05 - Calidad Total y Mejoramiento Continuo - Contenido

SEMANA 5 – CALIDAD TOTAL Y MEJORAMIENTO CONTINUO
CALIDAD TOTAL Y MEJORAMIENTO CONTINUO
SEMANA 5
Implantación y control de procesos:

Control Estadístico de Procesos
Reservados todos los derechos Instituto Superior de Artes y Ciencias de la Comunicación S.A. No se permite copiar, reproducir, reeditar, descargar,
publicar, emitir, difundir, de forma total o parcial la presente obra, ni su incorporación a un sistema informático, ni su transmisión en cualquier
forma o por cualquier medio (electrónico, mecánico, fotocopia, grabación u otros) sin autorización previa y por escrito de Instituto Superior de
IACC-2020
Artes y Ciencias de la Comunicación S.A. La infracción de dichos derechos puede constituir un delito contra la propiedad intelectual.
1
APRENDIZAJES ESPERADOS
El estudiante será capaz de:
• Utilizar la información estadística

referida a la implantación y control de
procesos, para el análisis y toma de
decisiones pertinentes.
IACC-2020
2
INTRODUCCIÓN ................................................................................................................................... 4
1. LA VARIABILIDAD DE LOS PROCESOS PRODUCTIVOS .................................................................. 5
2. EL CONTROL ESTADÍSTICO DE PROCESOS ................................................................................... 8
2.1. CONCEPTOS ESTADÍSTICOS UTILIZADOS EN LA MEDICIÓN DE VARIABLES DE PROCESOS . 8
2.1.1. EXACTITUD Y PRECISIÓN DE LOS DATOS ..................................................................... 9
2.1.2. ERROR ........................................................................................................................ 10
2.1.3. TOLERANCIA .............................................................................................................. 11
2.1.4. DESVIACIÓN ESTÁNDAR ............................................................................................ 11
2.1.5. DISTRIBUCIÓN NORMAL............................................................................................ 13
3. CAPACIDAD PRODUCTIVA DE LOS PROCESOS ........................................................................... 13
3.1. RAZÓN DE CAPACIDAD DE UN PROCESO (CP) ................................................................... 14
3.2. ÍNDICE DE CAPACIDAD DE UN PROCESO (CPK) ................................................................. 15
4. CAPACIDAD DE LOS PROCESOS BASADOS EN ATRIBUTOS ........................................................ 16
4.1. GRÁFICOS DE CONTROL .................................................................................................... 16
4.1.1. GRÁFICOS DE CONTROL POR VARIABLES .................................................................. 17
4.1.2. GRÁFICOS DE CONTROL POR ATRIBUTOS ................................................................. 21
4.1.3. GRÁFICOS POR NÚMEROS DE DEFECTOS .................................................................. 27
4.1.4. INTERPRETACIÓN DE LOS GRÁFICOS DE CONTROL ................................................... 28
RESUMEN DE LO APRENDIDO ........................................................................................................... 32
REFERENCIAS ..................................................................................................................................... 33
IACC-2020
3
INTRODUCCIÓN
La norma ISO 9001 señala que las Según lo anterior, y de acuerdo a la norma
organizaciones deben hacer seguimiento de ISO 9001, las actividades de seguimiento y
los procesos y productos como parte de las medición son:
actividades de su sistema de gestión de la
calidad. • Satisfacción del cliente, a través de
encuestas y gestión de los reclamos,
Para ello se tiene que determinar la entre otros.
capacidad y variabilidad de los procesos, así • Desempeño del sistema de gestión
como también medir las características del de la calidad a través de auditorías.
producto para verificar que se cumplen los • Desempeño de los procesos,
requisitos del mismo y, con ello, el midiendo la variabilidad de los
cumplimiento de los estándares de calidad procesos, utilizando técnicas
ofrecidos por la propia organización, a través estadísticas.
de herramientas de la estadística. Por tanto, • Conformidad del producto a través
estas actividades de medición y monitoreo se de inspecciones y controles de
deben realizar en las etapas apropiadas del calidad.
proceso y de acuerdo con las disposiciones
planificadas, para así mantener evidencia de Para este contenido se revisarán las
la conformidad con los criterios de principales tecnicas asociadas al desempeño
aceptación. y conformidad de los procesos, según la
norma ISO 9001.
IACC-2020
4
1. LA VARIABILIDAD DE LOS PROCESOS PRODUCTIVOS

Es imposible que un proceso obtenga dos productos exactamente iguales, debido a múltiples
factores, tales como: imprecisión humana, irregularidades en maquinarias, factores ambientales y
errores en los instrumentos de medición, entre otros. Esto significa que las características de una
serie de productos no son uniformes y presentan una variabilidad en sus parámetros. El objetivo
principal del control estadístico es conocer esta variabilidad y reducirla al máximo.
La teoría del Control Estadístico de Procesos (CEP) señala que las causas de la variabilidad en los
procesos se clasifican en dos tipos (Arvelo, 1998):
Causas comunes o no Causas asignables o

asignables especiales
• Causas comunes o no asignables: La naturaleza de estas causas es de tipo aleatorio, son

difíciles de identificar y controlar, ya que son inherentes al proceso, siendo la acumulación y
combinación de diferentes fuentes de variabilidad.
Como ejemplos de este tipo de causas se pueden mencionar:
• Variaciones debidas a la materia prima.

• Habilidades del personal.
• Factores ambientales como ruidos, vibraciones, temperaturas, humedad, etc.
• Procedimientos inapropiados o estandarizados.
• Diseños deficientes.
• Error en el control de calidad.
• Variabilidad en los ajustes y calibraciones de los equipos.
• Tiempo de respuesta de los computadores y otros equipos.
Estas variaciones son aquellas que siempre están en el proceso, es decir, en cada lote de
producción. Eliminar o reducir estas variaciones es muy costoso, pero, a largo plazo, equivalen a
oportunidades de mejoras.
• Causas especiales o asignables: Son aquellas causas que no son parte del sistema y están
presentes circunstancialmente. Este tipo de causas son fáciles de identificar, controlar y
eliminar.
IACC-2020
5
Como ejemplos de este tipo de causas se pueden mencionar:
• Deficiencias en los ajustes del equipo.

