Tema 6

Control Estadı́stico de la Calidad

Índice

1. Introducción.
En un proceso de producción, los artı́culos fabricados poseen determinadas caracterı́sticas, de entre las
cuales hay algunas que de cumplir ciertas especificaciones, indican que el artı́culo es satisfactorio y admi-
sible para su uso. Una caracterı́stica de esa clase se llama caracterı́stica de calidad.
Pero en la producción en serie hay fenómenos que intervienen dando como resultado el que los artı́culos
producidos presenten caracterı́sticas de calidad que varı́an de uno a otro. Las causas de esta variabilidad
son de dos tipos: aleatorias (o casuales) y sistemáticas (o causales). Las primeras son inherentes al proceso
de producción y están constituidas por multitud de pequeños e incontrolables fenómenos (variaciones leves
en parámetros fı́sicos como la temperatura o humedad ambientes...) en tanto que las segundas son ajenas
al mismo y dependen de factores externos (como un eventual cambio en las materias primas, subidas o
bajadas mantenidas durante un largo intervalo de tiempo en la tensión elćtrica de alimentación de las
máquinas...).
Usualmente la variabilidad debida a las causas aleatorias es lo bastante pequeña como para que las
caracterı́sticas de calidad se mantengan dentro de lı́mites aceptables. Si esto ocurre decimos que el proceso
está bajo control. La variabilidad debida a las causas sistemáticas, con frecuencia provoca el que algunos
artı́culos queden fuera de las especificaciones, y cuando tal cosa ocurre decimos que el proceso está fuera
de control.
El control de calidad consiste en disponer los instrumentos que permitan detectar cuándo los artı́culos
producidos muestran caracterı́sticas de calidad que caen fuera de determinadas especificaciones.
La presencia del azar lleva consigo el que los procesos de producción en serie pueden ser considerados como
experimentos aleatorios, y que la producción sea un fenómeno probabilı́stico. De hecho, las caracterı́sticas
de calidad son variables aleatorias definidas sobre el espacio muestral de la producción.
Bajo este punto de vista, la herramienta adecuada para el planeamiento de instrumentos de control es la
Estadı́stica. Nos referiremos por tanto al control estadı́stico de la calidad.

2. Cartas de control.
Uno de los instrumentos de control más usado y útil es la llamada carta o gráfico de control, y está
basada en la idea de que la variabilidad de las caracterı́sticas de calidad se produce casi siempre en torno
a un valor medio. Ası́, si llamamos X a la caracterı́stica de calidad y µX a su media, podemos definir
lı́mite superior de control : U CL = µX + c
lı́nea central : CL = µX
lı́mite inferior de control : LCL = µX − c
Tema 6. Control estadı́stico de la calidad 2

Figura 1: Carta de control.

y a continuación trazar un gráfico cartesiano en cuyo eje horizontal representamos la variable tiempo y
en el vertical los valores de X, destacando en particular los lı́mites de control y la lı́nea central, puntos
por los cuales se trazan semirrectas horizontales. Los puntos sobre este diagrama corresponden a valores
de la caracterı́stica de calidad medidos en sucesivos instantes. Mientras los puntos se encuentren en la
banda horizontal delimitada por las semirrectas de control, admitiremos que el proceso se encuentra bajo
control.
Este modelo teórico se aplica en la práctica con algunas modificaciones: En lugar de medir la carac-
terı́stica de calidad X sobre artı́culos individuales, se muestrean, a intervalos regulares, grupos pequeños
(usualmente de 4 ó 5 unidades), y se calcula el estadı́stico media aritmética X en cada muestra. Dichas
muestras se numeran correlativamente y se representan sobre el eje horizontal a intervalos iguales (lo que
resulta equivalente a representar la variable tiempo), en tanto que sobre el eje vertical se representan los
valores del estadı́stico X, de tal modo que un punto de la carta de control representa la media aritmética
de la caracterı́stica de calidad correspondiente a una determinada muestra. Para hacer más inteligible el
gráfico, se acostumbra a unir los puntos con segmentos rectilı́neos. En la Figura ?? se muestra una carta
de control como la que acabamos de describir.

2.1. Dos tipos de cartas de control

Llegados a este punto es conveniente distinguir entre dos tipos de carta de control, de acuerdo con el
tipo de caracterı́stica de calidad que estemos considerando: las cartas de control para variables y
las cartas de control para atributos. Las primeras se usan cuando la caracterı́stica de calidad es una
variable aleatoria continua, y la segunda cuando es discreta.
Ejemplos de caracterı́sticas de calidad que se describen mediante variables aleatorias continuas son las que
representan magnitudes fı́sicas, como longitudes o pesos. Para ellas se diseñan cartas de control de medias
muestrales (llamadas cartas X), recorridos y cuasivarianzas (llamadas cartas R y Sc respectivamente)
Las principales caracterı́sticas de calidad de interés que quedan descritas mediante variables aleatorias
discretas son dos: En primer lugar aquellas que indican el estado de utilidad o no utilidad de un artı́culo,
como por ejemplo, la ausencia de fugas en recipientes para contener gas, y que sólo toman por lo tanto
dos valores mutuamente excluyentes: apto o no apto. La carta de control adecuada para esta clase de
caracterı́stica es la carta para la proporción muestral de artı́culos defectuosos (carta p).
En segundo lugar, hay procesos de producción en los que los artı́culos pueden presentar más de un defecto
sin que ello implique necesariamente el incumplimiento de las especificaciones de calidad. Por ejemplo,
una caja de frutas puede tener defectuosas algunas piezas, pero si son pocas, la caja puede declararse
apta para la venta. La caracterı́stica de calidad en casos como este, es el número de defectos, y para
ella se diseñan las cartas de número de defectos por artı́culo (cartas C), y las cartas de número medio
muestral de defectos (cartas U ).

