GRAFICAS DE CONTROL ESTADSTICO

La Grafica de control es una comparacin de los datos de

desempeo del proceso con los lmites de control estadstico.
El objetivo primordial de una grafica de control es detectar causas
especiales o atribuibles.
Se pueden rastrear dos tipos de causas:
1.-Comn: aleatoria o al azar
2.-Especial: atribuible
El objetivo de una grafica de Control es reducir la variacin.
Una grafica de control detecta la presencia de una causa especial
pero no encuentra la causa.

VENTAJAS DEL CONTROL ESTADSTICO

El proceso tiene estabilidad, lo que hace posible
predecir su comportamiento a corto plazo.
Un proceso bajo control estadstico opera con menos
variabilidad que un proceso con causas especiales.
Un proceso con causas especiales es inestable.
Un proceso estable que cumple con las especificaciones
del proceso proporciona evidencia de que tiene
condiciones para producir un producto aceptable.

CARTA DE CONTROL REPRESENTATIVA

LIMITE SUPERIOR DE CONTROL LSC

LINEA CENTRAL

LIMITE INFERIOR DE CONTROL LIC

Variabilidad del dimetro

con el material

mat K

Diam [m m ]

70,0
60,0
50,0

mat F

40,0
30,0
20,0
10,0
0,0

FECHA

LCS
Diam
LC
LCI

INTERPRETACION DE PROCESOS INESTABLES

Uno o ms puntos fuera de los lmites de control

D
E
F
E
C
T
O
S

10

LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

10
D
E
F
E
C5
T
O
S

Una secuencia de siete o ms puntos sucesivos sobre cualquiera de

los lados de la lnea central.Por ejemplo, 10 de 11; 12 de 14 o 16 de
20 puntos sobre el mismo lado.

LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

10
D
E
F
E
C 5
T
O
S

Una tendencia que se desplaza ya sea hacia arriba o

hacia abajo durante siete puntos sucesivos.

LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

Un ciclo o patrn que se repite por si mismo.
10
D
E
F
E
C 5
T
O
S

LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

10
D
E
F
E
C
T
O
S

Estratificacin: puntos que se mantienen muy cerca de la lnea

central, con poca dispersin hacia los lmites de control. LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

Puntos que se mantienen muy cerca de cualquiera de
los lmites de control.

10
D
E
F
E
C 5
T
O
S

LCS

LC

LCI

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

INTERPRETACION DE PROCESOS INESTABLES

Racimos o grupos de puntos en reas

particulares de la grfica.

10
D
E
F
E
C5
T
O
S

LCS

LC

LCI

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

Carta de Control c

ALCANCES
Es utilizada para determinar la cantidad de defectos que
aparecen en muestras fijas.
Nmero de llamadas que llegan a una central telefnica en un
intervalo de tiempo.
Errores tipogrficos sobre pgina impresa.
Nmero de remaches faltantes al ensamblar el ala de un aeroplano.
Burbujas de aire en los artculos de cristalera
Descubrir la variacin en la calidad de una caracterstica o pieza.
Es factible, dependiendo de su naturaleza y su gravedad, que un
artculo posea varias disconformidades y de todos modos, no sea
clasificado como disconforme.

DIAGRAMA DE CONTROL DE DEFECTOS C

Cuando un producto no satisface una especificacin
resulta ser un defecto o disconformidad.
Existen muchos casos prcticos en los que es
preferible trabajar directamente con el nmero de
defectos, que con la otra fraccin conforme.

PROCEDIMIENTOS
Los defectos ocurren en esta unidad de
inspeccin segn la distribucin de Poisson,es
decir:

e c * c x
p ( x)
x!

x= 0,1,2,...

x: Nmero de defectos
c: Parmetro de la distribucin de Poisson, c > 0

PROCEDIMIENTOS
Para un diagrama de control de defectos con
lmites de tres sigmas est dado por:

LCS c 3 c
LC c
LIC c 3 c
Suponiendo que se conoce un valor estndar
para c

PROCEDIMIENTOS
Si no se conoce el valor estndar ste se
puede estimar, quedando c como la media
observada del nmero c de defectos
LCS c 3 c
LC c
LIC c 3 c

EJEMPLO 1
En la siguiente tabla se presenta el nmero de
disconformidades observadas en 26 muestras sucesivas,
cada una con 100 tarjetas de circuitos impresos.
Nro de muestras
1
2
3
4
5
6
7
8
9
10
11
12
13

Nro de defectos
21
24
16
12
15
5
28
20
31
25
20
24
16

Nro de muestras
14
15
16
17
18
19
20
21
22
23
24
25
26

Nro de defectos
19
10
17
13
22
18
39
30
24
16
19
17
15

OBSERVACIONES

DOS PUNTOS ESTAN FUERA DE LOS LIMITES DE

CONTROL, LA MUESTRA 6 Y 20
LA MUESTRA NUMERO 6 SE REFLEJA CUANDO UN
INSPECTOR NUEVO NO RECONOCIO VARIOS TIPOS
DE
DISCONFORMIDADES
QUE
ESTABAN
PRESENTES.
LA MUESTRA NUMERO 20 SE REFLEJA POR UN
PROBLEMA EN EL CONTROL DE LA TEMPERATURA
DE LA MAQUINA DE SOLDAR.

