Instituto tecnologic superior de san Andrés tuxtlas

INGENIERÍA INDUSTRIAL

“CONTROL ESTADÍSTICO DE LA CALIDAD”

GRAFICAS DE CONTROL PARA ATRIBUTOS

Omar Sánchez Guevara

DOCENTE: ING. Socorro Aguirre Fernández

GRUPO: “513-A”

Contenido
INTRODUCCIÓN............................................................................................................................... 1
3.1 Conceptos Generales para Atributos ................................................................................. 3
3.2 Elaboración e Interpretación de Gráficas para Atributos .............................................. 5
3.2.1 Gráfico p ............................................................................................................................ 10
3.2.2 Gráfico np.......................................................................................................................... 13
3.2.3 Gráfico c ............................................................................................................................ 14
3.2.4 Gráfico u ............................................................................................................................ 14
3.3 Capacidad de proceso .......................................................................................................... 15
CONCLUSIÓN ................................................................................................................................. 20
BIBLIOGRAFÍA ............................................................................................................................... 20
 INTRODUCCIÓN
Los diagramas de control por atributos constituyen la herramienta esencial utilizada
para controlar características de calidad cualitativas, esto es, características no
cuantificables numéricamente. Ejemplos de tales características no medibles son la
fracción o porcentaje de unidades defectuosas en la producción (P), el número de
unidades defectuosas en la producción (NP), el número de defectos por unidad
producida (U), y el número de defectos de todas las unidades producidas (C).

Al igual que en los gráficos de control por variables, el diagrama de atributos

representa un estadístico T del proceso (como puede ser el número de defectos)
frente al número de la muestra o al tiempo. Una línea central representa el valor
medio o esperado del estadístico, mientras que los límites de control suelen definir
una zona de control que abarca 3s por encima y por debajo de la línea central. Estos
límites son escogidos de manera que si el proceso está bajo control, casi la totalidad
de los puntos muéstrales se halle entre ellos.

Así, un punto que se encuentra fuera de los límites de control se interpreta como
una evidencia de que el proceso está fuera de control. Además, incluso si todos los
puntos se hallan comprendidos entre los límites de control, pero se comportan de
manera sistemática o no aleatoria, también tendríamos un proceso fuera de control
(veremos cómo estudiar la existencia de tales patrones no aleatorios mediante los
llamados test para causas especiales).

Este tipo de gráficos se suele aplicar en situaciones en las que el proceso es una
operación de montaje complicada, y la calidad del producto se mide en términos de
la ocurrencia de disconformidades, del funcionamiento exitoso o fallido del producto,
etc.

Los diagramas de control por atributos tienen la ventaja de que hacen posible
considerar varias características de calidad al mismo tiempo y clasificar los
productos como disconformes si no satisfacen las especificaciones de cualquiera
de las características.

Tenemos dos opciones a la hora de realizar un gráfico de control por atributos:

1
1. Podemos comparar un producto con un estándar y clasificarlo como defectuoso
o no (gráficos P y
NP)

2. En el caso de productos complejos, la existencia de un defecto no

necesariamente conlleva a que el producto sea defectuoso. En tales casos, puede
resultar conveniente clasificar un producto según el número de defectos que
presenta (gráficos C y U).

Es importante notar que los gráficos P, NP, y U permiten trabajar con muestras de
tamaños diferentes, mientras que los gráficos C están diseñados para muestras de
igual tamaño.

2
3.1 Conceptos Generales para Atributos

Cuando no es fácil medir un producto o una parte, o cuando la calidad se puede

obtener como un atributo conforme o no con unas especificaciones de calidad, se
puede usar una gráfica de control de características. Estas técnicas analizan tanto
las características buenas como malas, sin hacer referencia al grado. Entonces, se
acepta o se rechaza contando cuántas unidades tienen o no el defecto, o
comprobando el número de tales eventos que ocurren en la unidad, grupo o área, y
comparando con el criterio de aceptación establecido. Se acepta o rechaza la pieza
o el lote sin asociar un valor concreto. El atributo a controlar se suele elegir de forma
que sea fácilmente observable y por tanto económico de controlar y clasificar.
Antes de seguir conviene definir los términos siguientes:
a. Defecto: cualquier característica individual que no esté de acuerdo con los
requisitos de calidad establecidos.
b. Defectuoso: cualquier unidad que tiene uno o más defectos.

