Son eliminables y no pueden pasarse por alto: existen

casos provocados por negligencia con relación a ciertos estándares o por aplicación de estos
últimos en forma inadecuada.
Cuando los puntos caen fuera de los límites de control o adoptan una forma peculiar, se dice
que un proceso se halla fuera de control y esto equivale a decir " aquí existen causas de
variación asignables y el proceso se halla fuera de control". Para controlar e1 proceso será
necesario eliminar las causas asignables y encarar las acciones preventivas para evitar que
ocurran y tener presente que pueden presentarse variaciones provocadas por causas
aleatorias.
Para confeccionar un gráfico de control es necesario estimar las variaciones por causas
aleatorias. Para ello se dividen los datos en subgrupos dentro de los cuales el lote de
materias primas, máquinas, operarios y otros factores sean comunes a todos los subgrupos,
con lo que la variación dentro de un subgrupo puede considerarse igual a la variación por
causas aleatorias.
Existen diferentes tipos de gráficos de control, conforme a los valores característicos o el

propósito de los mismos. En cualquier tipo de gráfico de control, el límite de control se calcula
mediante la fórmula: (valor promedio) + 3 (desviación estándar), en donde la desviación estándar es
la variación producida por las causas aleatorias. Estos gráficos de control se denominan “Gráficos
de Control 3-Sigma”.
TIPOS DE GRÁFICOS DE CONTROL

Existen dos tipos de gráficos de control: uno para valor continuo y otro para valor discreto.
Gráficos de control
1) Gráfico X - R
Se utiliza para controlar y analizar un proceso, empleando valores continuos de calidad del
producto, tales como longitud, peso o concentración y de esto se obtiene la mayor parte de la
información sobre el proceso. X representa el valor promedio de un subgrupo y R representa el
rango de este subgrupo. Generalmente se utiliza un gráfico R en combinación con un gráfico X para
controlar la variación dentro de un subgrupo.
2) Gráfico X
Cuando los datos sobre un proceso se obtienen luego de un intervalo prolongado 0 cuando el
agrupamiento en subgrupos no resulta efectivo, se indican los valores en forma individual, pudiendo
utilizarse los mismos para confeccionar un gráfico de control. Debido a que, en este caso, no existen
subgrupos y por ende no se puede calcular R, se utiliza el rango móvil R s de datos consecutivos
para el calculo de los limites de control de X.
3) Gráfico pn, Gráfico p

Se emplean estos gráficos cuando la característica de calidad se halla representada por la
cantidad de unidades defectuosas o fracción defectuosa. Para una muestra de tamaño constante, se
utiliza un gráfico pn de cantidad de unidades defectuosas mientras que se emplea un gráfico p de
fracción defectuosa para una muestra de tamaño variable.
4 ) Gráfico c, Gráfico u
Se utiliza para el control y análisis de un proceso tomando en cuenta los defectos de un producto,
tales como raspones sobre metal cromado, cantidad de soldaduras defectuosas dentro de un apartado
de TV o fallas en un tejido desparejo. Se utiliza un gráfico c de cantidad de defectos para un

producto de tamaño constante.
Mientras que se emplea un gráfico u para un producto de tamaño variable.
En la figura siguiente se muestra en que casos se utilizan las gráficas por atributos:
Gráfica por atributos

Unidades no
No conformidades
conformes
Constante np c (n=1)
Tamaño de
Constante o
La muestra p u
Varíable
COMO CONSTRUIR GRÁFICOS DE CONTROL

1) Gráfico de control X  R Primer Paso:
Recogemos, aproximadamente 100 datos. Luego lo dividimos en 20 o 25 subgrupos de 4 o 5

