UNIDAD 10

Control de Calidad

Introducción
Las características de calidad de productos manufacturados han recibido mucha atención
de parte de ingenieros de diseño y personal de producción, así como de quienes tienen
que ver con la administración financiera. Un asunto de fe, con los años, era que los niveles
de muy alta calidad y el bienestar económico eran metas incompatibles. Recientemente,
sin embargo, es cada vez más evidente que elevar niveles de calidad puede llevar a reducir
costos, a un mayor grado de satisfacción de los clientes y, por lo tanto, a una mayor
rentabilidad. Esto ha resultado en un renovado interés en técnicas estadísticas para diseñar
la calidad en los productos e identificar problemas de calidad en las diversas etapas de
producción y distribución.
Las gráficas de control se utilizan ahora ampliamente en la industria como técnica de
diagnóstico para supervisar procesos de producción e identificar inestabilidad y
circunstancias anormales.
En otra situación que de ordinario se encuentra en la industria interviene una decisión de
un cliente, referente a que si un lote de piezas ofrecidas por un proveedor es de calidad
aceptable.
Además de las gráficas de control y los planes de muestreo de aceptación, que primero se
desarrollaron en las décadas de 1920 y 1930, los expertos en estadísticas han introducido
recientemente muchos métodos estadísticos nuevos para identificar tipos y niveles de
entradas de producción que garantizan un resultado de alta calidad. Investigadores
japoneses, y en particular el ingeniero y experto en estadísticas G. Taguchi y sus
discípulos, han tenido mucha influencia en este aspecto, y ahora hay una gran cantidad de
material conocido como "métodos de Taguchi". Las ideas de diseño experimental, y en
particular algunos experimentos factoriales fraccionarios, son ingredientes clave. Todavía
hay mucha controversia en la comunidad de expertos en estadísticas en cuanto a cuáles
diseños y métodos de análisis están mejor adaptados al trabajo a mano.
Comentarios generales sobre gráficas de control
El mensaje central en toda la asignatura ha sido la variación que se presenta de manera
natural, y que está asociada con cualquier característica o atributo de diferentes individuos
u objetos. En el contexto de manufactura, no importa con qué cuidado se calibren las
máquinas, se controlen los factores ambientales, se vigilen los materiales y otras entradas,
y los trabajadores se capaciten, el diámetro variará de tornillo en tornillo, algunas hojas de
plástico serán más fuertes que otras, algunos fusibles serán defectuosos en tanto que otros
no lo serán, y así sucesivamente. Podríamos pensar que esta variación aleatoria natural es
como un ruido de fondo incontrolable.
Hay, sin embargo, otras fuentes de variación que pueden tener un impacto pernicioso en
la calidad de las piezas producidas por algún proceso. Esta variación se puede atribuir a

Control de Calidad 1
 Probabilidad y Estadística

material contaminado, ajuste incorrecto de máquinas, desgaste poco común de

herramientas, y otras semejantes. Estas fuentes de variación reciben el nombre de causas
asignables en la literatura de control de calidad. Las gráficas de control constituyen un
mecanismo para reconocer situaciones donde las causas asignables pueden estar afectando
de manera adversa la calidad de un producto. Una vez que una gráfica indique una
situación fuera de control, se puede iniciar una investigación para identificar causas y
tomar medidas correctivas.
Un elemento básico de las gráficas de control es que las muestras del proceso de interés se
han seleccionado en una secuencia de puntos en el tiempo. Dependiendo del aspecto del
proceso bajo investigación, se selecciona algún estadístico como por ejemplo la media
muestral o la proporción muestral de piezas defectuosas. El valor de este estadístico
entonces se calcula para cada muestra en turno. Resulta entonces una gráfica tradicional
de control al trazar estos valores calculados en el tiempo, como se ilustra en la figura 10.1.

Valor del Estadístico

de Calidad

UCL=límite superior de control

Línea de
centro
LCL=límite inferior de control

I I I I
Tiempo
1 2 3 4….

