GRÁFICAS PARA CONTROL DE PROCESO

En general, las variaciones que ocurren en un proceso de

producción caen en dos amplias categorías; variaciones aleatorias y
variaciones con causas asignables. Las variaciones aleatorias pueden tener
un complejo de causas reales menores, ninguna de las cuales es
responsable por parte importante de la variación total. La realidad es que
estas variaciones ocurren de forma aleatoria y es muy poco lo que puede
hacerse respecto a ellas dado el proceso en que ocurren. Por otra parte, las
variaciones con causas asignables son relativamente grandes y pueden
rastrearse hasta su origen. En general, las causas asignables son resultado
de:
1. Diferencia entre los trabajadores.
2. Diferencia entre las máquinas.
3. Diferencias entre materiales.
4. Diferencias debidas a la interacción entre cualesquiera dos o tres de
las causas anteriores.

Puede desarrollarse un conjunto parecido de causas asignables para

cualquier proceso. Por ejemplo, las causas asignables para una variación en
el ausentismo puede ser una epidemia, cambios en las relaciones
interpersonales dentro de la familia o en la situación laboral del empleado,
entre otras.

Cuando un proceso se encuentra en un estado de control estadístico,

las variaciones que ocurren en el número de defectos, la magnitud de una
dimensión, la composición química, el peso y otras parecidas se deben
solamente a una variación aleatoria normal. Con la gráfica de control se
establecen estándares de variación normal esperada debida a causas
aleatorias. De esta forma,. Cuando las variaciones debidas a unas o más de
las causas asignables se traslapan de inmediato “saltan a la vista” e indican
que algún componente básico ha cambiado. Entonces es posible investigar
para encontrar la causa asignable y corregirla. Estos mecanismos de control
estadístico se denominan gráficas de control.

Marco Conceptual para gráficas de control

Si se toma un conjunto de medidas en secuencia, los datos pueden

acomodarse como una distribución y calcular la media y la desviación
estándar. Si se tiene entendido que los datos provienen de una distribución
normal de la población, pueden establecerse estimados precisos respecto a
la probabilidad de ocurrencia asociada con las medidas, dada en unidades
de desviación estándar como sigue:

68.26 por ciento de los valores normalmente caen dentro de  + 

95.45 por ciento de los valores normalmente caen dentro de  + 2
99.73 por ciento de los valores normalmente caen dentro de  + 3

Estos valores porcentuales representan el área bajo la curva normal

entre los límites dados; por tanto, indican la probabilidad de ocurrencia para
los valores que provienen de la distribución normal que generó las
mediciones. Por ejemplo, la probabilidad es de 95.45 en 100 de que una
medida obtenida en forma aleatoria caiga dentro de los límites de 2 y
solamente 4.55 en 100 de que caiga fuera de estos límites. Estos valores,
así como los valores decimales para  provienen de la tabal para la
distribución normal de probabilidad disponible como en la tabla 6 en el
apéndice. La tolerencia natural de un proceso, es decir, la variación
esperada en el proceso, generalmente se considera como  + 3. Los
estimados de la tolerancia natural se basarán en información de la muestra.
Se utilizará la siguiente notación:

 = Media de la población (parámetro)

__
x = Media de una muestra obtenida de la población (estadística)
. = Desviación estándar de la población (parámetro)
s = Desviación estándar de una muestra obtenida de la población
estadística.

Dado que debe usarse información de la muestra para estimar las

medias y las desviaciones estándar de la población, la tolerancia natural de
__
un proceso se estima sustituyendo x + 3s en las estadísticas de la
muestra.

Clases de gráficas control

Generalmente se utilizan dos tipos básicos de gráficas de control., con

algunas variantes:
 Gráficas de control para variables.
 Gráficas de control para atributos

Las gráficas de control para variables son utilizadas cuando el

parámetro bajo control es alguna medida de una variable, tal como la
dimensión de una parte, el tiempo para realización de un trabajo y otras. Las
gráficas de variables pueden basarse en mediciones individuales, valores de
la media de muestras pequeñas, valores de la media de mediciones de
variabilidad.
Las gráficas de control para atributos se emplean cuando el parámetro
bajo control es la proporción o fracción de unidades defectuosas. Existen
diversas variantes de las gráficas para control de atributos. Las gráficas de
control para el número de defectos por unidad se utilizan cuando un solo
defecto no tiene demasiada importancia pero un gran número de defectos
puede dar como resultado un producto defectuoso, como en el caso del
número de rayones en una superficie pintada. A continuación se analizarán
todos los tipos anteriores de gráficas de control, suministrando las bases
para su diseño:

Mediciones individuales (muestra de uno)

Si se han establecido estándares para la media y la desviación estándar

de una variable con distribución normal resultante de condiciones normales,
estos datos pueden usarse para construir una gráfica de control. Tomando la
tolerancia natural de los límites + 3s como un estándar de variación para la
media, las mediciones individuales pueden gratificarse para determinar si los
puntos caen dentro de los límites de control de + 3s o si muestran una
tendencia a desviarse más allá de uno de los límites de control. Se sabe que
si muestras sucesivas son representativas de la población original, la
probabilidad de que una muestra caiga fuera de los límites de control
establecidos es reducida. Por otra parte, si las mediciones de la muestra
llegan a caer fuera de los límites de control, se tendrán razones para creer
que algo ha cambiado en el proceso, siendo necesario investigar y corregir la
causa.
.
Los límites de control para la gráfica de control ebn la figura son:
 Límite superior de control, LSC – x + 3s – 1.000 + 3 x 0.0020 – 1.0060
Límite superior de control, LIC – x – 3s – 1000 – 3 x 0.0020 – 0.9940

¿Qué límites de control?