datos cada uno, de manera tal que todos los subgrupos queden uniformes. Por último, completamos
una hoja de datos con esta información. Por ejemplo:
Subgrupo Nº X1 X2 X3 X4 X5 X X R
1 47 32 44 35 20 178 35.6 27
2 19 37 31 25 34 146 29.2 18
3 19 11 16 11 44 101 20.2 33
4 29 29 42 59 38 197 39.4 30
5 28 12 45 36 25 146 29.2 33
6 40 35 11 38 33 157 31.4 29
7 15 30 12 33 26 116 23.2 21
8 35 44 32 11 38 160 32.0 33
9 27 37 26 20 35 145 29.0 17
10 23 45 26 37 32 163 32.6 22
11 28 44 40 31 18 161 32.2 26
12 31 25 24 32 22 134 26.8 10
13 22 37 19 47 14 139 27.8 33
14 37 32 12 38 30 149 29.8 26
15 25 40 24 50 19 158 31.6 31
16 7 31 23 18 32 111 22.2 25
17 38 0 41 40 37 156 31.2 41
18 35 12 29 48 20 144 28.8 36
19 31 20 35 24 47 157 31.4 27
20 12 27 38 40 31 148 29.6 28
21 52 42 52 24 25 195 39.0 28
22 20 31 15 3 28 97 19.4 28
23 29 47 41 32 22 171 34.2 25
24 28 27 22 32 54 163 32.6 32
25 42 34 15 29 21 141 28.2 27
TOTAL 746.6 686
PROMEDIO X = 29.86 R = 27.44

Segundo Paso:
Calculamos el valor medio X para cada uno de los subgrupos.

X 1  X 2  ...  X n
X 
n
siendo n el tamaño del subgrupo. Es frecuente calcular el resultado con una posición decimal.
En el caso de nuestro ejemplo:
X  (47  32  44  35  20) / 5  35.6
Tercer Paso:
Calculamos el promedio total X dividiendo la suma de los X de cada subgrupo por el números de
subgrupos k.
X 1  X 2  X 3  ...  X k
X 
k
debiendo calcularse x con dos posiciones decimales más que los valores tomados.
En nuestro ejemplo:
X  (35.6  29.2  ...  28.2) / 25  29.86
Cuarto Paso:
Calculamos el rango R de cada subgrupo restando el valor mínimo del máximo en cada caso.
R = (mayor valor de cada subgrupo) – (menor valor de cada subgrupo)
Calculamos R para el ejemplo:

R = (47 –20)= 27
Quinto Paso:
Ahora se calcula el rango R de los rangos R, dividiendo la suma de los R de cada subgrupo por
el número de subgrupos k.
R1  R 2  ...  R k
R
K
debiendo calcularse R con dos posiciones decimales más que los valores tomados (el mismo
número de decimales que para x).
En nuestro ejemplo:
R  (27  18  ... 27) / 25  27.44
Sexto Paso: Calculo de las Líneas de Control.
Calculamos las líneas de control para el gráfico X y el R con las siguientes fórmulas:
Gráfico X Línea Central

LC = X
Límite de control superior:
LCS = UCL  X  A 2 R
Límite de control inferior:
LCI = X - A2 R
Gráfico R Línea central:

LC = R
Límite superior de control:
LCS = D4 R
Límite inferior de control:
LCI = D3 R
A2, D4 y D3 son coeficientes determinados por el tamaño subgrupo (n).
En nuestro ejemplo:
Gráfico X LC = X  29.86
LCS  X  A2 R  29.86  0.577.27.44  45.69
LCI  X  A2 R  29.86  0.577.27.44  14.03
Gráfico R
LC  R  27.44
LCS D 4 R  2.115.27.44  58.04
LCI = (no se considera)
Coeficientes para Gráficos X , R
Tamaño de la Gráfico X Gráfico R

muestra n A2 D3 D4 d2
2 1.880 - 3.26 1.12
7 8
3 1.023 - 2.57 1.69
5 3
4 0.577 - 2.11 2.32
5 6
5 0.577 - 2.00 2.53
4 4
Séptimo Paso: Trazado de las líneas de control.

Trazamos en ordenadas los valores de X y R, mientras que en las abscisas el número de

subgrupos. Luego asignamos a los límites superior e inferior de control una separación de 20 0 30
mm., dibujando con línea entera la línea central y con línea punteada los límites.
Octavo Paso: Ubicación de los puntos.

Indicamos los valores de X y de R de cada subgrupo sobre la vertical correspondiente.
Marcamos en las abscisas el número del subgrupo, con espacios de 2 a 5 mm. Marcamos además
con puntos los valores de X con cruces los de R, a fin de individualizarlos fácilmente, circulando
los valores fuera de los límites de control.
Noveno Paso:
Escribimos en tamaño del subgrupo (n) en el ángulo superior izquierdo del gráfico X .
Escribimos, además, cualquier otro dato de relevancia para el proceso, tales como denominación,
nombre del producto, período, método de medición, condiciones de trabajo, etc.