Figura 10.1: Prototipo de gráfica de control

Obsérvese que, además de los puntos trazados, la gráfica tiene una línea central y dos
límites de control. Las bases para la selección de una línea central es a veces un valor
establecido o una especificación de diseño, por ejemplo el valor deseado del diámetro de
un cojinete. En otros casos, la altura de la línea central se estima a partir de los datos. Si los
puntos de la gráfica se encuentran todos entre los dos límites de control, se considera que
el proceso está controlado. Esto es, se piensa que el proceso opera de un modo estable que
refleja sólo una variación aleatoria natural. Ocurre una “señal” fuera de control siempre
que un punto trazado caiga fuera de los límites. Esto se supone que es atribuible a alguna
causa asignable, y entonces comienza la búsqueda de tales causas. Los límites están
diseñados de modo que un proceso dentro de control genera muy pocas falsas alarmas,
mientras que un proceso no controlado rápidamente dará lugar a un punto fuera de los
límites.
Hay una fuerte analogía entre la lógica de gráficas de control y nuestro anterior trabajo de
prueba de hipótesis. La hipótesis nula aquí es que el proceso está dentro de control.
Cuando un proceso en control produce un punto fuera de los límites de control (una señal
de fuera de control), ha ocurrido un error tipo I. Por otra parte, resulta un error tipo II
cuando un proceso fuera de control produce un punto dentro de los límites de control. La
selección apropiada del tamaño muestral y límites de control (estos últimos corresponden
a especificar una región de rechazo en una prueba de hipótesis) hará que las
probabilidades asociadas de error sean convenientemente pequeñas.

Control de Calidad 2
 Probabilidad y Estadística

Hacemos destacar el hecho de que "en control" no es sinónimo de que "satisface

especificaciones de diseño o tolerancia". La magnitud de variación natural puede ser tal
que el porcentaje de piezas que no satisfacen una especificación es mucho más alto de lo
que se puede tolerar. En tales casos, una reestructuración importante del proceso será
necesaria para mejorar la capacidad del proceso. Un proceso en control es simplemente
aquel cuyo comportamiento con respecto a variaciones es estable en el tiempo, sin mostrar
indicaciones de causas extrañas poco comunes.
Gráficas de control para localización del proceso
Supongamos que la característica de calidad de interés está asociada con una variable
cuyos valores observados resultan de hacer mediciones. Por ejemplo, la característica
podría ser la resistencia de alambre eléctrico (en ohms), el diámetro interno de juntas
moldeadas de expansión de caucho (en cm), o la dureza de una cierta aleación (en
unidades Brinell). Un uso importante de las gráficas de control es para ver si alguna
medida de localización de la distribución de la variable permanece estable en el tiempo. La
gráfica que más se prefiere para este propósito es la gráfica X .
La gráfica X basada en valores de parámetro conocidos
Debido a que hay incertidumbre en cuanto al valor de la variable para cualquier pieza o
espécimen en particular, denotamos tal variable aleatoria por X. Supongamos que para un
proceso dentro de control, X tiene una distribución normal con media de  y desviación
estándar . Entonces, si X denota la media muestral para una muestra aleatoria de
tamaño n seleccionada en un punto particular en el tiempo, sabemos que
1. E X   

2.  X   / n

3. X tiene una distribución normal.

Se deduce que
P  3 X  X    3 X   P 3.00  z  3.00  0.9974
donde Z es una variable aleatoria estándar. Por lo tanto, es muy probable que para un
proceso dentro de control, la media muestral caiga dentro de 3 desviaciones estándar
3 X  de la media  del proceso.
Considere primero el caso en que los valores de  y  se conocen. Supongamos que en
cada uno de los puntos en el tiempo 1, 2, 3, . . . , hay una muestra aleatoria de tamaño n y
denotemos por X 1 , X 2 , X 3 ,... los valores calculados de las correspondientes medias
muestrales. Resulta una gráfica X de trazar estas X i en el tiempo, esto es, trazar los
puntos 1, X 1  , 2, X 2 , 3, X 3 , … y así sucesivamente, y luego dibujar líneas horizontales
en la gráfica en