El proceso a partir del cual se obtuvieron las muestras en la figura 1,

parece estar bajo control aplicando el criterio + 3s. Pero, si se hubieran
adoptado límites de control de + 2s, el penúltimo punto habría quedado fuera
de los límites. Existe una probabilidad del 4.55 por ciento de que esto
hubiera ocurrido por aleatoriedad en los datos. Su existencia hubiera
activado una investigación y si la investigación hubiera indicado que no
existieron cambios en el proceso, el costo de dicha investigación se habría
desperdiciado. Por otra parte, si los límites de control fueran + 3s como se
muestra y el proceso hubiera cambiado realmente, la observación habría
sido ignorada y se habría producido mayor cantidad de desperdicio en el
intervalo anterior al descubrimiento del cambio en el proceso.
En consecuencia, la disyuntiva al establecer límites de control radica
en el balanceo de dos costos –el costo de investigación e inspección contra
el costo de pérdidas cuando no se realiza una investigación. Generalmente,
si el costo de la investigación es muy elevado en comparación con el costo
de la investigación, será necesario establecer límites de control más
sensibles.
Normalmente las gráficas de control se desarrollan para muestras
mayores a un ejemplar, pero las relaciones estadísticas para la figura son
sencillas y de gran valor para entender las bases estadísticas de otras
gráficas de control.

Distribuciones de muestreo

Para la figura la gráfica de control basada en muestras de n = 1, ya se

ha establecido la normalidad de la distribución. Una razón importante para
tomar muestras mayores a n = 1 es que puede obviarse la normalidad de la
distribución de la población. Aun cuando una distribución de población
puede apartarse radicalmente de la normalidad, la distribución de muestreo
de medias de muestras aleatorias será aproximadamente normal si el
tamaño de la muestra es lo suficientemente grande. Este enunciado del
teorema del límite central tiene gran importancia ya que asegura hasta cierto
punto que las probabilidades asociadas con los límites de control que se
establezcan serán aplicables. En realidad, la desviación a partir de la
normalidad puede ser sustancial pero las distribuciones de muestreo de las
medias de muestras tan pequeñas como n – 4 ó 5 seguirán bastante de
cerca la distribución normal.

Si se toman muestras de n = 4 de la distribución de diámetros de ejes,

las medias de las muestras formarán una nueva distribución con una media y
desviación estándar propias. Esta distribución se denomina una distribución
de muestreo de medias de n = 4. Para distinguir las estadísticas de la
distribución de mediciones individuales en la figura, se utiliza la notación x
 s __
para la gran media de la distribución de muestreo y x para la desviación
estándar de la distribución de muestreo. Se espera que x y x sean casi
iguales en el límite conforme aumente el número de muestras.

La desviación estándar para la distribución de muestreo será mucho

menor que para las mediciones individuales debido a que la variación se
reduce por el proceso de obtención de promedios dentro de cada muestra.
La relación resultante entre las dos distribuciones para los datos de los ejes
se muestra en la figura. La relación resultante entre las dos distribuciones
para los datos de los ejes se muestra en la figura. La relación entre s y sx
está dada por:

s
s __ =
x √n
 Para crear una gráfica de control para las medias es necesario

s __
establecer primero valores estándar para x y x y para los límites de
control de las medias de la muestra. Las medias de muestras subsecuentes
se grafican y será necesario tomar medidas si una media de la muestra llega
a caer fuera de los límites de control. Los mecanismos de control que
utilizan medias de la muestra se denominan gráficas de control X y R.

¿Por qué las medias de la muestra caen fuera de los límites de control?

Anteriormente se indicó que las causas básicas correspondían a

diferencias en los trabajadores, la maquinaria, los materiales y las
interacciones entre los primeros tres factores. Pero también pueden existir
causas sistemáticas que pueden atribuirse a estos factores básicos. Por
ejemplo., si las partes se produjeran en un torno, dichas partes tenderían a
aumentar de tamaño conforme la herramienta de corte se fuera desgastando.
Este tipo de cambio en el proceso se reflejará en un desplazamiento de la
media de la distribución de muestreo hacia el límite superior de control
(LSC). Otros cambios podrían resultar en un desplazamiento hacia el límite
inferior de control (LIC).
Otro tipo de variación sistemática, como el desgaste en un cojinete en
la manivela del torno, se presentaría en la forma de una mayor variabiklidad
en la distribución de muestreo y se esperaría que la media de la muestra
saliera de ambos límites de control. La gráfica X, entonces, puede mostrar
cambios en las medias de las muestras y en la variabilidad de las muestras,
así como combinaciones de ambas. Pero cuando los cambios en la
variabilidad son particularmente importantes, puede construirse una gráfica
de control especial sobre una medida de variabilidad, como la gráfica R.
 __

Gráficas X

Al construir gráficas X, existen varias cuestiones que deben

resolverse, tamaño de la muestra, establecimiento de estándares para
promedio del proceso y límites de control y procedimientos prácticos para
reducir los cálculos requeridos.

Tamaño de la muestra

En la industria, los tamaños de las muestras son generalmente

reducidos por buenas razones. Primero, es más barato recolectar,
inspeccionar y procesar muestras pequeñas. Segundo, las muestras de
mayor tamaño deben obtenerse durante período más prolongados y pueden
presentarse cambios durante dichos períodos, impidiendo que las reacciones
sean oportunas; las condiciones fuera de control no se detectarán tan
rápidamente y pueden producirse desperdicios adicionales. Generalmente
los tamaños de muestra más comunes son de cuatro o cinco ejemplares.
Este tamaño anticipa los problemas indicados y es lo suficientemente grande
como para que el teorema del límite central garantice la normalidad en la
distribución del muestreo. Por otra parte, las muestras de mayor tamaño
tienen el efecto de hacer más estrechos los límites de control. Debe notarse

s __
que el tamaño de la muestra está en el denominador de la fórmula para x

s __
. De esta forma, una muestra de mayor tamaño significa una x de menor
tamaño. Pueden detectarse variaciones más finas en los proceso cuando las
muestras son más grandes.
Definición de estándares para promedios del proceso y límites de
control
__
¿Cómo puede determinarse si el promedio del proceso, x ., y los
límites y los límites de control son representativos del proceso cuando éste
se encuentra en un estado de control estadístico? Si el proceso estuviera
cambiando durante el periodo en el cual se estuviera desarrollando
información para definir estándares, los estándares no tendrían significado.
Las condiciones no estándar podrían resultar en un cambio en el promedio,
en la desviación estándar, o en ambos.