2) Gráfico de control pn
Primer Paso: Recolección de los datos.

Tomamos una muestra y clasificamos la calidad del producto en unidades que satisfagan o no un
standard de inspección. En este caso tomamos una muestra de tal tamaño que existan, en promedio,
de 1 a 5 unidades fuera de los standards, y un t~tal de 20 a 25 subgrupos.
En nuestro ejemplo:
Hoja de datos para Gráficos pn

pn (número de
Subgrupo Nº Tamaño de la muestra n unidades
defectuosas)
1 100 4
2 100 2
3 100 0
4 100 5
5 100 3
6 100 2
7 100 4
8 100 3
9 100 2
10 100 6
11 100 1
12 100 4
13 100 1
14 100 0
15 100 2
16 100 3
17 100 1
18 100 6
19 100 1
20 100 3
21 100 3
22 100 2
23 100 0
24 100 7
25 100 3
Total  n  2500  pn  68
Segundo Paso:
Ahora calculamos la fracción defectuosa promedio p dividiendo el total de unidades

defectuosas en todos los subgrupos, por el número de muestras.

p
 p.n
k .n
En caso de nuestro ejemplo:
p
 p.n  68
 0.0272
k.n 25.100
Tercer Paso: Cálculos de las líneas de control.
Línea central: LC = p .n
Límite de control superior: LCS  p.n  3. p.n .(1  p)
Límite de control inferior: LCI  p.n  3. p.n .(1  p)
no se considera el LCI si resulta negativo.
En el ejemplo es:
LC = p .n = 0.0272 . 100 = 2,72
LCS  p.n  3. p.n .(1  p)  2,72  3. 2,72.(1  0,072)  7,60
LCI  p.n  3. p.n .(1  p)  2,72  3. 2,72.(1  0,072)  2,09 no se considera
Cuarto Paso:
Construimos el gráfico de control y marcamos en las abscisas los números de subgrupos, en las
ordenadas el número de unidades defectuosas. Dibujamos con línea entera la LC y con línea
punteada el LCS y el LCI. Luego indicamos el número de unidades defectuosas en cada subgrupo.

3) Gráfico p
El tamaño del subgrupo dependerá de la proporción de no conformidad. Antes de definir este

habrá que realizar algunas prueba con el objetivo de darse una idea aproximada de la proporción de
no conformidades.
Un fabricante de MODEM para computadora recopilo los siguientes datos de la prueba final que
se somete el producto a fines de marzo y abril. Estos son :
Cantidad Nro. de no Fracción de no Límite

Subgrupo
Inspeccionada conformidades conformidades
Marzo-abril LCS LCI
n Np p
29 2385 55 0.023 0.029 0.011
30 1451 18 0.012 0.031 0.009
31 1935 50 0.026 0.030 0.010
1 2450 42 0.017 0.028 0.012
2 1997 39 0.020 0.029 0.011
5 2168 52 0.024 0.029 0.011
6 1941 47 0.024 0.030 0.010
7 1962 34 0.017 0.030 0.010
8 2244 29 0.013 0.029 0.011
9 1238 53 0.043 0.032 0.008
12 2289 45 0.020 0.029 0.011
13 1464 26 0.018 0.031 0.009
14 2061 47 0.023 0.029 0.011
15 1667 34 0.020 0.030 0.010
16 2350 31 0.013 0.029 0.011
19 2354 38 0.016 0.029 0.011
20 1509 28 0.018 0.031 0.009
21 2190 30 0.014 0.029 0.011
22 2678 113 0.042 0.028 0.012
23 2252 58 0.026 0.029 0.011
26 1641 34 0.021 0.030 0.010
27 1782 19 0.011 0.030 0.010
28 1993 30 0.015 0.030 0.010
29 2382 17 0.007 0.029 0.011
30 2132 46 0.022 0.029 0.011
50515 1015

Cuarto Paso:
Calculamos la línea central y los limites de control del ensayo:

Primero calculamos la fracción promedio de no conformidad que es la línea central
p
 np  1015
 0.020
n 50515
Usando los p se calculan los límites de control de cada día:
p(1  p) 0.020(1  0.020)

LCS29 = p + 3.  0.020  3.  0.029
n29 2385
p(1  p) 0.020(1  0.020)