 EJEMPLO

DEFECTOS POR METRO CUADRADO DE TELA

Numero de
muestras
1
2
3
4
5
6
7
8
9
10

Cantidad de Nmero de
defectos
muestras
7
11
5
12
3
13
4
14
3
15
8
16
2
17
3
18
4
19
3
20

Cantidad de
defectos
6
3
2
7
2
4
7
4
2
3

Total cantidad de defectos:82

Nmero de muestras:20

LC : c : 82/20= 4.1
LCS: c +3c :4.1+34.1=10.17
LCI: c -3c :4.1-34.1= -1.97 = 0
Nota: Las tasas de defectos
negativos no existen

 GRAFICA
DEFECTOS POR METRO CUADRADO DE TELA
LCS

10
D
E
F
E
C 5
T
O
S

LC

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

CONCLUSION

La carta de control no posee

tendencia, racha y ciclo, entonces
estaramos en condiciones de decir
que el proceso esta de momento bajo
control

En algunos procesos es preferible trabajar con el nmero de

defectos por unidad ms que con el nmero total de defectos.
Por tanto, si la muestra consiste en n unidades y existen en
total C defectos en ella, entonces
U = C
n
Es el numero promedio de defectos por unidad. Con esto
puede construirse una carta U para los datos. Si existe m
muestras preliminares, y el nmero de defectos por unidad en
stas son U1,U2,....,Um, entonces el estimador del nmero
promedio del defecto por unidad es
m

= 1
m

Ui
i=1

Los parmetros de la carta U estn definidos

de la manera siguiente:
Limite superior
de control

Limite central

LSC

+ 3

LC

LIC

- 3

Limite inferior

Limites de control

3-sigma
Corresponde a una
distancia de a lo
menos 3 desviaciones
estndar.

de control

n = nmeros de
unidades en una muestra

= promedio de
defectos por unidad

Ejemplo para Datos de defectos para tarjetas de circuitos :

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

Tamao de la
muestra, n
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

Numeros de
defectos, c
6
4
8
10
9
12
16
2
3
10
9
15
8
10
8
2
7
1
7
13
i

U = C

= 1

Defectos por
unidad, u
1,2
0,8
1,6
2
1,8
2,4
3,2
0,4
0,6
2
1,8
3
1,6
2
1,6
0,4
1,4
0,2
1,4
2,6
32

Resultados de los datos:

Sigma = 3
LC = = 1,6

= 32/20

LSC = 3,30

1,6 + 3*1,6/5

0,0
LIC = -0,10

1,6 - 3*1,6/5

Se aproxima a 0 por que no pueden

haber defectos negativos.

Grafico del Ejemplo:

CARTA U

De fe ctos por unidad,u

3,5
3
2,5
Defectos
2

LSC
LC

1,5

LIC
1
0,5
0
1

9 10 11 12 13 14 15 16 17 18 19 20

Nmero de muestra

HERRAMIENTAS PARA LA CALIDAD

CARTAS P

CARTAS P O DIAGRAMAS DE CONTROL

PARA LA FRACCION DISCONFORMES
Los grficos p de control se utilizan para controlar los procesos de
los cuales se recogen datos como valores de la fraccin de unidades
defectuosas o el porcentaje de unidades defectuosas. Tambin se
conoce como carta de control para la fraccin de artculos que no
cumplen con las especificaciones
La proporcin de disconformes se define como el cociente de artculos
disconformes entre el total de artculos de la poblacin:
p = artculos disconformes
total de artculos
En general se usa el porcentaje de disconforme como una medida ms
intuitiva de medicin al ser mostrado.

Ejemplo

Ensayo:

100 hojas o unidades de producto terminado

Unidades defectuosas o no conformes: 5 unidades

Fraccin de unidades defectuosas (p)= 5/100 = 0.05

Porcentaje de unidades no conformes: 5%

Principios Estadsticos de cartas p

Se basan en la distribucin binomial.

En un proceso estable cada artculo producido es una v.a. con
parmetro p.
Si se selecciona una muestra aleatoria de n artculos del producto
con un numero de artculos D como no conformes, entonces D
tiene distribucin binomial con parmetros n y p, o sea:

P{D=x} = ( n ) p x (1-p) n-x ; x = 0,1,2,.n

x

PREPARACIN DE LOS GRFICOS

1) RECOGER LOS DATOS:
Estas cartas requieren un tamao de muestras
considerablemente mayor que sus contrapartes
donde intervienen mediciones .
Se tiene que conocer el nmero de unidades
inspeccionadas (n) y el nmero de unidades
defectuosas o no conformes (np), para cada
fraccin de unidades defectuosas.
2) ORGANIZAR LOS DATOS (subgrupos)
En este caso, si n es demasiado pequeo, la potencia
estadstica de la prueba del grfico de control es
deficiente. Cuando n es demasiado grande, los
datos deben estratificarse y agruparse en
subgrupos de diversas maneras.

