4.1.

- GRAFICAS DE CONTROL Y CONCEPTOS ESTADISTICOS

Un proceso de control es aquel cuyo comportamiento con respecto a variaciones es
estable en el tiempo.
Las graficas de control se utilizan en la industria como tcnica de diagnsticos para
supervisar procesos de produccin e identificar inestabilidad y circunstancias anormales.
Una grfica de control es una comparacin grfica de los datos de desempeo de
proceso con los lmites de control estadstico calculados, dibujados como rectas limitantes
sobre la grfica. Los datos de desempeo de proceso por lo general consisten en grupos de
mediciones que vienen de la secuencia normal de produccin y preservan el orden de los
datos.
Las graficas de control constituyen un mecanismo para detectar situaciones donde las
causas asignables pueden estar afectando de manera adversa la calidad de un producto.
Cuando una grafica indica una situacin fuera de control, se puede iniciar una investigacin
para identificar causas y tomar medidas correctivas.
Nos permiten determinar cundo deben emprenderse acciones para ajustar un
proceso que ha sido afectado por una causa especial. Nos dicen cuando dejar que un
proceso trabaje por s mismo, y no malinterpretar las variaciones debidas a causas comunes.
Las causas especiales se deben contrarrestar con acciones correctivas. Las causas
comunes son el centro de atencin de las actividades permanentes para mejorar el proceso.
Las variaciones del proceso se pueden rastrear por dos tipos de cusas
1) Comn o (aleatoria), que es inherente al proceso
2) Especial (o atribuible), que causa una variacin excesiva.
El objetivo de una grfica control no es lograr un estado de control estadstico como un
fin, sino reducir la variacin.
Un elemento bsico de las grficas de control es que las muestras del proceso de inters
se han seleccionado a lo largo de una secuencia de puntos en el tiempo. Dependiendo de la
etapa del proceso bajo investigacin, se seleccionara la estadstica mas adecuada.
Adems de los puntos trazados la grafica tiene una lnea central y dos limites de control.

Si todos los puntos de la grafica se encuentran entre los dos limites de control se
considera que el proceso esta controlado. Una seal fuera de control aparece cuando un
punto trazado cae fuera de los lmites, lo cual se atribuye a

alguna causa asignable y

entonces comienza la bsqueda de tales causas.

Establecer una grfica de control requiere los siguientes pasos:
1) Elegir la caracterstica que debe graficarse.
2) Elegir el tipo de grfica de control
3) Decidir la lnea central que deben usarse y la base para calcular los lmites. La lnea
central puede ser el promedio de los datos histricos o puede ser el promedio deseado.
4) Seleccionar el subgrupo racional. Cada punto en una grfica de control representa un
subgrupo que consiste en varias unidades de producto.
5) Proporcionar un sistema de recoleccin de datos si la grfica de control ha de servir como
una herramienta cotidiana en la planta.
6) Calcular los lmites de control y proporcionar instrucciones especficas sobre la
interpretacin de los resultados y las acciones que debe tomar cada persona en produccin.
7) Graficar los datos e interpretar los resultados.

Limite de control superior

Valores observados
de X

Lnea central

Limite de control inferior

Nmero de subgrupos (muestra)

Ejemplo de grfica de control generalizada para promedios

Para finalizar este tema en el siguiente diagrama se muestra la clasificacin de las

graficas de control para atributos y variables:

4.2 GRAFICOS DEL CONTROL PARA ATRIBUTOS

Muchas caractersticas de la calidad no pueden representarse convenientemente con
valores numricos. En tales casos, cada artculo inspeccionado por lo general se clasifica
como conforme o disconforme respecto de las especificaciones para esas caractersticas de
la calidad. A las caractersticas de la calidad de este tipo se les llama atributos.
El trmino atributos se utiliza en literatura sobre control de calidad para describir dos
situaciones:
1. Cada pieza producida es defectuosa o no defectuosa (cumple las especificaciones o no).
2. Una sola pieza puede tener uno o mas defectos y el numero de estos es determinado.
En el primer caso, una grafica de control esta basada en la distribucin binomial; en el
ltimo, la distribucin de Poisson es la base para la grafica.

Se presentan dos cartas de control de atributos:

1. Grfica de control para la fraccin disconforme o grfica p
2. Grfica de control de disconformidades o grfica c
Grafica p.- Se clasifica la unidad de observacin en una de dos categoras alternas, por
ejemplo pasa o no pasa, cumple con las especificaciones y no cumple con las
especificaciones; Se

puede rastrear la produccin de unidades defectuosas en la

muestra de observacin.
Grafica C.- Cuando una observacin consiste en la cantidad de defectos por unidad de
observacin, se rastrean la cantidad de los defectos.
Grafica p para fraccin de defectos.
Cuando un proceso esta en control, la probabilidad de que cualquier pieza sea
defectuosa es p (p es la proporcin a largo plazo de piezas defectuosas para un proceso en
control) y que diferentes piezas son independientes entre si, con respecto a sus condiciones.
Considrese una muestra de n piezas obtenida en un tiempo en particular, y sea X el
numero de defectuosas y p = X/n. como X tiene una distribucin binomial, E(X) = np y V(X)
= np (1-p), por lo cual
E(p) = p V(p) = _p (1-p)_
n
Del mismo modo, si np 10 y n(1-p) 10, p tiene aproximadamente una distribucin
normal. En el caso de que p conocida (o una grafica basada en un valor fijo), los limites de
control son
_________
LCL = p - 3 _p (1-p)
n

_________
UCL = p + 3 _p (1-p)_
n

Si cada muestra esta formada por n piezas, el numero de piezas defectuosas de la iesima muestra es xi/n, entonces p1, p2, p3, . . . se trazan en la grafica de control.
Por lo general, el valor de p puede estimarse de los datos. Supngase que se dispone
de k muestras de lo que se piensa es un proceso de control, y sea
k

= pi
i=1____

La estimacin se utiliza en lugar de

, en los limites de control antes citados.

La grafica p para la fraccin de piezas defectuosas tiene su lnea central en la altura

y limites de control
_________
_________
LCL = - 3 _p (1- )
UCL = + 3 _p (1- )_
n
n
si LCL es negativo, es sustituido por 0.
Ejemplo:
Se selecciona una muestra de 100 tazas de una figura especial de loza, durante cada
uno de 25 das sucesivos, y cada una se examina para ver si tiene defectos. Los nmeros
resultantes de tazas no aceptables y sus correspondientes proporciones muestrales son los
siguientes:
da (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

XI
7
4
3
6
4
9
6
7
5
3
7
8
4
6
2
9
7
6
7
11
6
7
4
8
6

p^I
0,07
0,04
0,03
0,06
0,04
0,09
0,06
0,07
0,05
0,03
0,07
0,08
0,04
0,06
0,02
0,09
0,07
0,06
0,07
0,11
0,06
0,07
0,04
0,08
0,06

Supngase que el proceso estuvo en control durante este periodo, establezca lmites de
control y construya una grafica p. se tiene que pi = 1.52, dando:
= 1.52/25=.068 y
__________________
LCL = 0.0608 - 3 (0.0608) (0.9392)/100 = 0.0608 - 0.0717 = -0.0109
__________________
UCL = 0.0608 + 3 (0.0608) (0.9392)/100 = 0.0608 + 0.0717 = 0.1325
Por lo tanto el LCL se iguala a 0. la grafica de control muestra que todos los puntos estn
dentro de los limites de control. Esto es congruente con la suposicin de un proceso en
control.

