I.

INTRODUCCION

Las herramientas estadsticas aplicables al control de procesos, son como unos

materiales de apoyo dirigido a los gerentes.
La finalidad de todo proceso industrial es la reproduccin del prototipo de un
producto. Cuando el producto est bien diseado y se fabrica cumpliendo las
normas establecidas, el mismo llenar las expectativas para el cual fue
elaborado y para el usuario. En consecuencia, se hace necesario que todos los
productos se fabriquen ajustados a las normas, el control de calidad interviene
para asegurar el fiel cumplimiento de estas normas por el producto.
La estadstica descriptiva, s no resuelve los problemas de produccin y los
mtodos estadsticos son herramientas que ayudan a mejorar el proceso,
dando objetividad a las observaciones y no serviran si no son utilizados
apropiadamente. De esta forma, se dar mayor importancia a los hechos que a
los conceptos abstractos, utilizando cifras derivadas de observaciones reales,
aceptando como confiable la informacin proveniente de la distribucin normal
hacia la cual tiende las observaciones cuando son grandes.
Los mtodos estadsticos constituyen un medio efectivo para controlar la
calidad en el proceso de produccin; sin embargo, "lo importante no es el
conocimiento de los mtodos estadsticos sino ms bien la actitud mental hacia
su utilizacin".
El Control Estadstico de Procesos naci a finales de los aos 20 en los Bell
Laboratories. Su creador fue W. A. Shewhart, quien en su libro Economic
Control of Quality of Manufactured Products (1931) marc la pauta que
seguiran otros discpulos distinguidos (Joseph Juran, W.E. Deming, etc.).
Sobre este libro han pasado ms de 70 aos y sigue sorprendiendo por su
frescura y actualidad. Resulta admirable el ingenio con el que plantea la
resolucin de problemas numricos pese a las evidentes limitaciones de los
medios de clculo disponibles en su poca.
OBJETIVOS:
Conocer la metodologa para la confeccin y ejecucin de una grfica de
control por variables y atributos

 Conocer los principales puntos para la ejecucin de una grfica de

control durante el proceso
II.

REVISIN BIBLIOGRFICA

2.1.- MTODOS DE ESTADSTICOS EN EL CONTROL DE CALIDAD.

Este control moderno de la calidad implica el uso de mtodos estadsticos, siendo
denominado Control Estadstico de la Calidad cuya aplicacin es ampliamente
utilizada en diferentes reas.
VARIABLES Y ATRIBUTOS:
En Control de Calidad mediante el trmino variable se designa a cualquier
caracterstica de calidad medible tal como una longitud, peso, temperatura, etc.
Mientras que se denomina atributo a las caractersticas de calidad que no son
medibles y que presentan diferentes estados tales como conforme y disconforme o
defectuoso y no defectuoso.
Comparacin de las cartas de control por variables vs. Atributos
Cartas de Control por variables
Cartas de control por atributos
Ventajas
Conducen a un mejor procedimiento de Son
potencialmente
aplicables
a
significativas
control.
cualquier proceso
Proporcionan una utilizacin mxima de la Los datos estn a menudo disponibles.
informacin disponible de datos.
Son rpidos y simples de obtener.
Son fciles de interpretar.
Son frecuentemente usados en los
informes a la Gerencia.
Ms econmicas
Desventajas
No se entienden a menos que se de No proporciona informacin detallada del
significativas
capacitacin; puede causar confusin entre control de caractersticas individuales.
los lmites de especificacin y los lmites de
tolerancia.
No reconoce distintos grados de defectos
en las unidades de producto.
DISTRIBUCION DE FRECUENCIAS
En estadstica, se le llama distribucin de frecuencias a la agrupacin de datos en
categoras mutuamente excluyentes que indican el nmero de observaciones en cada
categora. Esto proporciona un valor aadido a la agrupacin de datos. La distribucin
de frecuencias presenta las observaciones clasificadas de modo que se pueda ver el
nmero existente en cada clase.
TIPO DE FRECUENCIAS:
Frecuencia absoluta.- La frecuencia absoluta es el nmero de veces que
aparece un determinado valor en un estudio estadstico. Se representa por ni.
La suma de las frecuencias absolutas es igual al nmero total de datos, que se
representa por N. Para indicar resumidamente estas sumas se utiliza la letra
griega (sigma mayscula) que se lee suma o sumatoria.
Frecuencia relativa.- La frecuencia relativa es el cociente entre la frecuencia
absoluta de un determinado valor y el nmero total de datos. Se puede