Las gráficas de control se pueden definir como la herramienta estadística que se

utiliza para controlar un proceso que permite al responsable de dicho proceso
distinguir entre la causa de variación que perecen en el mismo:
Variabilidad debida a causas comunes: permite realizar predicciones sobre el
estado del proceso.
Variabilidad debido a causas especiales: no permite predecir la situación del
proceso en un momento determinado.

La función primaria de una Gráfica de Control es mostrar el comportamiento de un

proceso:
• Identificar la existencia de causas de variación especiales (proceso fuera de
control).
• Monitorear las variables claves en un proceso de manera preventiva.
• Indicar cambios fundamentales en el proceso.

La graficas de control por atributos

Constituyen la herramienta esencial utilizada para controlar características de solo
dos situaciones posibles.
Datos de tipo atributo:

3
Tiene solo dos valores: conforme /no conforme, pasa/no pasa, funciona /no
funciona, presente / ausente. También se considera atributos a las características
cualitativas que se registran en los términos si/no
Los tipos de gráficos de control por atributos que se estudian son:
a. Gráfico p: fracción de unidades defectuosas.
b. Gráfico np: número de unidades defectuosas por muestra.
c. Gráfico c: número de defectos por unidad.
d. Gráfico U: número de defectos por unidad por muestra.

Algunos conceptos utilizados en gráficos de control son los límites de la gráfica de

control representa la variación del proceso y ayudan indicando cuando el proceso
está fuera de control

- Límite superior: es el valor máximo en el cual el proceso se encuentra en

control

- Límite inferior: es el valor mínimo en el cual el proceso se encuentra en

control.

- Límite central: es el promedio del número de defecto

4
Ventajas

• Resume varios aspectos de la calidad del producto; es decir si es aceptable

o no.
• Son fáciles de entender.
• Provee evidencia de problemas de calidad.

Desventajas

• Interpretación errónea por errores de los datos o los cálculos utilizados

• El hecho de que un proceso se mantenga bajo control no significa que sea
un buen proceso, puede estar produciendo constantemente un gran número
de no conformidades.
• Controlar una característica de un proceso no significa necesariamente
controlar el proceso. Si no se define bien la información necesaria y las
características del proceso que deben ser controladas, tendremos
interpretaciones erróneas debido a informaciones incompletas.

3.2 Elaboración e Interpretación de Gráficas para

Atributos

Paso 1: Establecer los objetivos del control estadístico del proceso

• La finalidad es establecer qué se desea conseguir con el mismo.

Paso 2: Identificar la característica a controlar

• Es necesario determinar qué característica o atributo del producto/servicio o

proceso se van a controlar para conseguir satisfacer las necesidades de
información establecidas en el paso anterior.

Paso 3: Determinar el tipo de Gráfica de Control que es conveniente utilizar.

• Conjugando aspectos como:

• Tipo de información requerida.
• Características del proceso.
• Características del producto.
• Nivel de frecuencia de las unidades no conformes o disconformidades.

Paso 4: Elaborar el plan de muestreo (Tamaño de muestra, frecuencia de

maestreo y número de muestras)

5
 • Las Gráficas de Control por Atributos requieren generalmente tamaños de
muestras grandes para poder detectar cambios en los resultados.
• Para que el gráfico pueda mostrar pautas analizables, el tamaño de muestra,
será lo suficientemente grande (entre 50 y 200 unidades e incluso superior)
para tener varias unidades no conformes por muestra, de forma que puedan
evidenciarse cambios significativamente favorables (por ejemplo, aparición
de muestras con cero unidades no conformes).
• El tamaño de cada muestra oscilará entre +/- 20% respecto al tamaño medio
de las muestras
• n = (n^ + n2 + ... + nN) / N N = Número de muestras
• La frecuencia de muestreo será la adecuada para detectar rápidamente los
cambios y permitir una realimentación eficaz.
• El periodo de recogida de muestras debe ser lo suficientemente largo como
para recoger todas las posibles causas internas de variación del proceso.
• Se recogerán al menos 20 muestras para proporcionar una prueba fiable de
estabilidad en el proceso.