• Fallas de máquinas.
• Malfuncionamiento de los computadores.
• Lote de materia prima defectuosa.
• Variaciones de energía.
Cuando un proceso es afectado solamente por un sistema constante de causas comunes, se afirma
que está bajo control estadístico; en cambio, cuando en este aparecen causas especiales, se dice
que está fuera de control estadístico.
Al medir los valores de un proceso se asume que el comportamiento de los datos corresponde a
una distribución normal, lo cual se puede graficar mediante una campana de Gauss.
En los siguientes gráficos se muestra, a través de curvas de normalidad, un proceso estable y un

proceso inestable. Para ambos casos, la característica de estudio viene representada con la curva
de distribución normal y el gráfico interpreta cómo varía esta con el tiempo (Arvelo, 1998).
Ejemplo de proceso estable e inestable en una gráfica. Fuente: https://bit.ly/3aSRoF5
Entonces, se puede concluir que un proceso que se encuentra bajo control estadístico es un
proceso estable siempre que este sea afectado solo por causas aleatorias o comunes y en donde
se hayan eliminado las causas especiales.
IACC-2020
6
Que un proceso esté bajo control estadístico, no quiere decir que sus productos o servicios
cumplen con los requisitos especificados. Para que se cumpla aquello, se debe evaluar la
capacidad de los procesos (Arvelo, 1998).
A continuación, se muestra un gráfico de control correspondiente a un proceso donde se observa

que está bajo control estadístico ya que no existen puntos fuera de los límites de control (LCS y
LCI. Sin embargo, este proceso no es capaz de cumplir con los límites de especificación superior e
interior (LSE y LIE), ya que estos son inferiores a los límites de control. De esta manera, es posible
observar que se cumple lo anteriormente mencionado respecto a que un proceso estable no
siempre significa que sea capaz de producir, cumpliendo con la tolerancia permitida.
Ejemplo de gráfica de LSE y LIE Fuente: https://bit.ly/2S4kAR3
Cabe señalar que los límites de control superior (LCS) e inferior (LCI) provienen de los
parámetros de la distribución de los datos, es decir, se calculan en base a los datos
obtenidos en el proceso y la desviación estándar de estos. En cambio, los límites de
especificación son valores que se establecen de acuerdo a los requisitos de especificación.
Por ejemplo, si se requiere de un perno con un vástago de 9 +0,5 mm de longitud, los
límites de especificación son: 8,95 y 9,05 mm
Los beneficios de tener los procesos bajo control estadístico son:
IACC-2020
7
Conocer la capacidad de los procesos en relación con el

cumplimiento de las especificaciones
Pronosticar comportamiento y desempeño de los procesos
Establecer mejoras para reducir, dentro de lo posible, causas

aleatorias
2. EL CONTROL ESTADÍSTICO DE PROCESOS

El control estadístico de los procesos (CEP) es una herramienta para gestionar el desempeño de
estos procesos, cuyo objetivo es conocer y comparar los parámetros del mismo. Con esta
información es posible determinar si los procesos están en capacidad de producir de acuerdo a las
especificaciones establecidas. El análisis de esta información permitirá reducir las desviaciones
para lograr procesos capaces y estables.
Los beneficios del control estadístico de los procesos son:
• Permite conocer la variación de los parámetros del proceso, entre estos se pueden
mencionar la precisión y exactitud de los productos obtenidos en relación a las
especificaciones.
• Reducir las fracciones de productos no conformes o defectuosos.
• Reducir los costes.
• Cumplir los requisitos de especificación.
Para controlar, medir y evaluar los procesos existe una serie de métodos y herramientas
estadísticas que permiten recopilar, analizar y evaluar la información de estos para así poder
tomar decisiones respecto a la mejora de los mismos.
2.1. CONCEPTOS ESTADÍSTICOS UTILIZADOS EN LA MEDICIÓN DE VARIABLES DE

PROCESOS
Para entender este concepto es necesario conocer términos estadísticos como precisión,
exactitud, error, tolerancia, desviación estándar, límites de control, entre otros.
IACC-2020
8
Cabe señalar que las definiciones presentadas en este material son simples y están orientadas a la
aplicación de los procesos y problemáticas que se detectan en las organizaciones.
2.1.1. EXACTITUD Y PRECISIÓN DE LOS DATOS
Generalmente, los conceptos de exactitud y precisión erróneamente se conciben como sinónimos,

pero en estadísticas se definen como (Chavarría, 2011):
• Precisión: Se refiere a la dispersión del conjunto de valores obtenidos de mediciones

repetidas de una magnitud. Cuanto menor es la dispersión, mayor es la precisión. La
precisión está relacionada con la variabilidad de los datos respecto al valor medio. Una
medida de esta variabilidad es la desviación estándar de las mediciones y la precisión se
puede estimar como una función de ella.
• Exactitud: Se refiere a cuán cerca del valor real se encuentra el valor medido. En términos
estadísticos, la exactitud está relacionada con el sesgo de una estimación. Cuanto menor
es el sesgo, más exacta es una estimación. Su parámetro es la media o promedio
aritmético de los datos. Cuando se expresa la exactitud de un resultado se hace mediante
el error absoluto, que es la diferencia entre el valor experimental y el valor verdadero.
Ejemplo de exactitud y precisión en un gráfico

Fuente: https://bit.ly/38Aj8MV
La diferencia de estos conceptos es que la exactitud tiene relación con el grado de concordancia
de los valores obtenidos con el valor verdadero, y la precisión se relaciona con la variabilidad de
estos valores. Para asegurar la confiabilidad de un resultado se deben considerar ambos
conceptos, ya que es posible obtener resultados cerca del valor real, pero con datos muy
dispersos. El concepto de precisión se asocia a las maquinarias y equipos, mientras que la
exactitud, a la mano de obra (personas).
IACC-2020
9
Para ejemplificar estos conceptos y la diferencia entre ambos, se puede observar el siguiente
ejemplo:
Varias flechas son disparadas hacia un objetivo. La exactitud describe la proximidad de las
flechas al centro del objetivo. Las flechas que impactaron más cerca del centro se consideran
más exactas. Cuanto más cerca están las medidas a un valor aceptado, más exacto es un
sistema.
Ejemplo de la gráfica de precisión y exactitud en concordancia con la campana de Gauss .