expresar en tantos por ciento y se representa por fi. La suma de las frecuencias
relativas es igual a 1, siempre y cuando no sea igual que 7 o por debajo de los
7 primeros nmeros sucesivos.
Frecuencia relativa (fi), es el cociente entre la frecuencia absoluta y el tamao de la
muestra (N). Es decir:
f_i = \frac{n_i}{N} = \frac{n_i}{\sum_i n_i}
Siendo el fi para todo el conjunto i. Se presenta en una tabla o nube de puntos en una
distribucin de frecuencias.
Si multiplicamos la frecuencia relativa por 100 obtendremos el porcentaje o tanto por
ciento (pi)
Frecuencia acumulada.- La frecuencia acumulada es la suma de las
frecuencias absolutas de todos los valores inferiores o iguales al valor
considerado. La frecuencia acumulada es la frecuencia estadstica F(XXr) con
que el valor de un variable aleatoria (X) es menor que o igual a un valor de
referencia (Xr). La frecuencia acumulada relativa se deja escribir como
Fc(XXr), o en breveFc(Xr), y se calcula de:
Fc (Xr) = MXr / N
Dnde: MXr es el nmero de datos X con un valor menor que o igual a Xr, y N es
nmero total de los datos. En breve se escribe:
Fc = M / N
Cuando Xr=Xmin, donde Xmin es el valor mnimo observado, se ve que Fc=1/N,
porque M=1. Por otro lado, cuando Xr=Xmax, donde Xmax es el valor mximo
observado, se ve que Fc=1, porque M=N.
En porcentaje la ecuacin es:
Fc(%) = 100 M / N
Frecuencia relativa acumulada.- La frecuencia relativa acumulada es el
cociente entre la frecuencia acumulada de un determinado valor y el nmero
total de datos. Se puede expresar en tantos por ciento.
DISTRIBUCION NORMAL
La distribucin normal o De Gauss presenta las siguientes caractersticas:
- El 68 % del rea est comprendida en el intervalo
=1
- El 95 % del rea est comprendida en el intervalo
= 2
- El 99, 7% del rea est comprendida en el intervalo = 3
En aquellas distribuciones que se aproximan a una curva normal, alrededor de dos
tercios de los sucesos caen dentro del intervalo de una desviacin estndar a ambos
lados de la media, todos excepto casi un 5% caen en un intervalo de dos desviaciones