Paso 5: Recoger los datos según el plan establecido

• Se tendrá un especial cuidado de que la muestra sea aleatoria y

representativa de todo el periodo de producción o lote del que se extrae.
• Cada unidad de la muestra se tomará de forma que todas las unidades del
periodo de producción o lote tengan la misma probabilidad de ser extraídas.
(Toma de muestras al azar).
• Se indicarán en las hojas de recogida de datos todas las informaciones y
circunstancias que sean relevantes en la toma de los mismos.

Paso 6: Calcular la fracción de unidades

• Para cada muestra se registran los siguientes datos:

1. El número de unidades inspeccionadas "n".

2. El número de unidades no conformes.
3. La fracción de unidades no conformes
4. El número de defectos en una pieza
5. La fracción de defectos por pieza

Paso 7: Calcular los Límites de Control

Gráficas de Control por Atributo

Tamaño
Tipo Data de Formula LC LCS LCI
Muestra

6
 p-
Piezas p+3√p(1-
P Varia p=np/n p=Σnp/Σn 3√p(1-
defectuosas P)/√n
P)/√n

n=Σn/k

np-
Piezas np+3√np(1-
Np Constante p=np/n np=Σnp/k 3√np(1-
defectuosas P)
P)

Defectos
C Constante C c=Σc/k c+3√c c-3√c
por Pieza

Defectos u-
U Varia u=c/n u=Σc/Σn u+3√u/√n
por Pieza 3√u/√n

Paso 8: Definir las escalas de la gráfica.

• El eje horizontal representa el número de la muestra en el orden en que ha

sido tomada.
• El eje vertical representa los valores de la fracción de unidades
• La escala de este eje irá desde cero hasta dos veces la fracción de unidades
no conformes máxima.

Paso 9: Representar en el gráfico la Línea Central y los Límites de Control.

• Línea Central
- Marcar en el eje vertical, correspondiente al valor de la fracción

• Línea de Control Superior

- Marcar en el eje vertical el valor de UCL. A partir de este punto trazar una
recta horizontal discontinua (a trazos). Identificarla con UCL.
• Límite de Control Inferior
- Marcar en el eje vertical el valor de LCL. A partir de este punto trazar una
recta horizontal discontinua (a trazos). Identificarla con LCL.

Nota: Usualmente la línea que representa el valor central se dibuja de color azul y
las líneas correspondientes a los límites de control de color rojo. Cuando LCL es
cero, no se suele representar en la gráfica.

Paso 10: Incluir los datos pertenecientes a las muestras en la gráfica.

7
 • Representar cada muestra con un punto, buscando la intersección entre el
número de la muestra (eje horizontal) y el valor de su fracción de unidades
no conformes (eje vertical).
• Unir los puntos representados por medio de trazos rectos.

Paso 11: Comprobación de los datos de construcción de la Gráfica de Control.

• Se comprobará que todos los valores de la fracción de unidades de las

muestras utilizadas para la construcción de la gráfica correspondiente están
dentro de sus Límites de Control.
• LCI < gráfica < LCS
• Si esta condición no se cumple para alguna muestra, esta deberá ser
desechada para el cálculo de los Límites de Control.
• Se repetirán todos los cálculos realizados hasta el momento, sin tener en
cuenta los valores de las muestras anteriormente señaladas.
• Este proceso se repetirá hasta que todas las muestras utilizadas para el
cálculo de los Límites de Control muestren un proceso dentro de control.
• Los Límites, finalmente así obtenidos, son los definitivos que se utilizarán
para la construcción de las Gráficas de Control.

Paso 12: Análisis y resultados.

• La Gráfica de Control, resultado de este proceso de construcción, se utilizará

para el control habitual del proceso.

Interpretación de la gráfica e Identificación de causas especiales o asignables.

Pautas de comportamiento que representan cambios en el proceso:

• Un punto exterior a los límites de control.

- Se estudiará la causa de una desviación del comportamiento tan fuerte.

8
• Dos puntos consecutivos muy próximos al límite de control.
- La situación es anómala, estudiar las causas de variación.

• Cinco puntos consecutivos por encima o por debajo de la línea central.

- Investigar las causas de variación pues la media de los cinco puntos indica
una desviación del nivel de funcionamiento del proceso.

