CARTAS DE CONTROL

El objetivo básico de una carta de control es observar y analizar el

comportamiento de un proceso a través del tiempo. Esto permitirá distinguir las
variaciones por causas comunes de las debidas a causas especiales (atribuibles),
lo que ayudará a caracterizar el funcionamiento del proceso y así decidir las
mejores acciones de control y de mejora.
La ubicación de los límites de control en una carta es un aspecto fundamental, ya
que si éstos se ubican demasiado alejados de la línea central entonces será más
difícil detectar los cambios en el proceso, mientras que si se ubican demasiado
estrechos se incrementará el error tipo 1 (declarar un cambio cuando no lo hay).
Para calcular los límites de control se debe proceder de tal forma que, bajo
condiciones de control estadístico, el estadístico que se grafica en la carta tenga
una alta probabilidad de caer dentro de tales límites. Por lo tanto, una forma de
proceder es encontrar la distribución de probabilidades del estadístico, estimar sus
parámetros y ubicar los límites de manera que un alto porcentaje de la distribución
esté dentro de ellos; esta forma de proceder se conoce como límites de
probabilidad.
Existen dos tipos generales de cartas de control: para variables y para atributos.
Las cartas de control para variables se aplican a características de calidad de tipo
continuo, que intuitivamente son aquellas que requieren un instrumento de
medición (pesos, volúmenes, voltajes, longitudes, resistencias, temperaturas,
humedad, etcétera).
Estas formas distintas de llamarle a una carta de control se deben al
correspondiente estadístico que se representa en la carta, y por medio de la cual
se busca analizar una característica importante de un producto o un proceso.
Existen características de calidad de un producto que no son evaluadas con un
instrumento de medición en una escala continua o al menos en una escala
numérica. En estos casos, el producto se juzga como conforme o no conforme,
dependiendo de si posee ciertos atributos; o también al producto se le podrá
contar el número de defectos o no conformidades que tiene. Este tipo de
características de calidad son monitoreadas a través de las cartas de control para
atributos.
CARTAS DE CONTROL PARA VARIABLES
Muchas características de la calidad pueden expresarse en términos de una
medición numérica. A una característica particular medible de la calidad tal como
una dimensión, peso o volumen, se le llama variable. Las cartas de control para
variables son de uso generalizado. Cuando se trata de una característica de la
calidad que es una variable, por lo general es necesario monitorear tanto el valor
medio de la característica de la calidad como su variabilidad, y se suele medir con
las cartas de control de medias, que serán detalladas mas adelante.
 CARTAS DE CONTROL PARA MEDIA Y RANGO

Si x 1+ x2 +… x n es una muestra de tamaño n, entonces el promedio de esta muestra

es
x ̅ =( x 1+ x 2 +… x n)/n

Y se sabe que x ̅ sigue una distribución normal con media μ y desviación

estándar σ x ̅ =σ /√ n . Además, la probabilidad es 1−α para que cualquier media
muestral que se localice entre el límite inferior y superior.
μ−Z (α /2) σ x ̅ =μ−Z (α /2) ( σ /√ n)

Por lo tanto, si μ y σ son conocidas, las ecuaciones podrían usarse como limites
de control superior e inferior en una carta de control para las medias muestrales.
En la práctica, generalmente no se conocen los valores de u y o. Por lo tanto,
deben estimarse a partir de muestras o subgrupos preliminares tomados cuando
se considera que el proceso está bajo control.

Si x 1+ x2 +… x n es una muestra de tamaño n, entonces el rango de esta muestra es

la diferencia entre las observaciones menor y mayor; es decir,
R=R max −R min

Sean R1 , R 2 , … Rm los rangos de las m muestras. El rango promedio es

R ̅ =( R1 + R2 +…+ R m) /m

Ahora pueden darse las formulas para construir los límites de control de la carta
x̅ .
UCL=x ̅ + A 2 R ̅

LCL=x ̅ − A2 R ̅

La variabilidad del proceso puede monitorearse graficando los valores del rango
muestral R en una carta de control. La línea central de la carta R son las
siguientes:
UCL=D 4 R ̅

LCL=D3 R ̅

Cartas de Control para x ̅ y S

En general, las cartas x ̅ y S son preferibles a sus contrapartes más familiares
(las cartas x ̅ y R) cuando:
1. El tamaño de la muestra n es moderadamente grande- por ejemplo, n> 10 o 12.
(Recuérdese que el método del rango para estimar σ pierde eficiencia estadística
para muestras de moderadas a grandes.)
2. El tamaño de la muestra n es variable
Construcción y operación de las cartas x ̅ y S
Establecer y operar cartas de control x ̅ y S requiere aproximadamente la misma
secuencia de pasos que para las cartas x ̅ y R, excepto porque debe calcularse
el promedio muestral x ̅ y la desviación estándar muestral S de cada muestra.
Si σ2 es la varianza desconocida de la distribución de probabilidad, entonces un
estimador insesgado de σ2 es la varianza muestral

S2=(∑n(i=1) ▒ 〖( x i−x ̅ ) 〗2)/( n−1)