LCI29 = p - 3.  0.020  3.  0.011
n29 2385
Y de esta manera para todos los días, los resultados se ven en las dos últimas columnas.
Quinto Paso: Calculamos ahora la línea central y los límites de control corregido:
p nuevo 
 np  np d

1015  53  113  17
 0.019
n  n d 50515  1238  2678  2382
Tenemos en cuenta que los días 9, 22 y 29 existió una situación fuera de control, dado a que
existe una causa atribuible para cada uno de estos puntos de control se los descarta.
Este valor representa el mejor cálculo de la fracción de no conformidad p0 = 0.019

Esta fracción de no conformidad sirve para calcular los LCS y LCI del período siguiente.
Sexto Paso: continuar con esta repetición de cálculos hasta el último día del mes de abril.
Si a nuestro ejemplo lo calculamos usando el software de estadística SPSS los resultados serán:

Recordemos que tanto la gráfica p, como c o como u, son grupos de gráficas de atributos y la p
controla la proporción de no conformidades mientras que la c controla el número de no
conformidades y la u controla el número de no conformidades por unidad.
4) Gráfico c
El procedimiento para construir una gráfica c es le mismo que para una gráfica p.
El tamaño es el de una unidad inspeccionada. Una unidad inspeccionada puede ser un aeroplano,
una caja de latas de bebidas gaseosas, una gruesa de lápices, 500 solicitudes de seguro médico, una
caja de etiquetas, etc., etc.
Los datos se recopilaron mediante el número de no conformidades, que en la fabricación de

canoas de plástico tuvieron que ver con mancas e imperfecciones. Estos son :
Nro. de Conteo de no Nro. de Conteo de no

Comentarios Comentarios
serie conformidades serie conformidades
102 7 198 3
113 6 208 2
121 6 222 7
125 3 235 5
132 20 Adherencia en el molde. 241 7
143 8 258 2
150 6 259 8
152 1 264 0
164 0 267 4 Larguero caído
166 5 278 14
172 14 281 4
184 3 288 5
185 1 Total  c = 141

Primero calculamos el número promedio de no conformidades correspondiente a una cantidad de

subgrupos. Donde c es la cantidad de no conformidades y g es el número de subgrupos.
c
 c  141  5.64
g 25
Usando los c se calculan los límites de control de cada día:
LCS = c + 3. c  5.64  3. 5.64  12.76
LCI = c - 3. c  5.64  3. 5.64  1.48 o 0.
Quinto Paso: Calcule la línea central y los límites de control corregido:
c nuevo 
c  c d

141  20  14
 4.65
g  g d 25  2
donde cd es número de no conformidades en los subgrupos descartados y

gd es el número de subgrupos descartados.
Este valor representa el cálculo más aproximado de la línea centraly los límites de control
corregidos son:
LCS = c 0 + 3. c0  4.65  3. 4.65  11.1
LCI = c 0 - 3. c0  4.65  3. 4.65  1.82 o 0.
Sexto Paso: logre el objetivo.
Una ves logrado el objetivo se realiza la gráfica. Una manera más fácil de realizarla es apoyarse
en un software de estadística como puede ser el SPSS y los resultados serán:

5) Gráfico u
Cuando hay situaciones en las que el tamaño del sub-grupo es variable, la grafica que se emplea
es la u (número de no conformidades por unidad), también se suele emplear cuando el tamaño del
sub-grupo es constante. La gráfica u es equivalente matemáticamente a la gráfica c y se obtiene de
la misma forma. Las ecuaciones que se utilizan en este procedimiento son:
u
c
u
c
n n
u u
LCS  u  3. LCI  u  3.
n n
c = número de no conformidades de un subgrupo.

n = número de unidades inspeccionadas de un subgrupo.
u = número de no conformidades / unidad de un subgrupo.
u = número promedio de no conformidades / unidad correspondiente a muchos subgrupos.
A modo de ejemplo para ilustrar la gráfica u un empleado revisa los conocimientos de

embarques de una pequeña compañía de flete aéreo nocturno, para detectar errores. Como el
número de conocimientos varía de un día a otro la técnica empleada es la del gráfico u. En la tabla
siguiente se consignan los datos:
Cantidad Nro. de no No conformidades Límite