3) CALCULAR LA FRACCIN DE UNIDADES DEFECTUOSAS

PARA CADA SUBGRUPO

P(i)= nmero de unidades defectuosas

nmero de unidades en la muestra
(tamao del subgrupo)

4) CALCULAR LA FRACCIN DE UNIDADES DEFECTUOSAS

MEDIA, p
p= nmero total de unidades defectuosas
nmero total de unidades inspeccionadas

5) CALCULAR LOS LMITES DE CONTROL

Los lmites de control + 3 sigma del grfico p se calculan con las
siguientes frmulas:
Lmite de control superior: LCS = p +3

p (1-p )

n(i)
Lmite de control inferior : LCI = p -3 p (1-p )
n(i)
Nota: si LCI<0 no es aplicable

6) REPRESENTAR EL GRFICO DE CONTROL

DESARROLLO Y EMPLEO DEL DIAGRAMA p

La grfica controla la fraccin disconforme p del proceso, es
por ello que tambin se denomina diagrama o carta p.
Supongamos que se conoce la verdadera fraccin disconforme
p del proceso.entonces el diagrama de control tendra:
LSC = p +3 p (1-p)/n
Lnea central = p
LIC = p -3

p (1-p)/n

Sin embargo cuando se desconoce p, se estima a partir de los

datos observados.

El procedimiento normal es seleccionar m muestras, cada una

de tamao n. Si existe Di artculos no conformes en la muestra i se
calcula la fraccin disconforme o proporcin como:

Pi = Di ; i=1,2,3,..m.
i=1
La media de estas proporciones muestrales es :
m

p = Pi / m
i=1

los limites del diagrama de control p se calculan de la siguiente

manera:
LSC = p +3 p(1-p)/n
Lnea central = p
LIC = p - 3 p(1-p )/n ;

Consideraciones al analizar la grfica:

Los lmites obtenidos se consideran lmites de control de prueba, es
decir permiten determinar si el proceso estaba bajo control cuando se
obtuvieron las m muestras iniciales.
Si los puntos caen dentro de los lmites y no existe comportamiento
sistemtico, podemos decir que el proceso esta bajo control.
Se debe comparar el diagrama p resultante para probar la hiptesis de
un control anterior y analizar si los limites de control de prueba son
adecuados para controlar el proceso actual y futuro.
Examinar los puntos fuera de control y buscar las causas atribuibles.
Rara vez se conoce el verdadero valor de p, ms bien se tiene un valor
deseado u objetivo. Por lo cual el proceso podra estar fuera de control
para el objetivo, pero bajo control para otro valor calculado. Este
concepto es til en procesos en los cuales es posible controlar mediante
ajustes.

DATOS PARA EJEMPLO DIAGRAMA p

Numero del
subgrupo
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
Total
Promedio

N" unidades N" unidades

inspecc.
defectuosas
n
np
50
3
"
8
"
3
"
5
"
4
"
10
"
10
"
9
"
4
"
6
"
9
"
8
"
12
"
6
"
8
"
8
"
10
"
13
"
9
"
5
"
7
"
9
"
5
"
3
"
13
1250
n=50

Fraccin de
unidades def.
p
0,06
0,16
0,06
0,1
0,08
0,2
0,2
0,18
0,08
0,12
0,18
0,16
0,24
0,12
0,16
0,16
0,2
0,26
0,18
0,1
0,14
0,18
0,1
0,06
0,26

187
p=0.1496

Grafico de control p

Fraccion
defectuosa

0,4
0,3
0,2
0,1
0
0

LC = p =0.1496
LCS= 0.301
LCI= -0.0017 = 0

10
20
Num de subgrupo

30

Ejemplo de aplicacin:
Se envasa jugo de naranja concentrado y congelado en botes de
cartn de 1lt. Estos envases los produce una mquina formando
un tubo a partir de una pieza de cartn y aplicando luego un fondo
metlico. Al inspeccionar un bote puede determinarse al llenarlo
si gotear por la junta lateral o el fondo. Tal bote disconforme
tiene un sellado inadecuado en la junta o el fondo. Se desea
elaborar un diagrama de control para vigilar la fraccin de
disconformes producidas por esta mquina. Para establecer el
diagrama de control, se seleccionaron 30 muestras de n =50 botes
cada media hora durante un periodo de tres turnos , durante los
cuales la mquina oper continuamente. Los datos se muestran en
la tabla 1.

Tabla 1: Datos para los lmites de control de prueba, tamao n =50

Numero de
muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Numero de
disconformes
Di
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22

Fraccin de
disconformes
pi
0.24
0.30
0.16
0.20
0.08
0.14
0.32
0.18
0.28
0.20
0.10
0.12
0.34
0.24
0.44

Numero de
muestra
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Numero de
disconforme
Di
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6
347

Fraccin de
disconformes
pi
0.16
0.20
0.10
0.26
0.22
0.40
0.36
0.48
0.30
0.18
0.24
0.14
0.26
0.18
0.12
_
P = 0.2313

Usando como estimacin de la fraccin disconforme p = 0.2313, se

calculan los lmites superior e inferior de control como:
LSC = p +3 p(1-p)/n ;
Lnea central = p
LIC = p - 3 p(1-p)/n ;
As : p 3 p(1-p)/n = 0.2313 3 0.2313(0.7687) /50
= 0.2313 3(0.0596) = 0.2313 0.1789
Por lo tanto
LSC = 0.4102
LC = 0.2313
LIC = 0.0524