Sin embargo, la desviación estándar muestral S no es un estimador insesgado de

σ. Se señaló que, si la distribución fundamental es normal, entonces S es en
realidad una estimación de c4σ donde c4 es una constante que depende del
tamaño de la muestra n. Además, la desviación estándar de S es σ√ (1−c24). Esta
información puede utilizarse para establecer las cartas de control de x ̅ y S.
Considérese el caso en que un valor estándar está dado por σ. E(S)= c 4σ,
entonces la línea central de la carta es c 4σ. Los límites de control tres sigma para
S son entonces

UCL= c4σ + 3σ√ (1−c24)

LCL= c4σ - 3σ√ (1−c24)

Se acostumbra a definir las dos constantes:

B5 = C4 - 3√ (1−c24)

B6 = C4 + 3√ (1−c24)

Por consiguiente, los parámetros de la carta S con un valor estándar para σ dado,
se vuelven:
UCL = B6 σ
Línea central= C4 σ
 LCL = B5 σ
Cuando no hay un valor estándar dado para σ, entonces debe estimarse
analizando datos pasados. Suponer que se cuenta con m muestras preliminares,
cada una de tamaño n, y sea S, la desviación estándar de la i-ésima muestra. El
promedio de las m desviaciones estándar es:
m
1
S̅ = ∑S
m i=1 i

El estadístico S/c4 es un estimador insesgado de σ. Por lo tanto, los parámetros de

la carta S serían

Ś
UCL= Ś + 3
c4
√ 1−c24
Línea central= Ś

Ś
LCL= Ś - 3 √ 1−c24
c4

Generalmente se definen las constantes:

3 2
B3 = 1-
c4 √ 1−c 4

3 2
B4 = 1 +
c4 √ 1−c 4

Por consiguiente, los parámetros de la carta S pueden escribirse como:

UCL= B4 Ś

Línea central= Ś

LCL = B3 Ś

Obsérvese que B4= B6/C4 y B3 = B5/C4

Cuando se usa Ś/C4 para estimar σ, los límites de control de la carta x́

correspondiente pueden definirse como:

3 Ś
UCL= x́ +
C4 √n

Línea central = x́
 3 Ś
LCL= x́ -
C4 √n

Sea la constante A3=3/(C4√ n) Entonces los parámetros de la carta x́ se vuelven

UCL =x́ + A 3 Ś

Línea central =x́

LCL= x́− A 3 Ś

Tradicionalmente, los ingenieros de calidad han preferido la carta R a la carta S

debido a la simplicidad del cálculo de R de cada muestra. La disponibilidad actual
de calculadoras manuales con cálculo automático de S y la disponibilidad
creciente de microcomputadoras para implementar directamente las cartas de
control en línea en la estación de trabajo han eliminado cualquier dificultas de
cálculo.
Estimación de σ
La desviación estándar del proceso puede estimarse utilizando el hecho de que
S/C4 es una estimación insesgada de σ. Por lo tanto, puesto que c 4= 0.9400 para
muestras de tamaño cinco, la estimación de la desviación estándar del proceso es

Ś 0.0094
σ^ = = =0.01
c 4 0.9400

Las cartas de controlx́ y S con tamaño de la muestra variable

La aplicación de las cartas de control x́ y S es relativamente sencilla cuando el
tamaño de la muestra es variable. En este caso, deberá usarse el enfoque del
promedio ponderado al calcular x́ y Ś. Si ni es el número de observaciones en la i-
ésima muestra, entonces se usará:

∑ ni x́i
x́= i=1m
∑ ni
i =1

y
 m m 1

| 2
Ś= ∑ ni−1¿ S ¿¿ ∑ ni −m
i=1
1
i=1
| 2

Una gráfica de valor individual funciona mejor cuando el tamaño de la muestra es

menor que 50 aproximadamente. Si la muestra es demasiado grande, los puntos
de datos en la gráfica pudieran estar demasiado apilados y sería difícil evaluar la
distribución.

Gráficos de Control De Datos Individuales y Rangos Móviles (X-Rm)

los datos que van a ser graficados en un gráfico de control de datos individuales
deben satisfacer la tercera parte de la regla empírica, la cual en particular la
cumple la distribución normal, la distribución uniforme, etc. Cuando hablamos de
los gráficos de control X Barra-R y X Barra-S, tomamos subgrupos racionales,
cuyo tamaño es normalmente 5. A medida que el tamaño del subgrupo racional
sea más grande, aumenta la sensibilidad de los gráficos de control para detectar
los cambios en la media o la variabilidad. En algunas ocasiones, por cuestiones
prácticas, es conveniente tomar subgrupos de tamaño 1, en ese caso
trabajaremos con el gráfico de control X-Rm, de datos individuales y rangos
móviles.
Si estamos muestreando algún tipo de líquido, generalmente el comportamiento es
homogéneo en cuanto a sus propiedades, de tal suerte que si tomamos cinco
muestras para formar un subgrupo racional, nos daríamos cuenta que las lecturas
serían prácticamente idénticas. Así que, en estos casos, sería suficiente con tomar
un subgrupo racional de tamaño 1.
En algunos casos la producción es demasiado baja, por ejemplo si se hace un
producto por hora, por día, por semana o algún intervalo largo de tiempo. En ese
caso, no tiene sentido formar subgrupos racionales de varios productos, ya que en
el periodo en que se fabricaron esos productos las condiciones del proceso
pudieron cambiar, así que no se satisface la condición de la muestra para que sea
un subgrupo racional. En este caso lo indicado sería trabajar con gráficos de
control de datos individuales y rangos móviles.
Si los límites de control estaban bien calculados y no se tiene una falsa alarma,
entonces hubo un cambio en el proceso que se descubrió al agregar los nuevos
puntos.
Ejemplo
En la siguiente tabla se tiene 40 datos, en la misma se calcula el rango móvil Rm,
así como los promedios de los valores X y de los rangos medios.

