Administración Industrial

GESTION DE LA CALIDAD

CARTAS DE CONTROL

Ing. Pablo Milachay Espinoza

 Métodos Estadísticos
de Control de Calidad

Control Estadístico de Procesos Muestreo de Aceptación

(cartas de control) (planes de muestreo)

Atributos Variables Atributos Variables

 CARTAS DE CONTROL
Herramienta estadística utilizada para detectar variaciones de la
calidad de un producto, durante un proceso de fabricación.

• Las cartas de control enfocan la atención hacia las causas especiales

de variación cuando estas aparecen y reflejan la magnitud de la
variación debida a las causas comunes.

• Las causas comunes o aleatorias se deben a la variación natural del

proceso.
• Las causas especiales o atribuibles son por ejemplo: un mal ajuste de
máquina, errores del operador, defectos en materias primas.
• Se dice que un proceso está bajo Control Estadístico
cuando presenta causas comunes únicamente. Cuando
ocurre esto tenemos un proceso estable y predecible.

• Cuando existen causas especiales el proceso está fuera de

Control Estadístico; las gráficas de control detectan la
existencia de estas causas en el momento en que se dan, lo
cual permite que podamos tomar acciones al momento.
 VENTAJAS
• Es una herramienta simple y efectiva para lograr un control
estadístico.
• El operario puede manejar las cartas en su propia área de
trabajo, pudiendo dar información confiable a los
responsables en el momento para la toma de decisiones.
• Cuando un proceso está en control estadístico puede
predecirse su desempeño respecto a las especificaciones.
Contando el productor y el cliente con niveles consistentes
de calidad.
• Cuando el proceso esta bajo control estadístico, se
mejorara gradualmente, hasta reducir la variación.
• Distinguiendo las causas especiales y las causas comunes
de variación, nos indicaran de cuándo un problema debe ser
corregido localmente y cuando se requiere de acciones
generales.
 CARTAS DE CONTROL POR
VARIABLES Y POR ATRIBUTOS
• En Control de Calidad , una variable es cualquier característica
de calidad “medible” tal como una longitud, peso, temperatura,
etc.
• Mientras atributo es la características de calidad que no son
medibles y que presentan diferentes estados tales como conforme
y disconforme o defectuoso y no defectuoso.

• De acuerdo al tipo de característica de calidad a controlar será el l

correspondiente Gráfico de Control, clasificándose en:
• Cartas de Control por Variables y
• Cartas de Control por Atributos.
 Estructura de una Carta de control.
Límite superior de control
(LCS)

0.9
0.8
Característica de calidad

Línea central
0.7 (Promedio)
0.6
0.5
Límite inferior de control
0.4 (LCI)

0.3
0.2
0.1
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Número de muestra
 Limite de Control Superior (LCS)
Se dice que un proceso está
bajo control, cuando no
% de defectos
Promedio
muestra ninguna tendencia,
comportamiento anormal y,
Limite de Control Inferior (LCI)
además, ningún punto sale
fuera de los límites, si se trata
Tiempo
de menos de 35 muestras.
calidad (longitud mm)

1
Característica de

0.8
0.6
0.4
0.2
0
11
13
15
17
19
21
23
25
1
3
5
7
9

Número de muestra
 TIPOS DE GRAFICAS DE CONTROL

Para las variables:

X-R Promedios y rangos
X-S Promedios y desviación estándar
X-R Medianas y rangos
X - R~ Lecturas individuales

Para los atributos:

p Fracción (porcentaje) de unidades, trabajos defectuosos
np Número de unidades, trabajos defectuosos
c Número de defectos por unidad,
u Proporción de defectos por unidad
TIPOS DE GRÁFICAS DE CONTROL
GRAFICAS DE CONTROL
POR ATRIBUTOS
 CARTAS P : Fracción (porcentaje) de unidades,
trabajos defectuosos
Existen muchas características de calidad
del tipo pasa no pasa, donde de acuerdo
con éstas, un producto juzgado como
defectuoso o no defectuoso, dependiendo
de si posee ciertos atributos.