estndar y prcticamente todos estn comprendidos en un intervalo de tres

desviaciones estndar.
La normalizacin o ajuste de una distribucin observada a una distribucin normal, se
realiza de la siguiente manera:
Se agrupan los datos en una distribucin de frecuencias y se determinan los
puntos medios de cada clase.
Se calcula la media y la desviacin tpica de la distribucin.
Se calculan los desvos reducidos de cada clase, a travs de la frmula:
Z = X Xm /
Se busca en la tabla de las ordenadas el valor correspondiente (y) para cada
valor reducido.
Se obtiene las frecuencias tericas (ft), multiplicando cada ordenada (y) por el
valor que resulta de la relacin:
Rel. = f / * Ax0
La distribucin binomial se aproxima a la normal, cuando n es grande y ni p, ni q
estn prximas a cero. En la prctica la aproximacin se considera muy buena si
ambos np y nq son superiores a cinco.
np > 5
nq > 5
Si una variable aleatoria X se distribuye en forma normal con media y desviacin
estndar y se quiere encontrar la probabilidad de que esta variable tome valores
entre dos nmeros, a y b, lo que se hace es calcular el rea bajo la curva entre a y b,
lo cual se hace por mtodos numricos, ya que la integral de la funcin de distribucin
no tiene solucin analtica.
Cuando en una distribucin normal = 0 y = 1, entonces a la distribucin se le
conoce como distribucin normal estndar.
DISTRIBUCIN BINOMIAL.
Es frecuente que en control de calidad se produzcan variables del tipo pasa o no pasa,
una pieza resiste o no determinada fuerza, la lmpara prende o no. Cuando el
resultado de cada ensayo, es xito o fracaso, se conoce como experimento Bernoulli.
Si p es la probabilidad de ocurrencia de un suceso en un solo ensayo y q = 1
p es la probabilidad de que no ocurra en un solo ensayo, la probabilidad de que
el suceso se presente exactamente x veces en n ensayos viene dada por:
P(x) = n / x ( n x ) * ( p x. q nx )
Donde x = 0,1,2,3,, n
y n= n (n-1)(n-2)..1.
Esta Distribucin se llama binomial o de Bernoulli.
Una poblacin se dice que sigue una distribucin binomial, cuando existen dos
categoras de eventos que son mutuamente excluyentes, por lo que, todos los
eventos que constituyen la poblacin caen dentro de las dos categora y no existe
evento alguno que no caiga dentro de esta clasificacin dual. Las propiedades ms
importantes de esta distribucin son:
Media. = np
Varianza. = npq.
Desviacin Tpica.
DISTRIBUCIN DE POISSON.
Es frecuente en control de calidad evaluar varias variables tales como: nmero de
defectos por artculos, nmero de defectos por metros cuadrados de tela, nmero de

impurezas en un lquido, nmero de errores cometidos por un trabajador, en fin,

nmero de eventos que ocurren por unidad. Este tipo de variable sigue una
distribucin de Poisson.
Cuando en una Distribucin binomial, n es un nmero muy grande y la probabilidad p de
ocurrencia del suceso est cerca de cero, de manera que q = 1 - p est cerca de 1, es
til usar como aproximacin a la binomial, a la distribucin discreta de Poisson.
p( x) = * e / x
X= 0,1,2,
donde e = 2,71828 = constante
x= nmero de ocurrencias del evento
p (x) = probabilidad que ocurra x
Algunas propiedades de la Distribucin de Poisson son:
media . =
varianza =
desviacin estndar..
la distribucin binomial se aproxima a la Poisson, cuando n es mayor de 50.
INSPECCION ACERCA DE LA CALIDAD DE PROCESOS
Las inspecciones de calidad se utilizan para verificar si un determinado material
cumple unos requisitos de calidad predefinidos. Con las inspecciones de calidad la
empresa puede conseguir:

Aumentar la competitividad.- Con un enfoque integrado y global hacia la entradas

de los resultados de inspeccin y el anlisis de los defectos, las empresas puede
mejorar de manera contnua la calidad del producto y servicio.

Asegurar la conformidad.- Las empresas deben satisfacer las necesidades de los

clientes (por ejemplo, tienen que producir y suministrar productos segn unas
especificaciones acordadas) y tienen que cumplir los requisitos legales, tales
como GMP (Buenas prcticas de fabricacin) y estndares industriales como las
normas ISO.

Reducir costes.- Un programa de aseguramiento de la calidad integrado ayuda a

las empresas a evitar costes asociados a la transparencia, tratamiento posterior,
rechazos, garanta y responsabilidad debida a productos defectuosos.
Herramientas como la aceptacin o el muestreo flexible reducen los costes de
extraccin de muestreo e inspecciones.