2.2. Patrones de ausencia de aleatoriedad. Reglas de aviso

Si el proceso está bajo control, es decir, la variabilidad de la caracterı́stica de calidad bajo estudio, es
imputable únicamente a causas aleatorias, la probabilidad de que a la próxima muestra que tomemos, le
corresponda un punto en la carta de control, situado por encima (o por debajo) de la lı́nea central, es
0.5. Por lo tanto, admitiendo independencia, las variables aleatorias:
U = número de puntos que quedan por encima de la lı́nea central en una sucesión de n consecutivos,
L = número de puntos que quedan por debajo de la lı́nea central en una sucesión de n consecutivos.
tienen distribución binomial B(n, 0,5). Si en la carta de control aparece una sucesión de puntos consecu-
tivos lo bastante larga como para que alguna de las variables U o L tome un valor muy poco probable,
Tema 6. Control estadı́stico de la calidad 3

podremos sospechar razonablemente que ha aparecido alguna causa asignable de la variabilidad de la

caracterı́stica de calidad, y ello, incluso aunque los puntos no sobrepasen las lı́neas superior e inferior de
control de la carta.

Grant y Leavenworth1 han sugerido, basándose en estas consideraciones, la siguientes regla para iniciar
la búsqueda de posibles causas asignables de la variabilidad:

Si se presenta alguno de los siguientes sucesos en el trazado de una carta de control, se debe
sospechar la aparición de alguna causa asignable de variabilidad de la caracterı́stica de calidad:
Siete o más puntos consecutivos a un mismo lado de la lı́nea central.
Al menos 10 de 11 puntos consecutivos en el mismo lado de la lı́nea central.
Al menos 12 de 14 puntos consecutivos en el mismo lado de la lı́nea central.
Al menos 14 de 17 puntos consecutivos en el mismo lado de la lı́nea central.

Veamos cuáles son las probabilidades de los sucesos relacionados en la regla de Grant y Leavenworth:

Suceso Probabilidad
Siete o más puntos conse-    7  7−7
7 1 1
cutivos a un mismo lado 2 1− = 0,015625
7 2 2
de la lı́nea central.
Al menos 10 de 11 puntos    10  11−10
11 1 1
consecutivos en el mismo 2 1− = 0,010742187
10 2 2
lado de la lı́nea central.
Al menos 12 de 14 puntos    12  14−12
14 1 1
consecutivos en el mismo 2 1− = 0,011108398
12 2 2
lado de la lı́nea central.
Al menos 14 de 17 puntos    14  17−14
17 1 1
consecutivos en el mismo 2 1− = 0,011108398
14 2 2
lado de la lı́nea central.

La baja probabilidad de estos sucesos (poco más del 1 %) justifica el que se tomen como indicadores de
la presencia de causas no aleatorias en la variabilidad del proceso.

Otro criterio de no aleatoriedad, es el que se propone en el manual de calidad de la compañı́a americana

Western Electric Corporation 2 , y consta de las siguientes reglas:

Un punto cae más allá de los lı́mites de control 3−sigma (lı́mites de actuación).
Dos de tres puntos consecutivos caen más allá de un lı́mite 2−sigma (lı́mites de advertencia).
Cuatro de cinco puntos consecutivos están a una distancia 1−sigma o mayor de la lı́nea central.
Ocho puntos consecutivos de la gráfica están al mismo lado de la lı́nea central.

El tercer criterio que presentamos fue expuesto por Duncan3 y consta de las reglas siguientes

Un punto cae más allá de los lı́mites de control 3−sigma (lı́mites de actuación).
Siete puntos consecutivos caen al mismo lado de la lı́nea central.

1 Grant,E. L. Leavenworth, R.S. Statistical quality control, 5a ed. Mc Graw-Hill, New York 1980
2 Western Electric (1984) Statistical Quality Control Handbook, 2a ed. Western Electric Company. New York.
3 Duncan, A.J. Quality Control and Industrial Statistics, 5a ed. Irwin, Homewood, Illinois 1986
Tema 6. Control estadı́stico de la calidad 4

Dos puntos consecutivos están a una distancia 2−sigma o mayor de la lı́nea central.

