©TCM. Técnicas de Control Metrológico, S.L. C/ Dtor. Alcay 16-18 - 50006 - Zaragoza Tel.

976 275 174
www.tcmetrologia.com E-mail: formacion@tcmetrologia.com
Depósito Legal: Z-1949-2010








C
C
C
U
U
U
R
R
R
S
S
S
O
O
O


O
O
O
N
N
N


L
L
L
I
I
I
N
N
N
E
E
E


C
C
C
O
O
O
N
N
N
T
T
T
R
R
R
O
O
O
L
L
L


E
E
E
S
S
S
T
T
T
A
A
A
D
D
D
Í
Í
Í
S
S
S
T
T
T
I
I
I
C
CC
O
O
O


D
D
D
E
E
E


P
P
P
R
R
R
O
O
O
C
C
C
E
E
E
S
S
S
O
O
O
S
S
S








MÓDULO

3
M
M
Ó
Ó
D
D
U
U
L
L
O
O
3
3




GRÁFICOS

DE

CONTROL

POR

VARIABLES
G
G
R
R
Á
Á
F
F
I
I
C
C
O
O
S
S
D
D
E
E
C
C
O
O
N
N
T
T
R
R
O
O
L
L
P
P
O
O
R
R
V
V
A
A
R
R
I
I
A
A
B
B
L
L
E
E
S
S














CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS


INDI CE


MÓDULO 3. GRÁFICOS DE CONTROL POR VARIABLES

INTRODUCCIÓN

7. GRÁFICOS DE CONTROL x y R
7.1. Límites de control preliminares
7.2. Preparación y uso de los gráficos x y R
7.3. Revisión de los límites de control y las líneas centrales
7.4. Monitorización con los gráficos x y R
7.5. Límites de control, de especificación y de tolerancia natural
7.6. Subgrupos racionales
7.7. Autocorrelación
7.8. Gráficos x y R basados en valores estándar
7.9. Interpretación de los gráficos x y R
7.10. Gráfico de control modificado
7.11. El efecto del incumplimiento de la normalidad en los gráficos x y R

8. GRÁFICOS DE CONTROL x y S
8.1. Diseño y operativa de los gráficos x y S
8.2. Gráficos x y S basados en valores estándar

9. GRÁFICO DE CONTROL PARA MEDICIONES INDIVIDUALES
9.1. Interpretación de los gráficos para valores individuales


ANEXO 1
Tabla de constantes para los gráficos de control
















©TCM Pág 2 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

MÓDULO 3. GRÁFI COS DE CONTROL POR VARI ABLES

INTRODUCCIÓN

Se llama variable a una característica de la calidad que se mide en una escala numérica. Son
ejemplos de variables las dimensiones, la temperatura, la fuerza, la presión, etc. En este módulo
se presentan los gráficos de control de Shewhart para estos tipos de características de la calidad.
Como material complementario al curso se adjuntan hojas de cáclulo con los ejemplos incluidos en
la documentación de distintos gráficos de control.

Los gráficos de control x y R son un modo de monitorizar la media y la dispersión de las
variables. Se presentan asimismo algunas variantes de los gráficos x y R.

El control de la media del proceso se realiza con el gráfico de control de medias, o gráfico x . La
dispersión del proceso se puede monitorizar con un gráfico de control para la desviación típica
llamado gráfico S, o bien con un gráfico de control para el recorrido, llamado gráfico R.

El gráfico R se usa con mayor frecuencia que el gráfico S, pero ambos cumplen el mismo papel.
Los gráficos de medias y recorridos se representan por separado y en paralelo para cada
característica de interés, igualmente se hace con los gráficos de medias y desviaciones típicas. Los
gráficos x y R (ó S) se encuentran entre las técnicas estadísticas de monitorización y control de
procesos en línea más importantes y útiles.

Obsérvese que es importante mantener bajo control tanto la media del proceso como la dispersión
del proceso. En la siguiente figura se ilustra la salida de un proceso de producción.

En el primer caso la media µ y la
desviación típica o están bajo
control en sus valores nominales
(por ejemplo, µ
0
y o
0
); por
consiguiente, la mayor parte de la
salida del proceso se localiza
dentro de los límites de la
especificación.

Sin embargo, en el segundo, la
media se ha movido a un valor µ
1


0
, dando como resultado una
fracción mayor de productos
disconformes.