Para contar con una protección contra lo anterior, se calcula una s

individual para cada una de las pequeñas muestras de un subgrupo
preliminar y después se promedian. Las medias de las muestras de un

__
x ±3s ¿

subgrupo se trazan sobre una gráfica de control basada en x para

determinar si han ocurrido cambios en el promedio del proceso en el periodo
durante el cual se recopilaron los datos preliminares deberá. Para lograr los
objetivos, el tamaño del subgrupo deberá ser relativamente reducido,
posiblemente de 20 a 25 y el periodo de tiempo durante el cual se recopilan
los datos preliminares deberá ser lo suficientemente largo como para poder
reconocer cualesquiera cambios en el proceso que ocurran entre intervalos
de muestreo.

Procedimientos prácticos para determinar los límites de control de la

__
gráfica X

== __
A manera de ejemplo, si x = 2.000, R = 0.005 y n = 5, entonces el
factor de la tabla es A2 = 0.511 y los límites de control son:
 LSC = 2.0000 + (0.577 x 0.005) = 2.0000 + 0.0029 = 2.0029
LIC = 2.0000 –(0.577 X 0.005) = 2.0000 – 0.0029 = 1.9971

Los cálculos básicos para determinar las líneas centrales y los límites
de control permanecen iguales sin importar la variable que está siendo
medida.

Tabla

Tamaño de la Límites de Límites de control para la gráfica R

muestra n. control para la
__ Inferior, D3 Superior D4
gráfica X , A2
3 1.023 0 2.575
4 0.729 0 2.282
5 0.577 0 2.115
6 0.483 0 2.004
7 0.419 0.076 1.924
8 0.136 0.136 1.864
Fuente: Desarrollada a partir de una tabla de factores mucho más grande de gran utilidad para
la construcción de gráficas de control, tabla B2 del Manual A.S.T.M. para control de calidad de
materiales, p. 115.

Gráficas R – Gráficas de Control para Medidas de Variabilidad

__
Al calcular los límites de control para las gráficas X , las estadísticas

usadas con las medias de la muestra reducida y estos son los datos que se
trazan en la gráfica. De la misma forma podría usarse una medida de
variabilidad, como la desviación estándar o el rango, como estadística
básica. Para cada muestra se calcula una desviación estándar (o rango)
muestra y estas observaciones se agrupan en una distribución que aproxima
la distribución normal. Esta nueva distribución de medidas de variabilidad
tiene una media, una desviación estándar y un rango que pueden ser usados
para construir una gráfica de control. Esta gráfica de control indica cuando la
variabilidad del proceso es mayor o menor que el estándar.

En el control de calidad, la estadística seleccionada es generalmente

el rango más que la variación estándar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medición más alta y la más baja se traza en la
__
gráfica R. La distribución de rangos tiene un promedio, R , y una

desviación sR. Los límites de + 3sR tienen el mismo significado general para
__
la gráfica X .

Procedimientos prácticos para determinar los límites de control de

la gráfica R.
__
De la misma forma que para las gráficas X , las estadísticas usadas

son las medias de la muestra reducida y estos son los datos que se trazan
en la gráfica. De la misma forma podría usarse una medida de variabilidad,
como la desviación estándar o el rango, como estadística básica. Para cada
muestra se calcula una desviación estándar o el rango, como estadística
básica. Para cada muestra se calcula una desviación estándar (o rango)
muestra y estas observaciones se agrupan en una distribución que aproxima
la distribución normal. Esta nueva distribución de medidas de variabilidad
tienen una media, una desviación estándar y un rango que pueden ser
usados para construir una gráfica de control. Esta gráfica de control indcia
cuando la variabilidad del proceso es mayor o menor que el estándar.
 En el control de la calidad, la estadística seleccionada es generalmente
el rango más que la variación estándar debido a la facilidad con la que el
rango puede ser calculado en un ambiente de procesamiento. Para cada
muestra, la diferencia entre la medición más alta y la más baja se traza en la
__
gráfica R. La distribución de rangos tiene un promedio, R , y una

desviación estándar sR. Los límites de + 3sR tienen el mismo significado

__
general que la gráfica X .

Procesamientos prácticos para determinar los límites de control de la

gráfica R

__
De la misma forma que para las gráficas X , el cálculo de los l ímites

de control para la gráfica R ha sido simplificado mediante el uso de la

__
estadística R en lugar de la desviación estándar. Usando los datos de la
tabla para una muestra de tamaño n, se seleccionan los factores D 3 y D4 y se
calculan los límites de control 3sR como sigue:
__
LSCR = D4 R
__
LICR = D3 R
__
A manera de ejemplo, si n = 4 y R = 3.000 y de la tabla D 4 = 2.282 y
D3 = 0, entonces los límites de control para la gráfica R son:

LSCR = 2.282 C 3.000 = 6.846

LICR = 0 X 3.000 = 0
 __
Ejemplos de Gráficas X y Gráficas R.
Considere un proceso de producción para el cual se desea establecer
__
tanto una grafica X como una gráfica R. Con el fin de inicializar las
gráficas, se toman 20 muestras de n = 5 mediciones aleatorias conforme el
proceso continúa. Estas observaciones se muestran en la tabla siguiente, en
las columnas 2 a 6, representando cada línea una muestra de n = 5. El
promedio de cada muestra se da en la columna 7 y el rango de la muestra se
da en la columna 8. La gran media y el rango promedio se muestran en la
__ __
parte inferior de estas dos últimas columnas como x = 0.201 y R =
0.043, respectivamente
Número Observaciones individuales Promedi Rango
de la o de la de la
muestra muestra, muestra
x , R.
(1) (2) (3) (4) (5) (6) (7) (8)
1 0.198 0.175 0.201 0.209 0.204 0.197 0.034
2 0.224 0.209 0.184 0.225 0.209 0.210 0.041
3 0.195 0.172 0.204 0.213 0.208 0.198 0.041
4 0.183 0.191 0.168 0.194 0.202 0.188 0.034
5 0.194 0.142 0.208 0.226 0.188 0.192 0.084
6 0.212 0.238 0.219 0.198 0.230 0.219 0.040
7 0.179 0.186 0.206 0.170 0.212 0.191 0.042
8 0.216 0.212 0.201 0.196 0.224 0.210 0.028
9 0.221 0.172 0.201 0.205 0.204 0.201 0.049
10 0.226 0.184 0.187 0.182 0.229 0.202 0.047

11 0.181 0.210 0.219 0.206 0184 0.200 0.038

12 0.176 0.179 0.206 0.182 0.244 0.197 0.068
13 0.217 0.199 0.225 0.205 0.208 0.211 0.026
14 0.203 0.192 0.203 0.207 0.208 0.203 0.016
15 0.243 0.184 0.187 0.220 0.214 0.210 0.059
16 0.255 0.217 0.200 0.231 0.214 0.223 0.055
17 0.210 0.226 0.187 0.189 0.190 0.200 0.039
18 0.178 0.188 0.157 0.184 0.162 0.174 0.031
19 0.163 0.223 0.171 0.208 0.202 0.193 0.060
 20 0.218 0.192 0.198 0.199 0.199 0.201 0.026
== __
x =0.2 R =0.
01 043

__
Gráficas X

Primero se calcula la línea central y los límites de control preliminares

__
para la gráfica X de la siguiente manera:

= __

LSC = x + A2 R
= 0.201 + (0.577 X 0.043) = 0.226
= __

LIC = x− A 2 R
= 0.201 – (0.577 X 0.043) = 0.176
Los límites de control y la línea central preliminares para la gran medida
se muestran en la figura 3, graficándose las medias de las 20 muestras
calculadas en la columna 7 de la tabla.

La gráfica de control generalmente indica que se tiene un sistema

generador de datos, estables, con la excepción de la muestra 18, que se
ubica por debajo del LIC. Es absolutamente posible que esta media de la
muestra represente una de las ocurrencias aleatorias de que una media

caiga fuera de los límites 3s x . Sin embargo, se sabe que este evento
ocurre con una probabilidad de solamente 0.0027 por lo que se hace
necesaria una investigación. La investigación revela que el operador estuvo
siguiendo un método no estándar que resultó en la observación de bajo
menor al normal –una causa asignable. La muestra 18 se elimina de los
datos y se calculan una gran media y límites de control revisados como

x = .202 y R = 0.044. Los límites de control revisados son entonces:

LSC = X + A2 R = 0.202 + (0.577 X 0.044) = 0.227

LIC = x – A2R = 0.202 – (0.577 x 0.044) = 0.177
Cuándo actuar

El hecho de que la muestra 18 haya salido de los límites plantea la

pregunta: “¿qué configuraciones de puntos en una gráfica de control
sugieren que debe adoptarse una acción?” ¿Se justifica una acción
solamente cuando los puntos salen de los límites?. Los siguientes son
algunos lineamientos convenientes sobre cuándo anticipar los problemas
mediante una acción de investigación:

Gráficas R

Los límites de control preliminares para una gráfica R se calculan

utilizando los factores D3 = 0 y D4 = 2.115 de la tabla 13-1 como sigue:

LSC = D4 R
 = 2.115 x 0.043 = 0.0909
LIC = D3 R
= 0 x 0.043 = 0

En figura 13-4 se muestra la gráfica R con los límites de control

preliminares y los rangos de 20 muestras trazadoras. Debe notarse que el
rango para la muestra 18 no cae fuera de los límites de control en la gráfica

R. A pesar de ello, y dado que fue eliminada de la gráfica X , también

debe eliminarse de la gráfica R; la línea central y los límites de control
revisados reflejan este procedimiento. La gráfica R indica que la variabilidad
del proceso es normal. Las líneas centrales y límites de control revisados en
las figuras 13-3 y 13-4 representan estándares razonables para comparación
con muestras futuras.

GRÁFICAS DE CONTROL PARA ATRIBUTOS

En las gráficas de control para atributos la población se divide en dos

clasificaciones: partes defectuosas contra partes buenas, el número de
facturas con errores contra el número de facturas sin errores en una
operación de oficina, el número presente contra el número ausente para el
control del ausentismo, la proporción de tiempo inactivo contra el tiempo
activo en un estudio de muestreo de trabajo y así sucesivamente. En
cualquier situación para la que se desee construir una gráfica de control es
necesario establecer esta distinción “bueno-malo”.
Gráficas p

Las gráficas de control para la proporción o fracción de partes

defectuosas que se presentan se denominan gráficas p; estas gráficas están
basadas en la distribución binomial. Recuérdese que, para la distribución
binomial:

__
__
x Número de partes defectuosas
p= =
N ´Número total observado

__ __

s p=
√ ( )
p 1− p

en donde
n = tamaño de la muestra

Siguiendo la práctica para gráficas de control de calidad, los límites de

control se establecen en el promedio del proceso para partes defectuosas
__
más y menos tres desviaciones estándar, p + 3sp.
 En la tabla se muestra un conjunto de datos para el número de defectos
encontrados en muestras diarias de 200 para 24 días consecutivos de
producción. Primero se quiere determinar si los datos exhiben control
estadísticos y después establecer una gráfica de control. La fracción de
defectos diarios se calcula dividiendo cada cifra diaria entre el tamaño de la
muestra, n = 200. En la tabla también se calculan cifras preliminares para p,
sp. Y LSC y LIC. Estas cifras preliminares se emplean para determinar si el
proceso que genera los datos está bajo control.