Fuente: https://bit.ly/38Aj8MV
La precisión en este ejemplo está dada por el tamaño del grupo de flechas. Cuanto más cercanas
entre sí estén las flechas que impactaron el objetivo, más preciso será el sistema. Hay que notar
que el hecho de que las flechas estén muy cercanas entre sí es independiente al hecho de que esté
cerca del centro del objetivo (Chavarría, 2011).
2.1.2. ERROR
La palabra error tiene más de una connotación. Para contextualizar, dentro de este documento se
analizará desde el punto de vista de la metrología, la cual es la rama de la física que estudia las
mediciones de las magnitudes (del griego μέτρoν, medida y λóγoς, tratado), es decir, la ciencia que
estudia los sistemas de pesas y medidas.
Por tanto, en metrología el error se define como “la diferencia entre el resultado obtenido en una
medición y el valor verdadero de la misma” (Moro, 2000). P 46.
Ejemplo: La medida especificada de fabricación del vástago de los pernos es de 9 mm de

longitud. En la práctica, se obtuvo vástagos de 9,5 mm de longitud, por tanto: El error es: 0,5
mm.
IACC-2020
10
2.1.3. TOLERANCIA
Término utilizado para designar a la diferencia entre la medida máxima permitida y la medida
mínima permitida. Se expresa como valor absoluto o como valor porcentual.
T= MMAX- MMIN
Ejemplo
La temperatura de los equipos de frío (refrigeración) para almacenar los alimentos perecibles
es de 2 + 2 °C. Por lo tanto:
Temperatura máxima permitida = 4°C
Temperatura mínima permitida = 0°C
Tolerancia = 4°C – 0°C = 4°C
2.1.4. DESVIACIÓN ESTÁNDAR
En términos simples, se puede señalar que la desviación estándar (σ o S) mide cuánto se separan
los datos en relación al promedio de estos. Se calcula:
Donde:
Cada dato se resta a la media de la serie, se eleva al cuadrado y se calcula el promedio aritmético.
La raíz cuadrada de ese valor es la desviación estándar.
IACC-2020
11
Ejemplo
En un control de pesos de una producción de botellas plásticas se determina que el valor

especificado y valor promedio es de 10,5 g aproximadamente, en donde se obtuvo una
desviación estándar de 0,05, esto quiere decir, que los pesos de las botellas varían en
promedio 0,05 g en relación al valor promedio de los datos y, en este caso, al valor
especificado.
Tabla de cálculo de desviación estándar
Pesos (g) Xi-Prom X (Xi-Prom X)^2 Suma (Xi-Prom X)^2
10,51 0,0224 0,00050176 0,063056

10,42 -0,0676 0,00456976 n = 25
10,47 -0,0176 0,00030976 (Xi-Prom X)^2 /n
10,5 0,0124 0,00015376 0,0025222400
10,44 -0,0476 0,00226576 Raíz((Xi-Prom X)^2 /n)
10,44 -0,0476 0,00226576 0,050
10,42 -0,0676 0,00456976 Desviación estándar
10,45 -0,0376 0,00141376 0,05
10,6 0,1124 0,01263376
10,54 0,0524 0,00274576
10,59 0,1024 0,01048576
10,58 0,0924 0,00853776
10,49 0,0024 5,76E-06
10,53 0,0424 0,00179776
10,53 0,0424 0,00179776
10,43 -0,0576 0,00331776
10,5 0,0124 0,00015376
10,44 -0,0476 0,00226576
10,48 -0,0076 5,776E-05
10,47 -0,0176 0,00030976
10,45 -0,0376 0,00141376
10,45 -0,0376 0,00141376
10,48 -0,0076 5,776E-05
10,49 0,0024 5,76E-06
10,49 0,0024 5,76E-06
Promedio 10,49
IACC-2020
12
2.1.5. DISTRIBUCIÓN NORMAL
Es la distribución cuyas variables aleatorias pueden tomar un número infinito de posibles valores o
cuyas diferencias entre sí pueden ser infinitesimales, por lo tanto, es una distribución continua, ya
que sus variables pueden medirse con el grado de precisión que se desee.
En términos simples, la distribución normal es una serie de datos de valores continuos la que
depende de dos parámetros: de la media o promedio aritmético y de la desviación estándar de los
datos.
Como ejemplos de valores continuos, las variables que se pueden mencionar son: temperatura,
presión, pesos, volúmenes, longitudes, etc.
La distribución normal se utiliza para determinar la probabilidad de ocurrencia de un evento al

azar, centrándose en un valor determinado. La gráfica de su función de densidad tiene una forma
acampanada y es simétrica respecto de un determinado parámetro estadístico. Esta curva se
conoce como campana de Gauss y es el gráfico de una función gaussiana.
Gráfico de distribución normal en concordancia con la campana de Gauss

Fuente: Cuatrecasas, 2010, p. 263.
3. CAPACIDAD PRODUCTIVA DE LOS PROCESOS

Es la habilidad de un proceso para cumplir las especificaciones de diseño, establecidas por la
ingeniería de diseño o por los requerimientos del cliente.
Para evaluar si el proceso tiene la capacidad de cumplir con los requerimientos de los clientes y/o
especificaciones, existen dos indicadores que permiten determinar cuantitativamente la capacidad
del proceso:
IACC-2020
13
• Razón de habilidad del proceso (Cp): Sus valores deben caer dentro de las especificaciones
superior e inferior.
• Índice de habilidad del proceso (Cpk): Mide la diferencia que hay entre las dimensiones
deseadas y las reales de los bienes o servicios producidos.
Para conocer si un proceso es capaz de cumplir con las especificaciones de diseño de un producto
o servicio, además de los requerimientos de un cliente, es necesario determinar la capacidad del
proceso, la cual se refiere a cuánto se ajusta el producto o servicio al valor nominal establecido.
De acuerdo a lo anterior, los estudios de capacidad permiten:
• Predecir hasta qué punto el proceso podrá cumplir tolerancias.