Aumentar la eficiencia.- La integracin en otros procesos, como la produccin,

permite la visualizacin y aceleracin de procesos y permite a las empresas
reaccionar rpidamente a los problemas internos, requisitos legales y demandas
del mercado.

El proceso de inspeccin

2.2.

CONTROL
DURANTE
EL
PROCESO
DE
CALIDAD(CONTROL
ESTADISTICO DE CALIDAD
Causas asignables y no asignables.- Las causas asignables y las causas no
asignables son dos tipos distintos de origen de variacin en un proceso, como est
definido en el pensamiento y mtodos estadsticos de Walter A. Shewhart y W.
Edwards Deming.
Variacin de causa comn o causa no asignable.- es la variacin usual,
histrica, cuantificable en un sistema.
Est caracterizada por:

Fenmeno constantemente activo al interior del sistema;

Variacin predecible probabilsticamente;
Variacin irregular dentro de una base de experiencia histrica; y
Carencia de significancia de valores individuales altos o bajos.
Variacin de causa especial o causa asignable.- son las variaciones
inusuales, previamente no observadas, no cuantificables.

Se caracteriza por:

Fenmeno nuevo, sin anticipar, emergente o previamente ignorado dentro del

sistema;
Variacin inherentemente impredecible, incluso probabilsticamente;
Variacin fuera de la base de experiencia histrica; y
Evidencia de algn cambio inherente en el sistema o de nuestro conocimiento de
l.

DETERMINACIN DE FRECUENCIA DE FALLAS.

 Definicin ndice de capacidad

Cuando la media de la produccin est centrada en el centro del intervalo de
tolerancia ( = ), el ndice de capacidad indica la adecuacin de la fabricacin de
productos.
Observacin:

Si Cp < 1 _ Se producen ms del 3 por mil de artculos defectuosos.

Si Cp > 1 _ Se producen menos del 3 por mil de artculos defectuosos.
Intervalo de tolerancia e ndice de capacidad
El intervalo de tolerancia es un conjunto de valores de X que se consideran admisibles
o aceptables.
Intervalo de tolerancia= (LT1, LT2)
Suele ser definido por el cliente o en ocasiones por el diseador del producto (Suele
representase por un valor objetivo y un error aceptable L; L.)
Ejemplo:
Supongamos que producimos piezas metlicas y una variable de calidad es el
dimetro de las piezas. Cuando el proceso est bajo control el dimetro de las piezas
se distribuye:

El cliente establece un intervalo de tolerancia entre 4.7 y 5.2

Qu proporcin de defectuosos producimos cuando el proceso est bajo control?
P (defectuosos)=1-P (4.7 X 5.2) = 1 P (2 Z 3) = 0.024

Frecuencia

Capacidad del proceso

La proporcin de defectuosos en estado de control indica la adecuacin
para la fabricacin de productos con especificaciones o tolerancias
definidas.
METODO DE CAUSA Y EFECTO DE ISHIKAWA.
Efecto es conocido tambin como el diagrama de las espinas de pescado por la
forma que tiene o bien con el nombre de Ishikawa por su creador, fue desarrollado
para facilitar el anlisis de problemas mediante la representacin de la relacin entre
un efecto y todas sus causas o factores que originan dicho efecto, por este motivo
recibe el nombre de Diagrama de causa efecto o diagrama causal.
Con el objeto de realizar correctamente un Diagrama de Causa Efecto, a
continuacin se exponen los pasos a seguir:
Definir claramente el efecto cuyas causas van a identificarse y ponerlo por
escrito