p^i
0,1325
0,1125
0,0925
0,0725
0,0525
0,0325
0,0125
-0,0075

10

15

20

25

30

Grafica p

Grafica c para el numero de defectos

Ahora se considerara las situaciones en las cuales la observacin en cada punto en el tiempo
es el nmero de defectos en una unidad. La unidad puede estar formada por una sola pieza
o un grupo de piezas. Se supone que el tamao del grupo es el mismo en cada punto del
tiempo.
La grafica de control para el numero de piezas defectuosas esta basada en la distribucin de
probabilidad de Poisson. Si Y es una variable aleatoria de Poisson con parmetro ,
entonces
__

E(Y) =

Y =

Del mismo modo Y tiene aproximadamente una distribucin normal cuando es grande
(10 ser suficiente para la mayora de los casos). Si Y1, Y2, , Yn son variables
independientes de Poissson con parmetros
1, 2, si n. 1= = n = (la distribucin del numero de defectos por pieza es la misma
para cada pieza), entonces el parmetro de Poisson es =n.
Numero de defectos en una unidad
__
LCL = - 3

__
UCL = + 3

Con xi igual al numero total de defectos en la i-esima unidad (i= 1, 2, 3, ), se trazan puntos
con alturas x1, x2, x3, en la grafica.
Por lo general, el valor de debe estimarse de los datos. Como E(Xi) = , es natural utilizar la
estimacin = ^x testada (con base en x1, x2, xk).
La grafica c para el numero de defectos en una unidad tiene su lnea central a una altura

___
LCL = 3
___
UCL = + 3
Si LCL es negativo, se sustituye por 0.
Ejemplo.
Una empresa fabrica paneles metlicos, a veces aparecen fallas en el acabado de estos
paneles, por lo cual la compaa desea establecer una grafica de control para encontrar el
nmero de fallas. Los nmeros de fallas de cada uno de 24 paneles a los que se les hizo el
muestreo a intervalos regulares de tiempo son los siguientes:
7 10 9 12 13 6 13 7 5 11 8 10
13 9 21 10 6 8 3 12 7 11 14 10
Con xi = 2.35 y = ^

= 235/24 = 9.79

Los lmites de control son

__________
LCL = 9.79 3 9.79 = 0.40
___________
UCL = 9.79 + 3 9.79 = 19.18

El punto correspondiente al decimoquinto panel se encuentra arriba del UCL, tras una
investigacin se encontr que la pasta empleada en ese panel tenia una viscosidad baja, al
eliminar esta observacin del conjunto de datos resulta

= 214/23 = 9.30 y los nuevos

limites de control
__________
LCL = 9.30 3 9.30 = 0.15
___________
UCL = 9.30 + 3 9.30 = 18.45
25
20
15
10
5
0
0

10

15

Grafica c

20

25

30

4.3 GRFICAS X y R
Las cartas de control X y R se usan ampliamente para monitorear la media y la variabilidad.
El control del promedio del proceso, o nivel de calidad medio, suele hacerse con la grfica de
control para medias, o grfica X . La variabilidad de proceso puede monitorizar con una
grfica de control para el rango, llamada grfica R. Generalmente, se llevan grficas X y R
separadas para cada caracterstica de la calidad de inters.
Las grficas X y R se encuentran entre las tcnicas estadsticas de monitoreo y control de
procesos en lnea ms importantes y tiles.
Los pasos para crear las grficas se irn detallando paso a paso con un ejemplo de
contenido de plomo en agua.
Creando una grfica R en Excel
Toma de muestras
Peridicamente se toma una pequea muestra (por ejemplo, de cinco unidades) del proceso,
y se calcular el promedio (X) y el rango (R) de cada una. Debe recolectarse un total de al
menos 50 medias individuales (esto es, diez muestras de cinco cada una) antes de calcular
los lmites de control. stos se establecen a +3o para los promedios y rangos muestrales.
Los valores de X y R se grafican por separado contra sus lmites a +3o.
Por ejemplo:
Se ha obtenido una grfica del contenido de plomo en partes por billn de 5 muestras de
agua registradas diariamente por un periodo de 5 das, que se muestra a continuacin:

Da
1
2
3
4
5
6

1
13
0
4
3
5
9

Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7

5
8
15
4
5
0
7

7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9

4
3
0
9
8
2
11
5
0
7
4
1
0
0
7
0
3
2
3
1
4
16
5
7

4
0
0
5
0
2
14
5
1
10
4
1
5
10
5
10
0
3
5
4
5
7
9
10

3
6
5
0
7
7
8
12
0
4
8
3
7
12
10
5
6
6
4
2
13
2
8
13

9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0

Estos datos servirn para el desarrollo de las grficas X y R. stos debern ser introducidos
en una hoja de Excel como se muestra en el cuadro.
Clculo del rango R de las muestras
A continuacin, debern calcularse los rangos promedios de las muestras. El rango es la
diferencia del valor mayor de la muestra menos el valor menor de la muestra, esto es, de
manera muy abstracta, R = M m, donde M es el mayor y m es el menor.
Aplicando este conocimiento a nuestro ejemplo, se calculan los valores de los rangos
muestrales de la siguiente forma:

Da

1
1
2
3
4
5

Muestras de agua
2
3
4
13
8
2
5
0
6
1
9
4
2
4
3
3
15
8
3
5
10
5
4

Ri
8
15
4
5
0

11
15
2
12
10

M=13 y m=2: entonces 13 2 =11

M=15 y m=0: entonces 15 0 =15
M= 4 y m=2: entonces 4 2 = 2
M=15 y m=3: entonces 15 3 =12
M=10 y m=0: entonces 10 0 =10

Y as sucesivamente con todos los valores de la grfica.

Clculo de la R promedio (Lnea Central)

Enseguida, se calcular el valor de R , que es el promedio de los rangos muestrales. Esto se

obtiene sumando las Ri obtenidas en todas las muestras y dividindolo entre el nmero de
observaciones realizadas.
En el ejemplo se tiene que n = 30 porque cada uno de los 30 das se hizo 1 muestra; la suma
de los rangos deber dividirse, entonces, entre 30. Esto puede calcularse con la funcin de
Excel PROMEDIO seleccionando la columna de datos correspondiente a Ri. Se recomienda
crear un apartado en el diseo de la hoja de Excel que se est utilizando donde se guarden
estos valores, ya que se necesitarn para clculos posteriores.
Hasta ahora, la tabla debe estar como sigue:

Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1
13
0
4
3
5
9
0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9

Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
4
4
3
3
0
6
0
0
5
9
5
0
8
0
7
2
2
7
11
14
8
5
5
12
0
1
0
7
10
4
4
4
8
1
1
3
0
5
7
0
10
12
7
5
10
0
10
5
3
0
6
2
3
6
3
5
4
1
4
2
4
5
13
16
7
2
5
9
8
7
10
13

5
8
15
4
5
0
7
9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0

Ri
11
15
2
12
10
8
9
9
14
9
8
5
11
8
7
9
5
12
7
12
9
10
9
7
8
3
11
16
6
13

El valor de R = 9.167, que es valor del Lmite

Central para la Grfica R, y es la lnea
central
de
nuestras
observaciones
individuales.
* Adase este valor al listado de valores
importantes.