• Poder elegir, entre distintos procesos, el más adecuado.
• Planificar la relación entre procesos secuenciales.
• Establecer qué procesos tienen problemas de capacidad y, de esta forma, asignar
los recursos económicos.
• Establecer nuevas estrategias para optimizar los procesos.
Para determinar la capacidad de un proceso, es necesario determinar la razón de capacidad del

proceso (Cp) y el índice de capacidad del proceso (Cpk).
3.1. RAZÓN DE CAPACIDAD DE UN PROCESO (CP)
La razón de capacidad de proceso (Cp) se refiere a la uniformidad del proceso y se define como:
𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟−𝐿í𝑚𝑖𝑡𝑒 𝑑𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟

Cp = 6𝜎
Las especificaciones son definidas de acuerdo a los requerimientos del cliente o definidos por la
empresa, y se establece generalmente el valor de 6σ para tener una habilidad de proceso de ±3
desviaciones estándar de la media del proceso, para estar dentro del 99,7% de probabilidad de
contener los productos o servicios dentro de los estándares de calidad.
De acuerdo con los siguientes valores de CP estable si el proceso es capaz de producir un bien o
servicio de acuerdo a los requerimientos establecidos. A partir de la tabla 1 se podrá establecer la
capacidad potencial de un proceso:
IACC-2020
14
Valor de Cp Clase o Categoría del proceso Interpretación

Cp ≥ 2 Clase Mundial Se tiene calidad seis sigma.
Cp > 1,33 1 Adecuado.
1 < Cp ≤ 1,33 2 Parcialmente adecuado.
0,67< Cp ≤ 1 3 No adecuado para el trabajo. Un
análisis del proceso es necesario.
Requiere modificaciones serias
para alcanzar la calidad deseada
Cp ≤ 0,67 4 No adecuado para el trabajo.
Requiere modificaciones muy
serias.
Nota: Si el Cpk < Cp una vez centrado el proceso tendrá la clase que se indica.
Tabla 1: Tabla Indicadores Razón de Capacidad de Proceso y su interpretación
Fuente: Gutiérrez, H. y De la Vara, R. (2013). Control estadístico de la calidad y Seis Sigma.
En la siguiente tabla se presenta la relación de Cp con el porcentaje de capacidad del proceso.
Valor de Cp % Capacidad % No conforme

0,500 86,640 13,360
0,620 93,500 6,500
0,680 96,000 4,000
0,750 97,500 2,500
0,810 98,500 1,500
0,860 99,000 1,000
0,910 99,350 0,650
1,000 99,730 0,270
1,330 99,990 0,006
Dependiendo del valor de Cp se tiene un porcentaje de capacidad de proceso. Por ejemplo, si se

tiene un valor de Cp de 1 se tendrá un 99,730% de productos elaborados de acuerdo con los
estándares de calidad y 0,270% serán productos defectuosos.
3.2. ÍNDICE DE CAPACIDAD DE UN PROCESO (CPK)
El índice de habilidad del proceso (Cpk) mide la diferencia que hay entre las dimensiones deseadas
y las reales de los bienes o servicios producidos. En otras palabras, permite evaluar si el proceso
está centrado o no. El índice CPK se define como:
𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟− 𝑋̅ 𝑋̅ −𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟

Cpk = Mín ( 3𝜎
, 3𝜎
)
IACC-2020
15
Donde:
𝑋̅ : Corresponde a la media del proceso
σ : Corresponde la desviación estándar de la población que está en un proceso.
Se elige el valor mínimo de las dos razones porque representa la situación que ocurriría en el peor
caso posible y luego se debe comparar para evaluar si el proceso está centrado.
Figura 3. Diagrama de Flujo de una planta de ensamble de Harley Davidson.

Fuente: Heizer, J. y Render, B. (2009). Principios de administración de operaciones. México: Pearson
Educación.
4. CAPACIDAD DE LOS PROCESOS BASADOS EN ATRIBUTOS
4.1. GRÁFICOS DE CONTROL
Una de las herramientas para detectar y controlar las causas de variación de los procesos son las
cartas de control o gráficos de Shewart. Estos gráficos de control son de dos tipos (Arvelo, 1998):
Tipos Gráficos de control por variables

gráficos
de Gráficos de control por atributos
control
IACC-2020
16
Cartas o gráficos de control por variables: Estos se basan en la variación de características

medibles del producto o del servicio. Ejemplos de las variables que se grafican son: longitud, peso,
volúmenes, entre otros.
Estos gráficos muestran la variabilidad de resultado de un proceso respecto a una determinada

característica dada en el tiempo (Arvelo, 1998).
Los gráficos de control por variables se clasifican en dos tipos:
• Los que grafican la exactitud (media):
• Los que grafican la precisión (varianza, desviación o recorridos): R
4.1.1. GRÁFICOS DE CONTROL POR VARIABLES
Para construir los gráficos de control, es necesario definir la población muestral (N) y la
cantidad los subgrupos (n) que conforman las muestras, donde:
La población muestral (N) se refiere al tamaño del lote de inspección, es decir, la cantidad de
muestras que se ensayarán.
Los subgrupos que conforman la muestra (n) se refiere a la cantidad de mediciones, ensayos,
inspecciones que se les realiza a cada muestra.
CÁLCULOS DE LÍMITES DE CONTROL

El primer paso para calcular los límites de control es determinar los valores de N y n, de acuerdo a
lo señalado anteriormente, por ejemplo:
Supóngase una empresa que está fabricando ladrillos refractarios, a los que se les controla su
longitud en milímetros. Se toman 25 muestras y se efectúan 5 series de medidas a cada muestra.
Esto quiere decir que N = 25 y n = 5.
Límites de control gráficos de control de medias
Fórmulas de cálculo:
Límite de control superior (LCS ) = + A2 * Ṝ Donde:
Límite de control inferior (LCI ) = - A2 * Ṝ : promedio de los datos (medias).
Límite central (LC ) = Ṝ: promedio de los recorridos.