Cuatro puntos consecutivos están a una distancia 1−sigma o mayor de la lı́nea central.
Notorias oscilaciones arriba y abajo de la lı́nea central.

Por último un criterio debido a Nelson4

Un punto cae más allá de los lı́mites de control 3−sigma (lı́mites de actuación).
Nueve puntos consecutivos caen al mismo lado de la lı́nea central.
Seis puntos consecutivos dispuestos de forma creciente o decreciente.

Catorce puntos consecutivos alternando arriba y abajo.

Dos de tres puntos consecutivos puntos consecutivos están a una distancia 2−sigma o mayor de la
lı́nea central pero al mismo lado de ésta.
Cuatro de cinco puntos consecutivos puntos consecutivos están a una distancia 1−sigma o mayor
de la lı́nea central pero al mismo lado de ésta.

Quince puntos consecutivos dentro de los lı́mites 1−sigma.

Ocho puntos consecutivos, ninguno de los cuales está dentro de los lı́mites 1−sigma.

2.3. Longitud de desplazamiento promedio

Aun cuando un proceso esté bajo control, puede ocurrir que por puro azar, cada cierto número de puntos
dibujados en una carta de control, haya uno que supere los lı́mites 3−sigma. Es conveniente saber cada
cuantos puntos en promedio ocurre esto, para prevenir falsas alarmas en un proceso bajo control, o por
el contrario, para tener un indicio de una posible situación de fuera de control. Con objeto de determinar
este promedio, consideramos la variable aleatoria:

Y = Número de puntos en la carta de control, hasta que uno supera alguno de los lı́mites 3−sigma.

Esta variable aleatoria tiene distribución geométrica, ya que es el número de pruebas de Bernoulli (cada
una de las cuales consiste en observar si un punto está o no dentro de los lı́mites 3−sigma) que hay que
realizar hasta que se produzca el primer ((éxito)) (escape de la banda 3−sigma).
La función de probabilidad de Y es por lo tanto:

f (y) = P (Y = y) = p(1 − p)y−1 y = 1, 2, 3, . . . . . . ,

donde el parámetro p es la probabilidad de que un punto de la carta esté fuera de los lı́mites 3−sigma.
El número de puntos, en promedio que hay que dibujar en la carta hasta que uno de ellos quede fuera de
1
los lı́mites 3−sigma es pues E(Y ) = .
p
Este concepto, por su importancia, merece una definición formal:

Definición 2.1 Se llama longitud de desplazamiento promedio (LDP ) de una carta de control
k−sigma, al número esperado de puntos en la carta, hasta que uno quede más allá de los lı́mites k−sigma.

4 Nelson, L.S. (1984) ”The Shewart Control Charts for Special Causes”Journal of Quality Technology, Vol. 16, no 4, pp.

237−239.
Tema 6. Control estadı́stico de la calidad 5

1
La utilidad de la LDP estriba en que previene contra las falsas alarmas, puesto que si cada puntos
p
aproximadamente, hay uno que se escapa de la banda de control, ello no debe, en ausencia de otra
información, producir inquietud. Pero si el proceso se sale de control, el valor de la LDP desciende,
constituyendo ası́ una señal de aviso.
Es deseable pues que la LDP sea grande cuando el proceso esté bajo control, y pequeña cuando no lo
esté, o por lo menos que la diferencia entre los valores de la LDP en ambas situaciones sea lo bsatante
grande como para distinguirlas.
El valor de la LDP depende de la distribución de probabilidad del estadı́stico W que usemos para
construir la tabla, ya que

p = 1 − P µW − kσW < W < µW + kσW .
En el importante caso particular de que la caracterı́stica de calidad X tenga distribución normal, o que
el tamaño de las muestras (> 30) justifique el empleo del Teorema Central del Lı́mite, la distribución de
X es normal, lo que permite calcular la LDP para una carta X. Supongamos que k = 3 y que el proceso
está bajo control:
1 1
LDP =  = =
σ σ 1 − P (−3 < Z < 3)
1 − P µ − 3√ < X < µ + 3√
n n
1 1
= = = 370,3895758 ' 370,4.
2 × 0,00134993 2,69986 × 10−3
Es decir cada 370 puntos aproximadamente, un punto escapará fortuitamente de los lı́mites 3−sigma de
una carta X aun cuando el proceso no se encuentre fuera de control.
Supongamos ahora que el proceso se sale de control debido a un desplazamiento de la media que pasa de
σ
valer µ, a valer µ + 0,1 √ . Entonces, la nueva LDP será:
n
1
LDP =  =
σ σ
1 − P µ − 3√ < X < µ + 3√
n n
1
=  σ σ σ σ =
µ − 3√ − µ − √ µ − 3√ − µ + √
n n n n
1−P  <X<