LCL = límite inferior de control =   3 
n

UCL = límite superior de control =   3 
n

Control de Calidad 3
 Probabilidad y Estadística

Una gráfica como ésta recibe con frecuencia el nombre de gráfica de 3 sigmas. Cualquier
punto fuera de los límites de control sugiere que el proceso puede haber estado fuera de
control en ese momento, de modo que una investigación para causas asignables debe
iniciarse.
Ejemplo: Una vez al día, se seleccionan al azar tres especimenes de aceite para motor del
proceso de producción y cada uno se analiza para determinar su viscosidad. Los
siguientes datos (tabla 10.1) son para un periodo de 25 días. La experiencia con este
proceso sugiere que cuando el proceso está en control, la viscosidad de un espécimen está
normalmente distribuida con media de 10.5 y desviación estándar de 0.18. Por lo tanto,
 X   / n  0.18 / 3  0.104 , por lo que los límites de control de 3 desviaciones estándar
son

LCL=   3   10.5  30.104  10.188
n

UCL=   3   10.5  30.104  10.812
n
Todos los puntos de la gráfica de control mostrados en la figura 10.2 están entre los límites
de control, lo que indica un comportamiento estable de la media del proceso durante este
periodo.
Tabla 10.1 Datos de viscosidad
Día Observaciones de X s Límite Día Observaciones de X s Límite
viscosidad viscosidad
1 10.37 10.19 10.36 10.307 0.101 0.18 14 10.47 10.60 10.75 10.607 0.140 0.28
2 10.48 10.24 10.58 10.433 0.175 0.34 15 10.46 10.46 10.56 10.493 0.058 0.10
3 10.77 10.22 10.54 10.510 0.276 0.55 16 10.44 10.68 10.32 10.480 0.183 0.36
4 10.47 10.26 10.31 10.347 0.110 0.21 17 10.65 10.42 10.26 10.443 0.196 0.39
5 10.84 10.75 10.53 10.707 0.159 0.31 18 10.73 10.72 10.83 10.760 0.061 0.11
6 10.48 10.53 10.50 10.503 0.025 0.05 19 10.39 10.75 10.27 10.470 0.250 0.48
7 10.41 10.52 10.46 10.463 0.055 0.11 20 10.59 10.23 10.35 10.390 0.183 0.36
8 10.40 10.38 10.69 10.490 0.173 0.31 21 10.47 10.67 10.64 10.593 0.108 0.20
9 10.33 10.35 10.49 10.390 0.087 0.16 22 10.40 10.55 10.38 10.443 0.093 0.17
10 10.73 10.45 10.30 10.493 0.218 0.43 23 10.24 10.71 10.27 10.407 0.263 0.47
11 10.41 10.68 10.25 10.447 0.217 0.43 24 10.37 10.69 10.40 10.487 0.177 0.32
12 10.00 10.60 10.71 10.437 0.382 0.71 25 10.46 10.35 10.37 10.393 0.059 0.11
13 10.37 10.50 10.34 10.403 0.085 0.16

11.2

11

10.8

10.6

10.4

10.2

10

9.8 0 5 10 15 20 25
x

Figura 10.2: Gráfica de X para los datos

Control de Calidad 4
 Probabilidad y Estadística

de viscosidad

Gráficas X basadas en parámetros estimados

En la práctica ocurre con frecuencia que se desconocen los valores de  y , por lo cual
deben estimarse de los datos muestrales antes de determinar límites de control. Esto es
especialmente cierto cuando un proceso se somete primero a un análisis de control de
calidad. Otra vez denotamos el número de observaciones de cada muestra por n y
representamos por k el número de muestras de que se disponga. Los valores típicos de n
son 3, 4, 5 o 6, y se recomienda que k sea por lo menos 20. Suponemos que las k muestras
se reunieron durante un periodo cuando el proceso se pensaba que estaba en control. En
breve comentaremos más acerca de esta suposición.
Con X 1 , X 2 ,..., X k denotando las k medias muestrales calculadas, la estimación usual de 
es simplemente el promedio de estas medias:
k