Clculo de Lmites Superior e Inferior de los Rangos Muestrales

Como ya se ha explicado, los lmites superior e inferior nos ayudan a deducir si nuestro
grfico se encuentra dentro o fuera de control. Por esto es necesario ubicar su lugar en el
histograma ( que se har posteriormente) con ayuda de las siguientes frmulas abreviadas:
Limite de control superior = D4 R
Limite de Control Inferior = D3 R
Donde D3 y D4 son constantes aplicadas en nuestro ejemplo, y que se encuentran en la
siguiente tabla:
Nmero de
observaciones en
una muestra
2
3
4
5
6
7
8
9
10
11
12
13
14
15

A2
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223

D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348

D4
3.268
2.574
2.282
2.114
2.004
1.924
1.864
1.816
1.777
1.744
1.717
1.692
1.671
1.652

Factor para la
estimacin de R:
d2=R/s
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
3.173
3.258
3.336
3.407
3.472

La seleccin de las constantes D dependern del nmero de observaciones en nuestra

muestra; como nuestro ejemplo consta de 5 observaciones, D3=0 y D4=2.114.
As, se sustituye el valor seleccionado en la frmula y se obtiene que
Limite de control superior = D4 R
Limite de control superior = (2.114) ( 9.167) = 19.38*
Limite de Control Inferior = D3 R
Limite de control superior = (0)(9.167) = 0*
* Estos valores se usarn en la elaboracin del grfico. Agregue una columna del mismo
nmero de filas de muestras (en este caso, 30) por cada valor obtenido, es decir, 1 columna
de 30 filas con el valor 19.38 (en cada una de las filas) y otra columna de 30 filas con el valor
0. Esto es para crear una lnea indicativa de los lmites en la creacin del grfico. Si lo desea,
haga lo mismo con el valor del lmite central de R.
Crear el Grfico R
En Excel, con ningn valor seleccionado y las columnas ya creadas, siga los siguientes
pasos:

1) D clic en el Asistente para Grficos, elija el tipo de grfico de lneas y Siguiente>.

2) D clic en la pestaa Serie y elimine todas las grficas hechas por Excel, si las hay,
dando clic en Quitar.
3) D clic en Agregar
4) Como Rtulos de los ejes de categoras (X), d clic en el icono y proponga los
valores de los das del 1 al 30. D ENTER. stos son los valores x.
5) Como Valores proponga todos los valores de Ri de la tabla y d ENTER. stos son
los valores y.
6) Para los lmites d clic en Agregar, d los mismos valores de X pero como Y proponga
a los valores obtenidos como Lmite Superior, en este caso, la columna con el valor
19.38.
7) Repita la operacin pero con el valor de Lmite Inferior =0 y d clic en Siguiente>.
8) Cambie las opciones del grfico como lo desee y d clic en Finalizar.
9) Se ha creado el grfico R de las muestras. Si lo desea, cambie el formato del tipo de
Grfico de los lmites dando clic derecho sobre ellos y eligiendo la opcin Tipo de
grfico.

Grfico R
25
20
15
10
5
0
0

10

15

20

25

30

Creando una grfica X en Excel

En base a la primera tabla de datos, se realizar ahora un grfico X, que es muy parecida a
la anterior; la diferencia radica en que en lugar de tomar R como valores de Y, se toma el
valor del promedio de X.
Clculo de los promedios X de las muestras (Lnea Central)
En la tabla de datos se agrega una columna y se realiza el clculo de los promedios, que es
la suma de los elementos de la primera muestra m entre el nmero de elementos, esto es,
X = (m1 + m2 + ... + mn)/ n. En Excel puede utilizarse la frmula (=PROMEDIO(m1:mn)),
adecuado a cada ejercicio en particular.
Aplicndolo al ejemplo, se tiene que el valor de n=5 porque son 5 muestras en total,
obteniendo los valores de X :

Da
1
2
3
4
5
6

1
13
0
4
3
5
9

Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7

5
8
15
4
5
0
7

Xi
7.2
6.2
3.4
6.8
4.8
8.2

= (13+8+2+5+8)/5 = 7.2
= (0+6+1+9+15)/5 = 6.2
= (4+2+4+3+4)/5 = 3.4
= (3+15+8+3+5)/5 = 6.8
= (5+10+5+4+0)/5 = 4.8
= (9+5+13+7+7)/5 = 8.2

Y as sucesivamente con todos los dems datos de la tabla.

Clculo del promedio de promedios ( )
Como su nombre lo indica, el promedio de promedios se calcula sacando el promedio de
los resultados obtenidos de X .
El valor de ser posteriormente utilizado en las frmulas de clculo de los lmites superior e
inferior de la grfica, as que es importante conservar en la mente dicho valor.
Por esto se recomienda que una vez calculado, se enmarque o copie este valor en la misma
hoja de Excel pero en un espacio especial para facilitar la resolucin de dichas frmulas.
Ya calculados todos los promedios X en la tabla, se calcula el valor de con la frmula de
Excel PROMEDIO, seleccionando la columna obtenida de valores X . Hasta ahora, se tiene la
siguiente tabla:

Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1
13
0
4
3
5
9
0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9

Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
4
4
3
3
0
6
0
0
5
9
5
0
8
0
7
2
2
7
11
14
8
5
5
12
0
1
0
7
10
4
4
4
8
1
1
3
0
5
7
0
10
12
7
5
10
0
10
5
3
0
6
2
3
6
3
5
4
1
4
2
4
5
13
16
7
2
5
9
8
7
10
13

5
8
15
4
5
0
7
9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0

Xi
7.2
6.2
3.4
6.8
4.8
8.2
4
3.6
4.4
3.8
5.6
3.6
8.2
8.4
2.8
9.2
6.8
4.8
4.2
7.8
7.4
4.4
4.2
3.6
4.8
2.8
5.6
7.2
6.2
7.8

El valor de es de 5.59, que es el valor

del Lmite Central para la Grfica X.
* Adase este valor al listado de
valores importantes.

Clculo de Lmites Superior e Inferior de X

Los lmites se calculan con las siguientes frmulas abreviadas:
Lmite de control superior = X + A2 R
Lmite de control inferior = X A2 R
Donde

X = Gran promedio = promedio de los promedios muestrales

R = Promedio de los rangos muestrales
A2 = Constante

El valor de la constante puede consultarse en la tabla previamente dada, en el punto Clculo

de Lmites Superior e Inferior de los Rangos Muestrales, que es igual a 0.577 para nuestro

ejemplo de 5 observaciones. Como los valores de X y R han sido calculados a lo largo de

este ejemplo, slo se sustituyen en las frmulas de la siguiente forma:
Lmite de Control superior = X + A2 R
Lmite de Control superior = (5.59) + (0.577)(9.17) = 10.88*
Lmite de control inferior = X A2 R
Lmite de control inferior = (5.59) - (0.577 (9.17) = 0.30*
* De la forma anterior, estos valores se usarn en la elaboracin del grfico. Agregue una
columna del mismo nmero de filas de muestras (en este caso, 30) por cada valor obtenido,
es decir, 1 columna de 30 filas con el valor 10.88(en cada una de las filas) y otra columna de
30 filas con el valor 0.30. Esto es para crear una lnea indicativa de los lmites en la creacin
del grfico. Si lo desea, haga lo mismo con el valor del lmite central de X.
Crear el grfico X
Como ya se ha dicho, la diferencia de los grficos es en la seleccin de los valores de Y.
Realice la grfica como se indica en Crear el grfico R, pero cambie los valores de Y por los
valores de X promedio de las muestras. De igual forma agregue series que permitan apreciar
los lmites superior e inferior de la grfica.
El resultado ser el histograma siguiente.
Grfico X
12
10
8
6
4
2
0
0

10

15

20

25

30

Interpretacin de las Grficas

Se colocan las grficas para X y R una encima de la otra de manera que el promedio y el
rango para cualquier subgrupo se encuentren en la misma lnea vertical. Observe si alguna
de ellas o ambas indican una falta de control para ese subgrupo.