σ σ 
√ √
n n
1 1
= = = 43,89478401 ' 43,9.
1 − P (−4 < Z < 2) 0,02278175

Es decir, aproximadamente cada 44 puntos, aparecerá un uno fuera de los lı́mites 3−sigma si el proceso
queda fuera de control por un desplazamiento de la media de una desviación tı́pica. Este número, nota-
blemente menor que 370, constituye un aviso. No obstante, el proceso estarı́a fuera de control durante al
menos 44 tomas de datos antes de que podamos sospechar la nueva situación.
Obsérvese que en el cálculo de esta última LDP , se han usado los mismos lı́mites 3−sigma que en la
situación anterior. Ello es ası́ porque una de las utilidades de la LDP es el constituir una señal de aviso
de una posible salida de control que aún no hemos detectado, y ese es el motivo por el que seguimos
usando los mismos lı́mites que cuando el proceso está bajo control.
En la tabla que sigue se relacionan, para una carta X, suponiendo normalidad, algunos valores de la LDP
frente a distintas desviaciones d de la media medidas en unidades de desviación tı́pica. Se observa que
cuanto mayor es d, es decir, cuanto más se aparta la media de su valor nominal, más pequeña es la LDP .
Tema 6. Control estadı́stico de la calidad 6

d LDP
0.0 370.39
0.1 352.93
0.5 155.22
1.0 43.89
1.5 14.97

3. Capacidad del proceso

Cuando un proceso productivo está bajo control, la caracterı́stica de calidad de interés de los artı́culos
producidos muestra una determinada variabilidad atribuible a causas aleatorias. Esta variabilidad se
conoce como capacidad del proceso.
En lo que sigue, supondremos que la caracterı́stica de calidad en la que nos interesamos, tiene distribución
normal.
La probabilidad de que una variable aleatoria con distribución normal y desviación tı́pica σ, tome valores
entre −3σ y 3σ es 0.9974, es decir, es tan alta, que podemos tomar la amplitud 6σ de ese intervalo como
una medida de la variabilidad de la variable aleatoria. Aplicando esta idea a los procesos productivos,
en los que la caracterı́stica de calidad tenga distribución normal, podemos definir la capacidad de este
modo:

Definición 3.1 Si en un proceso productivo bajo control, la caracterı́stica de calidad de los artı́culos tiene
distribución normal con desviación tı́pica σ, se llama capacidad del proceso a 6σ 5 .

Tal como está definida, en términos de un parámetro, la capacidad del proceso es incalculable. No obstante
puede estimarese con facilidad, porque disponemos de un estimador ad hoc de la varianza. En efecto,
(n − 1)Sc2
sabemos que el estadı́stico tiene distribución ji−cuadrado con n − 1 grados de libertad, ası́
σ2
que podemos usar este hecho para diseñar un intervalo de confianza del 100(1 − α) % para la capacidad
del proceso. Observemos que:
!
(n − 1)Sc2 (n − 1)Sc2 (n − 1)Sc2
 
2 2 2
1 − α = P χ1−α/2,n−1 < < χα/2,n−1 = P <σ < 2 =
σ2 χ2α/2,n−1 χ1−α/2,n−1
s s !
(n − 1) (n − 1)
= P 6Sc < 6σ < 6Sc ,
χ2α/2,n−1 χ21−α/2,n−1

con lo cual el intervalo de confianza buscado es

" s s #
(n − 1) (n − 1)
6Sc , 6Sc .
χ2α/2,n−1 χ21−α/2,n−1

La capacidad del proceso es algo inherente al mismo, aunque podemos modificarla para que se adapte
a nuestras exigencias actuando, por ejemplo, sobre el ajuste de las máquinas o en la selección de las
materias primas.
Pero independientemente de la capacidad del proceso, las especificaciones del fabricante imponen unos
lı́mites a la variabilidad admisible de la caracterı́stica de calidad, imposición que es previa al proceso de
fabricación y externa al mismo. Estos lı́mites, usualmente uno superior LSE y otro inferior LIE (aunque
en ocasiones sólo se establezca uno de ellos) son los lı́mites superior e inferior de especificación. Su

5 En esta sección supondremos que la caracterı́stica de calidad X de todos los artı́culos producidos está comprendida

entre µ − 3σ y µ + 3σ. Con ello estamos ignorando la aparición de artı́culos con la caracterı́stica de calidad fuera de esos
márgenes, pero podemos hacer esa suposición dado que la probabilidad de presencia de tales artı́culos es de sólo 0.0026.
Tema 6. Control estadı́stico de la calidad 7

diferencia LSE − LIE constituye la variabilidad impuesta en sus especificaciones por el fabricante, y es la
que éste está dispuesto a admitir. Ası́, para que los artı́culos producidos sean admisibles, su caracterı́stica
de calidad debe caer dentro del intervalo [ LIE , LSE ]. Es deseable entonces, que la capacidad del proceso
(variabilidad intrı́nseca) sea menor o igual que la diferencia entre los lı́mites de especificación (variabilidad
prescrita), ya que entonces, la fabricación estará proporcionando artı́culos que son casi todos admisibles,
porque su caracterı́stica de calidad está dentro de dichos lı́mites.
Necesitamos una magnitud que permita comparar la capacidad del proceso (lo que el proceso es capaz
de dar) con sus lı́mites de especificación (lo que exigimos del proceso), para lo que definimos el cociente
de capacidad del proceso:

Definición 3.2 Sean LIE y LSE los lı́mites de especificación de un proceso productivo bajo control, en
el que la caracterı́stica de calidad de los artı́culos tiene distribución normal con desviación tı́pica σ. Se
llama cociente de capacidad del proceso a
LSE − LIE
CCP = .
6σ

La interpretación del cociente de capacidad es sencilla. Cuando CCP > 1, aproximadamente el 99.74 %
de los artı́culos producidos cumplirı́an las especificaciones, pero eso, siempre y cuando el proceso estu-
viera centrado, es decir, que la media de la caracterı́stica de calidad µX coincidiera con el punto medio
LIE + LSE
entre los lı́mites de especificación. En la misma suposición de centrado del proceso, si
2
CCP < 1, menos del 99.74 % de los artı́culos cumplirı́an las especificaciones, y en el caso crı́tico de
que CCP = 1, y continuando con la hipótesis del centrado, la capacidad del proceso coincidirı́a con las
especificaciones. En la Figura ?? se ilustran las tres situaciones. Ası́ puede decirse que

Tema06(fig10)-eps-converted-to.pdf

ı́sticaTema06(fig10).eps

Figura 2: Tres procesos centrados con diferentes valores del cociente de capacidad.

el cociente de capacidad del proceso es una medida de la habilidad del proceso

para elaborar artı́culos que reúnan las especificaciones 6 .

No obstante, se trata de una medida potencial, ya que un proceso real puede que no esté centrado, en cuyo
caso, el cociente de capacidad no mide la habilidad real del proceso para producir artı́culos admisibles
por las especificaciones, lo que mide es la habilidad que tendrı́a, caso de estar centrado.
Para entenderlo mejor, supongamos que los lı́mites de especificación son tales que LSE − LIE = 8σ,
1
mientras que la media del proceso es µ = (LIE + LSE) + 5σ. El proceso está descentrado pues la media
2
1
está desplazada 5σ con respecto al punto medio (LIE +LSE) entre los lı́mites de especificación. En estas
2
circunstancias, el proceso producirá un alto porcentaje de artı́culos que no cumplen las especificaciones.
Para ver que ello es ası́, consideremos el suceso

A = un artı́culo elegido al azar no cumple las especificaciones.

6 Montgomery, D. C., Introduction to Statistical Quality Control (second edition), John Wiley and Sons, 1991, pág. 372.
Tema 6. Control estadı́stico de la calidad 8

Entonces


P (A) = P (X < LIE) ∪ (X > LSE) = 1 − P (LIE 6 X 6 LSE) =
 
LIE − µ LSE − µ
=1−P 6Z6 =
σ σ
1 1
 
LIE − (LIE + LSE) − 5σ LSE − (LIE + LSE) − 5σ
=1−P 
 2 6Z6 2 =

σ σ

= 1 − P (−9 6 Z 6 −1) = 0,8413.

Es decir, algo más del 84 % (aproximadamente) de los artı́culos producidos no cumplirán las especifica-
8σ
ciones, y ello a pesar de que Cp = > 1.
6σ    
Cuando el proceso está centrado, los intervalos µ − 3σ , µ + 3σ y LIE , LSE están contenido uno
en el otro de tal manera que resultan ser concéntricos, como puede observarse en la Figura ??, pero
cuando está descentrado, esos intervalos están desplazados uno con respecto al otro, de tal manera que
la caracterı́stica
 de calidad
  X de los artı́culos
 producidos que cumplen las especificaciones ha de verificar
X ∈ µ − 3σ , µ + 3σ ∩ LIE , LSE . Ello reduce el porcentaje de artı́culos admisibles, como se pone
de manifiesto en la Figura ??, de tal manera que ahora, CCP deja de ser una medida informativa de la

Tema06(fig20)-eps-converted-to.pdf

ı́sticaTema06(fig20).eps

Figura 3: Dos procesos descentrados con CCP > 1.

habilidad del proceso. Por ello, se introduce otro cociente que tiene en cuenta el posible descentrado, y
que tiene la virtud de que coincide con CCP si el proceso está centrado:

Definición 3.3 Sean LIE y LSE los lı́mites de especificación de un proceso productivo bajo control, en
el que la caracterı́stica de calidad de los artı́culos tiene distribución normal con desviación tı́pica σ. Se
llama cociente de capacidad del proceso a
 
 LIE + LSE 
  LSE − LIE − 2 µ −
LSE − µ µ − LIE 2 
CCPk = mı́n , = .
3σ 3σ 6σ

4. Control de fabricación por variables. Cartas X, R y Sc .

Comencemos el diseño de cartas de control para variables haciendo algunas hipótesis: vamos a admitir que
la caracterı́stica de calidad está normalmente distribuida y que conocemos su media µ y su varianza σ 2 . La
primera suposición viene impuesta por necesidades teóricas, pero el Teorema Central del Lı́mite la hace
menos perentoria mientras mayor es el tamaño de las muestras. En cuanto a la segunda es ciertamente
artificial, y pronto prescindiremos de ella, después de haber introducido las ideas básicas.