X i
̂  X  i 1

k
Presentamos dos métodos diferentes que se emplean comúnmente para estimar , uno de
ellos basado en las k desviaciones estándar muestrales y el otro en los k límites muestrales
(recordemos que el rango muestral es la diferencia entre las observaciones muestrales
máxima y mínima). Antes de la disponibilidad de buenas calculadoras y de programas de
computadoras para estadística, la facilidad de cálculos manuales era una consideración
esencial, de modo que predominaba el método del rango. Sin embargo, en el caso de una
población con distribución normal, se sabe que el estimador insesgado de  basado en S
tiene menor varianza que aquella basada en el rango muestral. Los expertos en estadística
dicen que el primer estimador es más eficiente que el último. La pérdida en eficiencia para
el estimador es ligera cuando n es muy pequeña pero se hace importante para n > 4.
Recordemos que la desviación estándar muestral no es un estimador insesgado para .
Cuando Xl, . . . , Xn es una muestra aleatoria de una distribución normal, se puede
demostrar que
E S   a n  

donde
2n / 2
an 
n  1n  1 / 2
y  denota la función gamma. A continuación se presenta una tabulaci6n de an para
valores seleccionados de n:
n 3 4 5 6 7 8
an 0.886 0.921 0.940 0.952 0.959 0.965
Sea

Control de Calidad 5
 Probabilidad y Estadística

S i
S i 1

k
Donde S1 , S 2 ,..., S k son las desviaciones estándar muestrales para las k muestras. Entonces


ES 
1 k  1 k 1 k
E  S i    ES i    an    an  
k  i 1  k i 1 k i 1
Por lo tanto,
S  1
E   
ES 
1
 an    
 an  an an

de modo que ˆ  S / an es un estimador insesgado de .

Límites de control basados en las desviaciones estándar muestrales
Aquí
S
LCL= X  3 
an n
S
UCL= X  3 
an n
Donde
k k

 Xi S i
X  i 1
, S i 1

k k
Con referencia a los datos de viscosidad del ejemplo anterior, teníamos n= 3 y k=25. Los
valores de X i y S i (i= 1,... ,25) aparecen en la tabla 10.1, de donde se deduce que
X  261.896/ 25  10.476 y S  3.834 / 25  0.153 . Con a3  0.886 , tenemos:
0.153
LCL= 10.476  3   10.476  0.299  10.177
0.886 3
0.153
LCL= 10.476  3   10.476  0.299  10.775
0.886 3
Estos límites difieren un poco de los anteriores basados en  = 10.5 y =0.18. Porque ahora
ˆ  10.476 y ˆ  S / a3  0.173. Una inspección a la tabla 10.1, muestra que toda X i está
entre estos nuevos límites, por lo que de nuevo no hay una situación fuera de control.
Para obtener una estimación de  basada en el límite muestral, observe que sí
X 1 ,..., X n forman una muestra aleatoria de una distribución normal entonces
R = límite (X1,. . ., Xn)
= máx (X1,. . ., Xn) - mín(X1,. . ., Xn)
= máx (X1-,. . ., Xn-) – mín (X1-,. . ., Xn-)

Control de Calidad 6
 Probabilidad y Estadística

  X  X   X  X   
=  max  1 ,..., n   min 1 ,..., n 
        
=   max Z1 ,..., Z n   minZ1 ,..., Z n 

donde Z 1 ,..., Z n son variables aleatorias normales estándar independientes. Por lo tanto,

ER    [rango de una muestra normal estándar]

   bn

De modo que R / bn es un estimador insesgado de .

Ahora denotemos los límites para las k muestras de los datos de control de calidad por
r1 , r2 , r3 ,..., rk . El argumento que acabamos de dar implica que la estimación

1 k
 ri r
k i 1
̂  
bm bn
viene de un estimador insesgado para . En la tabla siguiente aparecen valores
seleccionados de bn
n 3 4 5 6 7 8
bn 1.693 2.058 2.325 2.536 2.706 2.844

Límites de control basados en los rangos muestrales

En este caso
r
LCL= X  3 
bn n
r
LCL= X  3 
bn n
k

r i
donde r  i 1
y r1 , r2 , r3 ,..., rk son los k rangos muestrales individuales.
k
Ejemplo: En el ejemplo de aceite de motor se verifica fácilmente de la tabla 10.1 que
0.292 0.292
r  0.292, por lo que ˆ    0.172 y
b3 1.693
0.292
LCL = 10.476  3   10.476  0.299  10.177
1.693 3
0.292
UCL = 10.476  3   10.476  0.299  10.775
1.693 3
Estos límites son idénticos a los basados en S , y de nuevo toda X i se encuentra entre los
límites.