• Fuerte tendencia ascendente o descendente marcada por cinco puntos

consecutivos.

9
 - Investigar las causas de estos cambios progresivos.

• Cambios bruscos de puntos próximos a un límite de control hacia el otro

límite.
- Examinar esta conducta errática.

3.2.1 Gráfico p

10
Objetivo
➢ Descubrir puntos fuera de control.
➢ Proporcionar un criterio para juzgar si lotes sucesivos pueden considerarse
como representativos de un proceso.
➢ Posibilidad de influir en criterios de aceptación.

Un gráfico P es un gráfico de control del porcentaje o fracción de unidades

defectuosas (cociente entre el número de artículos defectuosos en una población y
el número total de artículos de dicha población).
1 De cada lote, embarque o pedido o cada cierta parte de la producción se toma
una muestra o subgrupo de nᵢ artículos, que puede ser la totalidad o una parte de la
pieza bajo análisis.
2 Las nᵢ piezas de cada subgrupo son inspeccionadas y cada una es catalogada
como defectuosas o no. La características o atributos de calidad por los que una
pieza es evaluada como defectuosa pueden ser más de uno. Una vez determinada
los atributos bajo análisis, es preciso aplicar criterios y(o) análisis bien definidos y
estandarizados.
3 Si de las nᵢ piezas de subgrupo ı se encuentra que dᵢ son defectuosas (es decir,
que no pasan) entonces en la gráfica p se grafican y analizan la variación de la
proporción pᵢ de las unidades defectuosas por subgrupo:

𝑑𝑖
𝑝𝑖 =
𝑛𝑖

Para calcular los límites de control se parte del supuesto de que la cantidad de
piezas defectuosas por subgrupo sigue una distribución binomial y a partir de esto
se aplica el mismo esquema general, el cual señala que los limites están dados por
µω ± 3σω la media, más menos tres desviaciones estándar del estadístico W que
se grafica en la carta. Por tanto, en el caso en cuestión, W=pᵢ. Asi de acuerdo con
la distribución binomial se sabe que la media y a la desviación estándar de una
proporción están dadas, respectivamente por

Donde n es el tamaño del subgrupo y p es la proporcion promedio de articulos

defectuosos en el proceso.
De acuerdo con esto, los limites de control de la grafica p con tamaño de subgrupo
constante este dados por:

11
 𝑝̅(1−𝑝̅)
Límite de control superior = 𝐿𝐶𝑆 = 𝑝̅ + 3√ 𝑛

𝑝̅(1−𝑝̅ )
Límite de control inferior = 𝐿𝐶𝐼 = 𝑝̅ − 3√ 𝑛

Limite central = 𝑝̅
Cuando el, tamaño de subgrupo 𝑛 no se mantiene constante a lo largo de las
muestras se tiene dos alternativas :1) usar el tamaño promedio de subgrupo 𝑛̅, en
lugar de 𝑛, o 2)construir una carta de control con limites variables

Si el promedio del proceso medido a través de 𝜌̅ es desconocido, entonces es

necesario estimarlo por medio de un estudio inicial.

Grafica p con limites variables

Hay procesos en los que se aplican unas graficas p, donde el tamaño de subgrupo
𝑛𝑖 es muy variable, debido a que esta asociado con tamaño de lotes o algunas otras
circunstancias que hace impráctico trabajar con el mismo tamaño de subgrupos
como referencia. El problema en estos casos es que los limites de control dependen
del valor de 𝑛𝑖 , ya que un numero pequeño de este hace que los limites sean mas
amplios y viceversas; así, un valor grande de 𝑛𝑖 hace que los limites de la grafica p
sean mas estrechos.
Para atender esta situación de 𝑛𝑖 variable se tiene tres alternativas.
➢ Utilizar tamaño de subgrupo promedio para calcular los límites de
control.
Esta alternativa se recomienda cuando la variación entre tamaños de
subgrupo no es excesiva (menor a 20% es aceptable)
➢ Utilizar la gráfica p con limites variables.
Cunando la alternativa anterior no es aplicable o cuando se desea conservar las
características probabilísticas de la gráfica de control se utiliza la gráfica p con
limites variables cuyo límites de control cambian de amplitud de acuerdo con el
tamaño de cada subgrupo 𝑛𝑖 . Para el 𝑛𝑖 los limites están dados por:
𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝑆 = 𝑝̅ + 3√
𝑛𝑖

𝑝̅ (1 − 𝑝̅ )
𝐿𝐶𝐼 = 𝑝̅ − 3√
𝑛𝑖
El problema de esta alternativa anterior es que para cada tamaño de subgrupo es
necesario calcular límites de control, y con base en estos juzgar el estado del
proceso para ese subgrupo. De esta manera, lo recomendable es aplicar estas
graficas con apoyo de una computación.