A2: constante.
IACC-2020
17
Límites de control gráficos de control de recorridos, R
Fórmulas de cálculo:
Límites de control superior (LCSR) = D4 * Ṝ Donde:

Límites de control inferior(LCIR) = D3 * Ṝ R: es una medida de la dispersión,
correspondiente a la diferencia entre el valor
Límite central (LCR) = Ṝ
máximo y el valor mínimo de la medida de una
muestra.
Ṝ: promedio de los recorridos.
D4 y D3: constantes.
Nota: las constantes A2, D4 y D3 están en función del tamaño de la muestra, como lo señala la tabla
a continuación.
Tabla de constantes para gráficos de control. Fuente: https://bit.ly/2GDWMOg
IACC-2020
18
Siguiendo con el ejemplo anterior: se obtienen los valores, para n = 5
A2 0,577
D3 0
D4 2,114
Los valores de las mediciones de las muestras de ladrillos:
Muestra (n°) Medidas (mm) Promedio ( ) Rango (R)

1 10,40 10,80 10,40 10,50 10,45 10,51 0,40
2 10,55 10,50 10,25 10,45 10,35 10,42 0,30
3 10,45 10,50 10,50 10,40 10,50 10,47 0,10
4 10,30 10,40 10,50 10,60 10,70 10,50 0,40
5 10,45 10,20 10,50 10,65 10,40 10,44 0,42
6 10,45 10,40 10,30 10,45 10,60 10,44 0,30
7 10,60 10,60 10,30 10,25 10,65 10,42 0,35
8 10,40 10,55 10,45 10,45 10,40 10,45 0,15
9 10,40 10,80 10,65 10,50 10,65 10,60 0,40
10 10,50 10,70 10,55 10,50 10,45 10,54 0,25
11 10,55 10,60 10,65 10,60 10,55 10,59 0,10
12 10,60 10,65 10,55 10,60 10,50 10,58 0,15
13 10,55 10,50 10,45 10,45 10,50 10,49 0,10
14 10,55 10,50 10,50 10,60 10,50 10,53 0,10
15 10,55 10,55 10,60 10,50 10,45 10,53 0,15
16 10,40 10,45 10,40 10,45 10,45 10,43 0,05
17 10,60 10,45 10,50 10,50 10,45 10,50 0,15
18 10,55 10,40 10,40 10,50 10,35 10,44 0,20
19 10,40 10,55 10,45 10,55 10,45 10,48 0,15
20 10,50 10,40 10,45 10,55 10,45 10,47 0,15
21 10,55 10,40 10,45 10,40 10,45 10,45 0,15
22 10,40 10,45 10,45 10,50 10,45 10,45 0,10
23 10,50 10,55 10,40 10,50 10,50 10,48 0,15
24 10,50 10,55 10,40 10,50 10,50 10,49 0,15
25 10,50 10,45 10,55 10,50 10,45 10,49 0,10
Fuente: Material elaborado para este curso (Césped, 2014).Gestión de Calidad 2016
IACC-2020
19
Cabe señalar que la media es el promedio aritmético de cada serie de datos y el recorrido es la
diferencia entre el valor máximo y el valor mínimo de cada serie de datos.
Reemplazando:
- El promedio de las medias, es 10,49 mm.

- El promedio de los recorridos, Ṝ es 0,20 mm.
Límites para gráfico de medias Límites para gráfico de recorridos
Límite de control superior (LCS )= + A2 * Ṝ Límites de control superior (LCSR )= D4* Ṝ
LCS = 10,49 + 0,577 * 0,20 LCSR = 2,114 * 0,20

LCS = 10,60 LCSR= 0,43
Límite de control inferior (LCI ) = - A2 * Ṝ Límites de control inferior (LCIR) = D3 * Ṝ
LCI = 10,49 - 0,577 * 0,20 LCSR= 0 * 0,20
LCI = 10,37 LCSR = 0
Limite central (LC ) = Limite central (LCR) = Ṝ
LC = 10,49 LCSR = 0,20
0,5
0,45
0,4
Mediciones
0,35
0,3 LC
mm
0,25 LCS
0,2
LCI
0,15
0,1
0,05
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Gráfico de proceso de medición de los ladrillos.

Fuente: Elaboración propia en base a (Césped, 2014). Gestión de Calidad 2016
IACC-2020
20
0,5
0,45
0,4
Mediciones
0,35
0,3 LC
Rangos
0,25 LCS
0,2
LCI
0,15
0,1
0,05
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Gráfico de Ṝ proceso de medición de los ladrillos

Fuente: Elaboración propia en base a (Césped, 2014). Gestión de Calidad 2016
Ver video de cómo elaborar los gráficos de control en:
https://www.youtube.com/watch?v=gJcnUJ49l5c
Link del recurso (podcast).

4.1.2. GRÁFICOS DE CONTROL POR ATRIBUTOS
Son gráficos de control basados en la observación

Límite
de la presencia o ausencia de una determinada superior
característica, o cualquier tipo de defecto en el
producto, servicio o proceso en estudio.
Límites
Dentro de los gráficos por atributos se encuentran de
los siguientes límites de control. Control
Límite Límite
Central Inferior
IACC-2020
21
Para aplicar las gráficas de control por atributos se debe tener en cuenta lo siguiente:
• El tamaño de la muestra debe ser considerable para obtener información significativa.