Si un producto no reúne ciertos atributos no

se le deja pasar a la siguiente etapa del
proceso y se le llama artículo defectuoso.
CARTAS P (proporción de artículos defectuosos o
trabajos defectuosos)
• Esta carta muestra las variaciones en la fracción
o proporción de artículos defectuosos por
muestra.
• Es usada para reportar la proporción (o
porcentaje) de productos defectuosos en un
proceso.
• En esta carta se revisa cada uno de los artículos
de una muestra (o subgrupo), y cada uno de
éstos tiene una calidad aceptable o no, es decir,
un artículo pasa o no pasa.
 Procedimiento:
Paso 1: Recolectar datos:
• Establezca la frecuencia con la cual los datos serán tomados
(horaria, diaria, semanal). Los intervalos cortos entre tomas de
muestras permitirán una rápida retroalimentación al proceso
ante la presencia de problemas.

Los límites
de control
para la
carta p son:

Donde:
n = Tamaño de la muestra
p = Proporción promedio de artículos defectuosos. Se obtiene dividiendo la
cantidad de artículos defectuoso en todas las muestras entre la totalidad de
productos inspeccionados
p = n° de artículos defectuosos / n
Ejemplo:
1. Un fabricante de latas de aluminio registra el número de
partes defectuosas, tomando muestras cada hora de n = 50,
con 30 subgrupos. Realizar la gráfica de control para la
siguiente serie de datos obtenida durante el muestreo.
Ejercicios:
1. En la empresa “x” se fabrican válvulas. Después del
proceso de fundición se hace una inspección y las piezas
que no cumplen con ciertas características son
rechazadas. Las razones por las que pueden ser
rechazadas son diversas: piezas incompletas, porosas,
mal formadas, etc.

Para evaluar la variabilidad y la magnitud de la

proporción de piezas defectuosas en el proceso de
fundición se decide implantar una carta p.

El proceso se trabaja en lotes; los datos obtenidos

durante una semana se muestran en la siguiente tabla
 Cartas np
Muchas características de calidad se evalúan dando resultados
como: conforme o disconforme, defectuoso o no defectuoso.
Estas características de calidad se conocen como atributos.

Supongamos un proceso que fabrica tornillos.

Una manera de ensayar cada tornillo sería
probarlo con una rosca calibrada.

Para controlar este proceso, se puede tomar una

muestra de tornillos y contar el número de
defectuosos presentes en la muestra.
 Cartas np
La variable aleatoria número de defectuosos es una variable
aleatoria discreta, porque puede tomar un número finito de valores,
o infinito numerable.

Las Cartas np se utilizan para controlar el número

de defectuosos en una muestra.

Entonces, para controlar este proceso, un inspector se coloca al

final de la línea de producción y cada hora retira una muestra de
n = 50 tornillos (por ejemplo), comprueba cada uno con la rosca y
anota el número de defectuosos.
 Gráficos np
7:00

Muestra de
Prueba
Proceso n Tornillos

Tornillo 1 OK
Tornillo 2 OK
Tornillo 3 Defectuoso
Tornillo 4 OK
Tornillo 5 Defectuoso
Tornillo 6 OK
Tornillo 7 OK
-
-
Tornillo n

Este resultado se anota en un gráfico hora por hora y se denomina

gráfico np.
 Cartas np
Si se tomara del proceso un sólo tornillo, cuál es la
probabilidad de que sea defectuoso?

Imaginando la población de tornillos que podría fabricar el

proceso trabajando siempre en las mismas condiciones, una
cierta proporción p de estos serían defectuosos.

Entonces, la probabilidad de tomar un tornillo y que sea

defectuoso es p.
 22

Cartas np

En una muestra de n tornillos, la probabilidad de

encontrar:
0 defectuosos
1 defectuoso
2 defectuosos
...
n defectuosos
está dada por una distribución binomial con
parámetros n y p.
 Gráficos np
Para construir los gráficos de control np, en una primera
etapa se toman N muestras (más de 20 ó 25) a intervalos
regulares, cada una con n tornillos.