Carta P para los datos de la tabla 1 con lnea central LC = 0.2313

0,55
0,5

fraccin disconforme de la
muestra

0,45

LSC de prueba = 0.4102

0,4
0,35
0,3
0,25
0,2
0,15
0,1
LIC de prueba = 0.0524

0,05
0
0

10

12

14

16

18

nmero de muestras

20

22

24

26

28

30

Se observa que dos puntos correspondientes a las

muestras 15 y 23 se hallan sobre la lnea de
control,por lo cual se investiga la causa. Como la
causa es identificable se eliminan las muestras 15 y
23, y se determinan la nueva lnea central y los
lmites de control revisado como:
p = 301/ (28 * 50) = 0.2150
p 3 p(1-p)/n

= 0.2150 3 0.2150 (0.7850) /50

= 0.2150 3(0.0581)
= 0.2150 0.1743

Por lo tanto As :
LSC revisado = 0.3893
LC revisado = 0.2150
LIC revisado= 0.0407

Carta P para los datos de la tabla 1 con lmites revisados LC = 0,2150

0,55
0,5

fraccin disconforme de la
muestra

0,45

LSC de prueba = 0.4102

0,4

LSC revisada = 0.3893

0,35
0,3
0,25
0,2
0,15
0,1

LIC de prueba = 0.0524

0,05
LIC revisada = 0.0407

0
0

10

12

14

16

18

nmero de muestras

20

22

24

26

28

30

Antes de concluir que el proceso esta bajo control se

observa que no existan patrones no aleatorios.
Como no se observan patrones no aleatorios, concluimos
que el proceso est bajo control a un nivel p= 0.2150, y
que se adoptan los lmites de control revisados para
verificar la produccin actual

Tabla 2. Datos de latas de jugo de naranja concentrado tamao n =50

Numero de
muestra
1
2
3
4
5
6
7
8
9
10
11
12

Numero de
disconformes
Di
9
6
12
5
6
4
5
3
7
6
2
4

Fraccin de
disconformes
pi
0.18
0.12
0.24
0.10
0.12
0.08
0.10
0.06
0.14
0.12
0.04
0.08

Numero de
muestra
13
14
15
16
17
18
19
20
21
22
23
24

Numero de
disconforme
Di
3
6
5
4
8
5
6
7
5
6
3
4
133

Fraccin de
disconformes
pi
0.06
0.12
0.10
0.08
0.16
0.10
0.12
0.14
0.10
0.12
0.06
0.08

P = 0.1108

Carta P con datos de la tabla 2 con los lmites

revisados anteriormente y LC = 0,2150
0,45

fracion disconforme de la muestra

0,4

LSC revisada = 0.3893

0,35
0,3
0,25
LC revisada = 0.2150

0,2
0,15
0,1
0,05

LIC revisada = 0.0407

0
0

10

12

14

nmero de muestra

16

18

20

22

24

Podemos probar la hiptesis que la fraccion de

disconforme del proceso actual difiere de la fraccin
disconforme
de los datos preliminares,mediante una
prueba de hiptesis para dos parmetros binomiales:
Las hiptesis son:

Ho: p1= p2
H1: p1 > p2

Donde p1 es la fraccin disconforme del proceso de los

datos preliminares y p2 es la fraccin disconforme del
proceso actual.
As estimamos p1 por p1 = 0.2150,
y p2 por p2 = 133 / (50*24) = 0.1108

El estadstico de prueba para la hiptesis es:

Z0 =

p1- p2
p(1- p) ( 1 + 1 )
n 1 n2

donde : p =

n1* p1 + n2*p2
n1 + n 2

En el ejemplo se tiene:
p = 1400*0.2150 + 1200 *0.1108 = 0.1669
1400 + 1200
Por otro lado Z0 = 7.22

Utilizando = 0.05 en la distribucin normal estndar,

se encuentra que Z0.05 = 1.645. Como Z0 = 7.22 >
1.645, se rechaza H0 y concluimos que hubo una
disminucin significativa de fallas del proceso.
Consecuencia:
Se cambian los lmites de control de los datos
preliminares (tabla 1) y se adoptan los del periodo
reciente (tabla 2). Esto produce:
p 3 p(1-p)/n = 0.1108 3 0.1108 (0.8892) /50
As: Lnea central = LC = 0.1108
LSC = p+3 p(1-p)/n = 0.1108+3 0.1108 (0.8892) /50

= 0.2440

LIC = p -3 p(1-p)/n = 0.1108 - 3 0.1108 (0.8892) /50 = - 0.0224

Tabla 3. Datos para el diagrama de control de la fraccion, tamao n =50 figura 3

Numero de
muestra

Numero de
disconformes Di

Fraccin de
disconformes pi

Numero de
muestra

Numero de
disconforme Di

Fraccin de
disconformes pi

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

8
7
5
6
4
5
2
3
4
7
6
5
5
3
7
9
6
10
4
3

0.16
0.14
0.10
0.12
0.08
0.10
0.04
0.06
0.08
0.14
0.12
0.10
0.10
0.06
0.14
0.18
0.12
0.20
0.08
0.06