Dibujar una flecha horizontal larga y colocar en la punta el efecto definido con
anterioridad.
Identificar los factores primarios a travs de una tormenta de ideas. Colocarlos
alrededor de la flecha horizontal y unirlos a stos mediante lneas inclinadas.
Escribir los factores secundarios, terciarios, etc., tambin a travs de una
tormenta de ideas.
Para ayudar a determinar las posibles causas se pueden responder las
siguientes preguntas, Quin? Qu? Dnde? Cundo? Cmo? Cunto?
Analizar y seleccionar las causas reales.
Probar la validez de la secuencia causal, es decir, empezando desde la causa
raz seguir el razonamiento hasta el efecto investigado y comprobar que tiene
sentido lgico.
Si al terminar un diagrama se descubre que una rama tiene pocas causas en
comparacin con las dems, puede querer decir que esta rama requiere un
estudio ms en profundidad, debido, tal vez a que el equipo no conoce
suficientemente bien alguna parte del problema investigado. Se recomienda
estudiar detenidamente esta rama, por si en ella se encontrase la causa raz.
Uno de los fallos ms comunes a la hora de usar el diagrama causa-efecto es
tomar como reales las causas que aparecen, sin contrastarlas con informacin
del problema objeto de estudio.
GRAFICO DE CONTROL
Los Grficos de control sirven para poder analizar el comportamiento de los
diferentes procesos y poder prever posibles fallos de produccin mediante
mtodos estadsticos. Estas se utilizan en la mayora de los procesos industriales.
En ciertos procesos en los que se alcanza un alto grado de capacidad es
aconsejable reducir el nivel de control proporcionado por los grficos de control
estndar, para
ello
utilizaremos
los
lmites
de
control
modificados.

Caractersticas Generales de las Grficas de Control

El termino consistencia se refiere a la uniformidad en la salida del proceso; es
preferible tener un producto de un proceso consistente, que tener uno con calidad
superior, pero de un proceso intermitente.
Una grfica de control se inicia con las mediciones considerando, sin embargo que las
mediciones dependen tanto de los instrumentos, como de las personas que miden y

de las circunstancias del medio ambiente , es conveniente anotar en las grficas de

control observaciones tales como cambio de turno, temperatura ambiente.
GRAFICA DE CONTROL POR VARIABLES
Son Grficos de Control basados en la observacin de la variacin de caractersticas
medibles del producto o del servicio.
Caractersticas principales ayudan a comprender la naturaleza de la herramienta.
Comunicacin.-Simplifican el anlisis de situaciones numricas complejas.
Impacto visual.- Muestran de forma clara y de un "vistazo" la variabilidad del
resultado de un proceso, respecto a una determinada caracterstica, con el
tiempo.
Gua en la investigacin.- El anlisis de datos mediante esta herramienta
proporciona mayor informacin que el simple control de los resultados de un
proceso, sugiriendo posibilidades de correccin preventiva y alternativas de
investigacin.

Construccin de los Grficos de Control por Variables

Carta
Descripcin
Campo de aplicacin.
XR
Medias y Rangos
Control de caractersticas individuales.
X S.
Medias y desviacin Control de caractersticas individuales.
estndar
X-Rm
Mediciones y rangos Control de un proceso con datos variables que no pueden ser
mviles
muestreados en lotes o grupos.
Cartas de control X-R
Paso 1: Colectar los datos.
Paso 2: Calcular el promedio y Ri para cada subgrupo

Paso 3: Calcular el promedio de rangos y el promedio de promedios. X

Paso 4: Calcular los lmites de control.

Los lmites de control son calculados para determinar la variacin de cada subgrupo,
estn basados en el tamao de los subgrupos y se calculan de la siguiente forma:
Lmites de control para Lmites de control para R

Paso 5: Trazar la grfica de control.

