1.

ANTECEDENTES
Se puede asumir que a lo largo de toda la historia siempre ha existido un
interés por controlar y mejorar la calidad. Este interés está
íntimamente ligado a la comprensión de la relación existente entre la
calidad y la productividad, así como del papel fundamental que los
esfuerzos en estos campos tienen sobre el incremento de la
competitividad de las empresas en cualquier sector.
El concepto de control de calidad se ha extendido desde las primeras
definiciones basadas en la idea de ajustar la producción a un modelo
estándar, a la satisfacción de los requerimientos del cliente y englobar
a todos los participantes, ampliando también la aplicación no solo a
productos manufacturados sino a todos los procesos industriales o al
sector de los servicios.
Dependiendo del instante (antes, durante o después) de control, se
puede controlar la calidad de un proceso industrial o servicio mediante
tres enfoques, sin embargo en este trabajo solo se considera la
implementación de herramientas estadísticas para el control de calidad
para el enfoque que corresponde al control durante el proceso
industrial.
El enfoque cuando el control se realiza antes de la fabricación en el
contexto industrial se conoce como calidad de diseño; el Control
Estadístico de Procesos es utilizado durante la fabricación y se lo conoce
como control preventivo; y finalmente cuando el control se lo realiza
después de la fabricación se utiliza el muestreo de aceptación de lotes
y se lo conoce como control de recepción.
En todos los enfoques del control de calidad se utiliza el método
científico para la extracción eficiente de la información potencial
generada por todo el proceso, con el fin de una toma racional de
decisiones que permita minimizar la variabilidad presente en el mismo.
Siendo el recurso utilizado un conjunto de técnicas estadísticas, que
proporcionan la metodología adecuada para la recogida y análisis de
datos y que permiten evaluar las actuaciones sobre el proceso y el
estado del mismo en cualquier momento.
En este trabajo se implementa una aplicación en la que se desarrollan
la mayoría de los gráficos de control de calidad que son la principal
herramienta estadística utiliza en el Control Estadístico de Proceso
(control preventivo). Cabe mencionar que la aplicación es modular, es
decir, en un futuro se pueden ir adaptando más herramientas que se
utilizan en los diferentes enfoques.
2. DEFINICIONES
Con el propósito de tener un marco conceptual básico sobre la
terminología utilizada en este trabajo y en general en el ambiente
empresarial se presentan a continuación algunas definiciones desde
una perspectiva un poco más industrial.
La competitividad se define como la capacidad de optimizar la
satisfacción de los clientes considerando el menor precio y fijado a un
nivel de calidad. El concepto de competitividad está íntimamente
relacionado con la calidad del producto y el nivel de precios.
Por otro lado, se entiende por productividad la capacidad de aumentar
la producción de un producto fijando un nivel de calidad con los mismos
o menos recursos. Por tanto, el precio y la calidad está ligado a la
productividad que inciden directamente en la competitividad de una
empresa ya que al aumentar la calidad en los productos ya no se tienen
que reprocesar productos defectuosos y con esto se eliminan el
desperdicio y el tiempo de la mala calidad y por tanto los costos de
producción disminuyen logrando con esto disminuir los precios.
Se pueden encontrar diferentes definiciones en función de la fuente o
de la época cuando se pretende aclarar que se entiende por calidad.
Una de las más aceptadas es la definición que aporta la conocida norma
ISO, que define la calidad de un producto como el ”Conjunto de
propiedades y características de un producto o servicio que le
confieren su aptitud para satisfacer unas necesidades explicitas o
implícitas”.
Siempre existir ‘a una variabilidad inherente durante el proceso de
fabricación y por tanto se parte de la base que el conjunto de
propiedad y características que se las considerará como características
medibles de calidad de un producto o servicio presentan cierta
variabilidad. Esta variabilidad, lógicamente, ser indeseable y un
objetivo importante ser analizarla y reducirla o, al menos, mantenerla
dentro de unos límites de especificación.
Para controlar e intentar medir, y si es posible reducir, esa variabilidad
inherente al producto o servicio se utilizan las técnicas de control de
la calidad, que pue- den definirse, según la norma ISO, como el
”Conjunto de técnicas y actividades de carácter operativo, utilizadas
para verificar los requerimientos relativos a la calidad del producto o
servicio”.
Dentro del conjunto de técnicas se tienen las herramientas aportadas
por la Estadística. Específicamente el conjunto de técnicas estadísticas
utilizadas para medir la calidad y compararla con las especificaciones
o requisitos del cliente, con la intención de poder tomar medidas
correctivas para su mejora, que en la mayoría de los casos estarán
orientadas a la reducción de la variabilidad y que se define como control
estadístico de la calidad. Es muy usual denominar al control estadístico
de la calidad control estadístico de procesos (CEP) sobre todo desde la
perspectiva industrial
Una de las principales herramientas utilizadas en el control estadístico
de procesos son los gráficos de control de calidad que son gráficos con
una línea límite superior y una línea límite inferior donde se representan
los valores de alguna variable estadística para una serie de muestras
sucesivas. El grafico incluye también una
Línea central que corresponde al valor medio de las observaciones.
Como se menciona anteriormente existe una variabilidad inherente al
proceso de fabricación que se la conoce como causas no asignables
(comunes o aleatorias), por otra parte cuando la variabilidad aumenta
por efectos predecibles que normal- mente son muy pocos se conoce
como causas asignables. Con respecto al estado de un proceso, se dice
que un proceso está bajo control cuando solo existen causas no
asignables.
3. BREVE RESEÑA HISTÓRICA DE LOS GRÁFICOS DE CONTROL
El control estadístico de procesos se fundamenta en la propuesta
realizada por el Dr. Walter Shewhart que los empleó por vez primera
cuando trabajaba en la empresa Bell Telephone, en la década de los 20
del siglo pasado. El Dr. Shewhart mediante los gráficos de control los
utilizaba para identificar los problemas ocurridos durante el proceso
que pueden ser por causas asignables o causas no asignables; su
identificación daba como resultados la reducción de la variabilidad y la
mejora del proceso.
El Dr. Shewart indicaba que el control de procesos consta de dos fases.
La fase de desarrollo, que ayuda a conocer el comportamiento
estadístico del proceso, y permite determinar los límites de control para
el estimador del parámetro analizado para esto se tiene que eliminar
causas asignables si existiesen. Por otro lado, la fase de madurez, en
la cual se mide la capacidad del proceso para cumplir con los
estándares de calidad inicialmente propuestos; se identifica el
promedio del número de muestras antes de obtener falsas alarmas; y
ayuda a reducir el tiempo o el número de muestras necesarias para
detectar pequeños cambios en el proceso.
Los primeros gráficos de control propuestos por Shewhart, fueron para
monitorizar el promedio (x¯) y la variación (R o S), estos gráficos de
control se aplican a variables cuantitativas. Posteriormente
aparecieron los gráficos c y p para monitorizar variables cualitativas
tales como el número de defectos por lotes y la proporción de defectos
por lotes, respectivamente. Este tipo de gráficos pertenecen al control
invariante para variables cuantitativas y cualitativas pero no consideran
el efecto de dependencia en el tiempo.