21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

5
8
11
9
7
3
5
2
1
4
5
3
7
6
4
4
6
8
5
6

0.10
0.16
0.22
0.18
0.14
0.06
0.10
0.04
0.02
0.08
0.10
0.06
0.14
0.12
0.08
0.08
0.12
0.16
0.10
0.12

fraccin disconform e de la m uestra

Fig. 3 :Uso continuo del diagrama de control

de la fraccin disconforme para los datos de la tabla 3
0,35
0,30
0,25

LSC revisada = 0.2440

0,20
0,15
LC revisada = 0.1108

0,10
0,05
LIC revisada = 0.00

0,00
0

8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
nm ero de m uestras

CONCLUSIONES
La carta p controla la proporcin de artculos no conformes
de un proceso, es un control del atributo del producto.
La carta p se basa en el modelo probabilstico binomial
donde las unidades sucesivas en la produccin son independientes.
La interpretacin de los puntos en el diagrama de control debe
hacerse con cuidado, en especial en la interpretacin de los
puntos que se hallan por debajo del lmite inferior. Estos puntos
no a menudo representan una mejora real en la calidad del
proceso, pueden ser el resultado de errores en la medicin .
No todos los cambios en la proporcin p se deba a una mejora
de la calidad

GRAFICOS DE CONTROL np
Un grfico de control np muestra la cantidad de productos defectuosos.
Se utiliza cuando el tamao del subgrupo (n) es constante.
Muestra a la vez las caractersticas de la media y la dispersin del proceso de
produccin
Este

tambin es un diagrama para datos de atributos. Grafica un proceso medido por

el nmero de elementos producidos que no estn en conformidad con las
especificaciones. El atributo o caracterstica de inters siempre est en forma de si/no,
pasa/falla, xito/fracaso etc.
Por

ejemplo: Numero de facturas con errores, Ctodos manchados

LMITES DE CONTROL
Los lmites de control del grfico np se calculan con las
siguientes formulas:
Lmite de control superior: LCS= np +

Lmite de control inferior : LCI

= np -

3 np*(1-p )

3 np*(1-p )

donde:
Lnea central = numero prom. de unidades defectuosas
LC = numero total de unidades defectuosas
numero de subgrupos

COMPARACION DIAGRAMAS p Y np
DIAGRAMAS P:
Los datos son de atributos.
Los tamaos de las muestras son variables o
constantes.
El rastreo de la proporcin de elementos que no
cumplen con las especificaciones es importante
para nosotros.
DIAGRAMAS NP:
Los datos tambin son de atributos.
El tamao del subgrupo es constante
Se utiliza cuando el nmero es mas signficativo
que la proporcin de elementos defectuosos.

Construccin del grfico

Paso1. Recoger los datos y obtener la mayor cantidad posible de
datos que indiquen la cantidad inspeccionada (n) y la cantidad
de productos defectuosos (np).Por lo menos 20 pares.
Paso 2. Dividir los datos en subgrupos.Habitualmente se agrupan
en lotes o por fecha.
Paso 3. Calcular el total de los productos defectuosos sobre el total
inspeccionado.
p= Total de productos defectuosos = pn
Total inspeccionado

Paso 4. Calcular los lmites de control: superior, central e inferior.

Lnea Central Superior

LCS = np + 3 np (1 - p)
Lnea Central
LC = np
Lnea Central Inferior
LCI = np - 3 np (1 - p)

Ejemplo Tabla de defectos de platinado en piezas montadas

Subgrupo
N

Tamao
subgrupo (n)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Cantidad de
piezas
defectuosas pn
1
6
5
4
3
2
2
4
6
2
1
3
1
4
5

Subgrupo
N

Tamao
subgrupo (n)

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Total

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
3000

Cantidad de
piezas
defectuosas pn
4
6
15
12
6
3
4
3
3
2
5
7
4
6
8
143

Clculos y grfica
p = 143 / 3000 = 0.04766
LC = np = 100*0.0476 = 4.76
LCS = np + 3 np (1 - p) = 4.76 + 6.38 = 11.03
LCI = np - 3 np (1 - p) = 4.76 - 6.38 = - 1.62 (no se toma el valor negativo)

GRAFICO DE CONTROL "np"

Cantidad piezas
defectuosas np

16
14
12

LCS

10
8
6

LC

4
2
LCI

0
1

11 13 15 17 19 21 23 25 27 29
N Subgrupo

Control estadstico de calidad

Cartas de Control

X y R

Control sobre la calidad promedio

= Carta de control para los promedios

Control sobre la variabilidad del proceso

= Carta de control de rangos

3
LSC
n
3
LIC
n

Gran media
m

1
X Xi
m i 1
Rango promedio
m

1
R Ri
m i 1

Estimando

Por lo tanto en la carta X

tenemos:
X

LSC=

LIC=

LSC=

X A2 r

LC=

LIC=

X A2 r

3 w
1
d2

LSC=
LC=
LIC=

D4 r

D3 r

3 w
1
d2

FACTORES PARA DIAGRAMAS DE CONTROL X-R

TAMAO
MUESTRAL
(n)
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

FACTORES PARA DIAGRAMAS X

d2

FACTORES PARA DIAGRAMAS R

A2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
3,532
3,588
3,640
3,689
3,735
3,778
3,819
3,858
3,895
3,931

d3
1,881
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
0,285
0,266
0,249
0,235
0,223
0,212
0,203
0,194
0,187
0,180
0,173
0,167
0,162
0,157
0,153