El rango móvil para el valor   se calcula como:

Las fórmulas para calcular los gráficos de control se muestran a continuación:
Para el gráfico de control de datos individuales:

Y para el gráfico de control de rangos móviles:

Se puede ver en la tabla de constantes para gráficos de control que cuando el

tamaño del subgrupo es dos, como para este caso, en el que el rango móvil se
calcula sobre dos valores consecutivos:

Ya con esta información podemos calcular los límites de control de los gráficos X-
Rm. Los límites para el gráfico de control de datos individuales y los valores de los
datos individuales X, nos quedaría:
Mientras que los límites para el gráfico de control de rangos móviles y los valores
de los rangos móviles, nos queda como se muestra:
Ya con esta información podemos construir los gráficos de control X-Rm.
Ejemplo resuelto:
La viscosidad de una pintura tapaporo para aviones es una característica de la
calidad importante. El producto se produce por lotes, y debido a que la producción
de cada lote se lleva varias horas, la velocidad de producción es demasiado lenta
para permitir tamaños de muestra mayores que uno. En siguiente tabla se muestra
la viscosidad de los 15 lotes anteriores.
Para establecer la carta de control de las observaciones individuales, obsérvese
que el promedio muestral de las 15 lecturas de la viscosidad es x́= 33.52 y que el
promedio de los rangos móviles de dos observaciones es MR ´ = 0.48 para
establecer la carta de rango móvil. Se observa que D 3=0 D4=3.267 para n=2. Por
lo tanto, la carta de rango móvil tiene una línea central ḾR =0.48 LCL=0 y UCL=D4
MR´ =1.57. En la siguiente figura se muestra la carta de control. Puesto que
ninguno de los dos puntos excede el límite de control superior, puede establecerse
ahora la carta de control para las mediciones individuales de la viscosidad.
Los parámetros para la carta de control de las mediciones individuales son:

ḾR
UCL= x́ +3
d2

Límite central=x́

ḾR
LCL= x́−3
d2
Si se usa un rango de n=2 observaciones, entonces d2= 1.128. Para los datos de
la tabla, se tiene:

ḾR 0.48
UCL= x́ +3 =33.52+3 =34.80
d2 1.128

Límite central=x́=33.52

ḾR 0.48
LCL= x́−3 =33.52−3 =32.24
d2 1.128

En la figura anterior se muestra la carta de control para las mediciones

individuales de la viscosidad de los lotes. No hay indicios de una condición fuera
de control.
Problema
En la siguiente tabla se presentan 20 subgrupos de cinco mediciones de la
dimensión critica de una pieza producida en proceso de maquinado.
Establecer las cartas de control x y R para este proceso. Verificar que está bajo
control estadístico
Después de establecer las cartas de control del inciso a) anterior, se colectaron 10
nuevas muestras. Graficar los valores de x y T en la carta de control que se
estableció en el inciso a) y sacar conclusiones.

CARTAS DE CONTROL PARA ATRIBUTOS

Aun cuando las cartas de control para variables gozan de aplicación muy
difundida, su aplicación no es universal, ya que no todas las características de la
calidad pueden expresarse con datos de variable. Por ejemplo, un envase de
vidrio para un producto liquido se clasifica en una de las dos categorías
denominadas conforme o disconforme, dependiendo de si el envase cumple con
los requerimientos, Se trata de los datos de atributo, y puede establecerse una
carta de control para el mismo. En general no son tan informativas como las que
son para variables pero son particularmente útiles en las industrias de servicios y
en los esfuerzos de mejoramiento de calidad fuera de la manufactura, debido a
que no es sencillo medir en una escala numérica un gran número de las
características de la calidad que se encuentran en esos escenarios

Gráfico p.
Sirve para controlar el número de productos defectuosos utilizando muestras que
pueden ser de tamaño constante o variable. Si dividimos dicho número por el
tamaño de la muestra n, obtendremos la fracción defectuosa de la misma, la cual
se denomina p. Se calcula dividiendo el número de artículos defectuosos que
existan en la muestra entre el tamaño de esta, n. El valor central del gráfico p
tendría que ser la fracción de defectuosos del universo, p, que al no ser conocida
se estima mediante la media de las fracciones defectuosas 𝒑. El cálculo de esta
última se puede realizar como la media de las p calculadas, o bien dividiendo el
número de artículos defectuosos obtenidos en un período mínimo de un mes entre
el número de piezas inspeccionadas en el mismo.
Numero de productos defectuosos
Fraccion defectuosa=
Total de productos inspeccionados