Para el caso cualitativo pero considerando el componente de

dependencia en el tiempo se incorporaron dos nuevos gráficos para
detectar pequeñas variaciones en el proceso, uno introducido por E. S.
Page (1954) denominado grafico de sumas acu- muladas (CUSUM) y el
segundo introducido por S. W. Roberts (1959) denominado grafico de
promedios móviles exponencialmente ponderados (EWMA). Estos
gráficos van acumulando información obtenida de las muestras
anteriores y de esta manera pueden detectar de forma más rápida
pequeños cambios en el proceso.
4. APLICACIÓN

4.1. DESCRIPCIÓN
La empresa TAURUS S.A., es una empresa fabricante de motores
eléctricos para electrodomésticos.
Con el pasar del tiempo la oficina de producción y control se ha
percatado que las maquinarias producen unidades (motores) con
defectos, los cuales tienen que ser corregidos a mano y muchas
veces desechados por el defecto que poseen, según la primera
información, las maquinas trabajan cierta cantidad horas y se
enfrían unas horas para seguir trabajando, pero en algunos casos
éstas máquinas deben trabajar “horas extra” para cumplir con los
pedidos a gran escala, y es ahí donde se producen motores
defectuosos. Lo que intenta la oficina es reducir la proporción de
motores con defectos. Con éste propósito deciden investigar la
relación que existe entre la cantidad de horas extras X, y el
porcentaje de unidades (motores) defectuosas Y. A continuación se
muestran los datos obtenidos.