Tabla: Registro del número de partes defectuosas y fracción calculada

de defectos en muestras diarias de n = 20

Día de Número de Fracción Día de Número de Fracción

producció partes de producción partes de
n defectuosas defectos defectuosas defectos
1 10 0.005 14 14 0.07
2 5 0.025 15 4 0.02
3 10 0.05 16 10 0.05
4 12 0.06 17 11 0.055
5 11 0.055 18 11 0.055
6 9 0.045 19 26 0.13
7 22 0.11 20 13 0.65
8 4 0.02 21 10 0.05
9 12 0.06 22 9 0.045
10 24 0.12 23 11 0.055
11 21 0.105 24 12 0.06
12 15 0.075 Total 294
13 8 0.04
 __ 294
=0 . 061 3s
p = 24 X 200 p = 3 X 0.017 = 0.51
__

LSC = p +3 s p =0 .061+0. 051=0. 112

__

LIC = p −3 s p =0 . 061−0 . 051=0 . 010

0. 061 x 0 . 939
Sp= √ 200
=0 .017

En la figura, se presenta la gráfica resultante de los defectos en la

producción diaria en relación con los límites de control preliminares. Dos
puntos caen fuera de los límites y el punto para el día 7 está casi fuera del
límite superior. La investigación no muestra nada extraordinario para el
primer punto, día 7. Para el segundo punto, día 10, una explicación lógica es
que se contrataron tres trabajadores nuevos ese día. El último punto, día 19,
se explica por el hecho de que el dado se había desgastado y finalmente se
rompió ese día.

Para establecer estándares para la variación normal se elimina los

datos para los días en los que se han establecido causas asignables (días 10
y 19) y se vuelven a calcular p, LSC y LIC de la siguiente manera.

__
244
p= =0. 058
200 X 21

0 . 058 X 0 .942
UCL = 0.058 + 3 √ 200
=0.108
 0 . 058 X 0 .942
UCL = 0.058 - 3 √ 200
=0.108

Estos valores revisados reflejan la variación debida a causas

aleatorias y se emplearán como estándares para juzgar la proporción de
muestras defectuosas en el fututo. Si alguna muestra futura cae fuera de
estos límites, la reacción inmediata será que es altamente probable que
exista una causa asignable para la observación de una proporción
extraordinaria de defectos. Entonces se tratará de determinar la causa y
corregirla antes de producir una mayor cantidad de desperdicio.

Gráficas p para muestras de tamaño variable.

En el ejemplo anterior el tamaño de la muestra era constante. Sin

embargo, con frecuencia los tamaños de la muestra son variables, como
suele ser el caso cuando se aplica una inspección del 100 por ciento y los
volúmenes resultantes varían día a día. Si los tamaños de la muestra varían
sólo ligeramente, los límites de control pueden basarse en el tamaño de la
muestra promedio. Sin embargo, cuando los tamaños de la muestra varían
sustancialmente, pueden calcularse nuevos límites de control para cada
muestra, lo cual no resulta una actividad costosa en el mundo actual de la
computación.

Estos cálculos de los límites de control pueden simplificarse. Por

__
ejemplo si p =0 . 009 , entonces

__ __
√( )
3 p 1− p /n=3 √0.099 x0.901/¿ √ n=0.896/ √ n ¿ . Para cada muestra,
entonces, la raíz cuadrada del tamaño de la muestra se divide entre 0.896
__
para obtener el valor de 3sp que debe sumarse y restarse de p para
obtener los límites de control individuales. Por supuesto, una p diferente
requiere una nueva determinación de la constante.

Otra forma de manejar este problema es construir una gráfica p

estabilizada convirtiendo las desviaciones del promedio del proceso a

unidades de desviación estándar. Se calcula una s p para cada muestra

utilizando el método rápido antes mencionado (el factor para el ejemplo sería

simplemente de 0.896/3 = 0.299)= y se divide entre la variación de la

__ __ __
muestra a partir de p , p - p . Si la producción de defectos de la

__
muestra fuera p = 0.084, p = 0.099 como anteriormente y n = 95, entonces
 __
sp = 0.299/ √ 95 = 0.0306. Entonces (p - p )/sp = -0.0150/0.306 = - 0.49

unidades de desviación estándar. Los límites de control se trazan en

términos de unidades de desviación estándar y esta muestra está 0.49

desviaciones estándar por debajo de la media.

Gráficas c-gráficas de control para defectos de unidad

En ocasiones el parámetro a ser controlado no puede ser expresado

como una proporción simple, como fue el caso de las gráficas p. En los

tejidos, por ejemplo, el número de defectos por cada 10 yardas cuadradas de

material puede ser el parámetro a controlar. En dichos casos, un defecto

puede ser menor en sí mismo, pero un gran número de defectos por unidad

de área puede ser cuestionable. Para la distribución de Poisson, la

__
desviación estándar Sc es igual a la raíz cuadrada de la media √c . El

cálculo de los límites de control es entonces extremadamente simple. Por

__
ejemplo, si el número medio de defectos por unidad fuera c = 25,

entonces:

__
LSC = c +3sc = 25 + (3x5) = 40

__
LIC = c -3sc = 25 – (3 x 5) = 10
Muestreo para aceptación

Cuando ya se ha llevado a cabo la producción, con frecuencia se

desea conocer el nivel de calidad del lote. Cuando un proveedor envía un
lote de partes, por ejemplo, ¿deben estas partes aceptarse como buena o
no? El muestreo para aceptación es la técnica estadística de control de
calidad para tomar este tipo de decisiones. Se examinarán planes para
muestreo tanto de atributos como de variables.