La variable p se distribuye según una binomial, por lo que su desviación estándar

y los correspondientes límites de control se pueden expresar como:
Se podrá apreciar que los límites de control variarán, pues dependen de n, y ésta
no necesariamente debe ser constante. Ello obligará a calcular los límites de
control para cada una de las muestras, lo cual se puede simplificar tomando el
tamaño de muestra promedio y obteniendo unos límites de control simplificados,
basándose en que no se incurre en un gran error al ser n un número relativamente
elevado.
El siguiente ejemplo muestra el número de defectos obtenidos en una muestra de
50 unidades tomados de la operación de llenado de cera de una fábrica de
veladoras.
Cálculo de la fracción defectuosa promedio

No. de defectos 158

p= = =0.1264
No .de unidadesinspeccionadas 1250

El análisis de la gráfica es similar que las gráficas de control de variables, por lo

que podemos concluir que el proceso no se encuentra dentro de control
estadístico debido a:
Existen cambios bruscos.
10 puntos se encuentran dentro de los últimos 3/3 de los límites de control, por lo
que existe una gran dispersión de los datos.
36% de los puntos caen dentro del 1/3 de los límites de control, lo cual debería ser
la mayoría de los puntos.
Existen puntos cercanos a los límites de control.
Se deben de investigar las causas por las cuales el proceso ha estado trabajando
en forma errática, y buscar las causas asignables para tratar de eliminarlas.
[ CITATION Mig \l 2058 ]

Ejemplo:
En la siguiente figura tenemos los datos de 24 muestras de producto producido
por turno. En la columna producción tenemos el total de producto fabricado por
turno. La columna Producto Defectuoso nos indica el número de artículos
defectuosos por turno; la columna Número de Defectos nos indica el número de
defectos encontrados en la producción de cada turno, nótese que por cada turno
el número de defectos es mayor o igual que el número de defectuosos, ya que un
artículo defectuoso puede tener uno o más defectos. Finalmente tenemos la
columna de Fracción Defectuosa, la fracción defectuosa de un turno se calcula
dividiendo el número de productos defectuosos por la producción de ese turno, es
decir, los valores de la columna D divididos por los valores de la columna C.
2.2 Número de Defectuosos
En ocasiones, cuando el tamaño de la muestra en las cartas p es constante, es
más conveniente usar la carta np en la que se grafica el número de artículos
defectuosos por subgrupo (di), en lugar de la proporción. Los límites de control
para la carta np se obtienen estimando la media y la desviación estándar de di,
que bajo el supuesto de distribución binomial están dadas por:

μd =n ṕ y σ d =√ n ṕ (1− ṕ)
i i

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 carta np estén dados por:

LCS=n ṕ+3 √ n ṕ(1− ṕ)

Línea central = n ṕ

LCI =n ṕ−3 √ n ṕ (1− ṕ)

Donde,

LCS = Limite de control superior

LCI = Limite de control inferior

Del análisis de los datos de inspecciones y pruebas finales de un producto
ensamblado, se ha detectado, a través de una estratificación y un análisis de
Pareto, que la causa principal por la que los artículos salen defectuosos está
relacionada con los problemas en un componente en particular: el componente W.
Se decide, entonces, analizar más de cerca el proceso que produce tal
componente. Para ello, de cada lote de componentes W se inspecciona una
muestra de n = 120. Los datos obtenidos en 20 lotes consecutivos se muestran en
la tabla.
Tabla. Artículos defectuosos para componente W

Artículos Artículos
defectuosos defectuosos
Lote Lote
en la en la
muestra muestra
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
Total de artículos defectuosos = 183

El análisis de estos datos se hace directamente al registrar la cantidad de artículos

defectuosos por muestra, sin necesidad de calcular la proporción, es decir, se
estudian con una carta np.
Para obtener sus límites, primero se estima ṕ, que se obtiene de dividir el total de
artículos defectuosos (183) entre el total de piezas inspeccionadas (2 400; son 20
muestras de 120 piezas cada una).
 183
ṕ=
( 120 ) ( 20 )

LCS= (120 )( 0.076 )+3 ( √ ( 120 ) ( 0.076 ) ( 1−0.076 ) )=17.8

Línea central= (120 )( 0.076 )=9.15

LCI =( 120 )( 0.076 )−3 ( √ ( 120 ) ( 0.076 ) ( 1−0.076 ) ) =17.8

Articulos defectuosos en la muestra

PIEZAS DEFECTUOSAS

25
20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
MUESTRA

Articulos defectuosos en la muestra

Carta c Defectos/muestra
La carta c es una herramienta estadística que tiene como objetivo analizar la
variabilidad del número de defectos por subgrupo, cuando el tamaño de subgrupo
se mantiene constante. En esta carta se grafica c i, que es igual al número de
defectos o eventos en el i-ésimo subgrupo (muestra).
Los límites de control se obtienen suponiendo que el estadístico ci sigue una
distribución de Poisson, por lo tanto, las estimaciones de la media y la desviación
estándar de este estadístico están dadas por:

Total de defectos
μc =ć=
i
Total de subgrupos

σ c = √ć
j

por lo que los límites de control de la carta c se obtienen con las expresiones

LCS= ć+3 √ć

Línea central = ć

LCI =ć−3 √ ć

Donde,
LCS = Limite de control superior

LCI = Limite de control inferior

Elaboración de la gráfica c
Ejemplo
En una empresa que elabora productos agroquímicos se tiene el problema de
intoxicación de los trabajadores debido al contacto con agentes tóxicos. Para
evaluar el número de obreros intoxicados por mes en los últimos dos años, se
recurre a los registros de la enfermería de la empresa. Los datos obtenidos se
muestran en la tabla 14.6; se obtiene que el número promedio de intoxicados por
mes es:
86
ć= =4.78
18

por lo que los límites de control de la carta c están dados por:

LCS=4.78+3 √ 4.78=11.34

Línea central = 4.78

LCI =4.78−3 √ 4.78=−1.78

Observe que el LCI resulta negativo, pero como no puede haber cantidades
negativas de intoxicados, entonces el límite inferior se iguala a cero. La carta
obtenida se muestra en la fi gura 14.17. A partir de ella se aprecia que en el mes
12 hubo una situación especial que causó un alto número de intoxicados, más de
los que ordinariamente se esperarían. Al recurrir a los expedientes de la
enfermería, se encontró que ese punto fuera de los límites ocurrió cuando se
introdujo por primera vez cierto tóxico, y que no se les dieron las instrucciones
adecuadas a los trabajadores. Localizada la causa, para fijar los límites de control
definitivos se eliminó el dato correspondiente al mes 12 y entonces los límites de
control a usarse en el futuro son:
Línea central = 4.35, LCI= 0 y LCS=10.61
Tabla 14.6 Datos para el ejemplo
Me Intoxicado Me Intoxicado Figura N° Carta c para el número de
s s Ci s s Ci obreros intoxicados por mes.

1 6 10 7
2 5 11 5
3 4 12 12
4 4 13 5
5 1 14 4
6 3 15 7
7 3 16 2
8 7 17 4 Interpretación de los límites de control
9 5 18 2 de la carta c
ć=4.78 Los límites de una carta c reflejan la
variación esperada para el número de
eventos por subgrupo. De aquí que para el caso del ejemplo 14.10, los límites a
usarse en el futuro son: línea central= 4.35, LCI= 0 y LCS= 10.61, entonces se
espera que el número de trabajadores intoxicados por mes fluctúe entre cero y
10.61, con un promedio de 4.35. Es evidente que estas cantidades son altas, por
lo que se requiere un plan de acción que reduzca esta problemática. Por lo tanto,
una forma natural de empezar sería estratificando el problema, es decir,
localizando el área, trabajadores o agentes químicos en los que se presentan
mayores problemas.
El hecho de representar a través de una carta de control este tipo de variables
no sólo ayudará a detectar situaciones anormales que en lo futuro se deben
prevenir, sino que además provoca en la administración una mayor conciencia de
la magnitud e importancia del problema; además de que será muy fácil evaluar el
impacto de las acciones de mejora. La carta c es aplicable donde el tamaño del
subgrupo (muestra) puede verse como constante; por ejemplo, una semana, una
pieza, 100 artículos, un metro de tela o cualquier otra cantidad que se considere
unidad, pero siempre debe permanecer constante. Cuando no permanece
constante se aplica la carta.

2.4 Carta u (número promedio de defectos por unidad)

Cuando se quiere monitorear una variable con distribución Poisson, pero el
tamaño de subgrupo no es constante se usa la carta u. En ella se analiza la
variación del número promedio de defectos por artículo o unidad, en lugar del total
de defectos en el subgrupo. De esta manera, para cada subgrupo se gráfica:
 ci
U i=
ni
Para calcular los límites es necesario estimar la media y la desviación estándar del
estadístico ui que, en el supuesto
de que ci sigue una distribución Poisson, resultan ser:

Total de efectos
µui =ū=
Total de articulos inspecciónados

De esta manera los límites de control en la carta u están dados

por:
ū
LCS=ū=∛
n

Lineal central =ū
ū
LCS=ū−∛
n

Otra alternativa es obtener una carta con límites variables, en la que para cada
subgrupo se calculan sus límites en función del tamaño de subgrupo ni y con estos
límites se evalúa el proceso para tal subgrupo.

Carta u con límites variables

La ventaja de utilizar límites promedio es que, al ser sólo un par de límites, no se

necesitan estar calculando para cada punto y se tiene una perspectiva e
interpretación más directa. Su desventaja es que en ocasiones no detecta
cambios, o puede ser que registre un cambio cuando en realidad no ocurrió. Una
buena alternativa es usar límites promedio cuando los tamaños muestrales no
discrepen mucho entre sí.

Carta u estandarizada

Otra alternativa a usar cuando los tamaños de subgrupo de una carta u son muy
distintos entre sí es construir una carta u estandarizada, en la cual, en lugar de
graficar ui, se grafica la siguiente variable estandarizada:
 u i−ū
Zi =
ū
√ ni

Ejemplo
En la tabla 14.7 se presenta el número de defectos observados en las muestras
(subgrupos) de 24 lotes consecutivos de circuitos electrónicos.

Resumen de la tabla 14.7. “Calidad Total y productividad – Humberto Gutiérrez

Pulido”
Se analiza el número promedio de defectos por unidad (circuito) ui, mediante la
carta u. Para calcular los límites de control, a partir de la tabla 14.7, se tiene que:
549
ú= =1.04
525
El tamaño de subgrupo promedio se obtiene dividiendo el total de unidades
inspeccionadas (525) entre el número de subgrupos (24); de esta manera n
̅=21.875
Con esto tenemos que los límites de control son:
1.04
LCS=1.04 +3∗
√
21.875
=1.69

Línea central = 1.04

1.04
LCI =1.04−3∗
√ 21.875
=0.38

El número promedio de defectos por circuito fluctúe de manera aleatoria entre 0.38
y 1.69, con una media de 1.04.

