CONTROL Y GESTIÓN

DE CALIDAD

FRANCIS BALBONTÍN ESCORZA

Control y Gestión de calidad

Métodos estadísticos de control de calidad:

Los dos enfoques principales para controlar la calida son:

1.-El muestreo de aceptación de productos que entran o salen:

Estiman el nivel de artículos defectuosos antes o después que el

proceso haya sido terminado
Por atributos y variables

2.-El control de proceso de las actividades reales de transformación:

Es útil durante un proceso para asegurar que la producción no

esta fuera de los limites aceptables; el principal medio de
control son las cartas de control.
Por atributo y variables
Características de atributo o variables

Atributo
Se puede presentar o no, tales como defectuosos o no defectuosos, no
se mide el grado de conformación. Para inferir acerca de las
características de la población que se estudia se utiliza una distribución
discreta como la Binomial y Poisson (conteo)

Variables
Se presentan en diferentes grados y son medibles, utiliza las
distribuciones continuas, como la Normal (medible).
1.-Planes de muestreo de aceptación

La inspección de control de calidad son sobre la recepción de :

Materia prima
Producto terminado

 Si el costo de inspeccionar < pérdida probable de no inspeccionar

 Cuando una inspección de 100% no es económica (destruye el

producto), la decisión de aceptar ó rechazar un lote es tomada
con base en la evidencia muestral

 Pero todas las muestras no son representativas de población.

 Por esto el muestreo de aceptación, corre algún riesgo de

rechazar lotes buenos o aceptar lotes malos.
 Muestreo
Población

La cantidad de riesgo puede ser especificada y controlada estadísticamente en

términos de un plan de muestro

Plan de muestreo:

Es una regla de decisión que especifica que tan grande debe tomarse una
muestra n y la medición permisible, número o porcentaje c de defectos en la
muestra.
Plan de muestreo por atributo:

Cualitativo (contable) del artículo

Probabilidad de defectuosos, se estiman por distrib. discretas
(Binomial, Poisson)

Plan de muestreo por variable:

Cuantificable (medible)
Distribución Normal

n: Tamaño de muestra
c: Límite aceptable especificado
x: Porcentaje real o número de defectos
Resultan dos riesgos:

1.-El riesgo del productor

Es el de tomar una muestra que tenga una mayor proporción de

defectos que el lote total y rechazar un buen lote. Este se conoce
como riesgo alfa (); el productor espera mantener bajo este
riesgo entre 1 y 5%, si es rechazado un buen lote nos referimos
a un error tipo I

2.-El riesgo del cliente:

Es el de tomar una muestra que tenga una menor proporción de

defectuosos que el lote total y aceptar un lote malo. Esto se
conoce como el riesgo Beta (); el cliente desea mantener
bajo este riesgo. Si un lote malo es aceptado nos referimos a un
error tipo II
 P (aceptación)
1
 = riesgo productor
0.8

0.6

0.4

0.2   : Riesgo del cliente

0
% defectuosos

Para realizar un plan de muestreo el productor y el cliente deben especificar:

El nivel de riesgo  y 
El nivel de calidad del lote al cual pertenecen esos riesgos

Por esto debemos definir un buen y un mal lote en términos de porcentaje de

productos defectuosos en la población.
 Nivel aceptable de calida (NAC) es el nivel de calidad de un buen lote
Esto es el porcentaje de defectuosos que pueden ser considerados satisfactorios
como un promedio del proceso y representa el nivel de calidad que el productor
desea aceptar con una gran probabilidad de aceptación.

El porcentaje de tolerancia de defectuosos del lote ( PTDL)

Este representa un nivel de calidad que el cliente desea aceptar con una baja
probabilidad

Los lotes que tienen un nivel de calidad entre NAC y PTDL están en una zona de
indeferencia

El riesgo  en el nivel NAC y el riesgo  en el nivel PTDL establecen dos puntos

que determinan cual debe ser el tamaño de la muestra n y el número de aceptación
c para encontrar la combinación que proporciona una curva característica de
operación (CO) que pase lo más cerca posible de los dos puntos.