Una carta de control -R nos presenta dos grficos en una hoja, la grafica superior es la
de las medias y la grafica inferior es la de rangos R.
En el eje de las x se representa el nmero de subgrupos (se anotan los
nmeros cardinales que representan las muestras sucesivas).
En el eje de las y se representan los valores de las medias rangos segn
corresponda a la grfica que estemos trazando.
Para la grfica para las medias
La grafica consiste en tres lneas de gua: Lmite de control inferior LCLx, lnea
central CLx y lmite de control superior UCLx. La lnea central es el promedio
de promedios y los dos lmites de control son fijados ms o menos a tres
desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz
segn se establezca, cada punto corresponde a un valor .
Para la grfica de Rangos
La grafica consiste en tres lneas de gua: Lmite de control inferior LCLRm, lnea
central CLRm y lmite de control superior UCLRm. La lnea central es el promedio de
los rangos y los dos lmites de control son fijados ms o menos a tres desviaciones
estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn
se establezca, cada punto corresponde a un valor Ri.
Cartas de control s
Paso 1: Colectar los datos
En este paso se siguen las mismas consideraciones que en la construccin de los
grficos, solo que aqu el tamao de muestra n es recomendable que sea mayor a 9.
Paso 2: Calcular el promedio X1 y la desviacin estndar (si) para cada subgrupo

Paso 3: Calcular la desviacin estndar promedio s y el promedio de promedios x

Paso 4: Calcular los lmites de control.

Paso 5: Trazar la grfica de control.

Una carta de control -s nos presenta dos grficos en una hoja, la grafica superior es la
de las medias y la grafica inferior es la de las desviaciones estndar.
En el eje de las x se representa el nmero de subgrupos (se anotan los
nmeros cardinales que representan las muestras sucesivas).
En el eje de las y se representan los valores de las medias desviaciones
estndar segn corresponda a la grfica que estemos trazando.
Para la grfica para las medias
La grafica consiste en tres lneas de gua: Lmite de control inferior LCLx, lnea central
CLx y lmite de control superior UCLx. La lnea central es el promedio de promedios y
los dos lmites de control son fijados ms o menos a tres desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn
se establezca, cada punto corresponde a un valor .
Para la grfica de desviaciones estndar
La grafica consiste en tres lneas de gua: Lmite de control inferior LCLs, lnea central
CLs y lmite de control superior UCLs. La lnea central es el promedio de los rangos y
los dos lmites de control son fijados ms o menos a tres desviaciones estndar.
Cada subgrupo se identifica en la grfica como un punto, un crculo o una cruz segn
se establezca, cada punto corresponde a un valor si .

GRAFICAS DE CONTROL POR ATRIBUTO

Los diagramas de control por atributos constituyen la herramienta esencial utilizada
para controlar caractersticas de calidad cualitativas, esto es, caractersticas no
cuantificables numricamente.
Ejemplos de tales caractersticas no medibles son la fraccin o porcentaje de
unidades defectuosas en la produccin (P), el nmero de unidades defectuosas en
la produccin (NP), el nmero de defectos por unidad producida (U), y el nmero
de defectos de todas las unidades producidas (C).
El diagrama de atributos representa un estadstico T del proceso (como puede ser
el nmero de defectos) frente al nmero de la muestra o al tiempo. Una lnea
central representa el valor medio o esperado del estadstico, mientras que los
lmites de control suelen definir una zona de control que abarca 3T por encima y
por debajo de la lnea central. Estos lmites son escogidos de manera que si el
proceso est bajo control, casi la totalidad de los puntos muestrales se halle entre
ellos.
As, un punto que se encuentra fuera de los lmites de control se interpreta como
una evidencia de que el proceso est fuera de control. Adems, incluso si todos los
puntos se hallan comprendidos entre los lmites de control, pero se comportan de
manera sistemtica o no aleatoria, tambin tendramos un proceso fuera de
Control.
GRAFICA DE CONTROL
DEFECTUOSAS