Semana Horas Extras Porcentaje de

defectuosos
1 340 8
2 95 3
3 210 5
4 520 12
5 80 4
6 438 10
7 107 4
8 180 6
9 100 3
10 550 12
11 220 7
12 50 3
13 193 6
14 290 8
15 340 7
16 115 4
17 362 10
18 300 9
19 75 2
20 93 2
 En primer lugar se realizará el diagrama de dispersión para poder
observar la relación que existe entre la cantidad de horas extras y
el porcentaje de motores defectuosos.

Diagrama de dispersión
14

12
Porcentaje de defectuosos

10

0
0 100 200 300 400 500 600
Horas Extras

Según el diagrama de dispersión, existirá una correlación positiva entre la

cantidad de horas extra y el porcentaje de defectuosos, lo cual significa que
mientras las maquinas trabajen más horas extra, más motores defectuosos
habrá.

Por otro lado la oficina, desea hacer el control respecto a la

fabricación de EJES para sus motores eléctricos, un eje debe tener un
diámetro exterior de 20 000 micras; donde 1 micra = 0.000001 m, con
una tolerancia de ±25 micras.
Para evaluar la estabilidad del proceso se realiza un estudio inicial,
donde es usual obtener por lo menos de 20 a 25 muestras de tamaño
pequeño. Además estos subgrupos deben estar espaciados en un
periodo suficientemente amplio para que se capten diferentes
cambios en el proceso. En el caso de los ejes, cada hora se mide el
diámetro de cinco de éstos, a continuación se muestran los datos de
cuatro turnos.
Muestra Mediciones del diámetro Media Rango
1 -21 5 21 3 -12 -2.8 42
2 4 3 7 22 -18 3.6 40
3 -13 7 -11 -7 7 -3.4 20
4 15 7 26 7 -4 10.2 30
5 0 13 6 -20 6 1 33
6 1 4 3 9 -10 1.4 19
7 -4 0 -5 11 2 0.8 16
8 3 -13 3 -13 9 -2.2 22
9 7 0 5 11 4 5.4 11
10 17 3 2 -23 -4 -1 40
11 15 -5 2 12 5 5.8 20
12 5 -1 2 -16 10 0 26
13 1 -2 -4 -16 10 -2.2 26
14 -13 1 -6 11 4 -0.6 24
15 2 -4 14 -6 -2 0.8 20
16 4 2 19 -1 6 6 20
17 6 8 2 9 -4 4.2 13
18 -22 11 -2 2 -7 -5.6 24
19 -9 10 -8 -10 -2 -3.8 20
20 0 -3 -13 14 -3 -1 27
21 7 5 -1 -1 1 2.2 8
22 10 7 -8 -14 -33 -7.6 43
23 -14 28 10 0 -2 4.4 42
24 -19 2 7 12 -9 -1.4 31
25 10 5 14 -4 4 5.8 18
26 21 -16 20 -3 10 -1.6 41
27 22 -14 -5 -7 5 0.2 36
28 -1 1 4 -4 17 3.4 21
29 0 5 6 -19 -7 -3 25
30 2 -19 12 -1 0 -1.2 31
A las mediciones originales se les ha restado el valor nominal: 20 000 micras. Por lo
que los datos son las desviaciones en micras, respecto al valor nominal.

 Para evaluar la estabilidad de la tendencia central se analizará la

variación de la columna de medias mediante la carta 𝑋̅ y de la
misma manera mediante la carta R se analizará la columna de
rangos para investigar la estabilidad de la variación del diámetro
de los ejes.
 En primer lugar se calculan los límites de control.