En el tercero, la desviación típica
del proceso se ha movido a un
valor o
1
>o
0
. Esto también da
como resultado una porción más
alta de productos disconformes,
aun cuando la media del proceso
permanezca en el valor nominal.
LIE LSE
µ
0
o
0

µ
1
o
0
µ
0
o
1

LIE LSE
©TCM Pág 3 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

7. GRÁFI COS DE CONTROL x y R

Fundamentos estadísticos de los gráficos

Supongamos que una característica de la calidad tiene una distribución normal con media µ y
desviación típica o, donde tanto µ como o son conocidas. Si x
1
, x
2
, ..., x
n
es una muestra de
tamaño n, entonces la media de esta muestra es

n
x x x
x
n
+ + +
=
...
2 1


Por el teorema del límite central se sabe que x sigue una distribución normal con media µ y
desviación estándar n
x
/ o o = . Un intervalo de confianza del 99,73% para las medias
muestrales viene delimitado por

n
x
o
µ o µ 3 3 + = +
y
n
x
o
µ o µ 3 3 ÷ = ÷


Por lo tanto, si µ y o fuesen conocidas las ecuaciones anteriores podrían usarse como unos limites
de control superior e inferior en un gráfico de las medias muestrales. Si la media de una muestra
se localizase fuera de estos límites se trataría de un indicio de que la media del proceso habría
dejado de ser igual a µ.

Hemos supuesto que la distribución de la característica de la calidad es normal. Sin embargo, los
resultados anteriores siguen siendo aproximadamente válidos incluso cuando la distribución de
origen no es normal debido al teorema del límite central.

En la práctica generalmente no se conocen los valores de µ y o. Por lo tanto, deben estimarse a
partir de muestras o subgrupos preliminares tomados cuando se considera que el proceso está
bajo control.

En general, las estimaciones de µ y o deberán basarse en al menos 20 ó 25 muestras ó subgrupos
constituidos normalmente por un número comprendido entre 3 y 6 observaciones. Supongamos
que contamos con m muestras, cada una de las cuales contiene n observaciones de la
característica de la calidad. Los tamaños pequeños de muestra suelen resultar de la construcción
de subgrupos racionales y del hecho de que los costos de muestreo e inspección asociados con la
medición de las variables por lo general son relativamente altos.

Sean
m
x x x ,... ,
2 1
los promedios de cada muestra. Entonces, el mejor estimador de la media del
proceso µ, es la gran mediax

m
x x x
x
m
+ + +
=
...
2 1


Por tanto, x se usaría como la línea central (LC) en el gráfico x .
©TCM Pág 4 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Para construir los límites de control, es necesaria una estimación de la desviación típica o.
Recuérdese que o puede estimarse, bien a partir de las desviaciones típicas, o bien a partir de los
recorridos de las m muestras.

Por el momento, nos concentraremos aquí en el método del recorrido. Si x
1
, x
2
, ..., x
n
, es una
muestra de tamaño n, entonces el recorrido de una muestra es la diferencia entre las
observaciones menor y mayor; es decir,

R = x
max
- x
min


Sean R
1
, R
2
,... R
m
los rangos de las m muestras. El rango promedio es

m
R R R
R
m
+ + +
=
...
2 1


Pueden obtenerse las fórmulas para construir los límites de control del gráfico x . Para su
obtención se parte de las expresiones del intervalo de confianza para las medias muestrales vistas
anteriormente.

n
x LSC
o
µ 3 + = y
n
x LIC
o
µ 3 ÷ =


Designando como oˆa una estimación de o, se puede obtener del siguiente modo:

2
d
R
= oˆ


donde R es la media de los recorridos de los 20 ó 25 subgrupos, y d
2
es un coeficiente tabulado
cuyo valor depende de los grados de libertad con los que se ha obtenido R (número de
subgrupos m y del tamaño de los mismos n). En el anexo 1 se incluye la tabla de los valores de d
2
para tamaños de muestra n de 2 a 25, y un número de subgrupos m mayor o igual que 20.

Nota: Existen tablas para obtener d
2
a partir de un número de subgrupos m menor que 20, pero
no se suelen necesitar dado que el número de subgrupos requerido para estimar los límites de
control es siempre igual o mayor que 20.