Las X fuera de los lmites de control son sea de un cambio general que afecta a todas las
piezas posteriores al primer subgrupo fuera de los lmites. El registro que se guarda durante
la recoleccin de datos, la operacin del proceso y la experiencia del trabajador deben
estudiarse para descubrir la variable que pudo haber causado que saliera de los lmites de
control. Las causas comunes son un cambio en el material, el personal, la preparacin de la
mquina, el desgaste de las herramientas, la temperatura o la vibracin.
Las R fuera de los lmites de control indican que la uniformidad de proceso ha cambiado. Las
causas comunes son un cambio en el personal, un aumento en la variabilidad del material o
desgaste excesivo en la maquinaria del proceso.
Una sola R fuera de control puede ser causada por un cambio en el proceso ocurrido
mientras se tomaba la muestra del subgrupo.
Se buscan patrones poco usuales o no aleatorios. Nelson (1984, 1985) proporciona ocho
pruebas para detectar esos patrones en las graficas de control usando lmites de control a
3 :
Prueba 1. Un punto fuera de la zona A.
Prueba 2. Nueve puntos seguidos en la zona C.
Prueba 3. Seis puntos seguidos con aumento o disminucin estables.
Prueba 4.Catorce puntos seguidos alternando arriba y abajo.
Prueba 5. Dos de cada tres puntos seguidos en la zona A o ms all.
Prueba 6. Cuatro de cada cinco puntos seguidos en la zona B o ms all.
Prueba 7. Quince puntos seguidos en la zona C (arriba y debajo de la recta central).
Prueba 8. Ocho puntos seguidos a ambos lados de la recta central.

4.4 ANALISIS DE LA CAPACIDAD DEL PROCESO

La capacidad del proceso es la forma en que se compara la variabilidad inherente de un
proceso con las especificaciones o requerimientos del producto.
Las tcnicas estadsticas pueden ser tiles en el ciclo de un producto, incluyendo las
actividades de desarrollo previas a la manufacturas, para cuantificar la variabilidad del
proceso, para analizar esta variabilidad respecto de los requerimientos o especificaciones del
producto y para ayudar al personal de desarrollo y manufactura a eliminar o reducir en gran
medida esta variabilidad. A esta actividad general se le llama anlisis de capacidad del
proceso.
Evidentemente, la variabilidad del proceso es una medida de la uniformidad de la salida. Hay
2 formas de conceptualizar esta variabilidad:
1. La variabilidad natural o inherente en un tiempo especificado; es decir, la variabilidad
instantnea.
2. La variabilidad con el tiempo
El anlisis de capacidad del proceso se define como el estudio de ingeniera para estimar la
capacidad del proceso. La estimacin de la capacidad del proceso puede estar en la
condicin de una distribucin de probabilidad que tenga una forma, centro (media) y

dispersin (desviacin estndar) especificados. De manera alternativa, la capacidad del

proceso puede expresarse como un porcentaje fuera de las especificaciones. Sin embargo,
las especificaciones son necesarias para realizar el anlisis de capacidad del proceso.
El anlisis de capacidad del proceso es una parte vital de un programa integral de
mejoramiento de calidad. Entre los usos principales de los datos de un anlisis de capacidad
del proceso se encuentran los siguientes:
1. Predecir el grado de variabilidad que exhibirn los procesos. Esta informacin de
capacidad proporcionar informacin importante para establecer lmites de
especificacin realistas.
2. Seleccionar, entre procesos que compiten, el proceso ms adecuado para que las
tolerancias se cumplan.
3. Planear la interrelacin entre procesos secuenciales. La cuantificacin de las
capacidades respectivas del proceso con frecuencia seala el camino para encontrar
una solucin.
4. Proporcionar una base cuantitativa para establecer un programa de verificacin de
control peridico del proceso y reajustes.
5. Asignar mquinas a los tipos de trabajos para los cuales son ms adecuadas.
6. Probar las teoras de las causas de defectos durante los programas de mejoramiento
de calidad.
7. Servir como base para la especificacin de los requerimientos de calidad para las
mquinas compradas.
Por tanto, el anlisis de capacidad de proceso es una tcnica que tiene aplicacin en muchos
segmentos del ciclo del producto, incluyendo el diseo de producto y procesos, la fuente de
proveedores, la planeacin de la produccin o la manufactura, y la propia manufactura.
La frmula para la capacidad del proceso que ms se usa es:
Capacidad del proceso = +3 (un total de 6 )
Donde = la desviacin estndar del proceso cuando se encuentra en estado de control
estadstico, es decir si la influencia de fuerzas externas o cambios repentinos.
Si el proceso est centrado en la especificacin nominal y sigue una distribucin de
probabilidad normal, 99.73% de la produccin caer a menos de 3 de la especificacin
nominal. Slo el 0.27% de la salida del proceso quedar fuera de los lmites de tolerancia
natural. Es necesario recordar dos puntos:
1. El valor 0.27% fuera de las tolerancias naturales suena pequeo, pero corresponde a
2700 partes de milln disconformes.
2. Si la distribucin de salida del proceso no es normal, entonces el porcentaje de la
salida quedar fuera de +3 puede diferir considerablemente de 0.27%.
Una razn importante para cuantificar la capacidad del proceso es poder calcular la
capacidad del proceso de mantener las tolerancias del producto. Para procesos que se
encuentran un estado de control estadstico, una comparacin de la variacin entre 6 y los
lmites de tolerancia permite un clculo rpido de porcentaje de unidades defectuosas,
mediante la teora estadstica.

Quienes planean intentan seleccionar procesos que tengan 6 de la habilidad del proceso
dentro de la amplitud de tolerancia. Una medida de esta relacin es la tasa de capacidad:
Cp = Tasa de capacidad =

Rango de especifica cin

Capacidad del proceso

Donde LES= Lmite de especificacin superior
LEI = Lmite de especificacin inferior

LES - LEI
6s

Un proceso que cumple bien con los lmites de especificacin (rango de especificacin =
+3 ) tiene un Cp de 1.0. Lo crtico de muchas aplicaciones y la realidad de que el promedio
del proceso no permanecer en el punto medio del rango de especificacin sugiere que Cp
debe ser al menos 1.33.

Tabla de los ndices del estudio de la capacidad del proceso:

ICP

Decisin

1.33<ICP<2.22

Ms que adecuado, incluso puede exigirse

ms en trminos de su capacidad. Posee
capacidad de diseo.

1<ICP<1.33

Adecuado para lo que fue diseado. Requiere

control estrecho si se acerca al valor de 1.

0.67<ICP<1
ICP<0.67

No es adecuado para cumplir con el diseo

inicial.
Requiere monitoreo constante.
No es adecuado para cumplir con el diseo
inicial.

El ndice de capacidad cpk

La capacidad del proceso, segn se mide con Cp, se refiere a la variacin en un proceso
alrededor del valor promedio.

As, el ndice Cp mide la capacidad potencial, suponiendo que el promedio del proceso es
igual al punto medio de los lmites de especificacin y que el proceso est operando bajo
control estadstico; como con frecuencia el promedio no se encuentra en el punto medio, es
til tener un ndice de habilidad que refleje ambas variaciones y la localizacin del promedio
del proceso. Tal ndice es Cpk.
El ndice Cpk refleja la proximidad de la media actual del proceso al lmite de especificacin
superior (LES) o bien, al lmite de especificacin inferior (LEI). Cpk se estima mediante:

X - LEI LES - X
C pk = min
,
3s
3s
Si el promedio actual es igual al punto medio del rango de especificacin, entonces Cpk = Cp.
Entre ms alto sea el valor de Cpk, ms baja ser la cantidad de producto que est fuera de
los lmites de especificacin.
Los siguientes son dos tipos de estudios de capacidad del proceso:
1. Estudio del potencial del proceso. En este estudio se obtiene una estimacin de lo que
puede hacer un proceso bajo ciertas condiciones, es decir, la variabilidad en
condiciones definidas a corto plazo para un proceso en estado de control estadstico.
El ndice Cp estima la capacidad del proceso.
2. Estudio del desempeo del proceso. En este estudio, una estimacin de la habilidad
del proceso proporciona un panorama de lo que el proceso est haciendo durante un
periodo largo. Tambin se supone un estado de control estadstico. El ndice Cpk
estima la capacidad.