Control de Calidad 7
 Probabilidad y Estadística

Recálculo de límites de control

Hemos supuesto que los datos muestrales empleados para estimar  y  se obtuvieron de
un proceso dentro de control. Supongamos, sin embargo, que uno de los puntos de la
gráfica de control resultante cae fuera de los límites de control. Entonces, si se puede
encontrar y verificar una causa asignable para esta situación fuera de control, se
recomienda calcular los nuevos límites de control después de borrar la muestra
correspondiente del conjunto de datos. Análogamente, si más de un punto cae fuera de los
límites originales, deben determinarse nuevos límites después de eliminar cualquiera de
dichos puntos para los que se pueda identificar y tratar una causa asignable. Puede ocurrir
que uno o más puntos caigan fuera de los nuevos límites, en cuyo caso el proceso de
eliminación y nuevo cálculo deben repetirse.
Características de desempeño de gráficas de control
En general, una gráfica de control será eficiente si da muy pocas señales fuera de control
cuando el proceso está en control, pero muestra un punto fuera de los límites de control
casi tan pronto como el proceso se salga de control. Una evaluación de la eficiencia de una
gráfica está basada en la noción de "probabilidades de error”. Supongamos que la variable
de interés está normalmente distribuida con  conocida (el mismo valor para un proceso
en control o fuera de control). Además, consideremos una gráfica de 3 sigmas basada en el
valor fijado  0 con    0 cuando el proceso está en control. Una probabilidad de error es

 = P(una sola muestra da un punto fuera de los límites de control cuando    0 )

   
 P X   0  3 o X  0  3 cuando    0 
 n n 
 X  0 X  0 
 P 3 o  3 cuando    0 
/ n / n 
X  0
La variable estandarizada z  tiene una distribución normal estándar cuando
/ n
   0 , por lo que
  Pz  3 o z  3   3.00  1  3.00  0.0026
Si se ha utilizado 3.09 en lugar de 3 para determinar los límites de control, entonces
  Pz  3.09 o z  3.09  0.0020
El uso de límites de 3 sigmas hace muy poco probable que una señal fuera de control
resulte de un proceso en control.
Ahora supongamos que el proceso sale de control porque  se ha desplazado a    (
podría ser positiva o negativa);  es el número de desviaciones estándar por las que  ha
cambiado. Una segunda probabilidad de error es:
 = P(una sola muestra da un punto dentro de los límites de control cuando    0   )

= P ( 0  3 / n  X  0  3 / n cuando    0   )

Ahora estandarizamos al restar primero  0   de cada término dentro de los paréntesis

Control de Calidad 8
 Probabilidad y Estadística

y luego dividir entre  / n . Esto da

=P(  3  n   variable aleatoria normal estándar  3  n  )

  
=  3  n    3  n  
Esta probabilidad de error depende de , que determina la magnitud del desplazamiento,
y del tamaño muestral n. En particular, para  fija,  disminuirá a medida que n crezca
(cuanto mayor sea el tamaño muestral, es más probable que resulte una señal fuera de
control), y para n fija,  disminuye a medida que  aumenta (cuanto mayor es la
magnitud de un desplazamiento, es más probable que resulte, una señal fuera de control).
La siguiente tabla da  para valores seleccionados de  cuando n = 4:

 0.25 0.50 0.75 1.00 1.50 2.00 2.50 3.00

 cuando n=4 0.9936 0.9772 0.9332 0.8413 0.5000 0.1587 0.0668 0.0013

Es claro que es muy probable que un pequeño desplazamiento pase sin ser detectado en
una sola muestra.
Si 3 es sustituido por 3,09 en los límites de control, entonces  disminuye de 0.0026 a 0.002,
pero para cualesquier n y  fijas,  aumentará. Esto es sólo una manifestación de la
relación inversa entre los dos tipos de probabilidades de error en prueba de hipótesis. Por
ejemplo, cambiar 3 a 2.5 aumentará  y disminuirá .
Las probabilidades de error estudiadas hasta aquí se calculan bajo la suposición de que la
variable de interés está normalmente distribuida. Si la distribución es sólo ligeramente no-
normal, el efecto del teorema del límite central implica que X tendrá una distribución casi
normal incluso cuando n sea pequeña, en cuyo caso las probabilidades de error indicadas
serán aproximadamente correctas. Por supuesto que éste no es el caso cuando la
distribución de la variable se desvía considerablemente de la normalidad.
En una segunda evaluación de operación aparece la longitud de corrida promedio o
esperada (Average Run Length, ARL en inglés) necesaria para observar una señal fuera de
control. Cuando el proceso está en control, debemos esperar observar muchas muestras
antes de ver una cuya X está fuera de los límites de control. Por otra parte, si un proceso
se sale de control, el número esperado de muestras para detectar esto debe ser pequeño.
Denotemos por p la probabilidad de que una sola muestra produzca un valor X fuera de
los límites de control, esto es,

p  P X   0  3 / n o X   0  3 / n 
Considere primero un proceso en control, de modo que X 1 , X 2 ,... están todas normalmente
distribuidas con valor medio  0 y desviación estándar  / n . Definimos una variable
aleatoria Y por
Y = la primera i para la que X i cae fuera de los límites de control
Si consideramos cada número de muestra como un intento y una muestra fuera de control
como un éxito, Y es el número de intentos (independientes) necesario para observar un

Control de Calidad 9
 Probabilidad y Estadística

éxito. Esta Y tiene una distribución geométrica, con EY   1/ p . El acrónimo ARL (average
run length : longitud de corrida promedio) se emplea con frecuencia en lugar de EY  .
Como p =  para un proceso en control, tenemos

ARL  E Y  
1 1 1
   384.62
p  0.0026
Si se sustituye 3 en los límites de control por 3.09 resulta ARL = 1/0.002 = 500.
Ahora supongamos que, en un punto de tiempo en particular, la media del proceso se
desplaza    0   . Si definimos Y como la primera i subsiguiente al desplazamiento
para la que una muestra genera una señal fuera de control, otra vez es cierto que ARL =
EY  = 1/p, pero, ahora p= 1-. La siguiente tabla indica las ARL seleccionadas para una
tabla de 3 sigmas cuando n=4. Estos resultados otra vez demuestran la efectividad de la
gráfica para detectar desplazamientos grandes pero también su incapacidad para
identificar con rapidez pequeños desplazamientos. Cuando el muestreo se hace con poca
frecuencia, es muy probable que se produzcan muchas piezas antes que se detecte un
pequeño desplazamiento en .

 0.25 0.50 0.75 1.00 1.50 2.00 2.50 3.00

 cuando n=4 156.25 43.86 14.97 6.30 2.00 1.19 1.07 1.0013

Reglas complementarias para gráficas X

La incapacidad de las gráficas X con límites de 3 sigmas, para detectar rápidamente
pequeños desplazamientos de la media de proceso, ha impulsado a investigadores a
desarrollar procedimientos que proporcionan un mejor comportamiento en este sentido.
Un enfoque consiste en agregar otras condiciones que ocasionan que se genere una señal
fuera de control. Las siguientes condiciones fueron recomendadas por Western Electronic.
Una intervención para tomar medidas correctivas es apropiada siempre que se satisfaga
una de las siguientes condiciones:
1. Dos de tres puntos sucesivos caen fuera de los límites de dos sigmas en el mismo lado
de la línea central.
2. Cuatro de cinco puntos sucesivos caen fuera de los límites de una sigma en el mismo
lado de la línea central.
3. Ocho puntos sucesivos caen a un mismo lado de la línea central.
Debe consultarse un texto de control de calidad para ver un análisis de estas y otras reglas
complementarias.