Figura Nº Carta u para defectos en circuitos (límites promedio).

Se observa que el proceso estuvo fuera de control estadístico, ya que en el lote 21
el número promedio de defectos por circuito se sale del límite de control superior.
Por lo tanto, en la fabricación de tal lote ocurrió alguna causa especial que
empeoró la calidad de los circuitos.

2.5 Sistemas de demérito

Con productos complejos como automóviles, computadoras o dispositivos
mayores, es común encontrar que pueden ocurrir diferentes tipos de
disconformidades o defectos. No todos estos tipos de defectos tienen la misma
importancia. Una unidad del producto que tenga un solo defecto grave
posiblemente se clasificaría como disconforme con los requerimientos, pero una
unidad que tenga varios defectos menores podría no ser disconforme
necesariamente. En tales situaciones, se necesita un método para clasificar las
disconformidades o defectos de acuerdo con su gravedad y ponderar los
diferentes tipos de defectos en una manera razonable.
Un posible esquema de demérito se define como:
Defectos Clase A- Muy graves. La unidad es por completo inadecuada para el
servicio o bien presentará fallas durante el servicio de tal manera que no puedan
corregirse fácilmente en el campo. O causará lesiones personales o daños a la
propiedad.
Defectos Clase B- Graves. La unidad posiblemente sufrirá una falla de operación
Clase A, o con toda seguridad causará problemas de operación no tan graves, o
con toda la seguridad tendrá una vida útil reducida o costos de mantenimiento
incrementados.
Defectos Clase C- Moderadamente graves. La unidad posiblemente fallará en
servicio o causará un problema que es menos grave que una falla de operación, o
posiblemente tendrá una vida útil reducida o costos de mantenimiento
incrementados, o tendrá un defecto importante de terminado, apariencia o calidad
de trabajo.
Defectos Clase D- Menores. La unidad no fallará en servicio, pero tiene defectos
menores de terminado, apariencia o calidad de trabajo.
Sea que ciA, ciB, ciC y ciD representen el número de defectos Clase A, Clase B,
Clase C y Clase D, respectivamente, en la i-nésima unidad de inspección. Se
supone que cada clase de defecto es independiente y que la distribución de
Poisson es modelo adecuado para la ocurrencia de los defectos de cada clase.
Entonces el número de deméritos en la unidad de inspección se define como:
Di = 100ciA + 50ciB + 10ciC + ciD
El uso de las ponderaciones de demérito Clase A—100, Clase B—50, Clase C—
10 y Clase D—1 es muy común en la práctica. Sin embargo, también puede
usarse cualquier conjunto de ponderaciones apropiadas para un problema
específico.
Suponer que se usa una muestra de n unidades de inspección. Entonces el
número de deméritos por unidad es:
ui = D/n
n
Donde D=∑ d i es el número total de deméritos en las n unidades de inspección
i=1

totales. Puesto que, u es una combinación lineal de variables aleatorias de

Poisson independientes, el estadístico ui podría graficarse en una carta de control
con los siguientes parámetros:
UCL=ú +3 σ^
Línea central=ú
LCL=ú−3 σ^

Donde,
ú=100 ú A +50 úB +10 úC + ú D

y
2 2 2 1
( 100 ) ú A + ( 50 ) ú B + ( 10 ) úC + úD
σ^ u =[ n ] 2

En las ecuaciones precedentes, ú A , ú B,úC y ú D representan el número promedio de

defectos Clase A, Clase B, Clase C y Clase D por unidad. Los valores ú A , ú B,úC y
ú D se obtienen del análisis de los datos preliminares, los cuales se toman cuando
se supone que el proceso está operando bajo control. También pueden usarse los
valores estándares ú A , ú B,úC y ú D si se cuenta con ellos.

Jones, Woodall y Conerly ofrecen una discusión muy completa de las cartas de
control basadas en deméritos. Indican como pueden calcularse los límites de
control basados en probabilidades, como alternativas para los límites tres sigmas
tradicionales que se usaron aquí. Indican asimismo que, en general, los límites de
probabilidad tienen un desempeño superior. Sin embargo, su cálculo es más
complicado.
Existen muchas variantes de este concepto. Por ejemplo, las disconformidades
pueden clasificarse como defectos funcionales o defectos de apariencia, si se
prefiere un sistema con dos clases. También es muy común en la práctica
mantener cartas de control separadas para cada clase de defecto en vez de
combinarlas en una sola carta.
Las técnicas estadísticas pueden ser útiles en el ciclo de un producto, incluyendo
las actividades de desarrollo previas a la manufactura, para cuantificar la
variabilidad del proceso, para analizar esta variabilidad respecto de los
requerimientos o especificaciones del producto y para ayudar al personal de
desarrollo y manufactura a eliminar o reducir en gran medida esta variabilidad. A
esta actividad general se le llama análisis de capacidad del proceso.
2.6 La capacidad del proceso
Se refiere a la uniformidad de este. Evidentemente, la variabilidad del proceso es
una medida de la uniformidad de la salida. Hay dos formas de conceptualizar esta
variabilidad:
1. La variabilidad natural o inherente en un tiempo especificado; es decir, la
variabilidad instantánea.
2. La variabilidad con el tiempo.
Se presentan los métodos para investigar y determinar ambos aspectos de la
capacidad de proceso. Se acostumbra a tomar la dispersión seis sigmas en la
distribución de la característica de la calidad del producto como una medida de la
capacidad del proceso.
En esta figura se muestra un proceso para que la característica de la calidad tiene
una distribución normal con media y desviación estándar. Los límites de tolerancia
natural superior e inferior del proceso son, por sus siglas en inglés:
UNTIL = µ + 3σ
LNTIL = µ - 3σ
Para una distribución normal, los límites de tolerancia natural incluyen el 99.73%
de la variable o, dicho, en otros términos, sólo 0.27 % de la salida del proceso
quedará fuera de los límites de tolerancia natural. Es necesario recordar dos
puntos:

1. El valor 0.27 %fuera de las tolerancias naturales suena pequeño, pero

corresponde a 2700 partes por millón disconformes.
2. Si la distribución de la salida del proceso no es normal, entonces el
porcentaje de la salida que quedaba fuera de µ ± 3σ puede diferir
considerablemente de 0.27%.

El análisis de capacidad del proceso es una parte vital de un programa integral de

mejoramiento de calidad. Entre los usos principales de los datos de un análisis de
capacidad del proceso se encuentran los siguientes:

1. Predecir la medida en el que proceso se apegará a las tolerancias.

2. Brindar asistencia a los responsables del desarrollo y diseño del producto
para seleccionar o modificar un proceso.
3. Brindar asistencia para establecer un intervalo entre el muestreo para
monitorear el proceso.
4. Especificar los requerimientos de desempeño para el equipo nuevo.
5. Seleccionar entre proveedores competidores.
6. Planear la secuencia de los procesos de producción cuando ésta presenta
un efecto interactivo de los procesos sobre las tolerancias.
7. Reducir la variabilidad en un proceso de manufactura.
 Por lo tanto, el análisis de capacidad del proceso es una técnica que tiene
aplicación en muchos segmentos del ciclo de productos, Incluyendo el diseño de
productos y procesos, la fuente de proveedores, la planeación de la producción o
la manufactura, y la propia manufactura.

En el análisis de capacidad del proceso se utilizan tres técnicas principales:

histograma o gráficas de probabilidad, cartas de control y experimentos diseñados.
1. Utilizando un histograma
El histograma puede ser útil para estimar la capacidad de un proceso. De manera
alternativa, el histograma puede sustituirse con un diagrama de tallo y hoja. Será
necesario disponer como mínimo de 100 o más observaciones para que el
histograma será moderadamente estable y pueda obtenerse una estimación
razonablemente confiable de la capacidad del proceso. Si el ingeniero de calidad
tiene acceso al proceso y puede controlar el esfuerzo de recolección de datos,
deberán seguirse los siguientes pasos antes de recabar los datos:

1. Escoger la máquina o máquinas que van a usarse. Si los resultados

basados en una sola máquina han de extenderse a una población de máquinas
más grandes, la máquina seleccionada deberá ser representativa de los que
componen la población. Además, si la máquina tiene varias estaciones de trabajo
cabezas, quizás sea importante colectar los datos de tal modo que pueda aislarse
la variabilidad de una cabeza otra. Esto puede implicar la necesidad de usar
experimentos diseñados.

2. Seleccionar las condiciones de operación del proceso. Definir

cuidadosamente las condiciones, tales como velocidad de corte, velocidades de
alimentación, temperaturas, para referencia futura. Puede ser importante estudiar
el efecto producido en la capacidad del proceso cuando se hacen variar estos
factores.

3. Seleccionar un operador representativo. En algunos estudios, puede ser

importante estimar la variabilidad del operador. En estos casos, los operadores
deberán seleccionarse al azar de la población de operadores.

4. Monitorear cuidadosamente el proceso de recolección de datos y registrar

el orden en el tiempo en el que se produce cada unidad.

El histograma acompañado con el promedio muestral y la desviación estándar

muestral proporciona información sobre la capacidad del proceso.
Para entender un poco más sobre el uso del histograma tenemos este ejemplo: en
la figura mostrada se presenta un histograma de la resistencia al estallamiento de
100 botellas de vidrio para refresco de 1 litro.

En esta tabla se muestra los datos:

Y en esta la distribución de frecuencia:

Del análisis de las 100 observaciones se obtiene,

X = 264.06 S=32.02
Por consiguiente, la capacidad del proceso se estimaría como

X ± 3S
O bien
264.06 ± 3(32.02) ~ 264 ± 96 psi
Además, en la forma del histograma implica que la distribución de la resistencia al
estallamiento es aproximadamente normal. Por tanto, puede estimarse que cerca
del 99.73 % de la botella fabricadas con este proceso estallarán entre 168 y 360
psi. Obsérvele que la capacidad del proceso puede estimarse independientemente
de las especificaciones de la resistencia al estallamiento.
Graficación de probabilidades
La graficación de probabilidades es una alternativa del histograma que puede
usarse para determinar la forma, el centro y la dispersión de la distribución. Tiene
la ventaja de que no es necesario dividir el rango de la variable en intervalos de
clase, y con frecuencia produce resultados razonables para muestras
moderadamente pequeñas. En general, una gráfica de probabilidad es una gráfica
de los datos ordenados contra la frecuencia muestral acumulada en papel
especial, con la escala vertical elegida de tal modo que la distribución acumulada
del tipo supuesto sea una línea recta.
Para ilustrar la utilización de una gráfica de probabilidad normal en un estudio de
capacidad del proceso, consideren si las vende observaciones siguientes y la
resistencia al estancamiento de las botellas.
Esta figura es la gráfica de probabilidad normal de la resistencia.