Por lo tanto, una estimación de los límites de control se puede obtener del sustituyendo o por oˆ

n d
R
x LSC
2
3 + = µ y
n d
R
x LIC
2
3 ÷ = µ

Se define A
2
como un coeficiente cuyo valor también está tabulado en el anexo 1 en función del
tamaño de la muestra n


©TCM Pág 5 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

n d
A
2
2
3
=


Sustituyendo, se pueden estimar los límites de control del gráfico x

R A x x LSC
2
+ =

Línea central = x LC =

R A x x LIC
2
÷ =

La dispersión del proceso se puede monitorizar representando los valores del rango muestral R en
un gráfico de control. La línea central y los límites de control del gráfico R son los siguientes:

Límites de control del gráfico R

R D LSC
R 4
=

Línea central = R

R D LIC
R 3
=

En el anexo 1 se tabulan las constantes D
3
y D
4
para varios valores de n.


7.1. Límites de control preliminares

Cuando se utilizan las primeras muestras para construir los gráficos de control x y R se
acostumbra designar y tratar a los límites de control obtenidos según las ecuaciones anteriores
como límites de control preliminares.

Estos límites preliminares permiten determinar si el proceso se encontraba bajo control cuando se
seleccionaron las m muestras iniciales. Para probar la hipótesis del control pasado se representan
los valores de x y R de cada muestra en los gráficos y se analiza la representación resultante. Si
todos los puntos se localizan dentro de los límites de control y no es evidente ningún
comportamiento sistemático, se concluye entonces que el proceso estaba bajo control en el
pasado, los límites de control de prueba son apropiados para controlar la producción actual o
futura.

En ocasiones se hace referencia a este análisis de datos pasados como un análisis en Fase 1. Es
importante contar con 20 o 25 muestras o subgrupos de tamaño n (normalmente entre 3 y 6) para
calcular los límites de control preliminares. Es posible, desde luego, trabajar con menos datos,
pero los límites de control no son tan confiables.



©TCM Pág 6 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Supongamos que uno o más de los valores de x ó R se localizasen fuera de control cuando se
comparan con los límites de control preliminares. Evidentemente si los límites de control para la
producción actual o futura deben ser significativos, deberían basarse en datos de un proceso que
esté bajo control.

Por lo tanto, cuando la hipótesis del control pasado se rechaza, es necesario revisar los límites de
control preliminares. Esto se hace examinando cada uno de los puntos fuera de control y buscando
una causa asignable. Si no se encuentra una causa especial el punto se descarta, y los límites de
control de prueba se calculan de nuevo utilizando únicamente los puntos restantes. Después, estos
puntos restantes vuelven a examinarse para el control, (obsérvese que los puntos que inicialmente
estaban bajo control quizá estén ahora fuera de control, ya que por lo general los nuevos límites
de control preliminares serán más estrechos que los anteriores). Este proceso se continua hasta
que todos los puntos se localicen bajo control, momento en el que los límites de control
preliminares se asumen para uso actual.

En algunos casos, quizás no sea posible encontrar la causa asignable para un punto que se localiza
fuera de control. En este caso dos tipos de estrategia posible:

a) Eliminar el punto como si se hubiera encontrado la causa asignable. No existe ninguna
justificación analítica para hacer esto, a no ser que los puntos que están fuera de los límites
de control posiblemente se hayan sacado de una distribución de probabilidad propia de un
estado fuera de control.

b) Conservar el punto (o puntos) considerando los límites de control como apropiados para
el control actual. Desde luego, si el punto en realidad representa una condición fuera de
control, los límites de control resultantes serán muy anchos. Sin embargo, si solo hay uno o
dos de estos puntos, esto no distorsionara significativamente el gráfico de control. Si
muestras futuras continúan indicando control entonces los puntos no explicados
probablemente pueden omitirse sin peligro.

Ocasionalmente, cuando muchos puntos se localizarán fuera de los límites control preliminares, es
evidente que si se omiten de manera arbitraria los puntos fuera de control se tendrá una situación
insatisfactoria, ya que muchos puntos se localizarán fuera de control quedarán pocos datos con los
cuales volver a calcular unos límites de control confiables. Sospechamos asimismo, que este
enfoque ignoraría mucha información útil contenida en los datos. Por otra parte, es poco probable
que la búsqueda de una causa asignable para cada punto fuera de control sea exitosa.