Muestreo para Aceptación por Atributos

Curvas de características operativas (CO)

Para especificar un plan de muestreo se establece el tamaño de la

muestra, n, y el número de defectos permitidos en la muestra, c (número de
aceptación), antes de que sea rechazado todo el lote del cual se obtuvo la
muestra. La curva CO para una combinación particular de n y c muestra qué
tan bien discrimina el plan entre lotes buenos y malos. La figura 13-6
muestra una curva CO para un plan de muestreo con una muestra de
tamaño n = 100 y un número de aceptación c = 2. En este plan, si c = 0 y se
encuentran 1 ó 2 partes defectuosas en una muestra de n = 100., el lote se
considerará aceptable. Si la calidad real del lote es del 1 por ciento de partes
defectuosas, el plan en la figura 6 aceptaría el lote aproximadamente el 91.5
por ciento del tiempo y lo rechazaría aproximadamente el 8.5 por ciento del
tiempo. Debe hacerse notar, sin embargo, que si la calidad real del lote fuera
algo inferior al uno por ciento de partes defectuosas –posiblemente el 5 por
ciento- la probabilidad de aceptación del lote disminuye drásticamente acerca
del 13 por ciento. Por tanto, si la calidad real del lote es buena, el plan
provee una alta probabilidad de aceptación, pero si la calidad real es mala, la
probabilidad de aceptación es baja. De esta forma, la curva CO muestra
qué tan bien un plan dado discrimina entre una calidad buena y una mala.

La capacidad de discriminación de un plan de muestreo depende del

tamaño de la muestra. En la figura 13-7 se muestran las curvas CO para
muestras de tamaños 100, 200 y 300, permaneciendo el número de
aceptación en proporción al tamaño de la muestra. Es conveniente notar que
la curva CO se hace más pronunciada conforme aumenta el tamaño de la
muestra. Si se compara el poder de discriminación de los tres planes
representados en la figura 13-7 puede verse que los tres aceptarán lotes con
aproximadamente 0.7 por ciento de partes defectuosas aproximadamente el
83 por ciento del tiempo (aproximadamente, el punto en que se intersectan
las tres curvas). Sin embargo, si la calidad real disminuye a 3.0 por ciento de
partes defectuosas, el plan con N = 100 acepta lotes aproximadamente el 20
por ciento del tiempo; n = 200 acepta lotes aproximadamente el 6 por ciento
del tiempo; y n = 300 menos de 1 por ciento del tiempo. Los planes con
mayores tamaños de muestra son definidos más efectivos.
 ¿Qué sucede con la curva CO si cambia solamente el número de
aceptación? En la figura 13-8 se presentan curvas CO para una muestra de
n=50 y números de aceptación de c = 1, 2 y 3. El efecto es
fundamentalmente un cambio en el nivel de la curva CO, por lo que menores
números de aceptación provocan que el plan sea más “estrecho”; esto es,
mantienen la calidad resultante en porcentajes más reducidos. A manera de
generalización, entonces, existe cierta interacción entre el tamaño de la
muestra y el número de aceptación para la determinación del poder de
discriminación de las curvas CO.
 Un plan de muestreo que discrimina perfectamente entre lotes buenos
y malos tendrá una curva CO vertical; esto es, seguirá la línea punteadas de
la figura 13-7. La probabilidad de aceptación es cero para todos los lotes con
porcentajes de partes defectuosas a la derecha de la línea.
Desafortunadamente, el único plan que lograría está discriminación es aquel
que requiere una inspección del 10 por ciento. Por tanto, la justificación del
muestreo para aceptación resulta del balance entre los costos de inspección
y los posibles costos de aceptar partes defectuosas.

Al hacer que los planes de muestreo sean más discriminatorios

(aumentando los tamaños de las muestras) o más estrechos (reduciendo el
número de aceptación), se puede aproximar cualquier nivel deseado de
calidad pero con mayores costos de inspección. Este mayor esfuerzo de
inspección resultará en menores costos de aceptación de partes
defectuosas. En algún punto la combinación de estos costos incrementales
es mínima. Este punto mínimo define el plan de muestreo más económico
para una situación dada. Obviamente, si el costo de aceptar productos
defectuosos es elevado, una mayor inspección se justifica en términos
económicos.
 Para justificar la inspección al 100 por ciento de una muestra, las
pérdidas probables debidas a la aceptación de productos malos deberán ser
grandes en relación a los costos de inspección, resultando posiblemente en
la pérdida de contratos y clientes. Es sobre esta base que puede justificarse
el objetivo japonés de “cero defectos”. Por otra parte, para justificar que no
se realice una inspección deberán ser bastante elevados en relación a las
pérdidas probables debidas a la aceptación de partes malas. La situación
más usual se ubica entre estos extremos, en donde existe el riesgo de no
aceptar lotes que no son en realidad adecuados y el riesgo de aceptar lotes
malos.

Determinación de curvas CO

Las curvas CO pueden construirse a partir de los datos obtenidos de

la distribución normal o de Poisson. Si los lotes son grandes, posiblemente
más de 10 veces el tamaño de la muestra, las probabilidades para la curva
CO pueden obtenerse de la distribución binomial. Sin embargo, si las
muestras son grandes las aproximaciones normal o de Poisson también son
muy cercanas y son mucho más convenientes de usar. Las reglas empíricas
son las siguientes:

Si p’n > 5, las probabilidades pueden ser determinadas a partir de la

distribución normal con una media p’ y una desviación estándar

√ p ' ( 1−p ' )/n )

Si p’n < 5, usar la distribución de Poisson.