4.5 GRFICAS DE CONTROL PARA NO CONFORMIDADES

Un artculo disconforme es una unidad del producto que no satisface una o ms de las
especificaciones para ese producto. Cada punto especfico en el que no se satisface una
especificacin resulta en un defecto o disconformidad. Sin embargo dependiendo de su
naturaleza y gravedad, es muy posible que una unidad contenga varias disconformidades y
no se clasifique como disconforme. Hay muchas situaciones prcticas en las que es
preferible trabajar directamente con el nmero de defectos o disconformidades en ves de
usar la fraccin disconforme.
Es posible desarrollar cartas de control para el nmero total de disconformidades en una
unidad o bien para el nmero promedio de disconformidades por unidad.
Para la revisin de los productos hay que describir dos situaciones:
1. Cada pieza producida es defectuosa o no defectuosa (cumple las especificaciones o no).
2. En sola pieza puede tener uno o mas defectos y el numero de estos es determinado.

Hay dos diagramas de control de atributos para las no conformidades:

La primera (la grfica p) se refiere a la fraccin defectiva por no cumplir con las
especificaciones.
La segunda (la grfica np) se refiere al control del nmero de artculos no conformes.
Grficos np
Fundamentos tericos
BASADOS: en el nmero de elementos en una muestra o subgrupo que son juzgados como
disconformes en base a una definicin operacional.
SE LLAMAN AS PORQUE: El nmero de elementos disconformes en una muestra se
suponen como la proporcin de elementos disconformes, p, conforme al tamao de la
muestra, n, as que son llamados grficos np.
Calculando los lmites de control para grficos np
Se deber estimar la probabilidad, p, de que el proceso produzca un elemento disconforme.
Para obtener una buena estimacin, se necesita evaluar al menos de 20 a 25 muestras o
subgrupos y contar el nmero de elementos disconformes en cada uno.
La mejor estimacin para p ser p-, la media proporcional de elementos disconformes.
Las frmulas para calcular los lmites de control, la media proporcional y la lnea central del
grfico son las siguientes:

* p- = Numero total de elementos disconformes en todos los grupos

Nmero total de elementos en todos los grupos
* Lnea central = np- , donde n = el tamao del subgrupo comn
_________
* UCL = np + 3 np- (1 p-)
___________
* LCL = np- - 3 np- (1 p-)
A continuacin, se ver un ejemplo para comprender con ms detalle el funcionamiento de
las frmulas y el desarrollo de los histogramas np.
Creando un grfico np
Para realizar un grfico de este tipo, se siguen principalmente 4 pasos bsicos:
1) Captura de datos en Excel
2) Clculo de la proporcin disconforme

3) Sustitucin en las frmulas

4) Creacin del grfico en Excel
Los datos se capturan primeramente en Excel, creando las columnas necesarias. Es
importante aclarar que los grficos np se utilizan cuando el tamao de las muestras es el
mismo cada vez que se toman; de ah que el tamao de la muestra, n, es constante.
Para aplicar estos conocimientos se utilizar el siguiente ejemplo.
Una manufacturera de esponjas de gasa toma una muestra de 600 esponjas diariamente, las
inspecciona y registra el nmero de esponjas defectuosas. En total hay 9 muestras de
esponjas, representados en la siguiente tabla:
NUMERO DE ESPONJAS DE GASA DISCONFORMES EN 32
MUESTRAS DE TAMAO n =32
Proporcin
Elementos
Da
n
disconforme
disconformes
p- = (x/n)
1
21
600
0.035
2
22
600
0.037
3
20
600
0.036
4
21
600
0.035
5
23
600
0.038
6
39
600
0.065
7
18
600
0.030
8
24
600
0.040
9
20
600
0.033

=21/600
=22/600
=20/600
.
.
.
.
.
y as
sucesivamente.

La proporcin disconforme es el resultado de la divisin de los elementos disconformes entre

el tamao de la muestra, en este caso, 600.
A continuacin, se sustituyen los valores en las frmulas para calcular los valores de los
lmites. As, se tiene que
p- = Numero total de elementos disconformes en todos los grupos
Nmero total de elementos en todos los grupos
p- = 208 (suma de la columna Elementos disconformes)
9(600) ( suma de los elementos muestreados)
p- = 0.0385
Lnea central = np- , donde n = el tamao del subgrupo comn
Lnea central = (600)(0.0385) = 23.1*
_________
UCL = np + 3 np- (1 p-)
UCL = 23.1 + 3 23.1 (1 0.0385) = 37.8* =
___________

LCL = np- - 3 np- (1 p-)

LCL = 23.1 - 3 23.1 (1 0.0385) = 8.96 *
* Estos valores se usarn en la creacin del grfico np. Para realizar el histograma, siga los
pasos del subtema 4.3 GRFICAS X Y R, en la seccin Crear el grfico R. Los pasos son
bsicamente los mismos, slo basta sustituir el valor de los elementos disconformes en lugar
de los valores de R como eje x, y los valores de los lmites nuevos.
La grfica resultante es

Grfico np para esponjas de gasas n=600

Cuenta muestral

50
40
30
20
10
0
1

Nmero muestral

Grficos p
Fundamentos tericos
BASADOS: En la distribucin binomial y requiere que se cumplan las tres primeras
suposiciones del grfico np. Al contrario del np, los grficos p pueden ser usados para
tamaos de muestra iguales o diferentes.
SE LLAMAN AS PORQUE: Emplean la proporcin de elementos disconformes en las
muestras en lugar de el nmero de disconformidades.
Calculando los lmites de control para grficos p
Las finalidades principales de conocer los lmites de control de la grfica p, son:
- Poner a la atencin de la direccin cualesquiera cambios en el grado promedio de
calidad.
- Descubrir los puntos altos fuera de control que requieren actuar

Descubrir los puntos bajos fuera de control que indiquen normas menos estrictas para
inspeccin o causas errticas de mejoramiento de calidad

Las frmulas que nos permiten encontrar los valores de los lmites cuando el tamao de la
muestra es igual son:
_________

_p (1-p)
n
_________

*LCL = p - 3

*Sp

_p (1-p)
n

_________
*UCL = p + 3

_p (1-p)_
n

(conocido como Error estndar de la proporcin)

Cuando el tamao de la muestra es diferente, la n se encuentra con la frmula

n- = Nmero total de elementos en consideracin
Nmero total de subgrupos
A continuacin se aplicarn estas frmulas en el desarrollo del grfico p.
Creando un grfico p
En base al ejemplo anterior de las muestras de gasas, se crear un nuevo grfico siguiendo
los pasos para un grfico p.
Para este tipo de grfico de disconformidad, la diferencia radica que en lugar de tomar el
nmero de elementos disconformes como Y, se utiliza la proporcin disconforme de la tabla
en cada observacin.
Los lmites se obtienen con las frmulas correspondientes, obteniendo
LCL = -0.015
Sp = 0.0078
UCL = 0.062
De este modo, la grfica obtenida es
Grfico p para esponjas de gasas n=600

Proporcin

0.08
0.06
0.04
0.02
0
1

5
Muestras

Hay algunos casos en los que el tamao de las muestras es distinto cada vez. En esos casos
se utiliza la frmula de n- (mencionada anteriormente) para sacar un promedio del tamao
muestral, y posteriormente se hace la sustitucin en las frmulas.