- Límites de control para la carta 𝑋̅

𝐿𝐶𝑆 = 𝑋̿ + 𝐴2 𝑅̅
𝐿𝐶 = 𝑋̿
𝐿𝐶𝐼 = 𝑋̿ − 𝐴2 𝑅̅

Tenemos:
n = 5, tamaño de muestra, entonces 𝐴2 = 0.577 según tabla.
𝑋̿ = 0.59
𝑅̅ = 26.3

Luego:
𝐿𝐶𝑆 = 0.59 + 0.577(26.3) = 15.77
𝐿𝐶 = 0.59
𝐿𝐶𝐼 = 0.59 − 0.577(26.3) = −14.59

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
-5

-10

-15

-20

Media LCS LCI

Según el grafico de control para 𝑋̿ se aprecia que el proceso está bajo

control estadístico, ya que todos los puntos están dentro de los límites de
control, de ésta manera se comprueba la estabilidad de la tendencia
central.

- Límites de control para la carta 𝑅

𝐿𝐶𝑆 = 𝐷4 𝑅̅
𝐿𝐶 = 𝑅̅
𝐿𝐶𝐼 = 𝐷3 𝑅̅
 Tenemos:
n = 5, tamaño de muestra, entonces 𝐷4 = 2.115 , 𝐷3 = 0 según
tabla.
𝑅̅ = 26.3

Luego:

𝐿𝐶𝑆 = 2.115(26.3) = 55.6

𝐿𝐶 = 26.3
𝐿𝐶𝐼 = 0(26.3) = 0

60

50

40

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Rango LCS LCI

Se observa que no hay puntos fuera de los límites y además el

comportamiento de los puntos no sigue un patrón en especial, por lo
tanto el proceso responsable del diámetro de los ejes ha estado
funcionando de manera estable en cuanto a la amplitud de su variación.

En el proceso de ensamblado mediante ciertas máquinas se observó

un problema, en algunas oportunidades mientras se realiza el
proceso, algunos cables externos muy delgados se dañan producto
de corto circuito (muy pequeños) o exceso de voltaje en la línea de
electricidad, el problema se detecta mediante inspección visual,
estos motores son segregados y después los pequeños cables son
reemplazados y devueltos al proceso para terminar el ensamblaje.
El atributo de cables externos no dañados es importante debido a
que si un motor eléctrico llega al mercado, la vida útil de éste se
 acorta, por lo que después de un tiempo el motor empieza a
presentar fallas en el encendido y perder eficiencia. Esta situación
repercute en clientes insatisfechos y genera una mala imagen de la
empresa.
De esta manera surge la necesidad de registrar los resultados y
analizarlos mediante una carta de control. Cada 2 días se registra el
número de motores detectados con cables externos dañados y del
contador de la máquina se obtiene el total de motores durante ese
tiempo.

Motores Motores
Subgrupo Motores con cables Proporción Subgrupo Motores con cables Proporción
dañados dañados
1 595 15 0.025 21 594 7 0.012
2 593 5 0.008 22 606 5 0.008
3 607 8 0.013 23 601 7 0.012
4 596 10 0.017 24 598 4 0.007
5 602 6 0.010 25 599 2 0.003
6 599 5 0.008 26 590 3 0.005
7 600 5 0.008 27 588 5 0.009
8 590 7 0.012 28 597 3 0.005
9 599 2 0.003 29 604 6 0.010
10 601 4 0.007 30 605 5 0.008
11 598 9 0.015 31 597 7 0.012
12 600 17 0.028 32 603 9 0.015
13 597 4 0.007 33 596 5 0.008
14 594 5 0.008 34 597 3 0.005
15 595 3 0.005 35 607 8 0.013
16 597 10 0.017 36 596 15 0.025
17 599 7 0.012 37 598 4 0.007
18 596 5 0.008 38 600 6 0.010
19 607 4 0.007 39 608 8 0.013
20 601 9 0.015 40 592 5 0.008

 Éste problema es del tipo PASA-NO PASA; por lo tanto, para analizar
la variación de las proporciones se debe aplicar la carta p. Para
calcular los límites de control provisionales se necesita calcular la
proporción promedio y le tamaño de subgrupo promedio, de la tabla
se obtiene que el número total de motores inspeccionados fue de 23
942, y de éstos 257 tuvieron el problema de cables externos dañados,
por lo que la proporción promedio está data por:
 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠 257
𝑝̅ = = = 0.0107
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 23 942

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 23 942

𝑛̅ = = = 598.55 = 599
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠 40

Límites de control para la carta p:

𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝑆 = 𝑝̅ + 3√
𝑛
𝐿𝐶 = 𝑝̅
𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝐼 = 𝑝̅ − 3√
𝑛

Se utilizará el valor de 𝑛̅ en lugar de n:

0.0107(1 − 0.0107)
𝐿𝐶𝑆 = 0.0107 + 3√ = 0.023
599
𝐿𝐶 = 0.0107
0.0107(1 − 0.0107)
𝐿𝐶𝐼 = 0.0107 − 3√ = −0.0019
599

Pero como el límite de control inferior no puede ser negativo debido a que las
proporciones siempre son mayores que o iguales a cero, entonces se toma LCI =
0.
La carta p con estos límites se muestra a continuación, se observa que el proceso
de ensamblado no fue estable, ya que las proporciones de los subgrupos 1, 12 y
36 rebasan el LCS.
0.030

0.025

0.020
Proporción
0.015
LCS
0.010 LCI

0.005

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Al investigar lo ocurrido en los subgrupos 1, 12 y 36 se encontró que
durante esos días se cambió el rollo del cable externo por que se
terminó. A partir de esto se adquirió conciencia de que no había un
método estandarizado para cambiar el rollo de cable, pues cada
operador usaba su criterio.
En el estudio inicial se identificaron las causas de los puntos
especiales, entonces para calcular los límites que se usarán a futuro
en éste proceso es necesario excluir de los cálculos las proporciones
de los subgrupos 1, 12 y 36 entonces se obtiene:

23 942 − 595 − 600 − 596

𝑛̅ = = 599
40 − 3

257 − 15 − 17 − 15
𝑝̅ = = 0.0095
23 942 − 595 − 600 − 596

Por lo que los límites a usar en un futuro son:

0.0095(1 − 0.0095)
𝐿𝐶𝑆 = 0.0095 + 3√ = 0.021
599
𝐿𝐶 = 0.0107
𝐿𝐶𝐼 = 0

0.025

0.020

0.015

0.010

0.005

0.000
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334353637

Proporción LCS LCI

La gráfica refleja la realidad del proceso de ensamblaje, al re-calcular los límites

de control la proporción de defectos para todos los subgrupos sigue cayendo
dentro de los límites de control, señal que el proceso funciona y se encuentra
dentro de lo previsto.
 Ya que no hay puntos fuera el proceso estará bajo control estadístico estable.
Pero su desempeño se encuentra lejos de ser satisfactorio ya que el porcentaje
promedio de defectos es relativamente alto 0.95%. Por ello es necesario generar
un proyecto de mejora mediante el cual se encuentren las causas comunes más
importantes que están generando el problema.

En el mismo proceso de ensamblado se detectó a través de una

estratificación y un análisis que la causa principal por la que los artículos
salen defectuosos está relacionada con los problemas de un componente
en particular (chip MK2). Por lo tanto, se decide analizar más de cerca el
proceso que produce tal componente. Para ello, de cada lote de
componentes MK2 se decide inspeccionar una muestra de n = 120.

Defectos en Defectos en
Muestra componentes Muestra componentes
MK2 MK2

1 9 11 10
2 6 12 20
3 10 13 12
4 8 14 10
5 5 15 10
6 5 16 0
7 14 17 13
8 12 18 5
9 9 19 6
10 8 20 11

 Como n es constante la cantidad de defectuosos por muestra se

puede analizar con una carta np. Para obtener sus límites primero se
estima 𝑝̅, que se obtiene de dividir el total de artículos defectuosos
entre el total de piezas inspeccionadas (20 muestras de 120 piezas
cada una).

183
𝑝̅ = = 0.076
120(20)

Los límites de control para la carta np:

𝐿𝐶𝑆 = 𝑛𝑝̅ + 3√𝑛𝑝̅ (1 − 𝑝̅ )

𝐿𝐶 = 𝑛𝑝̅
𝐿𝐶𝐼 = 𝑛𝑝̅ − 3√𝑛𝑝̅ (1 − 𝑝̅ )
 Los límites:

𝐿𝐶𝑆 = 120(0.076) + 3√(120)(0.076)(1 − 0.076) = 17.87

𝐿𝐶 = 120(0.076) = 9.15
𝐿𝐶𝐼 = 120(0.076) − 3√(120)(0.076)(1 − 0.076) = 0.43

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Defectos en componentes MK2 LCS LCI

Se espera que de cada muestra de 120 componentes inspeccionados el número

de rechazados varíe entre 0.43 y 17.87, con un promedio de 9.15. También se
detecta la presencia de causas especiales a afectan el proceso, aunque tales
causas se eliminen y se logre un proceso estable, la cantidad de piezas
defectuosas seguirá siendo relativamente grande, dado el nivel promedio de
rechazos observados.