➢ Utilizar la gráfica p normalizada o estandarizada.

12
forma de superar la situación de tener diferentes límites de control es una gráfica p
normalizada o estandarizada, en la cual, en lugar de graficar la proporción muestral
𝑝𝑖 ,se grafica la proporción estandarizada:
𝑝𝐼 − 𝑝̅
𝑧𝐼 =
𝑝̅ (1 − 𝑝̅ )
√
𝑛𝑖̇
la línea central en esta grafica es igual a cero, mientras que los límites de control
inferior y superior son -3 y 3, respectivamente.

3.2.2 Gráfico np

Objetivo principal
➢ Conocer las causas que contribuyen al proceso.
➢ Obtener el registro histórico de una o varias características de una
operación con el proceso productivo.

El diagrama NP está basado en el número de unidades defectuosas. Este tipo de

gráficos permite tanto analizar el número de artículos defectuosos como la posible
existencia de causas especiales en el proceso productivo. Los principios
estadísticos que sirven de base al diagrama de control NP se basan en la
distribución Binomial:

Supóngase que el proceso de producción funciona de manera estable, de tal forma

que la probabilidad de que cualquier artículo no esté conforme con las
especificaciones es p, y que los artículos producidos sucesivamente son
independientes; entonces, si seleccionamos k muestras aleatorias de n artículos
del producto cada una, y representando por al número de artículos defectuosos
en la muestra i-ésima, tendremos que .

Donde n es el tamaño de subgrupo y p es la proporción promedio de artículos

defectuosos de aquí que los límites de control de la gráfica np estén dados por:

Límite de control superior = 𝐿𝐶𝑆 = 𝑛𝑝̅ + 3√𝑛𝑝̅ (1 − 𝑝)

Límite de control inferior 𝐿𝐶𝐼 = 𝑛𝑝̅ − 3√𝑛𝑝̅ (1 − 𝑝)

Limite central = 𝑛𝑝̅

13
3.2.3 Gráfico c

Objetivo principal
➢ Reducir el costo relativo al proceso.
➢ Determinar qué tipo de defectos no son permitidos en el producto.

El diagrama C está basado en el número total de defectos (o no conformidades) en

un subgrupo cuando el tamaño de esta se mantiene constante en la producción. Los
principios estadísticos que sirven de base al diagrama de control C se basan en la
distribución de Poisson: por lo tanto, las estimaciones de la media y la desviación
estándar de esta estadística está dado por:

𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠
µ𝐶𝑖 = 𝑐̅ = 𝑦 𝜎𝐶𝑖 = 𝑐̅
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠

Por ello los limites de control de la grafica C se obtienen con las expresiones:

Límite de control superior =𝐿𝐶𝑆 = 𝑐̅ + 3√𝑐̅

Límite de control inferior =𝐿𝐶𝐼 = 𝑐̅ − 3√𝑐̅

Limite central = 𝑐̅

3.2.4 Gráfico u
En este tipo de graficas se usa una unidad de medición estándar, como defectos
por metro cuadrado o por centímetro cuadrado. La grafica de control para estas
situaciones es la grafica 𝑢.
La variable 𝑢 representa el numero promedio de defectos por unidad de medición,
es decir, 𝑢 = 𝑐 ∕ 𝑛 , donde 𝑛 es el tamaño del subgrupo (como metro cuadrado).la
línea central 𝑢̅ para 𝑘 muestras cada una de tamaño 𝑛ᵢ, se calcula de la siguiente
manera:

𝑐1 + 𝑐2 +𝑐3 … 𝑐𝑘
𝑢̅ =
𝑛1 + 𝑛2 + 𝑛3 … 𝑛𝑘

La desviación estándar de la i-ésima muestras se calcula mediante:

𝑢̅
𝑆𝑢 = √
𝑛𝑖

14
El límite de control se calcula basados en tres desviaciones estándar para la i-ésima
muestras, son:
̅
𝑢
Límite de control superior =𝐿𝐶𝑆 = 𝑢̅ + 3√𝑛
𝑖

̅
𝑢
Límite de control inferior =𝐿𝐶𝐼 = 𝑢̅ − 3√𝑛
𝑖

En este caso, si el tamaño de los subgrupos varia, también lo harán los límites de
control. Este resultado es similar a la gráfica p como tamaños de muestra variable.
En general, siempre que el tamaño de la muestra varia 𝑛 varia, los limites de control
también varían.

̅ puede calcularse mediante:

Por otra parte, el valor de 𝑈
∑𝑛𝑖=1 𝑑𝑖
̅
𝑈= 𝑛
∑𝑖=1 𝑛𝑖
̅ con tamaño de
En este caso se observa que los límites de control de grafica 𝑈
muestra variable están dados por formulas:

̅
𝑈
̅ + 3√
Límite de control superior =𝐿𝐶𝑆 = 𝑈 𝑛 𝑖

̅
̅ − 3√ 𝑈
Límite de control inferior =𝐿𝐶𝐼 = 𝑈 𝑛 𝑖

̅
Limite central = 𝑈

3.3 Capacidad de proceso

Son técnicas estadísticas que ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.

La aplicación del análisis de capacidad de los procesos tiene los objetivos

siguientes:

1. Predecir que tanto cumplirá las tolerancias especificadas el proceso.

2. Apoyar a los diseñadores en la selección o modificación de un proceso.
3. Soportar la determinación de intervalos de muestreo para monitoreo del proceso.
4. Determinar el desempeño de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.

15
6. Seleccionar de entre diversos proveedores.
7. Reducir la variabilidad de un proceso de manufactura.

La capacidad de los procesos para cumplir especificaciones se refiere a la

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:

1. La variabilidad natural en un cierto tiempo (variabilidad instantánea).

2. La variabilidad en el tiempo.

Es usual tomar 6-sigma de la población  como la dispersión en la distribución de

la característica de calidad del producto como medida de la capacidad del proceso.

Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en   3 , o sea:

LTNS =  + 3 
LTNI =  - 3 

Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la

variable, sólo el 0.27% (2700 ppm) de la salida del proceso se encontrará fuera de
estos límites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:

Condiciones para realizar un estudio de capacidad del proceso

Para realizar un estudio de capacidad es necesario que se cumplan los siguientes

supuestos:

• El proceso se encuentre bajo control estadístico, es decir sin la influencia de

fuerzas externas o cambios repentinos. Si el proceso está fuera de control la
media y/o la desviación estándar del proceso no son estables y, en
consecuencia, su variabilidad será mayor que la natural y la capacidad potencial
estará infravalorada, en este caso no es conveniente hacer un estudio de
capacidad.
• Se recolectan suficientes datos durante el estudio de habilidad para minimizar el
error de muestreo para los índices de habilidad. Si los datos se componen de
menos de 100 valores, entonces deben calcularse los límites de confianza
inferiores.
• Los datos se recolectan durante un periodo suficientemente largo para asegurar
que las condiciones del proceso presentes durante el estudio sean
representativas de las condiciones actuales y futuras.
• El parámetro analizado en el estudio sigue una distribución de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
índices de capacidad son incorrectos.

16
También es importante al realizar un estudio de capacidad, asegurarnos que la
variación en el sistema de medición no sea mayor al 10%.

Índice de capacidad potencial Cp

El índice de capacidad potencial Cp = PCR compara la amplitud de variación

permitida por las especificaciones entre la amplitud de variación entre los límites de
tolerancia naturales del proceso.