Cuando los valores muestrales iniciales se localizan fuera de control contra los límites de prueba, lo
mejor es concentrarse en el patrón que forman estos puntos. Casi siempre existirá este patrón.
Generalmente, es muy sencillo identificar la causa asignable asociada con el patrón de puntos
fuera de control. La eliminación de este problema del proceso suele repercutir en una mejora
importante del mismo.







©TCM Pág 7 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
©TCM Pág 8 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010

Nº Muestra
1 32,001 32,009 32,005 31,995 32,007 32,003 0
2 32,003 32,012 31,998 32,011 32,005 32,006 0
3 31,991 32,007 32,022 32,010 31,996 32,005 0
4 32,005 31,992 32,016 31,995 31,993 32,000 0
5 32,002 31,996 31,988 31,983 32,009 31,996 0
6 32,018 32,017 32,005 32,002 32,003 32,009 0
7 32,001 32,002 31,997 32,013 32,010 32,005 0
8 31,988 31,992 31,999 31,995 31,996 31,994 0
9 31,980 32,009 32,001 31,990 31,999 31,996 0
10 31,997 31,987 32,015 31,998 31,984 31,996 0
11 31,985 32,002 31,991 31,998 32,002 31,996 0
12 32,019 31,999 31,996 31,980 32,001 31,999 0
13 31,989 32,000 31,989 32,001 31,993 31,994 0
14 32,002 32,012 31,998 32,012 32,012 32,007 0
15 31,999 31,999 32,002 32,017 32,001 32,004 0
16 32,005 31,998 32,002 32,003 32,015 32,005 0
17 31,979 31,989 31,999 32,003 32,021 31,998 0
18 31,994 32,008 32,006 31,996 32,017 32,004 0
19 31,999 32,004 32,011 32,004 31,987 32,001 0
20 31,993 31,997 32,003 32,010 32,002 32,001 0
21 32,005 31,993 31,989 31,995 32,002 31,997 0
22 31,998 31,997 32,000 31,992 31,999 31,997 0
23 32,002 31,991 32,002 31,998 32,024 32,003 0
24 31,993 32,020 32,010 31,985 31,998 32,001 0
25 31,995 32,005 31,985 32,011 31,988 31,997 0
32,0006
Observaciones
,014
,014
,031
,024
,026
,016
,016
,011
,029
,031
,017
,039
,012
,014
,018
,017
,042
,023
,024
,017
,016
,008
,033
,035
,026
0,022 = x = R
i
x R
i

7.2. Preparación y uso de los gráficos x y R

En el apartado anterior se presentaron los fundamentos estadísticos de los gráficos de control x y
R. Se ilustra ahora la construcción y aplicación de estos gráficos. Se discuten asimismo algunas
indicaciones para usar estos gráficos en la práctica.

Ejemplo: Un suministrador de componentes para el automóvil fábrica casquillos cuyo diámetro
tiene una especificación 32±0,05. Se quiere establecer el control estadístico de esta característica
utilizando los gráficos x y R. Se toman 25 muestras, de cinco piezas cada una, cuando se
considera que el proceso esta bajo control. En la siguiente tabla se muestran los datos de la
medición de estas muestras.



























Mediciones del diámetro de los casquillos

Cuando se establecen los gráficos de control x y R es mejor empezar con el gráfico R. Dado que
los límites de control del gráfico x dependen de la dispersión del proceso, a menos que la
dispersión del proceso esté bajo control, estos límites no tendrán mucho sentido. Utilizando los
datos de la tabla, se encuentra que la línea central del gráfico R es

022 0
25
25
1
, = =
¿
= i
i
R
R


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

En la tabla del anexo 1 se encuentra que D
3
=0 y D
4
=2,115 para muestras con n = 5. Por lo tanto,
los límites de control para el gráfico R son

047 0 022 0 115 2
4
, , , = × = = R D LSC
R


0 022 0 0
3
= × = = , R D LIC
R


En la siguiente figura se muestra el gráfico R. Cuando los 25 rangos muestrales se representan en
este gráfico, no hay indicios de una condición fuera de control.