Se cuenta en Muestra Nº Defectuosos

cada muestra 1 3
el Número de 2 2
3 4
Defectuosos y
4 3
se registra. Se
5 4
obtendría una
6 2
Tabla como la 7 5
siguiente: - -
- -
- -
 24

Cartas np
En cada muestra, la fracción de defectuosos es:

Nº Defectuosos en Muestra i

Número de elementos en la Muestra

Entonces, a partir de la tabla podemos calcular p como promedio

de las fracciones de defectuosos en las muestras:

Número de Muestras
 25

Gráficos np
Calculo de los Límites de Control para el gráfico np:
 26

Cartas np
Construímos la carta np de prueba y representamos el número de
defectuosos en las muestras:

Gráfico np

12
Nº Disconformes

10

0
0 5 10 15 20 25 30

Muestra

Si no hay puntos fuera de los límites de control y no se encuentran patrones no

aleatorios, se adoptan los límites calculados para controlar la producción futura.
 27

Gráficos C
En algunos procesos interesa medir la cantidad de defectos que
presentan las unidades de producto que se están fabricando.
Ejm. Si se fabrican teléfonos celulares y se toma uno de ellos y
se cuenta el número total de defectos., podrian encontrarse :

 Rayaduras en la superficie.
 Rajaduras en el plástico
 Antena defectuosa
 Botón defectuoso; etc.

Los defectos pueden ser de diferentes tipos y si se cuenta el

total de todos estos defectos en la unidad inspeccionada.
Obtenemos un resultado que es el Número de Defectos por
unidad de inspección.
 28
Gráficos C
Botón
defectuoso

Rajadura del
plástico

Rayadura
superficial

Antena
defectuosa

Otros
Defectos

A medida que el proceso

En cada unidad podemos encontrar:
genera las unidades  0 defectos
(Teléfonos celulares),  1 defecto
retiramos una unidad a  2 defectos

intervalos regulares y  3 defectos

 ...
contamos el número total  n defectos
de defectos.
 29

Gráficos C

Proceso Inspección

Numero de Defectos

Los resultados que obtenemos al contar el Número de Defectos en

unidades de inspección retiradas a intervalos regulares constituyen
una variable aleatoria discreta, porque puede tomar valores 0, 1, 2,
3, ... n.
Esta variable aleatoria tiene
una distribución de Poisson:
x variable aleatoria
l parámetro de la Dist. de Poisson
 30

Gráficos C
Los gráficos C se utilizan para controlar el número de defectos en una
muestra del producto o unidad de inspección.
Entonces, para controlar este proceso, un inspector se coloca al final
de la línea de producción y cada hora retira una unidad de inspección
(En este caso un teléfono celular), verifica y anota el número total de
defectos.
7:00

Unidad
Inspección
Proceso de
Inspección
Superficie defectuosa
Ensamble defectuoso
Raya en superficie
-------------------
Total: 3 defectos

Este resultado se anota en un gráfico hora por hora y se

denomina gráfico C.
 31

De acuerdo a la Distribución de Poisson, si denominamos C al

parámetro de la función de distribución, el promedio de la
población es C y la varianza también es C.

Gráficos C
Para construir los gráficos de control C, en una primera etapa se
toman N unidades de inspección (más de 25 ó 30) a intervalos
regulares.
Unidad de Inspección N° Defectos
Se cuenta en cada 1 3
2 2
unidad de inspección 3 4
el Número de Defectos 4 0
y se registra. Se 5 1
obtendría una Tabla 6 1
como la siguiente: 7 5
8 2
- -
- -
 32

Gráficos C
A partir de la tabla se calcula C como promedio del Número de
Defectos en las muestras (Unidades de Inspección):
n I Cantidad de Defectos por Unidad de Inspección
N Número de Unidades de Inspección

Desviación Standard:

Calculamos los Límites

de Control para la
Carta C:

En caso de que el Límite Inferior de Control resulte negativo, se le asigna valor cero.
 33

Gráficos C
 34

Gráficos C
Ejemplos:
- Controlar el número de defectos a la salida de una línea de
ensamblado de licuadoras, una línea de ensamblado de
computadoras personales, cafeteras automáticas, televisores, etc.

- En la fabricacion de pinturas y barnices, un ensayo muy común

es hacer un extendido sobre una placa de vidrio, dejar secar el
producto y luego inspeccionar los defectos en la superficie. Se
pueden aplicar los gráficos C para controlar este tipo de procesos,
contando el número de defectos sobre la superficie del
recubrimiento.
- En la industria textil también es necesario controlar defectos
superficiales en las telas. Se pueden aplicar los gráficos C para
controlar el número de defectos sobre la superficie de un área
rectangular de tela.
 35