LSE − LIE
Cp = PCR =
6

𝑛𝑝
Límite superior =𝐿𝑆 = 𝑛𝑝 + 3√𝑛𝑝 (1 − )
𝑛

𝑛𝑝
Límite inferior =𝐿𝐼 = 𝑛𝑝 + 3√𝑛𝑝 (1 − )
𝑛

Limite central = 𝑛𝑝

Partiendo de la ecuación anterior se tiene en cuenta que en atributos LI=O y

considerando la desviación estándar de la carta de control por atributos, se obtiene
la siguiente ecuación para el cálculo de Cp en atributos:

𝐿𝑆
𝐶𝑝 =
𝑛𝑝
6√𝑛𝑝 (1 − 𝑛 )

De acuerdo con el resultado que arroje este índice de capacidad, se analiza e

interpreta de la siguiente manera:

Cp< 1: proceso no capaz

Cp= 1: proceso justamente capaz
Cp>1: proceso capaz

En medida que se acerca a 2, se considera un proceso de nivel 6 sigma.

Índice de capacidad real Cpk

17
Este índice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evalúa tomando el
mínimo entre los Cp’s correspondientes a cada lado de la media, como sigue,

Cpk = PCRk = min( PCRS , PCRI ) debe ser mayor a 1

donde,
LSE − 
Cps = PCRS = para el límite superior
3

 − LIE
Cpi = PCRI = para el límite inferior
3

A partir de la ecuación de la grafica de control por atributos np el parámetro σ de la

𝑛𝑝
grafica de control 𝑛𝑝 = √𝑛𝑝 [1 − ] y el promedio µ= 𝑛𝑝 de la ecuación el índice
𝑛
de Cpk se reemplazan los parámetros y se obtienen la ecuación de capacidad de
proceso de Cpk para medición de la capacidad de proceso en atributos.

𝑳𝑺 − 𝒏𝒑 𝒏𝒑 − 𝑳𝑰
𝑪𝒑 = ,
𝒏𝒑 𝒏𝒑
𝟑√𝒏𝒑 (𝟏 − 𝒏 ) 𝟑√𝒏𝒑 (𝟏 − 𝒏 )
[ ]
ÍNDICE DE CAPACIDAD POTENCIAL Cpkm ó PCRkm

Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no
necesariamente están centrados respecto a la media de las especificaciones como
se muestra a continuación:

LIE  LSE LIE  LSE

PROCESO A: Cpk = 1 PROCESO B: Cpk =1

Procesos con Cpk = 1 pero con centrado diferente

Un nuevo índice que toma en cuenta el centrado es el siguiente:

18
 1
Si T = ( LSE + LIE )
2
 =  2 + ( − T ) 2
T −
=

Se tiene,
LSE − LIE LSE − LIE LSE − LIE
Cpkm = PCRkm = = =
6 6  + ( − T )
2 2
1+ 2

Una condición necesaria para que Cpkm sea mayor de uno es:

1
 −T  ( LSE − LIE )
6

En base a lo anterior se ha propuesto otro índice de capacidad por Pearn (1992),

que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:

Cpk
Cp pmk = PCR pmk =
1+ 2
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrán
resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los métodos de Pearson, transformar los datos por Box Cox o usar Weibull.

Cálculo de la desviación estándar del proceso

R S
= ó  = (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,

S = Desviación estándar de la población

d2 = Factor que depende del tamaño del subgrupo en la carta de control X - R
C4 = Ídem al anterior para una carta X - S

En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos
/ (n -1)

19
 CONCLUSIÓN
Del desarrollo de los conceptos y ejemplos se puede observar el enorme potencial
que posee la utilización del Control Estadístico de la calidad como instrumento y
herramienta destinada a un mejor control, una forma más eficaz de tomar decisiones
en cuanto a ajustes, un método muy eficiente de fijar metas y un excepcional medio
de verificar el comportamiento de los procesos.

BIBLIOGRAFÍA

http://www.prograweb.com.mx/CEC/
Gráficos de Control por Atributos unidad IV
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r57305.DOC
www.slideshare.net/.../graficas-de-control-por-atributo-10273458

www.fundibeq.org/opencms/.../graficos_de_control_por_atributos.pdf

www1.uprh.edu/.../para%20el%20curso/Graficas%20de%20control%20p...

www.monografias.com

SIP I Methodology & tools training

www.gestiopoly.com

Goetsch, D. L. & Davis, S. B.; 2003. Quality Management. 4t Edition. Prentice Hall.

http://ingenieriaindustrialupvmtareasytrabajos.files.wordpress.com/2012/08/cartas-
de-control-por-atributos1.pdf

www3.uji.es/~epifanio/DOCENCIA/etig/t3.pdf

20