4.6 PROCEDIMIENTOS ESPECIALES PARA EL CONTROL DE PROCESOS

Algunos temas especiales relativos a los grficos
Grficos De Control Con Tamao De Subgrupo Variable
Siempre que sea posible es conveniente tener un tamao de subgrupo constante. Si
esto no puede hacerse, los lmites en los grficos X y R deben ser variables.
Una vez que se ha estimado , estos lmites para diversos tamaos de muestra pueden
obtenerse utilizando los factores y frmulas. En donde los datos utilizados para estimar
incluyen subgrupos de diversos tamaos.
Grficos R O Grficos Donde Los Grficos X No Son Apropiados
En algunos casos los subgrupos pueden ser comparables en su dispersin aunque no
sean comparables en sus medias. Si se analizan muestras que tienen contenido qumico
algo diferente, los promedios de los subgrupos no son comparables. Sin embargo, la
dispersin de los subgrupos refleja la capacidad de un analista y un procedimiento analtico

para reproducir resultados por medio de varias determinaciones similares. El grfico de

control de R o proporciona una base para juzgar si esta dispersin parece estar influida por
un sistema de causas constantes.
Grficos X Y Con Subgrupos Grandes
Algunas veces sucede que se dispone de datos sobre medias y desviaciones estndar de
alguna variable medida, procedentes de diferentes fuentes. Puede ser conveniente aplicar
una prueba de homogeneidad a estas cifras para ver si hay una clara evidencia de que las_
diferentes fuentes representan diferentes sistemas de causas. Los grficos de control de X y
constituyen un procedimiento simple de prueba para este propsito
Lmites De Precaucin En Los Grficos De Control
Algunos autores sobre control estadstico de calidad son partidarios del uso de dos
conjuntos de lmites en los grficos X. Los lmites externos, llamados algunas veces lmites
de accin son los lmites convencionales casi siempre en 3-sigma o si se utilizan lmites de
probabilidad
0.002en 3.09-sigma. Los lmites internos se recomienda lmites de
precaucin y se encuentran casi siempre en 2-sigma o si se utilizan lmites de probabilidad
0.05 en 1.96-sigma
Problemas Que Acarrea Una Mala Interpretacin De La Relacin Entre Los Lmites Del
Grfico De Control Y Los Lmites De La Especificacin
Siempre que se introduce un grfico de control de X en operaciones de produccin,
aparece una fuente de confusin. Cuando las especificaciones se aplican a valores
individuales, los lmites de la especificacin tienden a confundirse con los lmites del grfico
de control. Esta confusin existe en muchas mentes del personal de taller, inspectores, e
incluso ingenieros directores, lo cual conduce a una diversidad de problemas.
Representacin De Los Totales Del Subgrupo
Un sistema utilizado en muchas plantas consiste en representar en el grfico de control la
suma de n observaciones de cada subgrupo en lugar de su media. Si se representan los
totales, los valores que aparecen en el grfico no son comparables con los lmites de
especificacin; de ah que, en este punto, la probabilidad de confusin queda muy reducida.
Este tipo de grfico no es si no un grfico X convencional, con la escala aumentada n
veces. Los valores de los lmites y de la lnea central, son los valores_ del grfico X
multiplicados por n. Cualquier conclusin que se saque del grfico
X, puede hacerse
tambin a partir de los grficos de los totales.

Algunos procedimientos especiales relacionados.

Grficos Para Las Mediciones Individuales
Cuando el personal del taller no entiende los grficos de medias una forma de evitar
interpretaciones errneas consiste en no representar las medias, sino las mediciones
individuales. En estos se dibujan correctamente los lmites de la especificacin que debe
aplicarse a las mediciones individuales.
Este tipo_ de grfico puede ser mejor que nada, pero es mucho menos satisfactorio que
un grfico X convencional, basado en un tamao de subgrupo de 4 o 5. En general este tipo

de grfico es inferior a los grficos de control convencionales porque no ofrecen una

panormica clara de los cambios que tienen lugar en el proceso, ni siquiera una prueba
rpida de la existencia de causas atribuibles de variacin.
Combinacin Del Grfico De Mediciones Individuales Y El Grfico De Medianas
Si se desean representar las mediciones individuales, se sugiere que se construya un
grfico que refleje tambin la tendencia central de los subgrupos. Un grfico as podra ser
independiente. O bien, el grfico de control de la tendencia central podra superponerse al
grfico de mediciones individuales.
El esquema ms conveniente para esta superposicin de grficos, consiste en combinar
un grfico de mediciones individuales con un grfico de medianas. La conveniencia de este
ltimo es mayor cuando el subgrupo contenga un nmero de mediciones impar : 3,5 o 7.
En cualquier de estos grficos combinados, los valores individuales pueden examinarse
con respecto a los lmites de tolerancia respetados en el grfico; lo mismo pude hacerse con
las medianas en relacin a sus lmites de control.
Grficos De Control De Medianas Entre Subgrupos, Empleando Medianas De Datos
Estadsticos De Conjuntos De Subgrupos
Enoch B. Ferrell, de Bell Telephone Laboratories ha propuesto el empleo del centro de la
amplitud como medida de la tendencia central de cada subgrupo. Asimismo, ha propuesto
que la estimacin de la tendencia central de una poblacin se base en la mediana de los
centros de las amplitudes de un conjunto de subgrupos y que la estimacin de la dispersin
de la poblacin se base en la mediana de las amplitudes del mismo conjunto de subgrupos.
Una ventaja que representa el empleo de la mediana como medida de la tendencia
central de un subgrupo es que puede encontrarse rpidamente sin tener que efectuar
ninguna operacin aritmtica para subgrupos de tamao impar, 3, 5, etc.

Prueba general de homogeneidad

El Grfico De Control Como Prueba De Homogeneidad
Es imposible hacer demasiado nfasis sobre la importancia de mantener un registro del
orden de produccin siempre que se lleven a cabo medidas de cualquier calidad de producto
manufacturado. Lo ideal es planear las medidas teniendo esto en mente. Prcticamente no
puede ser posible. Esto es cierto cuado un comprador desea aplicar el anlisis de grficos de
control al embarque de un producto respecto al cual no conoce el orden de produccin.
Aqu los grficos de control son simplemente una prueba de homogeneidad. Esta
homogeneidad puede haberse obtenido por un sistema de causas constantes durante la
produccin.
El anlisis con grficos de control puede tambin aplicarse a los datos que ya se tienen
disponibles y que no se obtuvieron teniendo en mente el grfico de control, siempre que haya

alguna base racional para establecer los subgrupos. Aqu los grficos de control tambin son
una prueba general de homogeneidad.