Gráficas de Control robustas

La presencia de puntos inusuales en los datos muestrales tiende a reducir la sensibilidad
de procedimientos de gráficas de control cuando se estimen parámetros. Esto es porque
los límites de control se mueven hacia fuera desde la línea de centro, lo cual hace más
difícil la identificación de puntos poco comunes. No deseamos aquella estadística cuyos
valores sean resistentes a puntos inusuales porque esto ocultaría cualquier señal fuera de
Control de Calidad 10
 Probabilidad y Estadística

control. Por ejemplo, trazar medianas muestrales sería menos eficaz que trazar X 1 , X 2 ,...
como se hace en una gráfica X .
El artículo “Robust Control Charts” escrito por David M. Rocke (Technometrics, 1989, pp.
173-184) presenta un estudio de procedimientos para los que los límites de control están
basados en estadísticas resistentes a los efectos de puntos inusuales. Rocke recomienda
límites de control calculados del intervalo intercuartil (IQR), que es muy semejante a la
cuarta dispersión. En particular,
2a xi más grande   2a xi más pequeña  n  4,5,6,7
IQR  
3a xi más grande   3a xi más pequeña  n  8,9,10,11
Para una muestra aleatoria de una distribución normal, EIQR   k n ; los valores de k n
están dados en la siguiente tabla
n 4 5 6 7 8
kn 0.596 0.990 1.282 1.512 0.942

Los límites de control sugeridos son

IQR IQR
LCL  X  3  , UCL  X  3 
kn n kn n

Los valores de X 1 , X 2 ,... están trazados. Las simulaciones reportadas en el Artículo

indicaron que la operación de la gráfica con estos límites es superior al de la gráfica X
tradicional.
Gráficas de control para variación del proceso
Las gráficas de control estudiadas anteriormente fueron diseñadas para controlar la
localización (o, lo que es lo mismo, la tendencia central) de un proceso, con particular
atención a la media como una medida de localización. Es igualmente importante asegurar
que un proceso está bajo control con respecto a la variación. De hecho, la mayoría de los
expertos recomienda establecer control sobre la variación antes de construir una gráfica X
o cualquier otra gráfica para controlar la localización. A continuación, consideramos
gráficas para variación basadas en la desviación estándar muestral S y también gráficas
basadas en el rango muestral R; generalmente se prefieren las primeras porque la
desviación estándar da una evaluación más eficiente de variación de lo que da el rango,
pero las gráficas R se usaron primero y la tradición no muere fácilmente.
La gráfica S
Otra vez suponemos que disponemos de k muestras seleccionadas de manera
independiente, cada una formada por n observaciones en una variable normalmente
distribuida. Denotemos las desviaciones estándar muestrales por S1 , S 2 ,..., S k con

S i

S
k
Los valores S1 , S 2 , S 3 ,... se trazan en secuencia en una gráfica S. La línea central de la
gráfica estará a la altura S , y los límites de 3 sigmas necesitan determinar 3 S (igual que

Control de Calidad 11
 Probabilidad y Estadística

los límites de 3 sigmas de una gráfica X requirieron 3 X  3 / n , con  entonces

estimada de los datos).
 
Recordemos que para cualquier variable aleatoria Y, V Y   E Y 2  EY 2 , y que una
 
varianza muestral S2 es un estimador insesgado de 2, es decir, E S 2   2 , Por lo tanto,

  
V S   E S 2  ES    2  an    2 1  an
2 2 2

donde los valores de an para n = 3,4,.. . ,8 están tabulados. La desviación estándar de S ,es
entonces

 S V S    1  an 2
Es natural estimar  usando S1 , S 2 ,..., S k como se hizo en el tema anterior, es decir,
ˆ  S / an al sustituir ̂ por  (en la expresión para  S se obtiene la cantidad empleada
para calcular límites de 3 sigmas)
Los límites de control para 3 sigmas para una gráfica de control S son