0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,779
0,770
0,763
0,756
0,750
0,744
0,739
0,734
0,729
0,724
0,720
0,716
0,712
0,708

D3

D4
0,000
0,000
0,000
0,000
0,000
0,076
0,136
0,184
0,223
0,256
0,283
0,308
0,328
0,347
0,363
0,378
0,391
0,403
0,414
0,425
0,434
0,443
0,452
0,460

3,269
2,574
2,282
2,114
2,004
1,924
1,864
1,816
1,777
1,744
1,717
1,692
1,672
1,653
1,637
1,622
1,609
1,597
1,586
1,575
1,566
1,557
1,548
1,540

Mediciones de apertura del labe

Ejemplo:
Control de la apertura de los
labes, en la fabricacin de
turbinas

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

x1
33
33
35
30
33
38
30
29
28
38
28
31
27
33
35
33
35
32
25
35

x2
29
31
37
31
34
37
31
39
33
33
30
35
32
33
37
33
34
33
27
35

x3
31
35
33
33
35
39
32
38
35
32
28
35
34
35
32
27
34
30
34
36

x4
x5
X
32 33
31,6
37 31
33,4
34 36
35,0
34 33
32,2
33 34
33,8
40 38
38,4
34 31
31,6
39 39
36,8
36 43
35,0
35 32
34,0
32 31
29,8
35 34
34,0
35 37
33,0
37 36
34,8
35 39
35,6
31 30
30,8
30 32
33,0
30 33
31,6
27 28
28,2
33 30
33,8
Gran media 33,3

r
4
6
4
4
2
3
4
10
15
6
4
4
10
4
7
6
5
3
9
6
r media 5,8

Carta X
X
LSC=36.67
LC=33.32

19

17

Nmero de muestras

15

13

11

LIC=29.98
1

42,0
40,0
38,0
36,0
34,0
32,0
30,0
28,0

Carta R
LSC=12.27

19

17

Nmero de muestras

15

13

11

LC=5.8

16
14
12
10
8
6
4
2

Carta X
X
42,0

= no utilizado en el clculo de los lmites de control

19

Estimacin de los limites

17

15

13

11

40,0
LSC revisado=36.10
38,0
36,0
LC=33.21
34,0
32,0
LIC revisado =30.33
30,0
28,0

Carta R
= no utilizado en el clculo de los lmites de control

LSC revisado=10.57

19

Estimacin de los limites

17

15

13

11

LC revisado=5.0

16
14
12
10
8
6
4
2

Estimacin de la capacidad de proceso

CCP =Coeficiente de capacidad de proceso

LSE LIE
CCP
6

LAS CARTAS DE CONTROL PARA MEDICIONES

INDIVIDUALES SON AQUELLAS QUE SE
UTILIZAN EN MUCHAS SITUACIONES, DONDE
EL TAMAO DE LA MUESTRA ES IGUAL A 1,
ESTO ES QUE LA MUESTRA ESTA FORMADA
POR UNA SOLA UNIDAD O POR UN PROMEDIO
DE VARIAS MUESTRAS DONDE NO ES
NECESARIO CONSIDERARLAS YA QUE LAS
DIFERENTES MEDICIONES ENTRE ELLAS ES
SOLO ATRIBUIBLE AL ERROR DE MEDICION

CARACTERISTICAS
Es una herramienta muy utilizada en procesos continuos.
Es una representacin de observaciones individuales
contra el tiempo.
No se representan medias sino representaciones
individuales.
Establece una prueba rpida de la existencia de causas
atribuibles de variacin.
La carta de control de individuos utiliza el rango movil de
dos observaciones sucesivas para estimar la variabilidad
del proceso.
La carta de control de individuos debe ir acompaada de
la carta de control de rango movil.

EJEMPLOS DE ALGUNAS SITUACIONES DONDE

SE UTILIZAN CARTAS DE CONTROL PARA
MEDICIONES INDIVIDUALES:
TECNOLOGIA DE MEDICION E INSPECCIN
AUTOMATIZADO
EN RITMOS DE PRODUCCION LENTOS
MEDICIONES REPETIDAS DE UN PROCESO
DIFIEREN SOLO DEBIDO A ERRORES DE
MEDICION
EN PLANTAS DE PROCESO DONDE SE MIDEN
ESPESORES DE LA FABRICACION DEL PAPEL

PARA REALIZAR LOS CALCULOS EN LAS

CARTAS DE CONTROL SE TOMAN LOS
SIGUIENTES PARAMETROS QUE SE DEFINEN
COMO:
RANGO MOVIL : EL RANGO MOVIL SE
DEFINE COMO AQUEL PARAMETRO QUE SE
UTILIZA PARA ESTIMAR LA VARIABILIDAD EN
UN PROCESO

MR | Xi Xi 1 |

LIMITES DE CONTROL:SON AQUELLOS

LIMITES SUPERIORES O INFERIORES QUE
LIMITAN EL PROCESO BAJO CONTROL

mr
LSC 3
d2

LC X
mr
LIC 3
d2

LIMITES DE CONTROL PARA UNA CARTA

DE RANGO MOVIL
Rango Movil:

LSC = D4*mr
LC = mr
LIC = D3*mr

EJEMPLO EN UNA PLANTA DE SECADO

AGREGADO
COMPUESTOS
TOLVA DE
ALIMENTACIN

MEZCLADOR

SECADOR

PRODUCTO FINAL

INTERCAMBIADOR
DE CALOR

Datos de humedad en el Proceso de la Planta

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

Humedad ( % )
x
0.12
0.11
0.04
0.06
0.08
0.12
0.10
0.05
0.09
0.13
0.11
0.10
0.11
0.08
0.13
0.12
0.09
0.12
0.19
0.11
0.09
0.08
0.06
0.06
x=0.098

Rango Movil
mr
0.01
0.07
0.02
0.02
0.04
0.02
0.05
0.04
0.04
0.02
0.01
0.01
0.03
0.05
0.01
0.03
0.03
0.07
0.08
0.02
0.01
0.02
0.00
mr =0.030

x individual
(% Humedad )

CARTA DE CONTROL PARA MEDICIONES INDIVIDUALES DE

PLANTA DE SECADO
0.26
0.24
0.22
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

LSC=0.178

LC=0.098

LIC=0.018
0

12

16

Subgrupo ( Hora)

20

24

CARTA DE CONTROL PARA RANGO MOVIL

Rango movil

0.1
0.09
0.08

LSC=0.098

0.07
0.06
0.05
0.04
0.03

LC=0.030

0.02
0.01
0

LIC=0.00
0

10

12

14

Subgrupo

16

18

20

22

24

26

x individual ( % Humedad)

CARTA DE CONTROL DE INDIVIDUOS MODIFICADA

PARA PLANTA DE SECADO
0.24
0.22
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

LSC=0.160
LC=0.094

LIC=0.028
0

12

16

Subgrupo ( Horas )

20

24

CARTA DE CONTROL MODIFICADA PARA RANGO

MOVIL

Rango movil

0.1
0.09
0.08
0.07

LSC=0.082

0.06
0.05
0.04

LC=0.025

0.03
0.02
0.01
0

LIC=0.00
0

10

12

14

Subgrupo

16

18

20

22

24

26

x individual ( % Humedad)

CARTA DE CONTROL DE INDIVIDUOS MODIFICADA

PARA PLANTA DE SECADO
0.24
0.22
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0

LSC=0.160
LC=0.094

LIC=0.028
0

12

16

Subgrupo ( Horas )

20

24

CARTA DE CONTROL MODIFICADA PARA RANGO

MOVIL

Rango movil

0.1
0.09
0.08
0.07

LSC=0.082

0.06
0.05
0.04

LC=0.025

0.03
0.02
0.01
0

LIC=0.00
0

10

12

14

Subgrupo

16

18

20

22

24

26

Ejercicio
El siguiente problema muestra una tabla con
20 observaciones de concentracin en la
salida de un proceso qumico. Las
observaciones se toman a intervalos de una
hora . Si se toman varias observaciones al
mismo tiempo, la lectura de concentracin
observada ser diferente debido solo al error
de medicin. Puesto que este es pequeo,
solo se toman dos observaciones cada hora
y se promedia entre ellos.

Observacion Concentracion Rango movil

1
102,0
2
94,8
7.2
3
98,3
3.5
4
98,4
0.1
5
102,0
3.6
6
98,5
3.5
7
99,0
0.5
8
97,7
1.3
9
100,0
2.3
10
98,1
1.9
11
101,3
3.2
12
98,7
2.6
13
101,1
2.4
14
98,4
2.7
15
97,0
1.4
16
96,7
0.3
17
100,3
3.6
18
101,4
1.1
19
97,2
4.2
20
101,0
3.8
X = 99,1
mr = 2.59

Para buscar el rango

mvil utilizaremos la
siguiente formula

MR | Xi Xi 1 |
Por ejemplo :

MR | 94.8 102.0 |

MR 7.2
Calculando la media del Rango movil

mr =

49.2 2.589
19

CALCULANDO EL VALOR DE LA LINEA CENTRAL

EL VALOR DE LA LINEA CENTRAL CORRESPONDE AL
VALOR DE LA MEDIA OBTENIDA DE LAS
CONCENTRACIONES

DONDE :

xi 1981.9

x n 20 99.095

POR LO TANTO

LC X 99.1

CALCULANDO LOS LIMITES DE CONTROL TENEMOS:

LSC X 3 mr
d2
99.1 3 2.59
1.128

105.99
LIC X 3 mr
d2

99.1 3 2.59
1.128

92.21

105.9

LSC

LC

99.1

LIC
92.20

LSC

2.59

CARTA DE CONTROL SUMA ACUMULATIVA

CARACTERISTICAS
Principios Bsicos
Estos diagramas siven para detectar pequeos cambios en
la media del proceso (del orden de 0,5 a 2 x ) .
En este intervalo se detectarn los cambios dos veces ms
rpidos con un tamao muestra ms pequeo.
Son eficaces para muestras de n = 1
Visualmente se detectan los cambios en el proceso por el
cambio en la pendiente de los puntos.
Desventajas del mtodo
La grfica es lenta para detectar cambios grandes en el
proceso.
No es un mtodo eficaz para analizar datos anteriores.

EXISTEN DOS ENFOQUES PARA EL

DISEO DE LIMITES DE CONTROL
SUMCUM
Mascara V
Tabular

Ventajas de una carta de

control de SUMCUM
Son ms eficaces.
Se pueden detectar con facilidad.