• Se aplica a procesos que tienen un gran número de disconformidades o unidades
defectuosas.
GRÁFICAS P
Es una carta control que permite monitorear la proporción o porcentaje de productos defectuosos
en una muestra de una línea de producción o en un subgrupo. Las gráficas P se utilizan para medir
el desempeño de procesos.
El objetivo de utilizar este tipo de cartas de control es analizar la proporción de artículos

defectuosos por subgrupos (unidades rechazadas/ unidades inspeccionadas).
Generalmente son utilizadas para reportar resultados en puntos de inspección, donde una o más
características de calidad son evaluadas y, en función de esto, el artículo es aceptado o rechazado.
Se debe realizar el siguiente procedimiento para calcular los límites superior e inferior de los
gráficos P:
Primero: se debe calcular la desviación estándar de la distribución de la proporción defectuosa,

σp:
̅̅̅̅̅̅̅̅̅̅̅
̅ (1−𝑝̅
𝑝 ̅̅̅)
σp = √ 𝑛
Donde:
• n= tamaño de la muestra.
• 𝑝̅ = línea central del gráfico, que puede ser la proporción defectuosa de la población
histórica promedio, o un valor objetivo.
• 𝑝̅ = total de defectos /número total de observaciones.
Segundo: a partir de la desviación estándar de la distribución de la proporción defectuosa se

pueden calcular los límites superior e inferior de los gráficos P.
Límite Superior UCLp = 𝑝̅ + zσp
Límite Inferior LCLp = 𝑝̅ - zσp
IACC-2020
22
Donde:
• z= número de desviaciones estándar con respecto al promedio.
El gráfico se usa de la siguiente forma. Periódicamente se toma una muestra aleatoria de tamaño
n y se cuenta el número de productos o servicios defectuosos. El número de elementos
defectuosos se divide entre el tamaño de la muestra para obtener una proporción de muestra
defectuosa, p, la cual se traza después en el gráfico. Cuando una proporción de muestra
defectuosa queda fuera de los límites de control, el analista supone que la proporción defectuosa
generada por el proceso ha cambiado y busca la causa asignable. Las observaciones que se ubican
por debajo del LCLp indican que el proceso puede haber mejorado en realidad. Es posible que el
analista no logre encontrar ninguna causa asignable porque siempre existe la posibilidad de que
una proporción fuera de control se haya producido de manera fortuita. Sin embargo, si el analista
descubre causas asignables, esos datos de muestra no deben usarse para calcular los límites de
control para el gráfico. (Krajewski, et al.,2008 p.224).
EJEMPLO DE APLICACIÓN
El departamento de procesamiento de datos de un banco tiene cinco analistas que se dedican a

introducir datos. Su supervisor verifica todos los días la precisión de una muestra aleatoria de 250
registros. Cuando un registro contiene uno o más errores, se considera defectuoso y es preciso
hacerlo de nuevo. Los resultados de las 30 últimas muestras se presentan en la siguiente tabla.
Todos fueron verificados para asegurar que ninguno estuviera fuera de control.
Tomando como base estos datos históricos, trace un gráfico p usando z = 3
IACC-2020
23
Muestra Número Muestra Número

Registros Registros
Defectuosos Defectuosos
1 7 16 8
2 5 17 12
3 19 18 4
4 10 19 6
5 11 20 11
6 8 21 17
7 12 22 12
8 9 23 6
9 6 24 7
10 13 25 13
11 18 26 10
12 5 27 14
13 16 28 6
14 4 29 11
15 11 30 9
16 8
17 12 Total 300
Para obtener 𝑝̅ , tenemos que
• El número total de registros defectuosos es de 300.

• Número total de observaciones es de 7500, considerando 250*30=7500
300
𝑝̅ = 7.500 = 0,04
Luego se obtiene la desviación estándar σp:
̅̅̅̅̅̅̅̅̅̅̅
̅ (1−𝑝̅
𝑝 ̅̅̅)
σp = √
250
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅
0,04 (1−0,04)
σp = √ 250
σp = 0,0124
IACC-2020
24
Límite Superior UCLp = 𝑝̅ + zσp
UCLp = 0,04 + 3*0,0124
UCLp = 0,077
Límite Inferior LCLp = 𝑝̅ - zσp
UCLp = 0,04 - 3*0,0124
UCLp = 0,003
Luego, se debe calcular la proporción defectuosa de la 1 a la 30.
Muestra Número Proporción Muestra Número Proporción defectuosa

Registros defectuosa = Nº Registros = Nº Registros
Defectuosos Registros Defectuosos defectuosos/Nº total
defectuosos/Nº de registros por
total de registros muestra
por muestra
1 7 0,028 16 8 0,032
2 5 0,02 17 12 0,048
3 19 0,076 18 4 0,016
4 10 0,04 19 6 0,024
5 11 0,044 20 11 0,044
6 8 0,032 21 17 0,068
7 12 0,048 22 12 0,048
8 9 0,036 23 6 0,024
9 6 0,024 24 7 0,028
10 13 0,052 25 13 0,052
11 18 0,072 26 10 0,04
12 5 0,02 27 14 0,056
13 16 0,064 28 6 0,024
14 4 0,016 29 11 0,044
15 11 0,044 30 9 0,036
IACC-2020
25
Finalmente, se debe graficar: 𝑝̅ , UCLp = 𝑝̅ + zσp, LCLp = 𝑝̅ - zσp y la proporción defectuosa,

quedando el gráfico:
Análisis: Se puede observar que todos los registros defectuosos están dentro de los límites de
control, solo se sugiere que continúe la supervisión del proceso.
A continuación, se muestran los cuatro días siguientes:
Muestra Número
Registros
Defectuosos
31 17
32 15
33 22
34 21
Muestra Número Proporción defectuosa = Nº Registros

