Día 1 2 3 4 5 Ir

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

Este se utiliza ampliamente para monitorear la media y la variabilidad. El control del

promedio del proceso o nivel de calidad medio, suele hacerse con la gráfica de control
para medias o grafica 𝑋̅.

La variabilidad se puede monitorizar con una gráfica de control para el rango; llamada
grafica R. Generalmente se llevan graficas 𝑋̅ 𝑦 𝑅 separadas para cada característica para
la calidad de intereses.

- Se muestra una tabla del contenido de mercurio en partes por billón de 5 muestras
de agua registradas diariamente por un periodo de 5 días que se muestra a
continuación:

Día 1 2 3 4 5
1 13 8 2 5 8
2 0 6 1 9 15
3 4 2 4 3 4
4 3 15 8 3 5
5 5 10 5 4 0
6 9 5 13 7 7
7 0 4 4 3 9
8 9 3 0 6 0
9 14 0 0 5 3
10 3 8 5 0 2
11 5 9 0 7 8
12 3 2 2 7 4
13 5 11 14 8 3
14 13 5 5 12 7
15 7 0 1 0 6
16 12 7 10 4 13
17 9 4 4 8 9
18 6 1 1 3 13
19 7 0 5 7 2
20 10 0 10 12 7
21 3 7 5 10 12
22 3 0 10 5 4
23 3 3 0 6 9
24 0 2 3 6 7
25 2 3 5 4 10
26 3 1 4 2 4
27 2 4 5 13 4
28 0 16 7 2 11
29 3 5 9 8 6
30 9 7 10 13 0
CALCULO DEL RANGO R DE LAS MUESTRAS:

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

CALCULO DE LA R PROMEDIO (LINEA CENTRAL):

∑𝑛=30
𝐼=1 𝑅𝑖 / 𝑛

∑𝑛=30
𝑖=1 𝑅𝑖 = 275 / 30 = 9.167
CALCULO DE LOS LIMITES SUPERIOR E INFERIOR DE LOS RANGOS
MUESTRALES

Estos límites son de vital importancia ya que nos permiten deducir si nuestro grafico se
encuentra dentro o fuera de control:

Límite de control superior = D4R

Límite de Control Inferior = D3R

Donde D3 y D4 son constantes aplicadas en nuestro ejemplo, y que se encuentran en la

siguiente tabla:

L.CI -2 -1 L.C 1 2 L.CS

0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
 0 2,359 5,8 9,167 12,5711238 15,9752476 19,38
0 2,359 5,8 9,167 12,5711238 15,9752476 19,38

Límite de control superior = D4R

Límite de control superior = (2.114) (9.167) = 19.38*

Límite de Control Inferior = D3R

Límite de control inferior = (0) (9.167) = 0*

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

RANGOS -1 DESVIACION -2 DESVIACION LIMITE CENTRAL

1 DESVIACION 2 DESVIACION L,CS
 ̅ DE LAS MUESTRAS (LINEA CENTRAL)
CALCULO DE PROMEDIOS 𝑿
 ̅
CALCULO DEL PROMEDIO DE PROMEDIOS 𝑿

∑𝑛=30
𝑖=1 𝑋𝑖 / N

∑𝑛=30
𝑖=1 𝑋𝑖 = 167.8 / 30 = 5.59

CALCULO DE LIMITES SUPERIOR E INFERIOR DE X

Límite de control superior = X + A2R

Límite de control inferior = X - A2R

Donde X = Gran promedio = promedio de los promedios muéstrales

R = Promedio de los rangos muéstrales

A2 = Constante

Límite de Control superior = X + A2R

Límite de Control superior = (5.59) + (0.577) (9.17) = 10.88

Límite de control inferior = X - A2R

Límite de control inferior = (5.59) - (0.577 (9.17) = 0.30*

INTERPRETACIÓN:

Se colocan las gráficas para 𝑋̅ 𝑦 𝑅 una encima de la otra de manera que el promedio y el
rango para cualquier subgrupo se encuentren en la misma línea vertical. Observe si
alguna de ella o ambas indican una falta de control para ese subgrupo.

Las 𝑋̅ fueras de los límites de control son seña de un cambio general que afecta todas las
piezas posteriores al primer subgrupo fuera de los limites.

Las R fuera de los límites de control indican que la uniformidad de proceso ha cambiado.
Las causas comunes son un cambio en el personal, un aumento en la variabilidad del
material o desgaste excesivo en la maquinaria del proceso.

GRAFICO X

Los límites de control para la gráfica de promedios se obtienen a través de las siguientes
formulas:

Línea central = 𝑋̅

Límite central inferior (LCI) = 𝑋̅ − 𝐴2 𝑅̅

Límite central superior (LCS) = 𝑋̅ + 𝐴2 𝑅̅

Donde los parámetros a utilizar se encuentran previamente tabulados como se muestra a

continuación:
EJEMPLO: Una empresa mide una característica de un producto que es significativa en la
calidad de éste. Para ello ha tomado 25 muestras donde cada muestra consiste en la
selección aleatoria de 4 unidades de producto. Luego se mide la característica de interés
(en alguna unidad de medida) y se obtienen los promedios muéstrales que se presentan
en la siguiente tabla. Adicionalmente, el rango de cada muestra es la diferencia entre el
valor de la mayor observación menos el valor de la menor observación.

El valor objetivo de la característica en evaluación es 11 +- 1,5. Se requiere una gráfica de

control de promedios para analizar si el proceso se encuentra bajo Control Estadístico.
Un primer paso consiste en la obtención del gran promedio que determina la línea
central de la gráfica de control y se obtiene como el promedio de los promedios
muéstrales. En nuestro ejemplo el gran promedio se obtiene de la siguiente forma:

X = (15,1 + 12,3 + 7,4 +.......... + 8,8 + 8,0)/25 = 9,872

A continuación se calcula el promedio de los rangos muéstrales:

R = (9,1 + 9,9 + 9,7 +........... + 6,9 + 6,4)/25 = 8,076

Finalmente se determina el LCS (Límite de Control Superior) y LCI (Límite de Control

Inferior). Para ello dado que cada muestra es de un tamaño n=4, el valor de la
constante A2 asociada es 0,729.

LCS = 9,872 + 0,729*8,076 = 15,76

LCI = 9,872 - 0,729*8,076 = 3,98

ANALIISIS:

Se concluye que el proceso se encuentra bajo control estadístico debido a que los
valores de las muestras se encuentran dentro de los límites de control. Adicionalmente las
muestras se distribuyen aproximadamente a ambos lados de la línea central (LC), no
identificándose una tendencia en los valores muéstrales. Es importante notar que aun
cuando los valores de las muestran estén dentro de los límites de control, en caso de
existir una tendencia, ésta puede advertir la existencia de una causa asignable que
explique la variación y por tanto pronto el proceso podría salir de Control Estadístico.
GRAFICO S

Grafica la desviación estándar del proceso en el tiempo, es utilizada para rastrear la

variación del proceso y detectar una variación inesperada.

Una gráfica S grafica la desviación estándar del proceso a lo largo del tiempo para datos
de variables en subgrupos. Esta gráfica de control es ampliamente utilizada para
examinar la estabilidad de procesos en muchas industrias. Por ejemplo, usted puede
utilizar las gráficas S para examinar la variación del proceso para subgrupos de longitudes
de piezas, tiempos de llamadas o la presión arterial de los pacientes de hospital en el
tiempo.

Puede utilizar la gráfica S cuando el tamaño del subgrupo sea 9 o más. Puede utilizar la
gráfica R cuando el tamaño del subgrupo sea 8 o menos.

EJEMPLO:

Un fabricante de productos domésticos desea evaluar la estabilidad del proceso de

llenado de uno de sus productos para limpiar ventanas. Los analistas toman muestras de
diez botellas de limpiador de ventanas cada hora durante 30 horas y pesa cada una de
ellas.

Los puntos varían aleatoriamente alrededor de la línea central y se encuentran dentro de

los límites de control. No hay presencia de tendencias o patrones. La variabilidad en el
peso de llenado del limpiador de ventanas es estable entre los 30 subgrupos.
 GRAFICOS DE CONTROL POR ATRIBUTOS

muestra N° de diodos inspeccionados diodos defectuosos 𝑝̂𝑖

1 126 8 0,063
2 118 10 0,085
3 122 10 0,082
4 129 9 0,070
5 124 10 0,081
6 136 10 0,074
7 119 9 0,076
8 127 9 0,071
9 114 20 0,175
10 127 11 0,087
11 119 12 0,101
12 115 5 0,043
13 110 11 0,100
14 103 6 0,058
15 108 10 0,093
16 116 4 0,034
17 119 7 0,059
18 118 8 0,068
19 107 10 0,093
20 113 13 0,115
TOTALES 2370 192

CUADRO 5.1: DATOS

Los diodos para un circuito impreso son producidos de forma continua en cierto proceso
industrial. Un operario va tomando aleatoriamente diodos de la cadena de producción y va
comprobando si son defectuosos o aceptables. Como la cadena no tiene un ritmo de
producción constante (sigue un ritmo de producción denominado just − in − time, donde el
ritmo de la cadena se va determinando según el nivel de stock final e intermedio), el ritmo
de inspección no es tampoco constante. El operario, por tanto, no toma siempre la misma
cantidad de diodos para realizar la inspección. La Tabla 5.1 muestra el tamaño de las
muestras recogidas y el número de diodos que resultaron defectuosos.
Se sabe por la información histórica del proceso, que si sólo actúan causas no asignables
(azar), se espera que el 8 % de los diodos sean defectuosos. Se quiere construir un
gráfico de control para la proporción de diodos defectuosos. El gráfico se muestra en la
figura 5.1. En dicho gráfico puede verse cómo los límites de control, aunque están usando
el mismo valor p =0,08 tienen distinto ancho, debido a que las muestras son de distinto
tamaño. Existe un punto fuera de control que habrá que investigar. Algunas aplicaciones
informáticas permiten realizar un gráfico con límites de control que son líneas rectas. Para
él lo utilizan como tamaño muestral en las fórmulas (5.1) el promedio de los tamaños
muestrales; es decir, usan, en lugar de 𝑛𝑖

∑𝑘
𝑖=1 𝑛𝑖
𝑛̅ = 𝑘

Cuando no hay un valor de p conocido es necesario estimarlo con unas muestras

iniciales. Estas muestras deben estar recogidas cuando el proceso se encuentra en
estado de control. Los pasos a seguir para la construcción del gráfico en este caso son

1. Tomar 𝑘 muestras (al menos 20) de tamaño muestral 𝑛𝑖 (𝑖 = 1, … , 𝑘).

Figura 5.1: Gráfico P para la proporción de diodos defectuosos con p conocido: p

=0,08.
2. Calcular la proporción de artículos defectuosos en cada muestra

𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝̂ 𝑖 =
𝑛𝑖
3. Calcular una estimación del valor poblacional 𝑝 a través de la proporción total de
defectuosos:
∑𝑘𝑖=1 𝑑𝑖
𝑝̅ = 𝑘
∑𝑖=1 𝑛𝑖
Este valor de 𝑝̅ constituirá la línea central del gráfico de control. Si durante este
periodo de recogida de información el proceso ha estado bajo control, este
estimador será un buen estimador de p. Este estimador es mejor que el promedio
de los diferentes valores de 𝑝̂ 𝑖 es decir,

∑𝑘𝑖=1 𝑝̂ 𝑖
𝑝̂ = ,
𝑘
Pues en este promedio no estamos teniendo en cuenta que cada muestra tiene
tamaño muestral distinto y, por tanto, precisión distinta.

4. Calcular los límites de control de manera que si el proceso está bajo control, y
basándonos en la normalidad, sólo 3 de cada mil muestras estén fuera de los
límites. Esto es equivalente, utilizando las propiedades de la distribución normal, a
poner los límites en tres desviaciones típicas. Por tanto, el gráfico de control tiene
las características siguientes:

3 𝑝̅ (1 − 𝑝̅ )
𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 = 𝑝̅ + √
𝑛𝑖
(5.2)
𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 𝑝̅

3 𝑝̅ (1 − 𝑝̅ )
𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 𝑝̅ − √
𝑛𝑖

5. Dibujar el gráfico con la línea central y los límites de control y colocar los valores 𝑝̂ 𝑖
ordenados en el tiempo. Si algún valor estuviese fuera de los límites habría que
rechazar dicha muestra y repetir el proceso con las restantes. Se ha de recalcular
entonces 𝑝̅ con las muestras restantes. Una vez que se tiene un gráfico con todos
los valores dentro de los límites pueden considerarse éstos válidos y puede
utilizarse el valor estimado 𝑝̅ para posteriores muestras
Con los datos del ejemplo 1 y sin utilizar el valor de p =0,08, se obtendría un valor
estimado de

192 (5.3)
𝑝̅ = = 0.081
2370

3 𝑝̅ (1−𝑝̅ )
Los límites serán 𝑝̅ ± √ = 0.081 ± 0.819/√𝑛𝑖 (se usa el límite inferior 0 si resulta un
𝑛𝑖
número negativo). La figura 5.2 muestra el nuevo gráfico de control.

En este gráfico se vuelve a apreciar que hay un punto fuera de control. Por tanto la
estimación de p hecha en 5.3 no es adecuada. Si eliminamos la muestra 9 del análisis y
rehacemos el gráfico se tiene la nueva estimación:

192 − 20
𝑝̅ = = 0.076
2370 − 114

3 𝑝̅ (1−𝑝̅ )
Y los nuevos límites serán 𝑝̅ ± √ 𝑛𝑖
= 0.076 ± 0.795/√𝑛𝑖 . La figura 5.3 muestra el
nuevo gráfico. En esta ocasión todos los puntos se encuentran dentro de los límites, por lo
que la estimación de p puede utilizarse para controlar el proceso en posteriores muestras.

Al no ser los límites constantes se ha de tener cuidado para interpretar tendencias y

rachas en estos gráficos. Un procedimiento para simplificar la interpretación de las
gráficos P es el uso de valores estandarizados. En este caso los valores representados en
el gráfico son.

𝑝̂ 𝑖 − 𝑝
𝑧𝑖 =
√𝑝̅ (1 − 𝑝̅ )
𝑛𝑖
Donde 𝑝̅ es utilizado en lugar de p si este valor no es conocido. Con estos datos se tiene
que
𝐸(𝑧𝑖) = 0

𝑣𝑎𝑟(𝑧𝑖) = 1
Figura 5.2: Gráfico 𝑃 para el porcentaje de diodos defectuosos. El valor de 𝑝 está
estimado con los datos.

Figura 5.3: Gráfico 𝑃 para el porcentaje de diodos defectuosos. La muestra 9 ha sido

eliminada (aparece con el símbolo X).
Figura 5.4: Gráfico P estandarizado para el porcentaje de diodos defectuosos. La muestra
9 ha sido eliminada (aparece con el símbolo X).

Y por tanto el gráfico estandarizado tendrá las siguientes características

𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 = 3

𝐿𝑖𝑛𝑒𝑎 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 0

𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = −3

La figura 5.4 muestra el gráfico estandarizado correspondiente al ejemplo 1 con 𝑝

estimado

Como puede observarse, la construcción del gráfico se resume a la obtención de una

buena estimación de 𝑝. A partir de entonces, y una vez fijada la estrategia de muestreo
(tamaños muestrales, frecuencia, criterios para determinar que una pieza es defectuosa),
lo que hay que hacer para controlar estadísticamente el proceso es:

1. Tomar una muestra de tamaño 𝑛𝑖

2. Calcular los LCS y LCI con ese valor 𝑛𝑖 y colocarlos en el gráfico
3. Contar el número de piezas defectuosas 𝑑𝑖 y calcular la proporción sobre el total
de la muestra 𝑝̂ 𝑖
4. Colocar este valor 𝑝̂ 𝑖 en el gráfico y verificar si el proceso está bajo control
 Trabajo de Calidad I

Gráficos de control estadístico de procesos

Presentado por.

Flor María García Flórez

Camilo Andrés Vargas Pérez

Jorge Pérez García

Yesica cuadrado peña

Juan Carlos Oquendo Díaz

Presentado a.

Amelia Margarita Corrales Vuelvas

Universidad de córdoba

Facultad de ingenierías

Departamento de ingeniería industrial

Montería – córdoba

2016