Luego del proceso de ensamblado, los motores son revisados y se

inspecciona a detalle su funcionamiento, la cantidad de defectos que son
encontrados en cada motor (algunos cables sueltos, tornillos flojos) son
registrados con fin de conocer y mejorar el proceso.
En la tabla se muestran los defectos encontrados en los últimos 30 motores.
Motor Defectos Motor Defectos
1 7 16 12
2 5 17 8
3 10 18 10
4 2 19 4
5 6 20 7
6 5 21 3
7 4 22 10
8 9 23 6
9 7 24 6
10 5 25 7
11 6 26 4
12 7 27 5
13 8 28 6
14 4 29 8
15 5 30 5
Total 191

 Ésta variable debe ser analizada con la carta c, debido a que un

mismo motor puede tener varios defectos de diferente tipo; además,
los defectos son relativamente menores y aunque influyen en la
calidad final del producto, no causan que el motor sea rechazado.

Entonces, el promedio de defectos por unidad es:

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 191

𝑐̅ = = = 6.4
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠 30

Límites de control para la carta c:

𝐿𝐶𝑆 = 𝑐̅ + 3√𝑐̅
𝐿𝐶 = 𝑐̅
𝐿𝐶𝐼 = 𝑐̅ − 3√𝑐̅
Los límites:

𝐿𝐶𝑆 = 6.4 + 3√6.4 = 14

𝐿𝐶 = 6.4
𝐿𝐶𝐼 = 6.4 − 3√6.4 = −1.2
 Se observa el LCI es negativo, pero como no puede haber cantidades negativas de
defectos entonces el límite inferior se iguala a cero.

16

14

12

10

-2
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

Defectos LCS LCI

En el gráfico se aprecia que el proceso de producción de mesas estuvo

funcionando de manera estable ya que no hay puntos fuera de los límites. Como
las cantidades de defectos son relativamente altas, se requiere un plan de acción
que reduzca ésta problemática, una solución sería estratificar el problema,
localizar el tipo de defecto con mayor frecuencia y el área donde se presenta.

Dentro de los componentes que se usan para fabricar los motores

eléctricos, están las cubiertas de fibra de vidrio que se usan para recubrir
algunas partes del mismo con el fin de aislarlas y evitar cortos circuitos
internos y sobrecalentamiento del motor, de éstas cubiertas se hace una
inspección por muestreo para detectar defectos relativamente menores, se
realizan muestreos en 24 lotes consecutivos de cubiertas de fibra de vidrio.
 Tamaño de Defectos Tamaño de Defectos
Lote ui Lote ui
muestra encontrados muestra encontrados
1 20 17 0.85 13 30 40 1.33
2 20 24 1.20 14 30 24 0.80
3 20 16 0.80 15 30 46 1.53
4 20 26 1.30 16 30 32 1.07
5 15 15 1.00 17 30 30 1.00
6 15 15 1.00 18 30 34 1.13
7 15 20 1.33 19 15 11 0.73
8 25 18 0.72 20 15 14 0.93
9 25 26 1.04 21 15 30 2.00
10 25 10 0.40 22 15 17 1.13
11 25 25 1.00 23 15 18 1.20
12 30 21 0.70 24 15 20 1.33
Suma 525 549

 El número de piezas inspeccionadas en cada lote es variable, por lo

que no es apropiado aplicar la carta c. Es mejor analizar el número
promedio de defectos por pieza, mediante la carta u. Para calcular
los límites de control se tiene:

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 549

𝑢̅ = = = 1.04
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 525

Como el tamaño de subgrupo es variable, se usará el tamaño de

subgrupo promedio:

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠 525

𝑛̅ = = = 21.875
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠 24

Límites de control para la carta u:

𝑢̅
𝐿𝐶𝑆 = 𝑢̅ + 3√
𝑛
𝐿𝐶 = 𝑢̅
𝑢̅
𝐿𝐶𝐼 = 𝑢̅ − 3√
𝑛
 Los límites:

1.04
𝐿𝐶𝑆 = 1.04 + 3√ = 1.69
21.875
𝐿𝐶 = 1.04
1.04
𝐿𝐶𝐼 = 1.04 − 3√ = 0.38
21.875

2.50

2.00

1.50

1.00

0.50

0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

ui LCS LCI

En ésta carta se observa que el proceso no trabaja de manera estable, ya que en

la muestra del lote 21 el número promedio de defectos por pieza sobrepasa el
límite de control superior. Es preciso identificar la causa para evitarla en el
futuro.

Por último, es de interés de parte de la empresa monitorear el desempeño

de una máquina automática que inyecta un aceite ligero (lubricante) dentro
del motor para evitar la fricción entre las partes móviles del mismo, así
como el desgaste de las mismas.
Ésta máquina inyecta en los motores 80 ml de lubricante (valor nominal).
Interesa monitorear ésta máquina para detectar cambios pequeños de
magnitud 0.15 ml. Por medio de estudios anteriores se sabe que la
desviación estándar de la cantidad de lubricante inyectado es de 0.2 ml.
Cada dos días se sacan en forma aleatoria cuatro motores (dos motores por
día) y se les extrae todo el lubricante a través de otra máquina. Las medias
de las últimas 20 muestras se ven en la siguiente tabla.
 Muestra Media
1 79.90
2 79.91
3 79.89
4 80.05
5 79.94
6 79.95
7 79.88
8 79.96
9 80.27
10 79.87
11 79.87
12 80.04
13 80.04
14 80.04
15 80.23
16 80.23
17 80.28
18 80.13
19 80.05
20 80.15

 En éste caso, lo que se desea es monitorear cambios pequeños en el

proceso, además, se tiene información acerca de las medias de cada
muestra, por lo que lo recomendable será usar la carta EWMA.

La fórmula recursiva será:

𝑍𝑡 = 𝜆 𝑋𝑡 + (1 − 𝜆)𝑍𝑡−1

Donde:
𝑍0 = 𝑥̿

𝑥̿ = 80.034
Luego, el cálculo de las 𝑍𝑡 se presenta en la siguiente tabla:

Muestra Media Z(i-1) Z

1 79.90 80.034 79.99
2 79.91 79.99 79.97
3 79.89 79.97 79.95
4 80.05 79.95 79.98
5 79.94 79.98 79.97
6 79.95 79.97 79.96
7 79.88 79.96 79.94
8 79.96 79.94 79.94
9 80.27 79.94 80.04
10 79.87 80.04 79.99
11 79.87 79.99 79.95
12 80.04 79.95 79.98
13 80.04 79.98 80.00
14 80.04 80.00 80.01
15 80.23 80.01 80.08
16 80.23 80.08 80.12
17 80.28 80.12 80.17
18 80.13 80.17 80.16
19 80.05 80.16 80.13
20 80.15 80.13 80.13

Los límites de control para la carta EWMA:

𝜆
𝐿𝐶𝑆 = 𝑍0 + 3𝜎√
𝑛(2 − 𝜆)
𝐿𝐶 = 𝑍0
𝜆
𝐿𝐶𝐼 = 𝑍0 − 3𝜎√
𝑛(2 − 𝜆)

Por valor teórico se toma 0.1 ≤ 𝜆 ≤ 0.3, para éste caso 𝜆 = 0.3
Entonces:

0.3
𝐿𝐶𝑆 = 80.034 + 3(0.2)√ = 80.16
4(2 − 0.3)
𝐿𝐶 = 80.034
0.3
𝐿𝐶𝐼 = 80.034 − 3(0.2)√ = 79.91
4(2 − 0.3)

80.22

80.17

80.12

80.07 Z
LCS
80.02
LCI
79.97

79.92

79.87
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

En ésta carta se observa que el proceso no trabaja de manera estable, ya que en

la muestra 17 el valor de Z sobrepasa el límite de control superior. Es preciso
identificar la causa para evitarla en el futuro.