LCL= S  3S 1  an / an
2

UCL= S  3S 1  an / an
2

La expresión para LCL será negativa si n 5, en cuyo caso se acostumbra utilizar LCL = 0,
Ejemplo: La tabla 10.2 presenta observaciones sobre la resistencia al esfuerzo de hojas de
plástico (la fuerza, en psi, necesaria para romper una hoja). Hay k = 22 muestras, obtenidas
en puntos de tiempo con igual separación, y n = 4 observaciones en cada muestra.
Tabla 10.2. Datos de resistencia al esfuerzo
Num. De Observaciones Des. Est. Límite
muestra
1 27.7 29.0 28.8 30.2 0.64 1.4
2 32.2 29.3 32.2 32.9 1.60 3.6
3 35.9 29.1 32.1 31.3 2.83 6.8
4 28.8 27.2 28.5 35.7 3.83 8.5
5 30.9 32.6 28.3 28.3 2.11 4.3
6 30.6 34.3 34.8 26.3 3.94 8.5
7 32.3 27.7 30.9 27.8 2.30 4.6
8 32.0 27.9 31.0 30.8 1.76 4.1
9 24.2 27.5 28.5 31.1 2.85 6.9
10 33.7 24.4 34.3 31.0 4.53 9.9
11 35.3 33.2 31.4 28.0 3.09 7.3
12 28.1 34.0 31.0 30.8 2.41 5.9
13 28.7 28.9 25.8 29.7 1.71 3.9
14 29.0 33.0 30.2 30.1 1.71 4.0
15 33.5 32.6 33.6 29.2 2.07 4.4
16 26.9 27.3 32.1 28.5 2.37 5.2
17 30.4 29.6 31.0 33.8 1.83 4.2
18 29.0 28.9 31.8 26.7 2.09 5.1
19 33.8 30.9 31.7 28.2 2.32 5.6
20 29.7 27.9 29.1 30.1 0.96 2.2
21 27.9 27.7 30.2 32.9 2.43 5.2
22 30.0 31.4 27.7 28.1 1.72 3.7

Control de Calidad 12
 Probabilidad y Estadística

Se verifica fácilmente que S i  51.10 S  2.32 , de manera que el centro de la gráfica S

estará en 2.32 (aun cuando debido a que n = 4, LCL =0 y la línea en el centro no estará a la
mitad entre los límites de control). De lo desarrollado anteriormente, a4  0.921, de lo cual
el UCL es

UCL= 2.32  32.32 1  (0.921) 2 / 0.921  2.32  2.94  5.26

La gráfica de control resultante aparece en la figura 10.3. Todos los puntos trazados están
dentro de los límites de control, lo que sugiere un comportamiento estable del proceso con
respecto a la variación.

0 5 10 15 20
x

Figura 10.3 Gráfica de S para datos de

resistencia al esfuerzo

La gráfica R
Denotemos por r1 , r2 ,..., rk los rangos muestrales k y r   ri / k . La línea central de una
gráfica R estará a una altura r . La determinación de los límites de control requiere  R
donde R denota el rango (antes de tomar observaciones, como una variable aleatoria) de
una muestra aleatoria de tamaño n de una distribución normal con valor medio de  y
desviación estándar . Debido a que
R = máx ( X 1 ,..., X 2 ) - mín( X 1 ,..., X 2 )
={máx( Z1 ,..., Z 2 ) - mín( Z1 ,..., Z 2 )}
donde Z i   X i    /  y las Zi son variables aleatorias normales estándar, se deduce que

 R    (desviación estándar del límite de una muestra aleatoria de tamaño n de una

distribución normal estándar)
Los valores de cn para n = 3,..., 8 aparecen en la siguiente tabla

n 3 4 5 6 7 8
cn 0.888 0.880 0.864 0.848 0.833 0.820
Se acostumbra estimar apara  por ˆ  r / bn . Esto da ˆ R  cn r / bn como la desviación
estándar estimada de R.
Los límites de 3 sigmas para una gráfica R son

Control de Calidad 13
 Probabilidad y Estadística

LCL = r  3c n r / bn

UCL = r  3cn r / bn
La expresión para LCL será negativa si n  6 , en cuyo caso debe utilizarse LCL = 0.
Ejemplo: La tabla 10.2 produce r i  115.3 y r  5.24 . Como n = 4, LCL = 0. Con b4 =2.058
y c4 =0.880
UCL = 5.24 + 3(0.880)(5.24)/2.058 = 11.96
La gráfica de R aparece como figura 10.4. Al igual que con la gráfica de S, todos los puntos
están entre los límites, lo cual indica un proceso en control en cuanto se refiere a la
variación.

12

10

R6

0 5 10 15 20
Número de muestra

Figura 10.4: Gráfica de R para datos de

resistencia al esfuerzo

Control de Calidad 14