Lmites de probabilidad para grficos de control para variables

Lmites De Probabilidad En Los Grficos X
Si se supone que los valores X , cuando todas las muestras se toman de la misma
poblacin, siguen una distribucin normal, puede encontrarse el mltiplo de X
correspondiente a unas probabilidades estipuladas, cuando la poblacin es normal , los
valores de X estn normalmente distribuidos y cuando proceden de poblaciones que no son
normales, se distribuyen segn una forma aproximadamente normal, para un tamao de
muestra igual o mayor que 4.
Lmites De Probabilidad En Los Grficos R Y
La distribucin de los valores de X que es normal o aproximadamente normal, es
simtrica. Por tanto, en un grfico X, los lmites de probabilidad, al igual que los lmites 3sigma, son equidistantes de la lnea central del grfico. Por el contrario, como las
distribuciones de R y de no son simtricas, aunque la poblacin sea normal hay que
disponer de factores independientes para los lmites de control superior e interior, para que
las probabilidades de las desviaciones extremas sean iguales.
Diferentes Puntos De Vista En La Descripcin De Los Lmites En Los Grficos De Control
Por Variables
Para describir los lmites de los grficos de control de X, R y se utilizan dos puntos de
vista.
Uno de ellos, es que la fijacin de los lmites debe basarse en el valor numrico de una
probabilidad, que debera ser aquella que, sin que se produzca ningn cambio en la
poblacin, un punto cayera dentro de los lmites de control. Los partidarios de esta teora,
normalmente han adoptado como
= valor de esta probabilidad en los grficos X, 0.998.
Esto ha conducido a unos lmites de X , de 3.09X .
La segunda postura considera que, an cuando la probabilidad asociada a los lmites se
pudiera conocer exactamente, este valor solo es de inters en casos accidentales. Lo
importante es que exista u criterio definido para el establecimiento de los lmites y que dicho
criterio constituya una gua adecuada para las acciones que debern basarse en los grficos
de control.
Aspectos Especiales De Los Lmites De Probabilidad En Los Grficos De Control De R Y De

Aunque en los grficos X , los lmites de probabilidad son, al igual que los lmites 3sigma, equidistantes respecto a la lnea central , en los grficos R no lo son.
Un punto en el que los defensores de los lmites de probabilidad han puesto mayor nfasis
es que, para los tamaos de subgrupo usuales de 5 elementos o menos, el lmite inferior 3sigma en estos grficos es cero. Por lo contrario para un tamao de subgrupo de tres o
mayor, le corresponder un lmite de control inferior mayor que cero.

V. GRFICOS DE CONTROL PARA MEDIAS MVILES

El Uso De Los Lmites De Control Para Medias Mviles
La media mvil es particularmente apropiada en los procesos qumicos de fabricacin
continua cuando se aplican a caractersticas de calidad de materias primas y productos en
procesos. El efecto nivelador de la media mvil con frecuencia tiene un efecto sobre las cifras
que es similar al efecto que sobre el producto tendra una mezcla que se llevara a cabo en el
resto del proceso de produccin.
En la introduccin de las tcnicas de Shewhart en las fbricas qumicas, puede ser
deseable no perturbar la costumbre de representar medias mviles y agregar grficos para
amplitudes mviles. Sin embargo, es apropiado aplicar lmites de control para utilizar estos
grficos de medias mviles y agregar grficos para amplitudes mviles. El clculo de estos
lmites y la interpretacin de estos grficos son similares a los grficos convencionales de X
y R, pero difiere en ciertos aspectos.

Combinacin De Un Grfico De Mediciones Individuales Y Un Grfico De Amplitud

Mvil
En algunos procesos, es normal tener solo algunas mediciones aisladas y ms o menos
espaciadas en el tiempo.
Bajo tales circunstancias, tal vez se quiera representar los valores X en lugar de
suavizar las fluctuaciones de un da a otro, mediante la representacin de medias mviles.
Aunque en un caso as, la X mvil no se emplea, es preciso utilizar en cambio, la amplitud
mvil como medida de la dispersin del proceso. El A.S.T.M. Manual on Quality Control of
Materials recomienda un tamao de subgrupo de dos para el grfico de amplitud mvil en
relacin a uno para valores individuales.

VI. Grfico x con una tendencia lineal

Grfico X Para Medias De Universo Que Presentan Una Tendencia Con Una Desviacin
Estndar Constante
En ciertas operaciones de maquinado, las herramientas se desgastan en una forma
uniforme alo largo de su periodo de uso. Este desgaste puede ser uno de los factores que
influyen en el valor medio de cierta dimensin del producto fabricado y puede ser
responsable de una tendencia en este promedio.
La lnea central y los lmites de control para el grfico X , en este caso, deben ser
pendientes y no horizontales. La pendiente de la lnea central o la media del universo, y ,
estimada a partir de R, se determinan de las mediciones mismas. Una vez que se conocen,
es posible determinar el ajuste inicial y la longitud de la corrida que juntas darn el periodo
mximo entre los ajustes de maquinaria consistentes con las tolerancias especificadas.

VII. Inspeccin volante mediante el grfico p

Adaptacin Especial Del Grfico P Para Una Inspeccin Volante
Para mantener el mismo nivel de sensibilidad con respecto a los cambios que tienen lugar
en el proceso, el grfico de control de la fabricacin rechazada necesita un tamao de
muestra sustancialmente mayor que el grfico X. Si el grfico p ha de ser un instrumento
efectivo en el control de un proceso en el que se tiene que mantener un elevado nivel de
calidad, en la determinacin del tamao de la muestra existen dos aspectos que requieren
una adaptacin especial de dicho grfico. Primero hay que esperar que en la muestra
aparezcan varios elementos rechazados.
Segundo, cuanto mayor sea el tamao de la muestra, tanto ms probable es que, durante
la extraccin de la misma, se produzca un cambio. El resultado sera una mayor probabilidad
de que los cambios que tuvieran lugar entre la toma de dos muestras no se detectaran.
En casos en que sea necesario hacer uso de la inspeccin por atributos, e interese
detectar pequeos cambios en el proceso, las circunstancias pueden requerir el empleo de
muestras pequeas. Aqu, la nica manera en que un grfico p o un grfico con np pueden
utilizarse de manera provechosa es crear un nivel de mal calidad falso, mediante la
aplicacin de normas de aceptacin, que sean mucho ms rigurosas que las impuestas por
las especificaciones. Esto es, puede establecerse una definicin especialmente severa de un
defectuoso, que solo se emplee para efectos de control de proceso a travs del grfico de
control. De esta forma, un tamao de muestra pequeo no es obstculo para el uso de un
grfico de control basado en una inspeccin por atributos.

VII. Combinacin del control del proceso y la aceptacin del producto

Lmite De Rechazo Para Valores Medios En Los Grficos X
Uno de los posibles mtodos de representacin de la relacin entre los valores X y los
lmites de especificacin que se aplican a los elementos individuales, es el empleo de lmites
de rechazo para los valores medios. Suponiendo que es conocida y constante, y que
prcticamente todo el producto caer dentro de los lmites X 3, es fcil calcular los
valores extremos de X que permitirn que prcticamente todo el producto caiga dentro de
los lmite de la especificacin. Los lmites de rechazo para los valore medios son unos lmites
del grfico de control que resultaran apropiados si X estuviera presente en cada uno de
estos valores calculados.
Lmites De Control Modificados
Una etapa ms avanzada en el empleo de los lmites de rechazo y de los lmites de
control en los grficos X, la constituye la sustitucin de los lmites de control por los lmites
de rechazo. En este caso, los lmites de rechazo reciben el nombre de lmites de control
modificados. Su principal aplicacin es en el control de dimensiones. La puesta en prctica
de estos lmites solo resulta interesante cuando el campo de variacin del proceso (estimado
muchas veces en 6) es considerablemente menor que la diferencia entre los dos lmite de la
especificacin (S-I).
S = Lmite superior de la especificacin

I = Lmite inferior de la especificacin

4.7 GRFICAS DE CONTROL PARA SUMA ACUMULATIVA

La grfica de suma acumulada es una grfica cronolgica de la suma acumulada de las
desviaciones de una muestra estadstica que se alejan de un valor de referencia. La grfica
CUSUM incorpora directamente toda la informacin contenida en la secuencia de los valores
muestrales graficando las sumas acumuladas de las desviaciones que presentan los valores
muestrales respecto al valor objetivo. Por ejemplo, suponer que se colectan muestras de
tamaa n>1, y que xj es el promedio de la j-sima muestra. Entonces, si 0 es el objetivo
para la media del proceso, la grfica de control de suma acumulada se construye graficando
la cantidad:
i