Para establecer los lı́mites de control fijamos un nivel de significación α, de modo que


P LCL < X < U CL | el proceso está bajo control = 1 − α,
Tema 6. Control estadı́stico de la calidad 9

pero esta igualdad es equivalente a

   
µ−c−µ X −µ µ+c−µ −c c
P √ < √ < √ =P √ <Z< √ = 1 − α,
σ/ n σ/ n σ/ n σ/ n σ/ n
c
llamando zα/2 = √ tenemos
σ/ n
σ σ
U CL = µ + zα/2 √ y LCL = µ − zα/2 √ .
n n
Puede interpretarse la carta de control como una prueba, reiterada en el tiempo, de la hipótesis nula
de que el proceso está bajo control, frente a la alternativa de que está fuera de control a un nivel de
significación α.
En la práctica, la costumbre ha impuesto el que se tome zα/2 = 3, de manera que los lı́mites de control
son
σ σ
U CL = µ + 3 √ y LCL = µ − 3 √
n n
y a la correspondiente carta se le llama carta 3−sigma. Al proceder de este modo, el nivel de significación
viene impuesto por la exigencia de que zα/2 = 3, resultando α = 0,0027.
En realidad, los parámetros µ y σ no se conocen, de forma que para construir la carta de control es
necesario estimarlos de alguna forma. A este respecto definimos los siguientes estadı́sticos
Xij i = 1, 2, . . . , n j = 1, 2, . . . , m Caracterı́stica de calidad del i−ésimo
artı́culo de la j−ésima muestra.

X1j + X2j + . . . + Xnj

X nj = j = 1, 2, . . . , m Media aritmética de la j−ésima muestra.
n

X n1 + X n2 + . . . + X nm
X= Media aritmética de las m medias aritméticas
n
muestrales (también llamada gran media).

Rj = Xmax,j − Xmin,j j = 1, 2, . . . , m recorrido de la j−ésima muestra.

Ahora se toman sucesivas muestras (20 como mı́nimo) de unos 4 ó 5 ejemplares, y en base a los datos
que proporcionan se calculan los estadı́sticos X y Rj . El interés de los mismos está en que el primero es
un estimador insesgado de la media de la población:
1 
E(X) = E(X n1 ) + E(X n2 ) + . . . + E(X nm ) =
n
1 1    
= · E(X11 ) + E(X21 ) + . . . + E(Xn1 ) + E(X12 ) + E(X22 ) + . . . + E(Xn2 ) + . . .
n m
!
  1 1

. . . + E(X1m ) + E(X2m ) + . . . + E(Xnm ) = · nµ + nµ + . . . + nµ =
n m
1 1
= · ·n·m·µ=µ
n m
y con el segundo podemos obtener un estimador insesgado para σ. Para ello consideremos los dos es-
tadı́sticos
R1 + R2 + . . . + Rm Rj
R= y Wj = j = 1, 2, . . . , m
m σ
llamados recorrido medio y recorrido relativo respectivamente. El valor esperado de Wj se designa
por d2 y depende sólo del tamaño n de la muestra, y no de cuál sea ésta. Como estimador de σ usaremos
R
σ̂ = . Veamos que es insesgado:
d2
Tema 6. Control estadı́stico de la calidad 10

 
R 1 1  
E(σ̂) = E = E(R) = E(R1 ) + E(R2 ) + . . . + E(Rm ) =
d2 d2 d2 m
1

= σd2 + σd2 + . . . + σd2 = σ.
d2 m
Usando estos estimadores podemos definir los parámetros de la carta de control 3σ:
3
U CL = X + √ R = X + A2 R
d2 n
LC = X = X
3
LCL = X − √ R = X − A2 R
d2 n
3
Donde el coeficiente A2 = √ depende sólo del tamaño n de las muestras. Existen tablas que propor-
d2 n
cionan los valores de d2 y de A2 .

Para el cálculo de los lı́mites de control y la lı́nea central mediante el procedimiento que acabamos de
exponer, deben usarse no menos de 20 muestras. Los lı́mites y la lı́nea central ası́ calculados son valores
tentativos y no deben tomarse como definitivos. De hecho, se les concede un valor provisional que debe
reajustarse del siguiente modo: Aquellos puntos que queden fuera de los lı́mites tentativos se eliminan, y
con los restantes se recalculan los lı́mites de control y la lı́nea central.

Hay muchas ocasiones en que la caracterı́stica de calidad es precisamente la variabilidad de alguna otra
caracterı́stica. En tales casos, se diseñan cartas de control empleando estadı́sticos que describen esta
variabilidad. Los más importante son el recorrido R y la cuasivarianza Sc2 . Nos ocuparemos en primer
lugar de las cartas de control para recorridos.
2
Llamando µR = E(R) y σR = V ar(R) , las lı́neas central y de control de la carta R serán:
U CL = µR + 3σR
LC = µR
LCL = µR − 3σR
Ahora bien, µR y σR son parámetros desconocidos, ası́ que necesitamos conocer una estimación de los
mismos, con el fin de estimar los lı́mites de control. Como estimador de µR , tomamos el recorrido medio
R, que por ser una media aritmética, es un estimador insesgado de la media poblacional µR .