Registros defectuosos/Nº total de registros por
Defectuosos muestra
31 17 0,068
32 15 0,060
33 22 0,088
34 21 0,084
IACC-2020
26
Las muestras 33 y 34 pasan el límite superior, por lo tanto, se encuentran fuera de control y será
necesario determinar las razones del desempeño deficiente en esos días. El supervisor tendrá que
buscar el problema y, una vez que lo identifique, aplicar las medidas correctivas que
correspondan.
Las causas pueden ser que se incorporó un analista nuevo con poca experiencia o errores en la
maquinaria.
4.1.3. GRÁFICOS POR NÚMEROS DE DEFECTOS
Los gráficos por números de defectos son utilizados cuando los gráficos tanto por atributos como
por variables no pueden ser utilizados. Esto se da, por ejemplo, cuando cada tipo de producto en
particular presenta distintos defectos, resultando más eficaz numerarlos que presentar el
producto como no apto o como unidad defectuosa que no cumple la característica de calidad en
cuestión.
Por ello, para este tipo de escenario se utilizan los gráficos en U y C, los cuales se describen a
continuación.
IACC-2020
27
4.1.4. INTERPRETACIÓN DE LOS GRÁFICOS DE CONTROL
GRÁFICOS EN C
El objetivo que tiene este tipo de gráficos es analizar la variabilidad del número de defectos de un
subgrupo cuando el tamaño de este se mantiene constante, es decir, es la gráfica de la totalidad
de números de defectos sobre el total de subgrupos o muestra existente.
Para ello se utiliza la siguiente fórmula:
Donde los límites de control están dados por:
Limite Central: LC = Cm
Límite de control superior: LCS = Cm + 3 √𝐶𝑚
Límite de control inferior: LCS = Cm - 3 √𝐶𝑚
IACC-2020
28
Ejemplo
En una fábrica de muebles se realiza la inspección del acabado de las molduras (pilastras) después de la
fase de secado en la máquina secadora.
La cantidad de registros sobre los defectos encontrados en cada una de las muestras (molduras) son
ingresados a una planilla, para ver tanto el nivel de defectos que se tiene como el nivel de
mejoramiento que este necesita.
Para determinar el nivel de defectos se utiliza la gráfica C, la cual establece el nivel de defectos distintos
de una muestra, ya que cada una de estas muestras puede tener distintos tipos de defectos y cantidad.
Por ello, se presenta a continuación la tabla de resumen con estos hallazgos.
Mesa Defectos Mesa Defectos Mesa Defectos

1 7 11 6 21 3
2 5 12 7 22 10
3 10 13 8 23 6 Cm = 191/30 = 6,4
4 2 14 4 24 6
5 6 15 5 25 7 LCS = 6,4 + 3 √6,4 = 14
6 5 16 12 26 4 Línea central = 6,4
7 4 17 8 27 5
8 9 18 10 28 6 LCI = 6,4 -3 √6,4 = −1,2
9 7 19 4 29 8
10 5 20 7 30 5
Total 191
Recordar que al ser un valor negativo el

LCI para número de defectos y como
no puede haber números de defectos
negativos, por tanto se interpreta el
valor llevado a 0.
Por tanto el gráfico en C presentado

muestra una cierta homogeneidad de
las muestras con lo cual el proceso
funciona de forma estable ya que no
hay valores fuera del LCS u algún
patrón no aleatorio.
Fuente: Ejemplo basado en Gutiérrez, H. y De la Vara, R. (2013).
Control estadístico de la calidad y Seis Sigma. (p. 221).
IACC-2020
29
GRÁFICA EN U
En este tipo de gráfica se enseña controlar el porcentaje de defectos por unidad de inspección o
muestra, además se utiliza cuando el tamaño de las muestras es variable usándose en algunos
casos el número de defectos por área de longitud. De esta forma, los subgrupos de unidades
inspeccionadas pueden tener diferentes tamaños.
Una vez que se recojan los datos se debe indicar la cantidad de defectos por subgrupo y el tamaño
de la muestra de cada subgrupo y, con ello, la cantidad de defectos por unidad de subgrupos será
lo que representa el gráfico.
Para lo cual la fórmula necesaria es:
ui = Ci/ni
Donde:
ui = Defectos por unidad

Ci = número de defectos por subgrupos
ni = Tamaño del subgrupo
Para calcular los límites de control para el gráfico en U, donde Um se considera el proceso de
defectos por unidad, se calculan las siguientes formas:
LCS = Ū + 3 √Ū/𝑛
Límite central
LCI = Ū + 3 √Ū/𝑛
Además, hay que considerar que del tamaño del subgrupo o muestra variable se pueden tener dos
alternativas de expresión: la utilización del subgrupo promedio o construir un gráfico de límites
variables. Para el caso de este contenido se utilizará el subgrupo promedio. Para ello, el tamaño
del subgrupo se obtiene dividiendo el total de unidades inspeccionadas entre el número de
subgrupos.
Ejemplo
Ejemplo basado en Gutiérrez, y De la Vara (2013, p. 223) según la tabla de defectos de piezas
electrónicas.
En una fábrica se producen tarjetas electrónicas y al final del proceso se realiza una inspección por
proceso. Para ello, se presenta una tabla resumen con los defectos observados en los muestreos
IACC-2020
30
realizados en 24 lotes consecutivos. El número de piezas inspeccionadas en cada lote es variable

por tanto no aplicable las gráficas tipo C.
Ejemplo
Donde: ui = Ci/ni = 549/525 = 1,04
√1,04
LCS = Ū + 3 √Ū/𝑛 = 1,04 + 3 525 = 1,69
24
Límite central = 1,04
√1,04
LCI = Ū + 3 √Ū/𝑛 = 1,04 - 3 525 = 0,38
24
En la gráfica obtenida se puede apreciar que el proceso no trabaja de forma estable, ya que existen
dos muestras, la 21 y la 10, que sobrepasan y están al límite de los LCS y LCI, respectivamente. Es
decir, que en aquel lote algo ocurrió de forma especial que hizo que donde se incluye esta pieza
empeoró la calidad. Por lo tanto, es necesario verificar cuál es la causa que provoca estas anomalías
para minimizarlas o eliminarlas en el futuro. Además, fuera de estos dos puntos no existe ningún
otro patrón aleatorio.
IACC-2020
31
RESUMEN DE LO APRENDIDO
El enfoque de la calidad total señala la importancia del análisis y evaluación de desempeño de los
procesos en cuanto al cumplimiento de los requisitos especificados, para así lograr la satisfacción
de los clientes. Para analizar la capacidad y variabilidad de los procesos existen diversas
herramientas estadísticas, las que permiten conocer si los procesos son eficaces y si están bajo
control estadístico. El uso de las técnicas estadísticas hace que las organizaciones se enfoquen en
la resolución de problemas, utilizando una base racional en lugar de una intuitiva a la hora
de tomar decisiones.
El análisis de los datos obtenidos en los procesos permite identificar posibles causas de
desviaciones en estos, para luego, planificar y gestionar las mejoras de los procesos y el sistema de
gestión de la calidad en su totalidad.
IACC-2020
32
REFERENCIAS
Gutiérrez, H. y De la Vara, R. (2013). Control estadístico de la calidad y Seis Sigma. 3.ª edición.
Recuperado de: https://ebookcentral.proquest.com
Madrigal, M. R. (2018). Control estadístico de la calidad: Un enfoque creativo. Recuperado de:
https://ebookcentral.proquest.com
Gutiérrez, H. (2010). Calidad total y productividad. 3.ª edición. México: McGraw
Hill/Interamericana Editores.
Heizer, J. y Render, B. (2009). Principios de administración de operaciones. México: Pearson
Educación.
Krajewski, L. et. al. (2008). Administración de operaciones. México: Pearson Educación.
IACC (2018). Capacidad de proceso. Control Estadístico de Procesos. Semana 8.
Arvelo, A. (1998). La capacidad de los procesos industriales. Venezuela. Universidad Catolica
Andrés Bello.
Chavarría, A (2011). Exactitud y precisión química. Panamá. Universidad de Panamá. Recuperado
desde: https://bit.ly/2S0ukeV
Moro, M. (2000). Metrología, Introducción, conceptos e instrumentos. Servicios de publicaciones.
Universidad de Oviedo. Recuperado desde: https://bit.ly/2GCENYN
Cuatrecasas, L. (2010). Gestión Integral de la Calidad. Implantación control y Certificación.
Barcelona, España: Profit
IACC-2020
33
PARA REFERENCIAR ESTE DOCUMENTO, CONSIDERE:
IACC (2020). Implantación y control de procesos: Calidad total y mejoramiento
continuo. Semana 5.
IACC-2020
34
IACC-2020
35