PARA

LA

FRACCION

DE

UNIDADES

 NUMERO DE DEFECTOS DE LA MUESTRA

GRFICO np.- En ocasiones resulta ms cmodo representar directamente la
cantidad de unidades defectuosas en la muestra en vez de su proporcin, en este
caso el grfico de control correspondiente se denomina np puesto que en ordenadas
se representa esa magnitud. Este tipo de grfico resulta cmodo cuando el tamao de
muestra es constante.
El nmero de unidades defectuosas en la muestra sigue una distribucin terica
binomial de parmetros n y p, cuya media es np y su varianza es npq. As, LC = np,
EJEMPLO GENERAL:
En la siguiente figura tenemos los datos de 24 muestras de producto producido por
turno. En la columna produccin tenemos el total de producto fabricado por turno. La
columna Producto Defectuoso nos indica el nmero de artculos defectuosos por turno;
la columna Nmero de Defectos nos indica el nmero de defectos encontrados en la
produccin de cada turno, ntese que por cada turno el nmero de defectos es mayor
o igual que el nmero de defectuosos, ya que un artculo defectuoso puede tener uno
o ms defectos. Finalmente tenemos la columna de Fraccin Defectuosa, la fraccin
defectuosa de un turno se calcula dividiendo el nmero de productos defectuosos por
la produccin de ese turno, es decir, los valores de la columna D divididos por los
valores de la columna C.

Figura 1
Como recordaremos de un post anterior, los lmites de control de un grfico de fraccin
defectuosa con tamao de muestra variable vienen dado por la siguiente frmula:

Figura 2
Mientras que la fraccin defectuosa se p barra, se calcula con la siguiente frmula:

Figura 3
Ahora bien de las ecuaciones de la Figura 2, vemos que para calcular estos lmites
necesitamos el valor p barra, que es una estimacin de la fraccin defectuosa y ni, que
es el tamao de muestra de cada turno. Es decir, tendremos lmites de control de
diferentes tamaos, debido a que los tamaos de muestra son variables.
El valor de p barra es entonces:

Entonces tenemos ya el valor de p barra y los valores de ni, los cuales son los
artculos producidos en cada turno (tamao de muestra), cuyos valores se muestran
en la columna C de la Figura 1. Ya con esto, calculamos los lmites de control con las
frmulas de la Figura 1. Los valores se muestran en las columnas K, L y M de la
siguiente figura.

Figura 4

Por otra parte, en la columna J, de la figura anterior, tenemos la fraccin defectuosa de

cada muestra o turno, est se calcula para cada turno, dividiendo el nmero de
defectuosos del turno por el total de artculos producidos.
Con los valores de las cuatro columnas de la Figura 4, podemos construir el grfico de
control. Reitero que en un post anterior que se encuentra aqu, se muestra como se
puede
hacer
este
grfico
de
control.
Con los datos de la Figura 4, el grfico de control nos quedara as:

III.- ALALISIS DE LA INFORMACION

La funcin primaria de un Grfico de Control es mostrar el comportamiento o

las pautas de funcionamiento de un proceso. Mediante el anlisis de estas
pautas de funcionamiento se puede identificar la existencia de causas de
variacin especiales (proceso fuera de control).
Cuando esto ocurra, se dejar constancia escrita de la situacin.
a) Un punto exterior a los lmites de control.- Se estudiar la causa de una
desviacin del comportamiento tan fuerte.
b) Dos puntos consecutivos muy prximos al lmite de control.- La situacin es
anmala, estudiar las causas de variacin.
c) Cinco puntos consecutivos por encima o por debajo de la lnea central.Investigar las causas de variacin pues la media de los cinco puntos indica una
desviacin del nivel de funcionamiento del proceso.
d) Fuerte tendencia ascendente o descendente marcada por cinco puntos
consecutivos.-. Investigar las causas de estos cambios progresivos.
e) Cambios bruscos de puntos prximos a un lmite de control hacia el otro
lmite.- Examinar esta conducta errtica.

ANEXOS

I.

. BIBLIOGRAFIA.

http://web.cortland.edu/matresearch/controlprocesos.pdf
http://www.monografias.com/trabajos66/control-proceso/controlproceso.shtml
http://calidad.pucp.edu.pe/cursos/curso-de-especializacion-controlestadistico-de-procesos-con-minitab