Fecha
Inspeccionada conformidades por unidad
Enero-Marzo LCS LCI
n c u
Ene. 30 110 120 1.09 1.51 0.89
31 82 94 1.15 1.56 0.84
Feb. 1 96 89 0.93 1.53 0.87
2 115 162 1.41 1.50 0.90
3 108 150 1.39 1.51 0.89
4 56 82 1.46 1.64 0.76
6 120 143 1.19 1.50 0.90
7 98 134 1.37 1.53 0.87
8 102 97 0.95 1.53 0.87
9 115 145 1.26 1.50 0.90
10 88 128 1.45 1.55 0.85
11 71 83 1.16 1.59 0.81
13 95 120 1.26 1.54 0.86
14 103 116 1.13 1.52 0.88
15 113 127 1.12 1.51 0.89
16 85 92 1.08 1.56 0.84
17 101 140 1.39 1.53 0.87
18 42 60 1.19 1.70 0.70
20 97 121 1.25 1.53 0.87
21 92 108 1.17 1.54 0.86
22 100 131 1.31 1.53 0.87
23 115 119 1.03 1.50 0.90
24 99 93 0.94 1.53 0.87
25 57 88 1.54 1.64 0.76
27 89 107 1.20 1.55 0.85

28 101 105 1.04 1.53 0.87
Mar. 1 122 143 1.17 1.49 0.91
2 105 132 1.26 1.52 0.88
3 98 100 1.02 1.53 0.87
4 48 60 1.25 167 0.73
2823 3389
Se recopilaron datos de 5 semanas, cada semana de seis días, para un total de 30 subgrupos, el
cálculo de la línea central de ensayo es el siguiente:
u
 c  3389  1.20
 n 2823
El cálculo de los límites de control de ensayo y el punto graficado, u, debe hacerse para cada uno
de los grupos. En el caso del 30 de enero son:
u 1.20
LCSenero30  u   1.20  3.  1.51
n 110
u 1.20
LCSenero30  u   1.20  3.  0.89
n 110
c 120
u.enero30    1.09
n 110
Este cálculo se repite para los 29 valores restantes y los valores respectivos se consignan en la
tabla. Si analizamos los valores, se observan que no existen puntos fuera de control.

CÓMO INTERPRETAR LOS GRÁFICOS DE CONTROL
Los gráficos de control permiten identificar variaciones no aleatorias. Una variación no aleatoria
se indica normalmente con un punto del gráfico que queda fuera de los límites del control. No
obstante, otras situaciones también pueden indicar un estado no aleatorio o fuera de control:
cambios repentinos del nivel medio, tendencias del nivel u oscilaciones alternadas muy amplias.
Cuando se presenta un hecho no aleatorio, fuera de control, los responsables del proceso deben
encontrar una causa atribuible, respondiendo a la pregunta ¿qué ha cambiado en el proceso para
producir este hecho?.
Lo más importante en el control de procesos es la interpretación exacta del estado de los mismos,
a través de la lectura de un gráfico de control, adoptándose luego las medidas correctivas
adecuadas, ante la presencia de algo inusual Un proceso se halla bajo control si el mismo es estable
y el promedio y la variación del proceso no cambia.
A partir de los gráficos de control, los siguientes criterios servirán para juzgar si un proceso esta
bajo control o no.
1) Fuera de los límites de control
Son los puntos que se hallan fuera de los límites de control.
2) Serie
Se trata de un estado en el cual los puntos caen continuamente de un mismo lado de la línea
central, denominándose serie a la cantidad de puntos.
Se considera anormal a una serie de siete puntos.

Aun dentro de una longitud de serie con menos de seis puntos, se considera que es anormal si:
a) Entre 11 puntos consecutivos aparecen 10 de un mismo lado de la línea central.

b) Entre 14 puntos consecutivos aparecen 12 de un mismo lado de la línea central.
c) Entre 20 puntos consecutivos aparecen 16 de un mismo lado de la línea central.