Ci = (x j 0 )
j=1

Contra la muestra i. A Ci se le llama la suma acumulada hasta la i-sima muestra,

incluyndola.
Se observa que si el proceso se mantiene bajo control en el valor objetivo 0 , la suma
acumulada definida en la ecuacin anterior es una fluctuacin aleatoria con media cero. Sin
embargo, si la media experimenta un corrimiento ascendente a un valor 1 > 0 , por ejemplo,
entonces se desarrollar una alineacin ascendente o positiva en la suma acumulada Ci.
Recprocamente, si la media experimenta un corrimiento descendente a un valor 1 < 0 ,
entonces se desarrollar una desalineacin descendente o negativa en Ci. Por lo tanto, si se
desarrolla una tendencia en los puntos graficados, sea ascendente o descendente, sta
deber considerarse como evidencia de que la media del proceso se ha corrido y deber
realizarse la bsqueda de alguna causa.
La grfica CUSUM no es una grfica de control, ya que carece de los lmites de control
estadstico. Hay dos formas de representar CUSUMS, La CUSUM tabular (o algortmica) y en
la forma mscara V de la CUSUM.
Estas grficas de control se disearon para identificar cambios pequeos, pero sostenidos,
en el nivel de un proceso, con mucha mayor rapidez que las grficas X normales. Debido a
que da una alerta temprana de cambios de procesos, es consistente con el principio
administrativo de hacerlo bien la primera vez, y no permitir la produccin de artculos con
defecto.
La grfica de suma acumulada abarca todos los datos anteriores, al graficar sumas
acumuladas de las desviaciones de los valores de la muestra respecto a un valor meta; es
decir:
St =(xi - x0 )

Donde xi es el promedio del i-esimo subgrupo, x0 es el valor normal, o de referencia, y St

la suma acumulada cuando se efecta la i-sima observacin. Ntese que cuando n=1 , xi
es el valor de la I-sima observacin.
La grfica de suma acumulada tiene un aspecto muy distinto al de las grficas X y R
normales. En lugar de un eje central y lmites horizontales de control, se forma una
mascarilla que consiste en un puntero de lugar y dos lmites de control angulados.
La mascarilla se coloca en la grfica de tal manera que la punta, P, quede en el ltimo punto
graficado. La distancia d y el ngulo son los parmetros de diseo de la mascarilla.
Si no hay puntos anteriores fuera de los lmites de control, se supone que el proceso est
bajo control. Si, por ejemplo, hay un desplazamiento en el promedio del proceso sobre el
valor de referencia, cada nuevo valor que se aade a la suma acumulada har que St
aumente y ocasionar una tendencia hacia arriba, en la grfica. Finalmente, un punto puede
quedar fuera del lmite superior de control, lo cual indica que el proceso se ha salido de
control. Si el promedio se desplaza hacia abajo, sucede lo contrario.

Ejemplo de Grafica CUSUM

Prepare una grafica CUSUM bilateral para X para los datos de la siguiente tabla
Numero
del
subgrupo

Promedio

Recorrido

X - X0

(X X )
0

1
2
3
4
5

199.2
198
198.6
201
197.6

11
14
10
18
11

-1.3
-2.5
-1.9
0.5
-2.9

-1.3
-3.8
-5.7
-5.2
-8.1

6
7
8
9
10

198.8
196.6
201.6
199.8
200.6

7
2
10
12
17

-1.7
-3.9
1.1
-0.7
0.1

-9.8
-13.7
-12.6
-13.3
-13.2

11
12
13
14
15

198.8
198.4
202.6
200.2
197.8

9
10
9
7
16

-1.7
-2.1
2.1
-0.3
-2.7

-14.9
-17
-14.9
-15.2
-17.9

16
17
18
19
20

199
202.4
198.8
197.8
198.8

9
8
16
6
8

-1.5
1.9
-1.7
-2.7
-1.7

-19.4
-17.5
-19.2
-21.9
-23.6

21
22
23
24
25

199.2
204.2
200.2
199.6
201.2

14
7
20
13
13
277

-1.3
3.7
-0.3
-0.9
0.7

-24.9
-21.2
-21.5
-22.4
-21.7

Suponga que las especificaciones para este articulo son 190.5 y 210.5 utilice el valor nominal
de 200.5
normal y un grado de riesgo de 0.027 correspondiente a limites 3- Sigmas
X 0 como
en una grafica de control de Shewhart. La magnitud del desplazamiento, D, que se debera
de tratar casi con certidumbre es de 7.8 ms. Utilice un factor de escala y =5

RESPUESTAS

Formulas

n
d = E ( )
D

tan =

D
2y

Datos

= 0.0027
E ( ) = 13.215
X 0 = 200.5
D = 7 .8
y=5
d 2 = 2.326( porquen = 5)
n=5
Procedimiento

R=

277
= 11.08
25

R
d2 n

11.08
= 2.13
(2.326) 5

( )

2.13
d = 13.215
= 0.985unidades
7 .8
tan =

7 .8
7 .8
=
= tan 1 (0.78) = 3757 '
(2)(5) 10

En donde () = factor que es funcin de la probabilidad aceptable de error Tipo I para los
diversos valores de que se dan a continuacin. (0.0027) corresponde a la probabilidad del
error Tipo I () relacionada con los lmites 3-sigmas normales de Shewhart.

1/2
(prueba
unilateral)
(prueba
bilateral)
()

d2 =

0.00135

0.005

0.01

0.025

0.05

0.0027

0.01

0.02

0.05

0.1

13.215

10.597

9.21

7.378

5.991

d3 =

c2 =

RMS

Tabla C Factores para estimar a partir de

R
Nmero de
observaciones

a partir de

c4 =

R , s RMS y

Factor

Factor

Factor

Factor

en subgrupo
n
2
3
4
5

d2

d3

c2

c4

1.128
1.693
2.059
2.326

0.8525
0.8884
0.8798
0.8641

0.5642
0.7236
0.7979
0.8407

0.7979
0.8862
0.9213
0.94

6
7
8
9
10

2.534
2.704
2.847
2.97
3.078

0.848
0.8332
0.8198
0.8078
0.7971

0.8686
0.8882
0.9027
0.9139
0.9227

0.9515
0.9594
0.965
0.9693
0.9727

11
12
13
14
15

3.173
3.258
3.336
3.407
3.472

0.7873
0.7785
0.7704
0.763
0.7562

0.93
0.9359
0.941
0.9453
0.949

0.9754
0.9776
0.9794
0.981
0.9823

16
17
18
19
20

3.532
3.588
3.64
3.689
3.735

0.7499
0.7441
0.7386
0.7335
0.7287

0.9523
0.9551
0.9576
0.9599
0.9619

0.9835
0.9845
0.9854
0.9862
0.9869

21
22
23
24
25

3.778
3.819
3.858
3.895
3.931

0.7242
0.7199
0.7159
0.7121
0.7084

0.9638
0.9655
0.967
0.9684
0.9696

0.9876
0.9882
0.9887
0.9892
0.9896

30
35
40

4.086
4.213
4.322

0.6926
0.6799
0.6692

0.9748
0.9784
0.9811

0.9914
0.9927
0.9936

45
50

4.415
4.498

0.6601
0.6521

0.9832
0.9849

0.9943
0.9949

55
60
65
70
75

4.572
4.639
4.699
4.755
4.806

0.6452
0.6389
0.6337
0.6283
0.6236

0.9863
0.9874
0.9884
0.9892
0.99

0.9954
0.9958
0.9961
0.9964
0.9966

80
85
90
95
100

4.854
4.898
4.939
4.978
5.015

0.6194
0.6154
0.6118
0.6084
0.6052

0.9906
0.9912
0.9916
0.9921
0.9925

0.9968
0.997
0.9972
0.9973
0.9975