La desviación tı́pica del recorrido relativo es

 
Rj 1 σRj
d3 = DT = DT (Rj ) =
σ σ σ
que sólo depende, como d2 del tamaño de la muestra (buscar la demostración), y no de cuál sea ésta, de
modo que σRj = σR = σd3 .

Ahora bien, como µR = σd2 , podemos obtener un estimador insesgado σ̂R para σR de este modo
R
σ̂R = d3 .
d2
En efecto:  
R d3 d3
E(σ̂R ) = E d3 = E(R) = σd2 = σd3 .
d2 d2 d2
Ahora estamos en condiciones de diseñar una carta de control estimada para recorridos, sustituyendo µR
y σR por sus estimadores R y σ̂R :
R
U CL = R + 3σ̂R = R + 3d3 = RD4
d2
Tema 6. Control estadı́stico de la calidad 11

CL = R
R
LCL = R − 3σ̂R = R − 3d3 = RD3 ,
d2
d3 d3
donde los coeficientes D3 = 1 − 3 y D4 = 1 + 3 , se encuentran tabulados.
d2 d2
La estimación de σ mediante R es cada vez menos eficiente conforme mayor es el tamaño de la muestra,
aunque resulta muy satisfactoria para muestras de tamaño 4, 5 ó 6, que son las que se usan habitualmente
en el control estadı́stico de la calidad. Por esa razón se prefiere, para muestras de tamaño más grande,
usar Sc para estimar σ. A continuación nos ocupamos de las cartas de control para cuasivarianzas.

Comenzamos con la suposición que después abandonaremos, de que σ es conocida. Como es sabido, el
(n − 1)Sc2
estadı́stico χ2 = tiene distribución ji−cuadrada con n − 1 grados de libertad. Su valor medio
σ2
es √ n
2Γ
E χ2 = 

2 ,
n−1
Γ
2
lo que nos permite escribir
√ n
p !
σ χ 2 σ   σ 2Γ
2  = σc ,

p
E Sc = E √ =√ ·E χ2 = √ ·  4
n−1 n−1 n−1 n−1
Γ
2
n
√ Γ
2
donde c4 = √ ·  2  es, como puede verse, un coeficiente que depende sólo del tamaño de
n−1 n−1
Γ
2
las muestras.

Por otro lado, de una de las propiedades de la varianza, y del hecho de que la cuasivarianza Sc2 es un
estimador insesgado de la varianza σ 2 , se deduce que


 2
V ar Sc = E Sc2 − E Sc = σ 2 − σ 2 c24 = σ 2 (1 − c24 ) = σ 2 c25 ,

donde de nuevo, el coeficiente c5 depende únicamente del tamaño muestral.

Ası́ pues, la carta de control 3−σ para la cuasivarianza tiene como lı́nea central y lı́neas de control:

U CL = µsc + 3σsc = σc4 + 3σc5 = σB6

LC = µsc = σc4
LCL = µsc − 3σsc = σc4 − 3σc5 = σB5

donde los coeficientes B5 = c4 − 3c5 y B6 = c4 + 3c5 se encuentran tabulados.

Ahora bien, en una situación real, el parámetro σ es desconocido, de modo que análogamente a como
hemos hecho en las cartas Xy R, vamos a sustituirlo por el siguiente estimador
Sc1 + Sc2 + . . . + Scm
Sc =
m
donde Scj (j = 1, 2, . . . , m) es la cuasivarianza de la j−ésima muestra. El valor esperado de S c es

1


 1
E Sc = E Sc1 + E Sc2 + . . . + E Scm = m σ c4 = σ c4 ,
m m
Tema 6. Control estadı́stico de la calidad 12

Sc
de donde se deduce que es un estimador insesgado del parámetro σ. Ahora podemos diseñar una
c4
carta de control estimada para la cuasidesviación tı́pica, sustituyendo σ por su estimador, resultando:

Sc
U CL = B6 = S c B4
c4
LC = S c
Sc
LCL = B5 = S c B3
c4
B6 B5
donde una vez más, los coeficientes B3 = y B4 = , que dependen únicamente del tamaño de las
c4 c4
muestras, se encuentran tabulados.
Sc
El estimador del parámetro σ, también puede usarse en el diseño de las cartas X. En tal caso, dicha
c4
carta tendrı́a como lı́mites de control y lı́nea central:

Sc
U CL = X + 3 √ = X + A3 S c
c4 n
LC = X
Sc
LCL = X − 3 √ = X − A3 S c
c4 n
3
El coeficiente A3 = √ , sólo depende del tamaño n de las muestras y se encuentra tabulado.
c4 n

5. Control de fabricación por atributos. Cartas p , C y U .

En primer lugar vamos a considerar que nuestra caracterı́stica de calidad X sólo toma dos valores:
(
1 si el artı́culo es defectuoso,
X=
0 si el artı́culo no es defectuoso.