0,0000
0,0100
0,0200
0,0300
0,0400
0,0500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25









Puesto que el gráfico R indica que la variabilidad del proceso está bajo control puede construirse
ahora el gráfico x . La línea central es

0006 32
25
25
1
, = =
¿
= i
i
x
x

Para encontrar los límites de control del gráfico, se usa A
2
= 0,577 de la tabla del anexo 1 para
muestras de tamaño n = 5

013 32 022 0 577 0 0006 32
2
, , , , = × + = + = R A x x LSC

988 31 022 0 577 0 0006 32
2
, , , , = × ÷ = ÷ = R A x x LIC

El gráfico x se muestra en la siguiente figura. Cuando las medias muestrales preliminares se
representan en este gráfico, no se observa ningún indicio de una condición fuera de control.

31,980
31,985
31,990
31,995
32,000
32,005
32,010
32,015
32,020
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25




©TCM Pág 9 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Por lo tanto, puesto que los gráficos x y R indican control, se concluiría que el proceso está bajo
control en los niveles establecidos y se adoptan los límites de control preliminares para usarlos en
el control estadístico del proceso en línea.


La desviación típica del proceso puede estimarse a partir de la siguiente expresión:

0095 , 0
326 , 2
022 , 0
ˆ
2
= = =
d
R
o



En la práctica es común usar paquetes de software para construir los gráficos de control. Los
gráficos x y R mostrados en las anteriores figuras han sido realizados con Excel. Estas hojas de
cálculo están disponibles en el portal de formación.


7.3. Revisión de los límites de control y las líneas centrales

El conjunto inicial de límites de control siempre deberá tratarse como límites preliminares sujetos a
revisión subsiguiente. En general, el uso efectivo de cualquier gráfico de control requerirá la
revisión periódica de los límites de control y de las líneas centrales. En la práctica se pueden
establecer periodos regulares para revisar los límites de los gráficos de control, como cada semana
cada mes o cada 25, 50 o 100 muestras. Cuando se revisan los límites de control, se debe
recordar que es deseable emplear al menos 25 muestras o subgrupos (algunas autoridades
recomiendan 200-300 observaciones individuales) para calcular los límites de control.

En ocasiones el usuario sustituirá la línea central del gráfico x con un valor objetivo, por ejemplo
0
x . Si el gráfico R muestra control, esto puede ser útil para mover la media del proceso al valor
deseado, particularmente en procesos donde la media se puede mover mediante el ajuste de una
variable manipulable del proceso.

Si no es sencillo influir en la media mediante un ajuste del proceso, entonces es posible que sea
una función compleja y desconocida de varias variables del proceso, y quizá no sea útil un valor
objetivo
0
x ya que el uso de ese valor podría dar como resultado muchos puntos fuera de los
límites de control. En tales casos, no se sabría necesariamente si el punto estaba asociado en
realidad con una causa asignable o si se localizó fuera de los límites de control debido a una
elección inadecuada le la línea central.

Cuando el gráfico R está fuera de control es común eliminar los puntos fuera de control y volver a
calcular un valor revisado de R . Después se usa este valor para determinar los nuevos límites y la
línea central en el gráfico R y los nuevos límites en el gráfico x . Con esto se estrecharán los
límites de ambos gráficos, haciéndoles consistentes con una desviación estándar o del proceso
consistente, a su vez, con el uso del valor revisado de R de la relación
2
d R / . Esta estimación de
o podría usarse como la base de un análisis preliminar de la capacidad del proceso.



©TCM Pág 10 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

7.4. Monitorización con los gráficos x y R

Una vez que se establece un conjunto de límites de control confiables, el gráfico de control se usa
para monitorizar la producción futura. A esto se le llama en ocasiones la Fase 2 del uso del gráfico
de control.

En la monitorización en línea muchas veces surge la tentación de usar las reglas de sensibilidad (o
reglas de Western Electric) discutidas en el módulo 2 para acelerar la detección de causas
especiales de varización. Sin embargo, se debe recordar que no siempre es recomendable el uso
rutinario de estas reglas de sensibilidad para la monitorización en línea de un proceso estable, ya
que incrementa en gran medida la probabilidad de falsas alarmas.

Al examinar los datos de un gráfico de control a veces es útil preparar un gráfico en el orden de
las observaciones individuales de cada muestra. A este gráfico en ocasiones se le llama gráfico de
tolerancia o diagrama de hileras. Pueden revelar algún patrón en los datos, o pueden indicar que
un valor particular de x o R fue producido por una o dos observaciones inusuales de la muestra.