3) Tendencia
Cuando los puntos conforman una serie continuamente creciente o decreciente, se afirma que se
tiene una tendencia.
4) Aproximación de los limites de control
Observando los puntos que se aproximan a los “Límites de Control 3 – sigma”, si dos de tres
puntos aparecen fuera de las líneas 2 -- sigma, se considera el caso como anormal.
Gráfica de aproximación a los límites de control (dos de tres puntos)
5) Aproximación a la línea central

Cuando la mayor parte de los puntos se alinean dentro de la franja central de líneas 1.5 - sigma,
ello se debe a un agrupamiento inadecuado de los subgrupos. La aproximación de la línea central no
implica que el proceso se halle bajo control, si no que se trata de una mezcla de datos con diferentes
poblaciones en cada subgrupo, que torna demasiado amplia a la separación entre los limites de
control. En estos casos es necesario cambiar la forma de subagrupamiento.

6) Periodicidad:
Cuando la curva presenta una tendencia zigzagueante hacia arriba y hacia abajo, en forma
repetida para el mismo intervalo. se considera que es anormal.
Análisis de Procesos con Gráficos de Control
El objetivo de un análisis de proceso puede definirse como la identificación de causas asignables

especificas de variación en una característica de calidad de un proceso. Luego de hallar dichas
causas asignables, es menester encarar acciones correctivas.
1) Subagrupamiento
El subagrupamiento es la parte más importante en la preparación de un gráfico, determinando su

perfomance. Un agrupamiento inadecuado conduce a un gráfico inútil.
Luego de determinar cual es la característica de calidad a ser analizada, deberán recogerse los datos.
La variación de una característica de calidad provendrá de varias causas. En consecuencia,
previamente al subagrupamiento, será necesario considerar cual es la variación que se eliminara y
luego tratar de subagrupar los datos de tal manera que la variación provocada por factores
permisibles constituyan una variación dentro del mismo subgrupo. A tal efecto,
a) La operación será llevada a cabo en condiciones idénticas (desde el punto de vista
técnico).
b) Los datos recopilados dentro de un periodo, comparativamente breve, deberán agruparse
juntos.
Los siguientes aspectos serán considerados al efectuar el subagrupamiento:

a) Existen diferentes maneras de subagrupar. Se debe cambiar el tamaño del subgrupo,
ensayando distintas maneras de combinar los datos.
b) Cualquier cambio de la manera de subagrupar provocara un cambio en los factores
constitutivos de la variación dentro del subgrupo.

Los gráficos de control no pueden ser utilizados en forma efectiva sin conocer a los componentes de
la variación de cada subgrupo. El siguiente ejemplo muestra como los componentes de la variación
del subgrupo cambian, conforme a la manera de subagrupamiento.
Ejemplo:
En un proceso de maquinado, la dimensión de una parte de la pieza se utiliza como la
característica del control del proceso. Los principales factores que afectan la dimensión son la
calidad de las materias primas, la forma de la herramienta de corte y el ajuste de dichas
herramientas por abrasión. Las condiciones del proceso son las siguientes:
a) Un lote de materias primas corresponde a una semana de trabajo.

b) Las herramientas de corte se afilan todos los días.
c) Las herramientas deben ajustarse al comienzo de los dos tumos.
En este caso se considera permisible una variación por ajuste y el criterio de control adoptado
consistirá en verificar si el ajuste se lleva a cabo correctamente y si las herramientas provistas están
en condiciones normales. Luego los datos deben agruparse de tal manera que la variación dentro de
un ajuste se convierte en variación dentro de un subgrupo y la variación entre ajustes será la
variación entre subgrupos.
2) Variación dentro de un .subgrupo y variación entre subgrupos
La variación de los datos se clasifica como dentro de subgrupos o entre subgrupos. La primera es
la que aparece en un mismo subgrupo y se manifiesta a través del valor R en el “Gráfico de Control
R”. Por otra parte, la variación entre distintos subgrupos es la que se verifica comparando diferentes
lotes o agrupamientos y cuyo valor se determina a partir de la distribución de los puntos X en el
gráfico de control X .
Sea  x2 la varianza dentro de un subgrupo y sea  b2 la varianza entre subgrupos. Se tiene:

 w2
 x2   b2 ,
n
donde  x2 es la varianza de X . w se estima a partir de R con:
w  R /d 2
donde d2 es un coeficiente que depende del tamaño del subgrupo n.
Por lo tanto la distribución de los puntos X resulta afectada, no solamente por la variación entre
subgrupos, sino además por la variación dentro de un mismo subgrupo. La variación de un proceso
bajo perfecto control es como sigue:
a) La media del proceso es constante y la variación entre subgrupos a b2  0

b) La variación del proceso es constante, es decir, la variación dentro del subgrupo
b2  constante