05 - Calidad Total y Mejoramiento Continuo - Contenido

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

05 - Calidad Total y Mejoramiento Continuo - Contenido

Caricato da

Copyright:

Formati disponibili

SEMANA 5 – CALIDAD TOTAL Y MEJORAMIENTO CONTINUO

CALIDAD TOTAL Y MEJORAMIENTO CONTINUO

Implantación y control de procesos:

• Utilizar la información estadística

1. LA VARIABILIDAD DE LOS PROCESOS PRODUCTIVOS

Causas comunes o no Causas asignables o

• Causas comunes o no asignables: La naturaleza de estas causas es de tipo aleatorio, son

Como ejemplos de este tipo de causas se pueden mencionar:

• Variaciones debidas a la materia prima.

Como ejemplos de este tipo de causas se pueden mencionar:

• Deficiencias en los ajustes del equipo.

En los siguientes gráficos se muestra, a través de curvas de normalidad, un proceso estable y un

Ejemplo de proceso estable e inestable en una gráfica. Fuente: https://bit.ly/3aSRoF5

A continuación, se muestra un gráfico de control correspondiente a un proceso donde se observa

Ejemplo de gráfica de LSE y LIE Fuente: https://bit.ly/2S4kAR3

Los beneficios de tener los procesos bajo control estadístico son:

Conocer la capacidad de los procesos en relación con el

Pronosticar comportamiento y desempeño de los procesos

Establecer mejoras para reducir, dentro de lo posible, causas

2. EL CONTROL ESTADÍSTICO DE PROCESOS

Los beneficios del control estadístico de los procesos son:

• Reducir las fracciones de productos no conformes o defectuosos.

• Reducir los costes.

• Cumplir los requisitos de especificación.

2.1. CONCEPTOS ESTADÍSTICOS UTILIZADOS EN LA MEDICIÓN DE VARIABLES DE

2.1.1. EXACTITUD Y PRECISIÓN DE LOS DATOS

Generalmente, los conceptos de exactitud y precisión erróneamente se conciben como sinónimos,

• Precisión: Se refiere a la dispersión del conjunto de valores obtenidos de mediciones

Ejemplo de exactitud y precisión en un gráfico

Ejemplo de la gráfica de precisión y exactitud en concordancia con la campana de Gauss .

Ejemplo: La medida especificada de fabricación del vástago de los pernos es de 9 mm de

Temperatura máxima permitida = 4°C

Temperatura mínima permitida = 0°C

Tolerancia = 4°C – 0°C = 4°C

2.1.4. DESVIACIÓN ESTÁNDAR

En un control de pesos de una producción de botellas plásticas se determina que el valor

Tabla de cálculo de desviación estándar

Pesos (g) Xi-Prom X (Xi-Prom X)^2 Suma (Xi-Prom X)^2

10,51 0,0224 0,00050176 0,063056

2.1.5. DISTRIBUCIÓN NORMAL

La distribución normal se utiliza para determinar la probabilidad de ocurrencia de un evento al

Gráfico de distribución normal en concordancia con la campana de Gauss

3. CAPACIDAD PRODUCTIVA DE LOS PROCESOS

De acuerdo a lo anterior, los estudios de capacidad permiten:

• Predecir hasta qué punto el proceso podrá cumplir tolerancias.

Para determinar la capacidad de un proceso, es necesario determinar la razón de capacidad del

3.1. RAZÓN DE CAPACIDAD DE UN PROCESO (CP)

𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟−𝐿í𝑚𝑖𝑡𝑒 𝑑𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟

Valor de Cp Clase o Categoría del proceso Interpretación

En la siguiente tabla se presenta la relación de Cp con el porcentaje de capacidad del proceso.

Valor de Cp % Capacidad % No conforme

Dependiendo del valor de Cp se tiene un porcentaje de capacidad de proceso. Por ejemplo, si se

3.2. ÍNDICE DE CAPACIDAD DE UN PROCESO (CPK)

𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟− 𝑋̅ 𝑋̅ −𝐿í𝑚𝑖𝑡𝑒 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑎𝑐𝑖ó𝑛 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟

Figura 3. Diagrama de Flujo de una planta de ensamble de Harley Davidson.

4. CAPACIDAD DE LOS PROCESOS BASADOS EN ATRIBUTOS

4.1. GRÁFICOS DE CONTROL

Tipos Gráficos de control por variables

Cartas o gráficos de control por variables: Estos se basan en la variación de características

Estos gráficos muestran la variabilidad de resultado de un proceso respecto a una determinada

Los gráficos de control por variables se clasifican en dos tipos:

• Los que grafican la exactitud (media):

• Los que grafican la precisión (varianza, desviación o recorridos): R