DESARROLLO MATEMATICO
i

Si ( X j 0 )
j 1

Si ( X j 0 ) S i 1

Donde :

X j Pr omedio de la j esima muestra

0 Valor deseado de la media del proceso

Observacin :

Si el proceso esta bajo control en el valor deseado 0 , la

suma acumulada fluctua alrededor del cero.

Si la media se desplaza hacia arriba por algun valor 1 > 0 ,

aparecera en la suma acumulada un corrimiento hacia arriba o
positivo.

Si la media se desplaza hacia abajo por algun valor 1 < 0 ,

aparecera en la suma acumulada un corrimiento hacia abajo o

Ejemplo
La tabla muestra 20 observaciones de
concentracin en la salida de un
proceso qumico. Las observaciones se
toman a intervalos de una hora . Si se
toman varias observaciones al mismo
tiempo, la lectura de concentracin
observada ser diferente debido slo al
error de medicin . Puesto que ste es
pequeo,
slo
se
toma
una
observacin cada hora.

Clculo de SUMCUM para los datos

de concentracin del proceso
Observacin, i

Xi

Xi - 99

Si = ( Xi - 99) + Si-1

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

102.0
94.8
98.3
98.4
102.0
98.5
99.0
97.7
100.0
98.1
101.3
98.7
101.1
98.4
97.0
96.7
100.3
101.4
97.2
101.0

3.0
-4.2
-0.7
-0.6
3.0
-0.5
0.0
-1.3
1.0
-0.9
2.3
-0.3
2.1
-0.6
-2.0
-2.3
1.3
2.4
-1.8
2.0

3.0
-1.2
-1.9
-2.5
0.5
0.0
0.0
-1.3
-0.3
-1.2
1.1
0.8
2.9
2.3
0.3
-2.0
-0.7
1.7
-0.1
1.9

GRAFICA SUMA ACUMULATIVA

Si

2
0

-2
-4
1

10

11

12

Observacin (i)

13

14

15

16

17

18

19

20

PROCEDIMENTO TABULAR

Intervalo de decisin H.

Si SH(i) o SL(i) son mayores que el

intervalo H, el proceso est fuera de
control.

Si el proceso est fuera de control se

debe buscar la causa asignable.

Este procedimiento no requiere un

tamao de muestra grande.

DESARROLLO MATEMATICO METODO TABULAR

S H (i ) Max 0, X i ( 0 K ) S H (i 1)

S L (i ) Max 0,( 0 K ) X i S L (i 1)

Donde :
SH(i) es la suma acumulativa unilateral superior para el periodo i
SL(i) es la suma acumulativa unilateral inferior para el periodo i
K : Se conoce como valor de referencia.

Ejemplo : mtodo tabular

0 = 99,

K = 1,
H =10,

valor referencia.
intervalo de decisin.

SH(i) = mx [0, xi ( 0 + K) + SH(i-1)]

SH(i) = mx [0, xi ( + 1) + SH(i-1)]
SH(i) = mx [0, xi 100 + SH(i-1)]
SL(i) = mx [0,( 0 - K) - xi + SL(i-1)]
SL(i) = mx [0,( - 1) - xi + SL(i-1)]
SL(i) = mx [0,98 - xi + SL(i-1)]

SUMCUM tabular del proceso qumico.

xi

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

102,0
94,8
98,3
98,4
102,0
98,5
99,0
97,7
100,0
98,1
101,3
98,7
101,1
98,4
97,0
96,7
100,3
101,4
97,2
101,0

S L (i ) Max 0,( 0 K ) X i S L (i 1)

Observacin
i

S L (i ) Max 0,(99 1) X i S L (i 1)

S H (i ) Max 0,2 2

S H (i ) Max 0,102 100 0

S L (i ) Max 0,98 102 0

S H (i ) Max 0, X i (100) S H (i 1)

S L (i ) Max 0, 4 0

S H (i ) Max 0, X i ( 0 K ) S H (i 1)

SUMCUM superior
x i - 100
sH( i )
2,0
-5,2
-1,7
-1,6
2,0
-1,5
-1,0
-2,3
0,0
-1,9
1,3
-1,3
1,1
-1,6
-3,0
-3,3
0,3
1,4
-2,8
1,0

2,0
0,0
0,0
0,0
2,0
0,5
0,0
0,0
0,0
0,0
1,3
0,0
1,1
0,0
0,0
0,0
0,3
1,7
0,0
1,0

nH
1
0
0
0
1
2
0
0
0
0
1
0
1
0
0
0
1
2
0
1

SUMCUM inferior
98 - x i
s L( i )
nL
-4,0
3,2
-0,3
-0,4
-4,0
-0,5
-1,0
0,3
-2,0
-0,1
-3,3
-0,7
-3,1
-0,4
1,0
1,3
-2,3
-3,4
0,8
-3,0

0,0
3,2
2,9
2,5
0,0
0,0
0,0
0,3
0,0
0,0
0,0
0,0
0,0
0,0
1,0
2,3
0,0
0,0
0,8
0,0

0
1
2
3
0
0
0
1
0
0
0
0
0
0
1
2
0
0
1
0

Carta Control METODO TABULAR