3) Estratificación
Cuando el mismo producto se fabrica en diferentes máquinas o lo hacen diferentes operarios, es

preferible clasificar los datos según la máquina u operario, permitiendo así el análisis de las
diferencias y facilitando el control del proceso.
La estratificación es un método para identificar la fuente de variación de los datos, a partir de la

clasificación de los mismos, según diferentes factores.
En la siguiente figura ilustramos un ejemplo de un gráfico de control que puede ser estratificado.
El gráfico muestra una característica de calidad de piezas fabricadas por dos máquinas (A y B).
Como resultado de esta estratificación, se encuentra que casi no existen diferencias de variación
entre A y B, aunque B tiene un valor medio de proceso mayor que A, estando el proceso bajo
control para ambas máquinas. Puede decirse, además, que entre A y B parecen existir causas
asignables.
Gráfico de Control A y B

Gráficos de control estadísticos para A y B
En general, el objetivo de la estratificación consiste en el examen de las diferencias en los

valores medios y la variación entre distintas clases, tomando las medidas necesarias para corregir
las diferencias, si existiesen. De resultar imposible la acción correctiva en forma inmediata, es
necesario realizar el control del proceso, construyendo gráficos de control estratificados.
Procedimientos no paramétricos
Como se puede comprobar, existen multitud de gráficos para el control estadístico del proceso.
Es responsabilidad del técnico elegir adecuadamente el gráfico según sus necesidades. Por ello,
aparte de los ya vistos hasta ahora, hay otra serie de gráficos basados en procedimientos no
paramétricos, que no profundizaremos en la presente, y entre los que destacan:
 Gráfico de sumas acumuladas, basado en medir la diferencia entre la media muestral y

la del proceso.
 Gráfico de rango secuencial de signo completo, donde el estadístico considerado es una

medida del rango que ocupa la diferencia entre la media muestral y del proceso en una
sucesión ordenada de dichas diferencias.
 Gráfico de control de suma de rachas, que relaciona al estadístico con las veces que cae
la media muestral en cierto intervalo de valores.

Existen dos métodos para seleccionar los límites de control de un gráfico:
SISTEMA USA
Se utilizan los límites de k sigmas, con k  N y que usualmente toma el valor de 3. Resulta
entonces que el valor de los límites de control es:
LSC   n  3 n LIC   n  3 n
Esto significa que si el estadístico w tiene distribución normal, el riesgo de estar en la zona II y sin
embargo estar bajo control estadístico es de 0.0026, es decir, en un sistema estable de causas
fortuitas, 26 de cada 10000 puntos muestrales caerán en la zona de intervención.
SISTEMA INGLÉS
En este sistema, lo que se impone son los límites probabilísticas, es decir, se fija el riesgo de caer en
la zona II estando bajo control, y se determina así la constante k. Normalmente el riesgo es de
0.0020 para la distribución normal, siendo k aproximadamente 3.09.
LSC   n  309
. n LIC   n  309
. n
Sistema USA
Gráfico de la moda Gráfico de la amplitud Gráfico del desvío-patrón

Límites de control Línea media Límites de control Línea media Límites de control
2 2.121 3.760
3 1.732
4
5 1.342
8 1.225
7 1.134
8 1.061
9
10 0.949

Sistema USA
Tamaño de Gráfico de la moda Gráfico de la amplitud Factor de
la muestra transformación
n
2 1.229 1.937 4.12 2.81 0.04 0.00 1.128
3 0.663 1.054 2.98 2.17 0.18 0.04 1.593
4 0.476 0.750 2.57 1.93 0.29 0.10 2.059
5 0.377 0.594 2.34 1.81 0.37 0.18 2.328
6 0.316 0.498 2.21 1.72 0.42 0.21 2.534
7 0.774 0.432 2.11 1.66 0.45 0.28 2.704
8 0.220 0.384 2.04 1.62 0.50 0.29 2.847
9 0.220 0.347 1.99 1.58 0.52 0.32 2.970
10 0.202 0.317 1.93 1.56 0.54 0.35 3.078
Bibliografía
La bibliografía empleada en este módulo ha sido:
 “Método Estadístico para el mejoramiento de la calidad”. (Histosh Kume).