Sea Xi i = 1, 2, . . . , n la caracterı́stica de calidad en el i−ésimo artı́culo de una muestra de tamaño n,

entonces el estadı́stico D = X1 + X2 + . . . + Xn será el número de artı́culos defectuosos en una muestra
de tamaño n, y su distribución de probabilidad es binomial B(n, p), con p desconocida. La fracción de
D
artı́culos defectuosos p̂ = es, como podemos comprobar, un estimador insesgado del parámetro p:
n
 
D 1 1
E(p̂) = E = E(D) = np = p.
n n n

Su varianza es  
D 1 1 p(1 − p)
V ar(p̂) = V ar = 2
V ar(D) = 2 np(1 − p) = .
n n n n
La carta de control 3−sigma para la fracción de artı́culos defectuosos, tendrá como lı́neas de control y
lı́nea central:
r
p(1 − p)
U CL = p + 3
n
LC = p
r
p(1 − p)
LCL = p − 3
n
Tema 6. Control estadı́stico de la calidad 13

Ahora bien, puesto que el parámetro p es desconocido, para la construcción de la carta de control es
preciso estimarlo. Para ello, tomamos m muestras a intervalos de tiempo iguales, todas ellas de tamaño
n. Sea p̂j (j = 1, 2, . . . , m) el estadı́stico p̂ en la j−ésima muestra, y consideremos el nuevo estadı́stico

p̂1 + p̂2 + . . . + p̂m

p= ,
m
que como estimador de p es insesgado:
m
1 X 1
E(p) = E(p̂j ) = mp = p.
m j=1 m

Al sustituir p en los lı́mites de control y en la lı́nea central por su estimador p, resultan

r
p(1 − p)
U CL = p + 3
n
LC = p
r
p(1 − p)
LCL = p − 3
n
Prosigamos con el diseño de cartas de control para atributos considerando ahora artı́culos complejos
como por ejemplo maquinaria o electrodomésticos, que pueden presentar más de un defecto cuyo número
máximo es en principio indeterminado, dependiendo de la complejidad del artı́culo, y por lo tanto, del
número de fallos potenciales que pueden presentarse. Supongamos que todos los defectos son igualmente
importantes bajo el punto de vista de la calidad7 , entonces, si el número de defectos no es excesivo, el
artı́culo podrı́a ser considerado apto para su uso. En estas circunstancias, la caracterı́stica de calidad
de interés es el número de defectos por artı́culo al que llamaremos C. Podemos admitir que C tiene
distribución de Poisson P(λ), de modo que una carta de control 3−sigma para C tendrı́a las siguientes
lı́neas de control y central:
√
U CL = λ + 3 λ
LC = λ
√
LCL = λ − 3 λ

Como es habitual, necesitamos un estimador del parámetro λ para construir la carta de control. Para
ello, tomamos m artı́culos, y sea Cj (j = 1, 2, . . . , m) el número de defectos del j−ésimo artı́culo. El
estadı́stico
C1 + C2 + . . . + Cm
C= ,
m
que vamos a usar como estimador de λ, es insesgado :
m
1 X 1
E(C) = E(Cj ) = mλ = λ.
m j=1 m

La carta de control tendrá como lı́neas central y de control:

p
U CL = C + 3 C
LC = C
p
LCL = C − 3 C

7 Suposición que si bien es admisible en artı́culos formados por unidades iguales como por ejemplo las cajas de fruta, no

lo es tanto en artı́culos complejos como los aparatos de aire acondicionado.

Tema 6. Control estadı́stico de la calidad 14

Por último, supongamos que en vez de analizar el número de defectos en artı́culos individuales, hacemos
C
lo propio en muestras de tamaño n. Entonces podemos considerar la caracterı́stica de calidad U = ,
n
número medio muestral de defectos por artı́culo. El valor medio de U es
 
C 1 λ
E(U ) = E = E(C) = ,
n n n

y su varianza:  
C 1 λ
V ar(U ) = V ar = V ar(C) = 2 .
n n2 n
De modo que los lı́mites de control y la lı́nea central para una carta U son:
√
λ λ
U CL = + 3
n n
λ
LC =
n √
λ λ
LCL = − 3
n n
λ
En la carta C hemos usado C como estimador de λ, de modo que ahora, como estimador de , usaremos
n
C
el estadı́stico :
n  
m m m
C 1 1 X 1 X Cj 1 X
=  Cj  = = Uj = U .
n n m j=1 m j=1 n m j=1

donde Uj es el número medio de defectos por artı́culo en la j−ésima muestra. Asimismo, la varianza de
λ C
U , 2 se estima por 2 :
n n
 
m m m
C 1 1 X  1 1 X Cj 1 1 X U
2
= 2
C j = · = · Uj = .
n n m j=1 n m j=1 n n m j=1 n

Finalmente, la carta de control U queda ası́:

s
U
U CL = U + 3
n
LC = U
s
U
LCL = U − 3
n