Se puede observar que los datos se localizan casi sobre una línea recta, lo cual
implica que la distribución de la resistencia al estallamiento es normal. Se debe
recordar que la media de la distribución normal es el 50º percentil, cuya estimación
aproximada puede observarse en la figura 7-4 como 260 psi. La desviación
estándar de la distribución es la pendiente de la línea recta.
Es conveniente estimar la desviación estándar como la diferencia entre los
percentiles 84º y el 50º. Para los datos de la resistencia se obtiene:
Se pudo observar que la media 260 psi y la desviación estándar 38 psi no se
apartan demasiado del promedio muestral que es 264.06 y la desviación estándar
muestral 32.02.
Índice de capacidad potencial del proceso
El índice de capacidad potencial del proceso, Cp se define de la siguiente manera:

donde s representa la desviación estándar del proceso, y ES y EI son las

especificaciones superior e inferior para la característica de calidad. Como se
puede observar, el índice Cp compara el ancho de las especificaciones o variación
tolerada para el proceso con la amplitud de la variación real del proceso:

Interpretación del índice Cp

Para que el proceso pueda considerarse potencialmente capaz de cumplir con

especificaciones, se requiere que la variación real (natural) siempre sea menor
que la variación tolerada. De aquí que lo deseable es que el índice Cp sea mayor
que 1, y si el valor del índice Cp es menor que uno, es una
evidencia de que no cumple con especificaciones. El Cp debe ser mayor que
1.33, si se quiere tener un proceso bueno, pero debe ser mayor o igual que 2 si se
quiere tener un proceso de clase mundial (calidad Seis Sigma).

Tabla 6.1
 Tabla 6.2

El índice Cp estima la capacidad potencial del proceso para cumplir con

especificaciones, pero una de sus desventajas es que no toma en cuenta el
centrado del proceso, ya que en su fórmula para calcularlo no incluye la media del
proceso m. Una forma de corregir esto es evaluar por separado el
cumplimiento de las especificaciones inferior y superior, a través del índice de
capacidad para la especificación inferior (Cpi), y el índice de capacidad para la
superior (Cps), que se calculan de la siguiente manera:

Estos índices sí toman en cuenta m y calculan la distancia de la media del proceso

a una de las especificaciones, que representa la variación tolerada para el proceso
de un solo lado de la media. A tal distancia se le divide entre 3 sigma porque sólo
se está tomando en cuenta la mitad de la variación natural del proceso.
Ejemplo 6.1 utilizando los valores de la tabla 6.2

Por su parte, el índice de capacidad real del proceso (Cpk ) se puede ver como
una versión corregida del Cp que sí toma en cuenta el centrado del proceso. Para
calcularlo hay varias formas equivalentes, una de las más comunes es la
siguiente:
Como se puede apreciar, el índice Cpk es igual al valor más pequeño de entre Cpi
y Cps, es decir, el índice Cpk es igual al índice unilateral más pequeño, por lo que
si el valor del Cpk es satisfactorio (mayor que 1.25), eso indicará que el proceso
en realidad es capaz. Si Cpk , 1, entonces el proceso no cumple con por lo menos
una de las especificaciones. Algunos elementos adicionales para la interpretación
del índice Cpk son:
El índice Cpk siempre será menor o igual que el índice Cp. Cuando sean muy
próximos, eso indicará que la media del proceso está muy cerca del punto medio
de las especificaciones, por lo que la capacidad potencial y real son similares.
Si el valor del índice Cpk es mucho más pequeño que el Cp, esto indicará que la
media del proceso está alejada del centro de las especificaciones. De esa manera,
el índice Cpk estará indicando la capacidad real del proceso, y si se corrige el
problema de descentrado, se alcanzará la capacidad potencial indicada por el
índice Cp.
Cuando el valor del Cpk sea mayor que 1.25 en un proceso ya existente, se
considerará que se tiene un proceso con capacidad satisfactoria. Mientras que
para procesos nuevos se pide un Cpk . 1.45.
Es posible tener valores del Cpk iguales a cero o negativos, e indicarán que la
media del proceso está fuera de las especificaciones.

Siguiendo con el ejemplo 6.1 se puede calcular Cpk

Esto en términos generales indica una capacidad muy pobre. Por lo tanto, cierta
proporción de costales no tiene un peso adecuado, como ya se había visto con los
índices unilaterales y en la tabla 6.1.
Como el Cpk= 0.50 es menor que el Cp = 0.65, entonces existe un problema de
centrado del proceso, como se vio en la tabla 6.1, por lo que la primera
recomendación de mejora para ese proceso sería que optimice su centrado, con lo
cual alcanzaría su mejor potencial actual, que indica el valor del Cp= 0.65.