Al incrementar el tamaño n de la muestra la curva característica de operación se

hace más discriminante hasta llegar a un punto en que la muestra es el 100%
elimina todo el riesgo.
 P (aceptación)
1

0.8 N = 400
C8

0.6

0.4
N = 100
C1 N = 100
0.2 C4

0
% defectuosos
0.02 0.04 0.06 0.08 0.10

La figura muestra como incrementando el número de aceptación de c1 a c4

cambia el riesgo de productor a cliente; el plan de muestreo con líneas
punteadas muestra el efecto de aumentar el tamaño de la muestra esto es más
discriminante entre lotes buenos y malos.
Plan de muestreo por Atributos

Una vez son fijados los riesgos  y  (en los puntos NAC y PTDL
respectivamente), puede ser determinado un plan de muestreo (valores n,c)
si los datos son expresados en términos de proporciones (% defectuosos),
entonces la distribución binomial ó Poisson o una aproximación a la normal
es utilizada para calcular la probabilidad de aceptación

Planes de muestro por variables

Requieren mediciones de las características que se controlarán, debido a que

las mediciones proporcionan más información que los conteos (dan una
medida de dispersión), los valores n y c de planes de muestreo pueden ser
calculados más directamente.

Las medias de muestras grandes están normalmente distribuidas en una


distribución muestra que tiene media  y un error estándar  x 
n
2.-El control de procesos

Es impractico inspeccionar la calidad de un producto, ya que éste debe

fabricarse correctamente desde la primera vez; por lo tanto el proceso de
manufactura debe ser estable o repetible, además de tener la capacidad
de operar con poca variabilidad alrededor de un valor nominal.

El control estadístico de procesos es una herramienta muy poderosa para

lograr la estabilidad del proceso y mejorar la capacidad de éste mediante
la reducción de la variabilidad.

Se considera el control estadístico de procesos (CEP) como un conjunto de

herramientas para la resolución de problemas que puede aplicarse a
cualquier proceso; las herramientas más importantes del CEP son:
 1.-Histograma
2.-Diagrama de Pareto
3.-Diagrama de Causa-efecto
4.-Diagrama de defecto-concentración
5.-Carta de control
6.-Diagrama de dispersión
7.-Hoja de verificación.

Un elemento importante del CEP es la actitud, un deseo de todas las personas

de la organización de mejorar de manera continua la calidad y la productividad
reduciendo en forma sistemática la variabilidad. La carta de control es la más
poderosa de las herramientas del CEP.
Cartas de Control

1.-cartas de control de variables

Si la característica puede medirse y expresarse como un número en alguna
escala continua de medición, entonces esto se conoce como variable.

X yR

Cuando se trata de una característica de calidad que puede expresarse como

una medición, es costumbre vigilar tanto el valor medio de ésta como su
variabilidad. El control sobre la calidad promedio se ejerce mediante la carta de
control para los promedios, la que se conoce como carta X .

La variabilidad del proceso puede controlarse ya sea con una carta de rangos R
o con una carta de desviación estándar, dependiendo de la forma en que se
estima la desviación estándar de la población.

Supóngase que se conocen la media y la desviación estándar del proceso  y

, y que la característica de calidad tiene una distribución normal.

Tal como se indicó con anterioridad puede utilizarse  como línea central de la
carta de control, y se pueden colocar los límites superiores e inferiores 3 en
 3
LSC    1 m
n X  xi
m i 1
3
LIC    R
1 m
 Ri
n m i 1

LC  

m: Número de muestras
n: tamaño de la muestra

X
LSC  X  A2 r A2 aparece tabulada para varios tamaños
LC  X
LIC  X  A2 r
 R
r : Rango promedio muestral
LSC  D4 r D3 y D4 valores constantes
LC  r
LIC  D3 r

X y R (variables)

Cuando se trata de una característica de calidad que puede expresarse como

una medición, es costumbre vigilar tanto el valor medio de ésta como su
variabilidad. El control sobre la calidad promedio se ejerce mediante la carta
de control para los promedios, la que se conoce como carta X . La
variabilidad del proceso puede controlarse con una carta de rango R.

Cuando los parámetros  y  son desconocidos lo usual es estimarlos con

base en muestras preliminares, tomadas cuando se piensa que el proceso
esta bajo control. Se recomienda el uso de 20 a 25 muestras preliminares por
lo menos, cada una de tamaño n (normalmente 4,5 ó 6)
 La estimación de la media de la población esta dada por la gran media

1 m
x  xi
m i 1

Donde:
m: numero de muestras
xi : media muestral de la i-ésima muestra

La estimación de la variabilidad puede hacerse a partir de la desviación estándar o

del rango de las observaciones dentro de cada muestra.

1 m
R  Ri
n i 1
 La línea central y los límites de control superior e inferior de una carta de control
X son:
3
LSC  x  R
d2 n
d 2 : media de la distribución del rango
LC  x relativo R
3
LIC  x  R 
d2 n

Defínase la constante:

3 LSC  x  A2 R
A2 
d2 n LC  x
LIC  x  A2 R
La línea central y los límites de control superior e inferior de una carta R son:

LSC  D4 r
LC  r r : rango promedio muestral
Las constantes D3 y D4 aparecen tabuladas para varios tamaños de
LIC  D3 r
la muestra

Ejercicio
Un componente de una turbina de avión se fabrica con un proceso de fundición.
La apertura del alabé es un parámetro funcional importante de la fuerza, evaluar
la estabilidad estadística del proceso con los valores entregados en la tabla que
contiene 20 muestras cada una con 5 piezas.

1 m 1 m
x  xi
m i 1
R  Ri
n i 1
N° de
X1 X2 X3 X4 X5 r
muestra X
1 33 29 31 32 33 31,6 4
2 33 31 35 37 31 33,4 6
3 35 37 33 34 36 35 4
4 30 31 33 34 33 32,2 4
5 33 34 35 33 34 33,8 2
6 38 37 39 40 38 38,4 3
7 30 31 32 34 31 31,6 4
8 29 39 38 39 39 36,8 10
9 28 33 35 36 43 35 15
10 38 33 32 35 32 34 6
11 28 30 28 32 31 29,8 4
12 31 35 35 35 34 34 4
13 27 32 34 35 37 33 10
14 33 33 35 37 36 34,8 4
15 35 37 32 35 39 35,6 7
16 33 33 27 31 30 30,8 6
17 35 34 34 30 32 33 5
18 32 33 30 30 33 31,6 3
19 25 27 34 27 28 28,2 9
20 35 35 36 33 30 33,8 6
 X = 33.3 r =5.8

X
A2 = 0.577 para n = 5 (valor
LSC  x  A2 R obtenido de la tabla)
r =5.8
LC  x
LIC  x  A2 R

LSC  33.3  (0.577) *(5.8)  36.65

LC  33.3
LIC  33.3  (0.577) *(5.8)  29.95

R n=5
LSC  D4 r D4  2.115
D3  0
LC  r
LIC  D3 r
(Valor obtenido de la tabla)
LSC  2.115*5.8  12.27
LC  5.8
LIC  0*5.8  0

Carta X

39
38,4
38
37 36,8
Promedio X

36 35,6
35 35,0 35,0 34,8
34 33,8 34,0 33,8
33,4 34,0
33 33,0 33,0
32 32,2
31,4 31,6 31,6
31 30,8
30 29,8
29
28,2
28
27
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

N° de muestars

LSC LC LIC Promedios

 Carta R

16
15
14
12
10 10 10
9
8
r

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

N° de muestars

r LSC LC LIC
Como existen valores fuera de los límites de control, el proceso de dice
descontrolado, entones realizamos el mismo procedimiento anterior pero
eliminando los datos que se encuentran fuera de los límites de control, el
resultado es el siguiente:
N° de
X1 X2 X3 X4 X5 X r
muestra
1 33 29 31 32 33 31,4 4
2 33 31 35 37 31 33,4 6
3 35 37 33 34 36 35,0 4
4 30 31 33 34 33 32,2 4
5 33 34 35 33 34 33,8 2
7 30 31 32 34 31 31,6 4
10 38 33 32 35 32 34,0 6
12 31 35 35 35 34 34,0 4
13 27 32 34 35 37 33,0 10
14 33 33 35 37 36 34,8 4
15 35 37 35 35 39 35,6 7
16 33 33 32 31 30 30,8 6
17 35 34 27 30 32 33,0 5
18 32 33 34 30 33 31,6 3
20 35 35 36 33 30 33,8 6
33.21 5
 LSC  x  A2 R
LSC  33.21  0.577*50  36.10
LC  x LC  33.21
LIC  x  A2 R LIC  33.21  0.577*5  30.33

LSC  D4 r LSC  2.115*5  10.57

LC  r LC  5
LIC  0*5  0
LIC  D3 r

Se debe volver a graficar

Carta X

39
38
37
36
Promedio X

35,6
35 35,0 34,8
34 33,8 34,0 34,0 33,8
33,4
33 33,0 33,0
32 32,2
31,6 31,6
31,4
31
30 30,8
29
28
27
1 2 3 4 5 7 10 12 13 14 15 16 17 18 20

N° de muestars

LSC LC LIC Promedios

 Carta R

14
12
10 10
8
7
r 6 6 6 6 6
5
4 4 4 4 4 4 4
3
2 2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

N° de muestars

r LSC LC LIC

Al eliminar los valores que provocaban que el proceso estuviese

descontrolado, el proceso quedo bajo control.
Cartas P (cartas de control para la fabricación de artículos defectuosos
o que no cumplen con las especificaciones)

A menudo es deseable clasificar un producto como defectuoso o no defectuoso

sobre la comparación con un estándar, éste se hace por economía o
simplicidad en la operación de inspección.
Por ejemplo: puede verificarse el diámetro de un objeto al pasarlo a través de
un probador que consiste en agujeros circulares contados en una plantilla, esta
clase de medición sería mucho más simple que medir de manera directa el
diámetro con un dispositivo como un micrómetro.
Estos casos se emplean las cartas de control de atributo, las que normalmente
requieren un tamaño de muestra mayor que sus contra partes donde
intervienen mediciones.
Supóngase D el número de unidades defectuosas en una muestra aleatoria de
tamaño n y que D es una variable binomial con parámetros p desconocido. La
fracción de artículos defectuosos en la muestra es un estimador de p, esto es:
D
pˆ 
n
 Por otra parte, la varianza del estadístico p̂ es:

p(1  p)
 p2ˆ 
n

Por lo tanto puede construirse una carta p para la fracción de artículos

defectuosos, utilizando a p como la línea central y con límites de control en

p 1  p 
LSC  p  3
n
p 1  p 
LIC  p  3
n
Sin embargo la fracción verdadera de artículos defectuosos es casi siempre
desconocida y debe estimarse empleando los datos provenientes de muestras
preliminares.
Supóngase que tiene m muestras preliminares, cada una de tamaño n, y sea Di
el numero del artículo defectuoso de la i-ésima muestra. Entonces:
 Di
pˆ i  “Fracción de artículos defectuosos muestral de la i-ésima muestra”
n
La fracción promedio de artículos defectuosos es:

1 m 1 m
p   pˆ i   Di
m i 1 nm i 1

Ahora p puede emplearse como un estimador de p en los cálculos de la línea

central y los límites de control.
La línea central y el límite superior e inferior de control de la carta p son:

LSC  p  3

p 1 p 
n
LC  p

LIC  p  3

p 1 p 
n
 p
Donde es el valor observado de la fracción promedio de artículos defectuosos
Muestras N° de piezas defectuosas
1 44
Ejercicio 2 48
Supóngase que desea construir una carta de 3 32
control de fracción de artículos defectuosos 4 50
para un proceso de producción en línea de 5 29
un sustrato cerámico. Se tienen 20 muestras 6 31
preliminares, cada una de tamaño 100, la 7 46
tabla a continuación contiene el número de 8 52
piezas defectuosas en cada muestra. 9 44
Construir la carta de control. 10 48
11 36
12 52
13 35
14 41
15 42
16 30
17 46
18 38
19 26
20 30
 1 800
p *800   0.4
20*100 2000

0.4(1  0.4)
LSC  0.4  3  0.55
100
LC  0.4
0.4(1  0.4)
LIC  0.4  3  0.25
100

Carta P
0,6
Pracción muestral de piezas

0,55
0,52
0,5 0,5 0,52
defectuosas

0,48 0,48
0,46 0,46
0,45 0,44 0,44
0,41 0,42
0,4
0,38
0,36
0,35 0,35
0,32
0,3 0,31 0,3 0,3
0,29
0,26
0,25
0,2
1 2 3 4 5 7 10 12 13 14 15 16 17 18 20
Numero de Muestras

LSC LC LIC Probabilidad

Aunque el proceso exhibe control estadístico su capacidad p  0.4 es muy alta
por que se debe investigar el proceso para determinar porque se está
produciendo un número grande de unidades defectuosas. Estas deben
analizarse para determinar los tipos específicos de defectos presentes, una
vez conocidos se deben proponer cambios en el proceso para determinar el
impacto que tienen estos en los niveles de artículos defectuosos.
Carta C (carta de control de defectos)

A veces es necesario vigilar el número de defectos en una unidad de

producto más que la fracción de defectos. Supóngase que en la producción
de ropa es necesario controlar el número de defectos por metros o el
número de remaches faltantes al ensamblar el ala de un aeroplano. En
estas situaciones puede emplearse la carta de control de defectos o carta
C. Muchas situaciones de defectos por unidad pueden modelarse con la
distribución de Poisson.

Sea C el número de defectos en una muestra de unidades donde C es una

variable aleatoria de Poisson con parámetro. La media y la varianza de
esta distribución son iguales con , y si se conoce el valor de ésta, entonces
la carta para C tiene a  como línea central, con límites superior e inferior de
control dados por:
LSC    3 
LC  
LIC    3 
Lo común es que no se conozca  y que ésta deba estimarse a partir de datos
preliminares. Supóngase que tiene disponible m muestras preliminares, y sea Ci el
numero de defectos de la i-ésima muestra. El tamaño muestral puede ser n = 1.

Entonces un estimador razonable de  es: 1 m

C   Ci
m i 1

Este valor puede ser sustituido por  en las ecuaciones anteriores para definir los
parámetros de la carta C. La línea central y los límites superior e inferior de control
de la carta C son:

LSC  C  3 C
LC  C
LIC  C  3 C

Donde es el valor observado del número promedio de defectos de una muestra.

Ejercicio

Las tarjetas de circuito impreso se montan con una combinación de montajes

manual y automatizado. Para hacer las conexiones mecánicas y eléctricas de
los componentes sobre la tarjeta se emplea una maquina de soldar por flujo.
Las tarjetas pasan por el proceso de soldado por flujo casi de manera
continua y cada hora se toman cinco de ellas y se analizan con la finalidad de
controlar el proceso, anotando el número de defectos en cada muestra. La
tabla contiene los resultados para 20 muestras, realizar la carta de control C.
 N°
Muestras
defectos
1 6
2 4
3 8
4 10
5 9
6 12
7 16
8 2
9 3
10 10
11 9
12 15
13 8
14 10
15 8
16 2
17 7
18 1
19 7
20 13
 m  20
20

C
i 1
i  160

1
C *160  8
20
LSC  8  3 8  16.48
LC  8
LIC  8  3 8  0.485

“Como es negativo se hace igual a

cero”

Carta C De la carta de control se

18
observan que el proceso está
16 16
bajo control, sin embargo la
Numero de defectos

14 15
12 12 12
13
presencia de 8 defectos por
10 10 10

8 8
9 9
8 8
7 7
cada grupo de tarjetas es
6
4
6

4
demasiado (8/5 = 1.6
3
2
0
2 2
1 defectos/tarjeta) con lo que el
1 2 3 4 5 7 10 12 13 14 15 16 17 18 20 proceso requiere alguna
Numero de Muestras
mejora.
LSC LC LIC Numero de defectos
Carta U (carta de control de defectos por unidad)

En algunos procesos, puede ser preferible trabajar con el número promedio

de defectos por unidad más que con el número total de defectos. Por lo tanto
si la muestra consiste de N unidades y existen en total C defectos en ella,
entonces
c
U
n
es el número promedio de defectos por unidad. Con esto se puede
construir una carta U para los datos. Si existen m muestras preliminares, y
el número de defectos por unidad en estas son U1,….., Um entonces el
estimador del número promedio de defectos por unidad es:

1 m
U  Ui
m i 1
 Los parámetros de la carta U están definidos de la manera siguiente.
La línea central y el límite superior e inferior de control de la cata U son:

U
LSC  U  3
n
LC  U
U
LIC  U  3
n

Donde u es el número promedio de defectos por unidad, “en algunos casos,

en particular cuando el tamaño de la muestra no es constante, es
preferible usar la carta U en lugar de la carta C”
 Muestra N° de defectos Defectos por unidad
Ejercicio 1 6 1.2
Dado el ejercicio anterior construir una carta 2 4 0.8

U para los datos de defectos en las tarjetas 3 8 1.6

de circuito impreso: puesto que cada muestra 4 10 2.0

contiene n = 5 tarjetas de circuito impreso, los 5 9 1.8

valores de ui para cada muestra se calculan 6 12 2.4

como se indican en la tabla siguiente: 7 16 3.2

8 2 0.4

Ci 9 3 0.6
Ui 
n 10 10 2.0

11 9 1.8

12 15 3.0

13 8 1.6

14 10 2.0

15 8 1.6

16 2 0.4

17 7 1.4

18 1 0.2

19 7 1.4

20 13 2.6
Análisis de patrones en cartas de control

Una carta de control puede indicar una condición de fuera de control cuando
uno o más puntos caen más allá de los límites de control o cuando los puntos
exhiben algún patrón no aleatorio de comportamiento.

LSC

LC

LIC

Aunque los 25 puntos se encuentran dentro de los límites de control, no indican

que el proceso esté bajo control estadístico ya que el patrón formado por ellos
tiene una marcada apariencia no aleatoria. De manera específica 19 de los 25
puntos se encuentran bajo la línea central y sólo 6 de ellos por encima. Si los
puntos fuesen aleatorios se esperaría que tuvieran una distribución más pareja
alrededor de la línea central.
Después del cuarto punto, se tienen cinco con una magnitud creciente, este
acomodo de puntos recibe el nombre de corrida; puesto que las observaciones
son crecientes, esta es una corrida creciente; de manera similar una secuencia
de puntos donde la magnitud disminuye se conoce como corrida decreciente.

Esta carta de control tiene una corrida inusualmente larga (que comienza con
el cuarto punto) y otra corrida decreciente también inusualmente larga (que
comienza con el punto 18).

Una corrida de longitud 8 o más puntos tiene una probabilidad de ocurrencia

muy baja en una muestra aleatoria de puntos, en consecuencia cualquier tipo
de corrida de longitud 8 o mayor a menudo se toma como un indicador de una
condición fuera de control.

Existen otros tipos de patrones que también pueden indicar una condición de
fuera de control, en el ejemplo nótese que los promedios de esta grafica
exhiben un comportamiento cíclico, aunque todos ellos están dentro de los
límites de control; un patrón de este tipo puede indicar un problema con el
proceso, tal como fatiga del operador, entrega de materia prima y
calentamiento de las maquinarias. El rendimiento puede mejorar al eliminar las
fuentes de variabilidad que provocan este comportamiento cíclico.
El problema es de reconocimiento de patrones, esto es reconocer patrones
sistemáticos o no aleatorios en la carta de control e identificar la razón de este
comportamiento; esta habilidad para interpretar un patrón particular en términos
de causas asignables requiere experiencia y conocimiento del proceso. Esto es,
no basta con conocer loas principios estadísticos de las cartas de control sino
que también debe tenerse una buena compresión del proceso.

Existe una conexión entre las cartas de control y la prueba de hipótesis, en

esencia la carta de control es una prueba de hipótesis de que el proceso se
encuentra en estado de control estadístico. Un punto que esta dentro de los
límites de control es equivalente a no poder rechazar la hipótesis del control
estadístico y un punto fuera de los limites de control equivale a rechazar la
hipótesis del control estadístico; al igual que en la prueba de hipótesis, puede
considerarse la posibilidad de error tipo I de la carta de control (concluir que el
proceso está fuera control cuando de hecho no lo está) y la posibilidad de
error tipo II (concluir que el proceso está bajo control cuando no lo está)

En ocasiones es útil emplear la curva característica de operación de una carta

de control para visualizar su probabilidad del error tipo II. Esto constituye un
indicador de la habilidad de la carta de control para detectar corrimientos en el
proceso de diferentes magnitudes.
El uso más importante de una carta de control es mejorar el proceso. En general
se ha encontrado que:

1.-Muchos procesos no operan en estado de control estadístico

2.-El uso rutinario y atento de las cartas de control identificara causas asignables
, si estas causas se pueden eliminar del proceso entonces la variabilidad
disminuye y el proceso mejora
3.-La carta de control sólo detecta causas asignables, para eliminar esta es
necesario una acción de la gerencia, del operador y de Ingeniería. Por lo
tanto es importante tener un plan de acción para dar respuesta a las
indicaciones de la carta de control.

La carta de control también puede emplearse como dispositivo de estimación,

esto es de una carta de control que exhibe control estadístico, es posible
estimar ciertos parámetros del proceso como la media, desviación estándar
y la fracción que no cumple con los requerimientos.
Estas estimaciones pueden utilizarse para determinar la idoneidad del proceso y
elaborar productos aceptables, estos estudios de la capacidad del proceso tienen
un impacto considerable sobre muchos problemas decisión gerenciales que se
presentan sobre el ciclo del producto, incluyendo decisiones sobre comprar o
fabricar mejoras a la planta y al proceso que reducen la variabilidad de éste, y
términos de los contratos con clientes o proveedores en lo que toca a la calidad
del producto.
 x
Ejercicio
Se tiene una planta que realiza un muestreo para montar un cubo a un vástago utilizando
una llave y el ojo de cerradura, el equipo el cuál usted dirige recomendó un modelo de
muestreo. La característica de la calidad es una dimensión para el orificio del vástago de
la cerradura. En la siguiente tabla se tienen los datos obtenidos
N° Mediciones
Fecha Hora Comentario r
muestra X1 X2 X3 X4
1 02/08 8:50 6.35 6.40 6.32 6.37 0.08
6,36
2 11:30 6.46 6.37 6.36 6.41 0.1
6,40
3 1:45 6.34 6.40 6.34 6.36 0.06
6,36
4 3:45 6.69 6.64 6.68 6.59 Operador nuevo o 0.1
temporal
6,65
5 4:20 6.38 6.34 6.44 6.40 0.06
6,39
6 05/08 8:25 6.33 6.35 6.29 6.39 0.1
6,34
7 9:25 6.41 6.40 6.29 6.34 0.12
6,36
8 11:00 6.38 6.44 6.28 6.58 Línea aceite averiada 0.3
6,42
9 2:35 6.35 6.41 6.37 6.38 0.06
6,38
10 3:15 6.56 6.55 6.45 6.48 Material 0.11
6,51
 x = 6.42 r = 0.11

Aplique el modelo a utilizar para este muestreo y grafique

El plan de muestreo es estable. Justifique

x
LSC  6.42  0.729*0.11  6.52
LC  6.42
LIC  6.42  0.729*0.11  6.34
R
LSC  2.285*0.11  0.25
LC  0.11
LIC  0*0.11  0
 Carta X

6,65

6,55

6,45

6,35

6,25
1 2 3 4 5 6 7 8 9 10

Muestras

Promedio LSC LC LIC

 Carta R
0,35

0,3

0,25

0,2

0,15

0,1

0,05

0
1 2 3 4 5 6 7 8 9 10

Muestras

r LSC LC LIC