Generalmente el porcentaje de defectos del lote es reducido y los lotes

son relativamente grandes por lo que se emplea la distribución de Poisson
para calcular los valores para calcular el porcentaje de probabiiidad de
aceptación. Pa’ para curas CO. La gráfica Thorndike suministra curvas de
acumulación de distribuciones Poisson de probabilidad para distintos valores
del número de aceptación c. La gráfica indica la probabilidad de ocurrencia
de c o menos defectos en una muestra n seleccionada de un universo infinito
en el cual el porcentaje de partes defectuosas es PD.

Puede usarse la gráfica Thorndike para calcular los valores P a usados

para trazar las curvas CO de la figura 13-9 o cualquiera otra de las curvas
CO que se han utilizado como ejemplos. Recuérdese que el plan de
muestreo para la figura 13-6 fue de n = 100 y c = 2. Los valores de P a
usados para nueve puntos de la curva CO se calculan en la tabla 13-4
leyendo los valores para Pa a partir de la gráfica Thorndike. Por ejemplo,
para PD = 2 por ciento, PD X n/100 = 2 X 100/100 = 2.0. Consultando la
escala horizontal de la gráfica Thorndike con este valor, se lee P a = 68 por
ciento en la escala vertical para c = 2.
Riesgos para el productor y para el consumidor

La definición de estos riesgos, que se analizaron brevemente en el

capítulo 12, puede específicamente aún más mediante su referencia a una
curva CO típica., En la figura 13-10 se muestran gráficamente las siguientes
cuatro definiciones:

AQL Nivel aceptable de calidad – los lotes

de este nivel de calidad se
consideran buenos y desea tener una
alta probabilidad para su aceptación.
α Riesgo para el productor –la
probabilidad de que lotes con un nivel
de calidad AQL no sean aceptados.
Generalmente α = 5 por ciento en
la práctica.
LPTD Porcentaje de defectos tolerables
para el lote –la línea divisoria entre
lotes buenos y lotes malos
seleccionada. Los lotes de este nivel
de calidad se consideran como
pobres y se desea tener una baja
probabilidad para su aceptación.
β Riesgo para el consumidor –la
probabilidad de que se acepte el nivel
de calidad LTPD. Generalmente β
= 10 por ciento en la práctica.

Especificación de un plan de muestreo

Para especificar un plan que satisfaga los requisitos para AQL, ,

LTPD y  , debe encontrarse una combinación de n y c con una curva CO
que pase a través de los puntos a y b, como se muestran en la figura 13-10.
La mecánica para encontrar planes específicos adecuados puede
establecerse utilizando tablas, gráficas o fórmulas estándar que resulten en
la especificación de una combinación de n y c que se aproxime lo suficiente a

los requisitos establecidos para AQL,  , LTPD y  ,

TABLA 13-4 Cálculo de valores de Pa X 100

de la figura 13-9 a paritr de la gráfica de
Thorndike (plan de muestreo: n = 100 y c = 2)

Porcentaje real de (PD X n)/100 Porcentaje de

partes defectuosas PD probabilidad de
aceptación a partir de
la figura 13-9
0 0 100.0
1 1.0 91.5
2 2.0 68.0
3 3.0 42.0
4 4.0 24.0
5 5.0 12.0
6 6.0 6.0
7 7.0 3.0
8 8.0 1.5
Especificación de n Y c para Planes de muestreo único

Para especificar un plan debe determinarse el tamaño de la muestra n

y el número de aceptación c únicos que produzcan una curva CO que se

aproxime a la especificada por los cuatro valores, AQL,  , LTPD y  , esto

puede lograrse consultando tablas o usando la gráfica de Thorndike.

Un ejemplo: Supóngase que se ha especificado las características de la
curva CO deseada como:

AQL = 2 por ciento

 = 5 por ciento

LTPD = 8 por ciento

 = 10 por ciento

Paso 1 Tabular valores PD X n/100 para Pa = (1 -  ) = 95 por ciento y Pa


= = 10 por ciento para cada valor de c a partir de la gráfica
Thorndike. Por ejemplo, para Pa = 95% y c = 1, leer PD X n/100 =
0.36 y para Pa = 10% y c = 1, leer PD X n/100 = 3.9. Haga lo
mismo como en los diversos valores de c como en las columnas 1,
2 y 3 de la tabal 13-5. Debe notarse que en las columna 2 el PD a
que se hace referencia es AQL, mientras que en la columna 3 es
LTPD.
Paso 2 Calcular la relación de la columna 3 con la columna 2 para cada
uno de los valores de c, como en la columna 4 la relación 8 / 2 = 4,
dado que para el plan deseado LTPD = 8 y PD = 2 por ciento.
Esta relación de 4 cae entre 4.06 para c = 4 y 3.58 para c = 5.
Paso 3 Calcular tamaños de muestra como en la tabla 13-6, decidiendo si
 se mantiene fija y se deja flotar  o viceversa. Si, por
ejemplo, se establece c = 4 y  se mantiene en 5 por ciento,
entonces PD X n/100 = AQL x n/100 = 1.97 y puede resolverse
 para la muestra de tamaño n:

1 .97 x100
=99
n = 2

Paso 4 El plan de muestreo sería entones n = 99 y c = 4.

Revisar el valor resultante del riesgo flotante. Usando la gráfica
Thorndike , para el plan 1, ingresar los valores de c = 4 y PD X
n/100 = 8 X 99/100 = 7.92 y leer el valor real de  = 10.5 por
ciento.

Tabla 13-5 Determinación de planes de muestreo con AQL y LTPD

especificadas ( α = 5 por ciento β = 10 por ciento).