Gráficos C
Muchas veces ocurre que las unidades que produce el proceso
presentan una tasa de defectos muy baja.
Por ejemplo, supongamos un proceso automatizado que fabrica
tarjetas de sonido. A la salida del mismo se inspecciona una
tarjeta a intervalos de media hora y se cuenta el número de
defectos.
El resultado seguramente será algo como
esto:
Esto se debe a que la
Tarjeta Núm. Defectos fabricación se realiza por
1 0 medio de un proceso
2 0
3 0 totalmente automatizado
4 0 donde ocurren pocos errores.
5 0 Por lo tanto, el promedio de
6 1
7 0 defectos será cercano a cero
8 0 y el Límite Inferior de Control
etc. seguramente será negativo.
 36

Gráficos C
Para evitar esto, es conveniente redefinir la Unidad de Inspección.
Por ejemplo, se puede tomar como unidad de inspección la
cantidad de 100 tarjetas de sonido. Es decir, cada media hora se
retiran del proceso 100 tarjetas y se cuentan los defectos del total
de las mismas.

De esta manera la cantidad de defectos promedio por unidad de

inspección será mas alta. Y es posible también que el LIC sea
mayor que cero.
En la siguiente tabla tenemos el número de unidades de defectos observados
en 26 muestras sucesivas de 100 filtros de seguridad.

muestra defectos muestra defectos

1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15
 516 LSC  19.85  3 19.85  33.22
c  19.85
26 LIC  19.85  3 19.85  6.48
C Chart for C1

40 1

3.0SL=33.21
30
Sample Count

20 C=19.85

10
-3.0SL=6.481
1
0
0 10 20
Sample Number
 39

Gráficos U
Supongamos que se está controlando el número de defectos en
un proceso de ensamblado de licuadoras y se define una unidad
de inspección de 5 licuadoras.
En este caso es posible trabajar con un gráfico C, como ya
hemos visto. Pero tal vez se desea controlar el promedio de
defectos por cada licuadora (unidad de producción) en lugar de
el total de defectos para las 5 licuadoras (unidad de inspección):
ni Cantidad de Defectos por Unidad de Inspección
m Núm. de Unidades de Producción en la Unidad
de Inspección

En el ejemplo, si encontramos n i defectos en la unidad de inspección (5

licuadoras), la cantidad promedio de defectos por licuadora será:

n I Cantidad de Defectos en Unidad de Inspección

 40

Gráficos U
Se debe tener en cuenta que x es una nueva variable aleatoria
discreta que toma valores 0, 1/m, 2/m, 3/m, 4/m, .....etc., y cuya
distribución de probabilidades se puede calcular a partir de la
Distribución de Poisson.

Como en el caso de los gráficos C, en una primera etapa se

toman N unidades de inspección (más de 25 ó 30) a intervalos
regulares.

Se cuenta en cada unidad de inspección el Número de

Defectos y se registra. Luego se divide el Número de
Defectos de cada unidad de inspección por m (Número de
unidades de producción en cada unidad de inspección). En
nuestro ejemplo (m = 5) la Tabla quedaría así:
 41

Gráficos U
Unidad de Inspección N° Defectos N ° Defectos por licuadora
1 5 1.0
2 8 1.6
3 6 1.2
4 10 2.0
5 5 1.0
6 15 3.0
7 12 2.4
8 5 1.0
- - -
- - -
Entonces, a partir de la tabla podemos calcular el parámetro U
como promedio del Número de Defectos por licuadora:
ni Cantidad de Defectos por Unidad de Inspección
m Núm. de Unid. de Producción en la Unidad de
Inspección
N Número de Unidades de Inspección
 42

Gráficos U
y luego la Desviación Standard:
Una compañía que fabrica computadoras personales desea establecer
un diagrama de control del número de defectos por unidad. El tamaño de
muestra es de cinco computadoras. En la tabla se muestran el numero de
defectos en 20 muestras de 5 computadoras cada una. Establecer el
diagrama de control u
muestra tamaño de muestra Número de defectos, c promedio de defectos por unidad u
1 5 10 2
2 5 12 2.4
3 5 8 1.6
4 5 14 2.8
5 5 10 2
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2
10 5 15 3
11 5 9 1.8
12 5 5 1
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2
19 5 7 1.4
20 5 5 1
Total 193 38.6
 u
 u i

38.60
 1.93
n 20
Los límites de control son los siguientes:

1.93
LSC  1.93  3  3.79
5
1.93
LIC  1.93  3  0.07
5
U Chart for C1
4
3.0SL=3.794

3
Sample Count

2 U=1.930

0 -3.0SL=0.06613

0 10 20
Sample Number