 “Manual del Control de la Calidad” (J. M. Juran – 4º Edición).
 “Herramientas básicas del control de calidad” (A.E.C.)
 “El Control Estadístico” (R. Cavé).
 Internet: buscadores – Altavista – Yahoo!! – Etc.

Control Estadistico de Procesos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Estadistico de Procesos

Uploaded by

Copyright:

Available Formats

U.T.N.

Fac. Reg. Villa María

Control Estadístico de Procesos

La ciencia en general le interesa construir modelos de fenómenos naturales. Un científico cuando se

CONCEPTOS PARA TENER EN CUENTA

Proceso: Cualquier combinación determinada por máquinas, herramientas, métodos, materiales

Control: El proceso de control es un bucle de retroinformación a través del cual medimos el

Equipo Docente de Probabilidad y Estadística Hoja Nº 2

Control estadístico de proceso: Aplicaciones de técnicas estadísticas para la medición y análisis

Control estadístico de la calidad: Aplicación de técnicas estadísticas para medir y mejorar la

CICLOS DE CONTROL DE CALIDAD

Fabricación: El control de fabricación, también llamado control de procesos o control en línea

Inspección: La inspección o control de recepción se realiza en productos ya existentes, para

Equipo Docente de Probabilidad y Estadística Hoja Nº 3

Existen diferentes tipos de gráficos de control, conforme a los valores característicos o el

TIPOS DE GRAFICOS DE CONTROL

1) Gráfico x - R (valor y rango promedio)

2) Gráfico x (valor medido)

Equipo Docente de Probabilidad y Estadística Hoja Nº 4

3) Gráfico pn, Gráfico p (cantidad de unidades defectuosas y fracción defectuosa).

4 ) Gráfico c, Gráfico u (cantidad de defectos y cantidad de defectos por unidad)

COMO CONSTRUIR UN GRAFICO DE CONTROL

1) Gráfico de control x  R (valor y rango promedio).

Primer Paso: Recogemos, aproximadamente 100 datos. Luego lo dividimos en 20 o 25 subgrupos

Equipo Docente de Probabilidad y Estadística Hoja Nº 5

x  (47  32  44  35  20) / 5  35.6

Sexto Paso: Calculo de las Líneas de Control.

Gráfico x Línea Central  LC = x

Gráfico R Línea central:  LC = R

Coeficientes para Gráficos x , R

Tamaño de la Gráfico x Gráfico R

Séptimo Paso: Trazado de las líneas de control.

Octavo Paso: Ubicación de los puntos.

Indicamos los valores de x y de R de cada subgrupo sobre la vertical correspondiente.

Equipo Docente de Probabilidad y Estadística Hoja Nº 7

Gráfico desarrollado con el software estadístico SPSS ver. 10.0

Equipo Docente de Probabilidad y Estadística Hoja Nº 8

Gráfico desarrollado con el software estadístico SPSS ver. 10.0

2) Gráfico de control x (valor medido).

2) Gráfico de control pn (cantidad de unidades defectuosas y fracción defectuosa)

Primer Paso: Recolección de los datos.

Hoja de datos para Gráficos pn

Tercer Paso: Cálculos de las líneas de control.

no se considera el LCI si resulta negativo.

3) Gráfico p (fracción defectuosa)

Primer Paso: Seleccionar las características de calidad.

Segundo Paso: Defina el tamaño del subgrupo y el método.

Tercer Paso: Recolección de los datos.

Cantidad Nro. de no Fracción de no Límite

p(1  p) 0.020(1  0.020)

p(1  p) 0.020(1  0.020)

Este valor representa el mejor cálculo de la fracción de no conformidad p0 = 0.019

Recordemos que tanto la

4) Gráfico c (cantidad de defectos)

Primer Paso: Seleccionar las características de calidad.

Segundo Paso: Defina el tamaño del subgrupo y el método.

Tercer Paso: Recolección de los datos.

Los datos se recopilaron mediante el número de no conformidades, que en la fabricación de

Nro. de Conteo de no Nro. de Conteo de no

Usando los c se calculan los límites de control de cada día:

LCS = c + 3. c  5.64  3. 5.64  12.76

Equipo Docente de Probabilidad y Estadística Hoja Nº 14

LCI = c - 3. c  5.64  3. 5.64  1.48 o 0.

Quinto Paso: Calcule la línea central y los límites de control corregido: