III.

Gráficos de Control por Variables (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

INTRODUCCIÓN____________________________________________________

En cualquier proceso productivo resulta conveniente conocer en todo momento hasta qué punto nuestros
productos cumplen con las especificaciones preestablecidas. Como ya comentamos en el capítulo anterior,
podemos decir que la calidad de un producto tiene dos grandes “enemigos”: (1) las desviaciones con respecto
al objetivo especificado (falta de exactitud), y (2) una excesiva variabilidad respecto a los valores deseables
(falta de precisión).

La idea consiste en extraer muestras de un proceso productivo que se encuentra activo y, a partir de las
mismas, generar gráficos que nos permitan tanto estudiar la variabilidad del mismo como comprobar si los
productos obtenidos cumplen o no con las especificaciones preestablecidas. En caso de apreciar en tales
gráficos tendencias no aleatorias o bien muestras que se sitúen más allá de los límites de control
consideraremos que el proceso está fuera de control. Si así ocurre, estaremos interesados en averiguar las
causas especiales que afectan al proceso.

En un gráfico de control se representa gráficamente una característica de calidad T, medida o calculada

a partir de muestras del producto, en función de las diferentes muestras. La gráfica tiene una línea central que
simboliza el valor medio de la característica de calidad. Finalmente, otras dos líneas (los límites superior e
inferior de control) flanquean a la anterior a una distancia determinada. Estos límites son escogidos de manera
que si el proceso está bajo control, casi la totalidad de los puntos muestrales 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 tests para causas especiales).

Límite superior (LSC)

3 * σT
Variable T

Línea central

Límite inferior (LIC)

Número de muestra o tiempo

La determinación de los límites de control se basa en conceptos y resultados estadísticos: supongamos,

p.e., que estamos interesados en “controlar” la media µ de una variable aleatoria X cuya distribución tiene
una desviación estándar σ (µ y σ constantes durante el proceso). Sabemos (por el TCL) que, para un tamaño
muestral n grande, la distribución de las medias muestrales será aproximadamente normal con media igual a µ
y desviación estándar igual a σ/√n . De este hecho se deduce que aproximadamente el 99,7% de las medias
muestrales estarán contenidas en el intervalo µ ± 3 * σ/√n , intervalo que viene definido por los límites de
control. Este sencillo razonamiento es la base para la construcción de todos los gráficos de control.

Observar que, como el intervalo anterior depende de n, si trabajamos con muestras de distintos tamaños
los límites de control no formarán una línea recta, pues la distancia que les separa de la línea central
aumentará conforme n disminuya (serán límites “escalonados”).

III - 1
 Control Estadístico de la Calidad con MINITAB

Si dejamos momentáneamente al margen el estudio de posibles patrones no aleatorios en el gráfico de

control, podemos considerar que éste no es más que un contraste de hipótesis en el que podemos considerar
como hipótesis nula Ho el hecho de que el proceso está bajo control estadístico. El que un punto se ubique
entre los límites de control es equivalente a no poder rechazar la hipótesis nula Ho; por el contrario, el que un
punto se ubique fuera de los límites de control equivale al rechazo de la hipótesis del control estadístico.

Observar que la selección de los límites de control equivale pues a determinar la región crítica para
probar la hipótesis nula Ho de que el proceso está bajo control estadístico: alejando dichos límites de la línea
central se reduce α (o probabilidad de cometer un error de tipo I, i.e.: que un punto caiga fuera de los límites
de control sin que haya una causa especial), si bien también se eleva con ello β (o riesgo de cometer un error
tipo II, i.e.: que un punto caiga entre dichos límites cuando el proceso se encuentra en realidad fuera de
control).

En general, para un α determinado, cuanto más grande sea el tamaño muestral n, tanto más “sensible”
será el gráfico a la hora de detectar pequeños cambios en el proceso (i.e., para α fijo, a mayor n mayor será la
potencia del contraste 1-β).

Podemos distinguir dos grandes clases de gráficos de control: los gráficos de control por variables hacen
uso de estadísticos obtenidos a partir de datos tales como la longitud o grosor de un elemento, mientras que
los gráficos de control por atributos se basan en frecuencias tales como el número de unidades defectuosas.
Así, en los gráficos de control por variables es posible medir la característica de calidad a estudiar. En estos
casos conviene describir la característica de calidad mediante una medida de tendencia central (usualmente la
media muestral) y una medida de su variabilidad (usualmente el rango o la desviación estándar).

Los gráficos de control por variables son más “sensibles” que los gráficos de control por atributos, razón
por la cual son capaces de “avisarnos” de posibles problemas de calidad incluso antes de que éstos sean ya
relevantes. Por su parte, los gráficos de control por atributos tienen la ventaja de sintetizar de forma rápida
toda la información referida a diferentes aspectos de calidad de un producto, ya que permiten clasificar éste
como aceptable o inaceptable; además, no suelen necesitar de sistemas de medición muy complejos y son más
fácilmente entendibles por los no especialistas.

A continuación se agrupan los gráficos de control por variables según el tipo de datos de que
dispongamos:

TIPO DE DATOS ESTADÍSTICOS A REPRESENTAR NOMBRE DEL GRÁFICO

• Medias de subgrupos, X-barra X-barra

• Rangos de subgrupos, R R
Datos en subgrupos • Desviaciones estándar de subgrupos, S S
• X-barra y R X-barra y R
• X-barra y S X-barra y S

• Observaciones individuales Individual

Observaciones individuales • Rangos móviles Rangos móviles
• Obs. Individuales y rangos móviles I – MR

• Medias móviles con peso exponencial EWMA

• Medias móviles Medias móviles
• Sumas acumuladas CUSUM
Combinaciones de subgrupos
• Obs. Individuales o medias de
subgrupos según su distancia a la línea Zona
central

• Obs. Individuales estandarizadas y

Series cortas Z - MR
rangos móviles

III - 2
 III. Gráficos de Control por Variables (1)

TRANSFORMACIÓN BOX-COX PARA DATOS NO NORMALES_____________

A fin de poder interpretar correctamente los gráficos, resulta imprescindible que las observaciones
provengan de una distribución aproximadamente normal. Si nuestros datos provienen de una distribución
notablemente asimétrica, podemos aplicarles la transformación Box-Cox para inducir normalidad.

Dada una variable aleatoria Y asociada a una distribución asimétrica, pretendemos transformarla en otra
variable Y’, donde Y’ = Y λ ó Y’ = Ln Y. El método de Box-Cox estima aquel valor para λ el cual minimiza
la desviación estándar de Y’ . Si λ ≠ 0, entonces Y’ = Y λ ; en caso contrario, Y’ = Ln Y . Observar que si el
valor obtenido para λ es próximo a la unidad el transformar la variable no nos supondrá una gran ventaja.

Ejemplo Box-Cox: Los datos contenidos en el archivo BoxCox.mtw provienen de una distribución
sensiblemente sesgada a la derecha. Consisten en 50 subgrupos de tamaño 5. Los datos se encuentran en
la columna C1.

Seleccionar Stat > Control Charts > Box-Cox Transformation :

Rellenar los campos como se indica en la siguiente imagen:

III - 3
 Control Estadístico de la Calidad con MINITAB

Box-Cox Plot for Datos

95% Conf idence Interv al

Last Iteration Info
12
Lambda StDev
11
Low -0,056 2,861
10 Est 0,000 2,856
Up 0,056 2,855
9
8
StDev

7
6
5
4
3
2
-1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0
Lambda

La “Tabla de Información” correspondiente a la última iteración contiene el mejor estimador para λ, el

cual resulta ser de 0,000. Otros dos buenos estimadores serían –0,056 y 0,056.

Las dos líneas rojas del gráfico determinan un intervalo de confianza a nivel del 95% para el verdadero
valor de λ. Dicho intervalo contiene a todos los posibles valores de λ cuya desviación estándar es menor
o igual a la indicada por la línea horizontal discontinua, en este caso sería el intervalo de extremos –0,3 y
0,4.

Dado que el mejor estimador para λ es el cero, la transformación que tomaríamos sería Y’ = Ln Y .

MODELO DE SHEWART PARA GRÁFICOS DE CONTROL_________________

Sea T un estadístico muestral que mide alguna característica de calidad, y supongamos que T se
distribuye de forma aproximadamente normal, con media µT y desviación estándar σT . Entonces, la línea
central y los límites superior e inferior del gráfico de control vendrán dados, según el modelo de Shewart, por:

LSC = µ T + 3σ T
Línea central = µ T
LIC = µ T − 3σ T

Un método alternativo al de Shewart sería el modelo probabilístico: en vez de especificar los límites de
control como un múltiplo de la desviación estándar, se hubiera podido escoger directamente la probabilidad
de un error de tipo I y calcular el límite (probabilístico) de control correspondiente. Por ejemplo, si se hubiera
tomado α = 0,001, entonces el múltiplo adecuado de la desviación estándar habría sido 3,09. Observar que si
la distribución de T es aproximadamente normal, habrá poca diferencia entre los límites de tres sigma y los
probabilísticos de 0,001.

III - 4
 III. Gráficos de Control por Variables (1)

TESTS PARA CAUSAS ESPECIALES__________________________________

Como dijimos en la introducción, cuando alguno de los estadísticos muestrales cae fuera de los límites
de control, hay razones para pensar que el proceso está fuera de control. Además, también es importante
estudiar la posible existencia de patrones no aleatorios en la representación de dichos estadísticos muestrales,
ya que tales patrones suelen ser un síntoma de que la los parámetros del proceso están cambiando. A tal efecto
se utilizan los tests para causas especiales o asignables, término que se contrapone al de causas comunes o
aleatorias (inherentes a todo proceso).

Al igual que los límites de control, los tests para causas especiales tienen un fundamento estadístico. Así,
por ejemplo, la probabilidad de que un estadístico muestral caiga por encima de la línea central será de 0,5
bajo los siguientes supuestos: (1) que el proceso esté bajo control, (2) que estadísticos muestrales
consecutivos sean independientes, y (3) que la distribución de los estadísticos muestrales sea
aproximadamente normal. Por tanto, en tales condiciones, la probabilidad de que dos estadísticos
consecutivos caigan por encima de la línea central será de 0,5*0,5 = 0,25 , y la probabilidad de que 9
estadísticos consecutivos caigan en el mismo lado de la línea central será de 0,5^9 = 0,00195. Este último
valor se aproxima mucho a la probabilidad de un estadístico muestral caiga más allá de los límites de control
de 3 sigma (suponiendo una distribución normal y un proceso bajo control), por lo que la existencia de estos 9
estadísticos podría interpretarse como otro indicativo de que el proceso está fuera de control.

La franja comprendida entre dos y tres sigmas respecto a la línea central se denomina zona A, la
comprendida entre 1 y 2 sigmas se llama zona B, y la franja situada a menos de 1 sigma se denomina zona C.

El programa Minitab permite realizar varios tests para determinar la posible existencia de causas
especiales que influyan sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):

Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno
de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas
especiales, las cuales deberán investigarse.

Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamaño.

III - 5
 Control Estadístico de la Calidad con MINITAB

Test 1: un punto situado más allá de los límites de control

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra
Test 2: nueve puntos consecutivos en el mismo lado

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15
muestra
Test 3: seis puntos consecutivos ascendentes o
descendentes

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra

Test 4: catorce puntos consecutivos alternando

arriba y abajo

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15
muestra

III - 6
 III. Gráficos de Control por Variables (1)

Test 5: dos de tres puntos consecutivos situados más

allá de 2 sigmas (mismo lado)

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra
Test 6: cuatro de cinco puntos consecutivos situados a
más de un sigma (mismo lado)

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 1 2 3 4 5 6 7 8 9 10
número de muestra

Test 7: quince puntos consecutivos situados a menos

de un sigma (ambos lados)

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15
muestra
Test 8: ocho puntos consecutivos situados a más de
un sigma (ambos lados)

3
Zona A
2
Zona B
1
Zona C
sigma

0
Zona C
1
Zona B
2
Zona A
3

0 5 10 15
muestra

III - 7
 Control Estadístico de la Calidad con MINITAB

GRÁFICOS X-BARRA Y R____________________________________________

En la introducción comentamos que los gráficos por variables se utilizan para “controlar” una
característica mesurable del producto, como puede ser la longitud, el peso, la altura, etc. Un gráfico X-barra
contiene las medias muestrales de la característica que se pretende estudiar, por lo que mediante él podremos
detectar posibles variaciones en el valor medio de dicha característica durante el proceso (desviaciones con
respecto al objetivo). Un gráfico R es un gráfico de control para rangos muestrales. Se utiliza para medir la
variación del proceso y detectar la posible existencia de causas especiales. Es habitual usar los gráficos R para
estudiar la variación en muestras de tamaño no superior a 10, recurriendo a los gráficos S para muestras
mayores.

Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Tomaremos k muestras,
cada una de ellas de tamaño n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la
muestra i-ésima, donde i = 1,2,...,k. Veamos cómo construir un gráfico X-barra:

σ
• Por el Teorema de Distribución Muestra, sabemos que: µx = µ y σx =
n
 σ 
• Por el Teorema Central del Límite, X  → N  µ ,
n →∞

 n

• Según el modelo de Shewart tendremos que:

σ
LSC = µ + 3
n
Línea central = µ
σ
LIC = µ − 3
n

• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k 1 n
µ̂ = X = ∑ X i donde Xi = ∑ X ij
k i =1 n j =1

Observar que µ̂ es estimador insesgado de µ ya que E X =[] 1 k

k i =11
[ ]
∑ E Xi = µx = µ .

• Si σ es desconocida, la podemos estimar a partir de los rangos Ri (observar que tal estimación se
realizará a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está
bajo control):

- ∀ i = 1,2,...,k , sea Ri = Max{X ij / 1 ≤ j ≤ n} − Min{X ij / 1 ≤ j ≤ n} . Se cumple que

µ Ri = d 2 (n) ⋅ σ , donde d2(n) es un valor tabulado que depende de n .

- Notar que Ri / d2(n) es un estimador insesgado de σ, ya que:

 R  E [Ri ] d 2 (n) ⋅ σ
E i  = = =σ
 d 2 ( n)  d 2 ( n) d 2 ( n)

III - 8
 III. Gráficos de Control por Variables (1)

Así, es buena idea tomar como estimador de σ el promedio de los Ri / d2(n) :

1 k Ri R
σˆ = ∑ =
k i =1 d 2 (n) d 2 (n)
( σ̂ es estimador insesgado de σ)

• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),

1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

En esta situación de tamaños muestrales diferentes, los estimadores para µ y σ serán:

∑n X 1 Ri
∑
i i
µ̂ = y σˆ =
∑n i k d 2 (ni )

Ejemplo gráfico X-barra: Supongamos que trabajamos en una planta de montaje de coches. A la hora
de montar los motores, partes de la cadena de montaje se mueven verticalmente arriba y abajo a cierta
distancia del nivel horizontal de referencia. A fin de asegurar la calidad de la producción, realizamos
cinco mediciones cada día laborable desde el 28 de septiembre hasta el 15 de octubre, y diez mediciones
diarias desde el 18 hasta el 25 de octubre. Los datos están contenidos en el archivo Motores.mtw .

Seleccionar Stat > Control Charts > Xbar

Rellenar los campos como se indica a continuación:

III - 9
 Control Estadístico de la Calidad con MINITAB

X-bar Chart for Distanci

5 3,0SL=4,700
6
4
3 2,0SL=3,281

2 1,0SL=1,861
Sample Mean

1
X=0,4417
0
-1 -1,0SL=-0,9778
-2
-2,0SL=-2,397
-3
-4 -3,0SL=-3,817

-5
0 5 10 15 20 25
Sam ple Num ber

Test Results for Xbar Chart

TEST 6. 4 out of 5 points more than 1 sigma from center line
(on one side of CL).
Test Failed at points: 5

Observamos que el subgrupo 5 no ha superado el Test 6 ya que es el cuarto punto situado en la zona B
(entre 1 y 2 desviaciones estándar de la línea central), lo cual sugiere la existencia de causas especiales
en el proceso.

III - 10
 III. Gráficos de Control por Variables (1)

Veamos ahora cómo construir un gráfico R. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban
la muestra i-ésima, donde i = 1,2,...,k.

• ∀ i = 1,2,...,k , sea Ri = Max{X ij / 1 ≤ j ≤ n} − Min{X ij / 1 ≤ j ≤ n}. Se cumple que

µ Ri = d 2 (n) ⋅ σ , y σ Ri = d 3 (n) ⋅ σ , donde d2(n), d3(n) son valores tabulados que dependen de n.

• Se cumple que: Ri  → N (d 2 (n) ⋅ σ , d 3 (n) ⋅ σ )

n →∞

• Por tanto, según el modelo de Shewart, tendremos que:

LSC = d 2 (n) ⋅ σ + 3d 3 (n) ⋅ σ

Línea central = d 2 (n) ⋅ σ
LIC = d 2 (n) ⋅ σ − 3d 3 (n) ⋅ σ

• Si σ es desconocida, la podemos estimar a partir de los rangos Ri como vimos para el gráfico X-barra.

• Asimismo, la observación que vimos en los diagramas X-barra para el caso en que el tamaño muestral
(ni ) sea diferente para cada muestra es igualmente aplicable aquí.

Ejemplo gráfico R: A fin de estudiar la variación en el proceso, realizaremos ahora el gráfico R de los
datos del ejemplo anterior (archivo Motores.mtw):

Seleccionar Stat > Control Charts > R

Completamos los campos:

III - 11
 Control Estadístico de la Calidad con MINITAB

R Chart for Distanci

3,0SL=15,98
15
Sample Range

10

R=7,559

0 -3,0SL=0,00E+00

0 5 10 15 20 25
Sample Number

Test Results for R Chart

TEST 6. 4 out of 5 points more than 1 sigma from center line
(on one side of CL).
Test Failed at points: 5

Vemos en el gráfico anterior que los puntos se encuentran aleatoriamente distribuidos en la zona
comprendida por los límites de control, lo que significa que el proceso es estable. Resulta también
importante comparar los puntos del gráfico R con los del gráfico X-barra para ver si siguen las
mismas tendencias.

En la práctica se suelen considerar los diagramas Xbarra-R, que no son otra cosa sino la presentación
conjunta de un diagrama X-barra y otro R. La razón de usar dicho diagrama conjunto es la siguiente:

Si la distribución de la v.a. X es normal (como hemos supuesto), entonces las v.a. X-barra y R son
independientes (Teorema de Cochran). Por tanto, si existiese una correlación entre los valores de X-barra y R
(es decir, si los puntos en ambas gráficas presentasen gráficos paralelos), ello indicaría que la distribución
subyacente sería sesgada (no normal), con lo que los análisis posteriores podrían estar equivocados.

III - 12
 III. Gráficos de Control por Variables (1)

Ejemplo gráfico Xbarra-R: En nuestra planta de montaje de vehículos, sabemos que una de las piezas
del motor debe tener una longitud de 600 ± 2 mm a fin de satisfacer las especificaciones técnicas.
Durante un mes hemos efectuado un total de 100 mediciones (20 muestras de 5 piezas cada una) de
piezas usadas en la planta, y otras 100 por cada uno de nuestros dos proveedores. Las observaciones están
contenidas en el archivo Motores2.mtw. Queremos analizar las piezas que nos ha suministrado el
segundo de los proveedores:

Seleccionar Stat > Control Charts > Xbar-R

Completamos los campos:

Xbar/R Chart for Proveedor2

603 1 1
3,0SL=602,4
Sample Mean

602
601
600 X=600,2

599
598 6 -3,0SL=598,1

Subgroup 0 10 20

9
8 3,0SL=7,866
Sample Range

7
6
5
4 R=3,720
3
2
1
0 -3,0SL=0,00E+0

III - 13
 Control Estadístico de la Calidad con MINITAB

La línea central del gráfico X-barra está situada al nivel 600,2 , lo que significa que nuestro proceso está
situado dentro de los límites establecidos, pero dos de los puntos caen fuera de los límites de control, por
lo que el proceso es inestable.

Por su parte, la línea central en el gráfico R está situada en el nivel 3,720 , valor que parece excesivo si
tenemos en cuenta que la máxima variación permitida era de ± 2 mm, por lo que es muy probable que
nuestro proceso sufra de una variación excesiva.

GRÁFICOS X-BARRA Y S____________________________________________

Ya sabemos que siempre que se intente controlar una característica de calidad cuantitativa, es una
práctica habitual controlar el valor medio de la característica de calidad y su variabilidad. Esta última se
estudia mediante un gráfico R (como ya vimos), o mediante un gráfico S, el cual es un gráfico de control para
desviaciones estándar muestrales. Por tanto, podemos usar los gráficos S para estudiar la variabilidad del
proceso y detectar la posible existencia de causas especiales. Resulta habitual utilizar los gráficos S para
muestras de tamaño superior a 10, utilizando los gráficos R en caso contrario.

Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Tomaremos k muestras,
cada una de ellas de tamaño n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la
muestra i-ésima, donde i = 1,2,...,k. Ya vimos cómo construir un gráfico X-barra:

σ
• Por el Teorema de Distribución Muestra, sabemos que: µx = µ y σx =
n
 σ 
• Por el Teorema Central del Límite, X  → N  µ ,
n →∞

 n

• Según el modelo de Shewart tendremos que:

σ
LSC = µ + 3
n
Línea central = µ
σ
LIC = µ − 3
n

• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
muestras obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k 1 n
µ̂ = X = ∑ Xi
k i =1
donde Xi = ∑ X ij
n j =1

Observar que µ̂ []
es estimador insesgado de µ ya que E X =
1 k
k i =11
[ ]
∑ E Xi = µx = µ .
• Si σ es desconocida, la podemos estimar a partir de las desviaciones estándar Si (observar que tal
estimación se realizará a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el
proceso está bajo control):

III - 14
 III. Gráficos de Control por Variables (1)

- ∀ i = 1,2,...,k , sea S i =
1 n
∑ (X ij − X i )2 . Se cumple que µ Si = c 4 (n) ⋅ σ , donde
n − 1 j =1
c4(n) es un valor tabulado que depende de n .

- Notar que Si / c4(n) es un estimador insesgado de σ, ya que:

 S  E [S i ] c 4 (n) ⋅ σ
E i  = = =σ
 c 4 ( n)  c 4 ( n ) c 4 ( n)

Así, es buena idea tomar como estimador de σ el promedio de los Si / c4(n) :

1 k Si S
σˆ = ∑ =
k i =1 c 4 (n) c 4 (n)
( σ̂ es estimador insesgado de σ)

• En caso de que el tamaño muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los límites
según el modelo de Shewart, podemos optar por:

1. Obtener los límites usando el ni asociado a cada muestra, con lo que las líneas de control no
serán rectas (darán “saltos” arriba y abajo según ni disminuya o aumente),

1 k
2. Si los ni no difieren mucho unos de otros, podríamos tomar n = ∑ ni .
k i =1

En esta situación de tamaños muestrales diferentes, los estimadores para µ y σ serán:

∑n X 1 Si
∑
i i
µ̂ = y σˆ =
∑n i k c 4 (ni )

Veamos ahora cómo construir un gráfico S. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban
la muestra i-ésima, donde i = 1,2,...,k.

• ∀ i = 1,2,...,k , se cumple que µ Si = c 4 (n) ⋅ σ , y σ Si = σ 1 − (c 4 (n) )2 , donde c4(n) es un

valor tabulado que depende de n.

→ N  c 4 (n) ⋅ σ , σ 1 − (c 4 (n) ) 
2
• Se cumple que: S i 
n→∞
 

• Por tanto, según el modelo de Shewart, tendremos que:

LSC = c 4 (n) ⋅ σ + 3σ 1 − (c 4 (n) )

2

Línea central = c 4 (n) ⋅ σ

LIC = c 4 (n) ⋅ σ − 3σ 1 − (c 4 (n) )
2

• Si σ es desconocida, la podemos estimar a partir de las desviaciones estándar Si como vimos para el
gráfico X-barra.

• Asimismo, la observación que vimos en los diagramas X-barra para el caso en que el tamaño muestral
(ni ) sea diferente para cada muestra es igualmente aplicable aquí.

III - 15
 Control Estadístico de la Calidad con MINITAB

GRÁFICOS INDIVIDUAL Y MR-BARRA_________________________________

Los gráficos de control por variables pueden también construirse para observaciones individuales
procedentes de la línea de producción. Esto puede resultar necesario cuando el considerar muestras de tamaño
mayor que 1 resulte demasiado caro, inconveniente, o imposible. En este procedimiento de control se emplea
el rango móvil de dos observaciones sucesivas para estimar la variabilidad del proceso.

Sea X la característica de calidad que nos interesa medir, donde X ≈ N(µ,σ). Denotaremos por X1 , X2 ,
..., XK a las k observaciones. Veamos cómo construir un gráfico Individual:

• Observar que ∀ i = 1,2,...,k , Xi ≈ N(µ,σ) .

• Según el modelo de Shewart tendremos que:

LSC = µ + 3σ
Línea central = µ
LIC = µ − 3σ

• Si µ es desconocida, la podemos estimar (observar que tal estimación se realizará a partir de las k
observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso está bajo control):

1 k
µ̂ = X = ∑ Xi
k i =1

Observar que µ̂ es estimador insesgado de µ ya que E X = [ ] 1 k

∑ E[X i ] = µ .
k i =11

• Si σ es desconocida, la podemos estimar a partir del rango móvil MRi (observar que tal estimación se
realizará a partir de las k observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso
está bajo control):

- ∀ i = 2,...,k , sea MRi = Max{X i , X i −1 } − Min{X i − X i −1 } . Se cumple que

µ MRi = d 2 (1) ⋅ σ , donde d2(1) es un valor tabulado.

- Notar que MRi / d2(1) es un estimador insesgado de σ, ya que:

 MRi  E [MRi ] d 2 (1) ⋅ σ

E = = =σ
d (
 2 1) d 2 (1) d 2 (1)

Así, es buena idea tomar como estimador de σ el promedio de los MRi / d2(1) :

1 k MRi MR
σˆ = ∑ =
k − 1 i = 2 d 2 (1) d 2 (1)
( σ̂ es estimador insesgado de σ)

III - 16
 III. Gráficos de Control por Variables (1)

Como hemos comentado, junto a los gráficos de control individuales podemos considerar también los
gráficos de control para los rangos móviles asociados, gráficos que nos ayudarán a controlar la variabilidad de
las observaciones registradas.

Veamos cómo construir un gráfico MR-barra. Recordemos que X era la característica de calidad que nos
interesa medir, donde X ≈ N(µ,σ), y que denotamos por X1 , X2 , ..., Xn a las k observaciones.

• ∀ i = 2,...,k , sea MRi = Max{X i , X i −1 } − Min{X i − X i −1 } . Se cumple que µ MRi = d 2 (1) ⋅ σ ,

y σ MRi = d 3 (1) ⋅ σ donde d2(1) , d3(1) son valores tabulados.

• Se cumple que: MRi → N (d 2 (1) ⋅ σ , d 3 (1) ⋅ σ )

n→∞

• Por tanto, según el modelo de Shewart, tendremos que:

LSC = d 2 (1) ⋅ σ + 3d 3 (1) ⋅ σ

Línea central = d 2 (1) ⋅ σ
LIC = d 2 (1) ⋅ σ − 3d 3 (1) ⋅ σ

• Si σ es desconocida, la podemos estimar a partir de los rangos móviles MRi según ya vimos.

Ejemplo gráfico I: Hemos registrado en la columna C1 del archivo Mat_Prima.mtw el peso de cada
lote de una determinada materia prima.

Seleccionar Stat > Control Charts > Individuals

Completamos los campos:

III - 17
 Control Estadístico de la Calidad con MINITAB

I Chart for Peso

1050 1 11
1
6 3,0SL=1011
6
Individual Value

22
950 22
X=936,9
2 22 2
2222 2
6 2 2
66 2
5 -3,0SL=862,8
850 1 1

0 10 20 30 40 50
Observation Number

TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 14 23 30 31 44 45

TEST 2. 9 points in a row on same side of center line.

Test Failed at points: 9 10 11 12 13 14 15 16 17 18 19 20 21 33 34 35 36

TEST 5. 2 out of 3 points more than 2 sigmas from center line

(on one side of CL).
Test Failed at points: 24 30 31 45

TEST 6. 4 out of 5 points more than 1 sigma from center line

(on one side of CL).
Test Failed at points: 5 6 7 29 30 31 32 45

El gráfico nos muestra 6 puntos situados fuera de los límites de control, así como 17 puntos localizados
dentro de los mismos pero que no han cumplido el segundo de los tests, lo que sugiere la existencia de
causas especiales de variación.

III - 18
 III. Gráficos de Control por Variables (1)

EJEMPLOS DE APLICACIÓN_________________________________________

Ejemplo 1: En un proceso de manufactura se miden las presiones de rotura del alambre metálico en
muestras de tamaño variable tomadas en 25 días consecutivos. Los datos están contenidos en el archivo
presiones.mtw. Para analizar si el proceso está bajo control usaremos gráficos X-barra y R.

El programa nos proporciona el siguiente gráfico X-barra:

X-bar Chart for presion

64,5
63,5
3,0SL=62,89
62,5
61,5
Sample Mean

60,5
X=59,98
59,5
58,5
57,5
-3,0SL=57,06
56,5
55,5
0 5 10 15 20 25
Sample Number

El gráfico anterior indica la existencia de control estadístico (no hay puntos fuera de los límites de
control, ni tendencias, ni ciclos, ni patrones en los datos, etc.).

A continuación realizaremos un gráfico X-barra/R:

Xbar/R Chart for presion

64
63 3,0SL=62,81
Sample Mean

62
61
60 X=59,98
59
58
57 -3,0SL=57,14
56
Subgroup 0 5 10 15 20 25

10 3,0SL=10,39
Sample Range

5 R=4,913

0 -3,0SL=0,00E+0

III - 19
 Control Estadístico de la Calidad con MINITAB

En los gráficos anteriores se observa la presencia de control estadístico en el proceso. Tanto la media
como la desviación típica varían dentro de los límites de control y no se observan problemas de tendencias, ni
de patrones en los datos, ni de ciclos, ni de estratificación, ni de cambios bruscos en el proceso, etc.

Dada la situación clara de proceso bajo control, forzaremos a que el programa considere tamaños de
subgrupos iguales a su valor medio 5. Así podremos comprobar la existencia de control a través de los tests
para causas especiales:

Xbar/R Chart for presion

63 3,0SL=62,71
62
Sample Mean

61
60 X=59,98
59
58
57 -3,0SL=57,24

Subgroup 0 5 10 15 20 25

10 3,0SL=10,03
Sample Range

5 R=4,745

0 -3,0SL=0,00E+0

Test Results for Xbar Chart

Test Results for R Chart

Observamos que ninguno de los tests ha dado positivo, y que los gráficos muestran un proceso
aparentemente bajo control.

III - 20
 III. Gráficos de Control por Variables (1)

Ejemplo 2: En un proceso de fabricación de motores de aviones se controla el peso de 25 de ellos. Los

resultados se guardan en el archivo aviones.mtw. Pretendemos comprobar si el proceso se encuentra bajo
control.

Dado que estamos ante un proceso en el que disponemos de una única muestra de observaciones
individuales, usaremos el gráfico I-MR.

Gráfico de Medias y Rangos Móviles

1300 1
1290 3,0SL=1289
Individual Value

1280
1270
1260
X=1256
1250
1240
1230
1220 -3,0SL=1223

Subgroup 0 5 10 15 20 25

50 1
40 3,0SL=40,16
Moving Range

30
20

10 R=12,29

0 -3,0SL=0,00E+0

Test Results for I Chart

TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 13

Test Results for MR Chart

TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 14

En el output anterior se observa la existencia de un punto fuera de control, e correspondiente a la

observación número 13. Vamos a eliminar dicho punto del análisis usando la opción Estimate:

III - 21
 Control Estadístico de la Calidad con MINITAB

El nuevo output que obtenemos es:

Gráfico de Medias y Rangos Móviles

1300 1
1290
Individual Value

1280 3,0SL=1282
1270
1260
1250 X=1254
1240
1230
-3,0SL=1227
1220
Subgroup 0 5 10 15 20 25

50 1
40
Moving Range

3,0SL=33,71
30

20
10 R=10,32
0 -3,0SL=0,00E+0

Vemos que seguimos teniendo un problema de falta de control, por lo que deberemos analizar a fondo
las causas atribuibles y realizar un estudio exhaustivo de materiales, mano de obra y circunstancias que
pudieran incidir en el proceso de fabricación.

III - 22