(1) (2) (3) (4)

Número de Valor de (PD x n/100 Valor de (PD x n/100 Relación Col. 3:Col.
aceptación con Pa = 95 por con Pa = 10 por 2 = LTPD/AQL
ciento a partir de la ciento a partir de la
figura 13-9 figura 13-9
1 0.36 3.9 10.83
2 0.80 5.3 6.63
3 1.35 6.7 4.96
4 1.97 8.0 4.06
5 2.60 9.3 3.58
6 3.30 10.5 3.18
7 4.00 11.8 2.95
8 4.70 13.0 2.77
 En la tabla 13-6 también se muestran los valores flotantes reales de 
y  para cada uno de los cuatro planes. Notar que para el plan 1 la
probabilidad de aceptar lotes con un 8 por ciento de calidad aumenta
ligeramente mientras se mantienen las demás especificaciones. Para el plan
2, la probabilidad de rechazar lotes de buena calidad aumenta ligeramente
mientras que se mantiene la especificación para  y así sucesivamente. Los
planes 1 y 2 son los que más se aproximan a satisfacer las especificaciones
originales y la elección entre ellos depende del énfasis deseado.

Otros valores de  y . La tabla 13-5 se construyó para los valores

comunes de 5 y 10 por ciento para  y , respectivamente, pero, obviamente,
puede construirse una tabla comparable a partir de la gráfica Thorndike para
cualesquiera valores de  y , por lo que los métodos descritos son
generales.

Curva de calidad resultante promedio (CRP)

En la figura 13-11 se muestra el flujo de partes buenas y rechazadas

en un plan típico de muestreo y se suministran las bases estructurales para
calcular la calidad resultante promedio (CRP). Se inspecciona la muestra
aleatoria de tamaño n y cualesquiera partes defectuosas halladas en la
muestra son sustituidas por partes buenas. Con base en el número de
partes defectuosas c’ encontramos en la muestra, se acepta todo el lote si c’
<= c y se rechaza si c’ > c.
Tabla 13-6. Planes de muestreo sencillo para c = 4 y c = 5 cuando  es fija,
permitiendo que  es fija y se permite que  flote.

c fija en 4 c fija en 5
(1) (2) (3) (4)
 = 5 Por ciento,  = 10 Por ciento,  = 5 Por ciento,  = 10 Por ciento,
 Flota  Flota  Flota  Flota
n = 1.95 x 100/2 n = 8.0 x 100/8 n = 2.60 x 100/2 n = 9.3 x 100/8
= 99 = 100 = 130 = 115
 = 10.5 por ciento  = 5.5 por ciento  = 5 por ciento  = 3 por ciento

Si el lote es rechazado se le somete a una inspección del 100 por ciento

y todas las partes defectuosas encontradas se sustituyen pro partes buenas.
Entonces, todo el lote de N partes estará libre de partes defectuosas. Sin
embargo, si el lote es aceptado con base en la muestra, se corre el riesgo de
pasar algunas partes defectuosas. Puede calcularse el número promedio de
partes defectuosas.

Si la calidad promedio entrante es PD, la aceptación ocurre con la

probabilidad P (tomada directamente de la curva CO para la DP). El número
promedio de partes defectuosas es entonces el producto de la proporción de
defectos recibidos por el número restante en el lote ponderado por la
probabilidad de que la aceptación ocurra o
(P / 100) x (PD / 100) x (N – n). La calidad resultante promedio CRP en
porcentaje es entonces:

CRP = Número promedio de defectos x 100 = P (PD) (N – n)

Número de partes en el lote 100 N

A partir de la relación anterior puede desarrollarse una curva para

cualquier plan de muestreo dado mostrando la CRP para cualquier nivel e
calidad entrante, determinando la P  a partir de la curva CO y substituyendo
estos valores en la fórmula para el cálculo de CRP, como se indica en la
figura 13-12. Esta curva CRP se basa en la curva CO de la figura 13-6 para
un plan de muestreo de n = 100, c = 2 y N = 1000.

Es interesante observar las características de la curva CRP. Primero,

existe un número máximo o límite de la calidad resultante promedio (AOQL).
Existe un AOQL para cada plan de muestreo, el cual depende de las
características del plan. Cuando se presenta una buena calidad al plan – por
ejemplo, 0 a 2 por ciento - P es relativamente alta, por lo que la mayoría de
las partes defectuosas se aceptarán. Conforme se excede el 2 por ciento
para la calidad entrante, sin embargo, P  declina rápidamente (véase la curva
CO de la figura 13-6) y la probabilidad de una inspección al 100 por ciento
aumenta, por lo que se detecta un mayor número de partes defectuosas – la
calidad resultante mejora automáticamente conforme la calidad entrante
empeora. Específicamente, AOQ nunca excede del 1,25 por ciento, sin
importar la calidad entrante para el plan.

Ya se han mostrado los cálculos para la situación en la cual se

sustituyen las partes defectuosas. Si dichas partes no son sustituidas,
entonces la fórmula para AOQ se transforma en:

Pα xPD ( N −n )
AOQ= x 100
N−[ ( PD / 100 ) n+ ( 1−Pα / 100 ) ( PD / 100 ) ( N −n ) ]

PLANES DE MUESTREO CON PROTECCIÓN LTPD O AOQL

ESPECIFICADA

Dodge-Roming provee tanto gráficas como tablas para el diseño de

planes de muestreo que dan una protección LTPD o AOQL especificada con
 = 10 por ciento y una inspección total mínima. Los niveles de LTPD o
AOQL seleccionados para una situación dada dependen de las
consecuencias de una mala calidad. Si las operaciones subsecuentes
pueden detectar defectos adicionales sin alterar la producción, estos
estándares pueden ser relativamente confiables, pero si la menor calidad
resulta en altos costos de producción y otros relacionados con la calidad,
LTPD o AOQL deben mantenerse en niveles reducidos.