En la siguiente figura se muestra la forma de un diagrama de hileras, los puntos representan las
observaciones individuales dentro de cada muestra.


1 2 3 4 5 6 7 8 9 10
LSE
LIE
















Gráfico de hileras o gráfico de tolerancias

En el gráfico de la figura se observa un desplazamiento de la media hacia el límite superior de
especificación por lo que debería realizarse una búsqueda de la causa de mismo. El plan de acción
para condiciones fuera de control PCFC desempeña un papel clave en estas actividades al dirigir al
personal de operación por una serie de actividades secuenciales para encontrar la causa asignable.
Con frecuencia será necesaria la participación y apoyo adicional de ingenieros, la dirección y del
personal de ingeniería de calidad para encontrar y eliminar las causas asignables.




©TCM Pág 11 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

7.5. Límites de control, de especificación y de tolerancia natural

Un punto en el que deberá hacerse hincapié es que no existe ninguna conexión o relación entre
los límites de control de los gráficos x y R y los límites de la especificación del proceso. Los límites
de control están regidos por la variabilidad natural del proceso (medida por la desviación típica del
proceso), es decir, por los límites de tolerancia natural del proceso. Se acostumbra definir los
límites superior e inferior de tolerancia natural, por ejemplo LSTN y LITN, como 3o por encima y
por debajo de la media del proceso.

La determinación de los límites de la especificación, por otra parte, es externa. Pueden ser
establecidos por la reglamentación, por los ingenieros de fabricación, por el cliente o por los
desarrolladores/diseñadores del producto. Es necesario conocer la dispersión inherente del proceso
cuando se establecen las especificaciones, pero recuérdese que no existe ninguna relación
matemática o estadística entre los límites de control y los límites de la especificación. En la
siguiente figura se resume la situación.




Distribución de los valores
medios muestrales



x
o 3
x
o 3

Límites de control LSC
LIC


Distribución de mediciones
individuales del proceso




3o 3o

µ






Relación entre los límites de tolerancia natural, los límites de control y los límites de especificación


A veces se da el caso de quienes en la práctica representan los límites de especificación en el
gráfico de control. Esta práctica es completamente incorrecta y no debe aplicarse. Solamente
cuando se trabaja con gráficos de observaciones individuales (no con medias), es conveniente
representar los límites de la especificación en ese gráfico.

LITN LSTN
LIE LSE
Variación natural del proceso
Especificación del producto
©TCM Pág 12 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
©TCM Pág 13 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


7.6. Subgrupos racionales

El concepto de subgrupo racional desempeña un importante papel en el uso de los gráficos de
control x y R. La definición de un subgrupo racional en la práctica se puede facilitar si se tiene
una comprensión clara de las funciones de los dos tipos de gráficos de control.

El gráfico x monitoriza el nivel de calidad de la media del proceso. Por lo tanto, las muestras
deberán seleccionarse de modo que se maximicen las probabilidades de que ocurran
desplazamientos en la media del proceso entre en las muestras y, en consecuencia, de que
aparezcan como puntos fuera de control en el gráfico x . El gráfico R, por otra parte, mide la
dispersión dentro de una muestra. Por lo tanto, las muestras deberán seleccionarse de tal modo
que la dispersión dentro de las muestras mida tan sólo las causas fortuitas o aleatorias. Otra
manera de decir lo anterior es que el gráfico x monitoriza la dispersión entre las muestras (la
dispersión del proceso con el tiempo), y el gráfico R mide la dispersión dentro de la muestras (la
dispersión instantánea del proceso en un tiempo dado).

Un aspecto importante de este planteamiento es evidente a partir del examen atento de la forma
en que los gráficos x y R se determinan a partir de datos pasados. La estimación de la desviación
típica o del proceso usada en la construcción de los gráficos de control se calcula a partir de la
dispersión dentro de cada muestra (a partir de los recorridos muestrales individuales). Por
consiguiente, la estimación de o refleja solo la dispersión dentro de las muestras. No es correcto
estimar o en base a la estimación cuadrática usual; es decir

1
1 1
2
÷
÷
=
¿¿
= =
mn
x x
S
m
i
n
j
ij
) (


donde
ij
es la j-ésima observación de la i-ésima muestra, ya que si las medias muestrales
difieren, entonces esto ocasionará que S sea demasiado grande. Por consiguiente, o será
sobrestimada. Agrupar todos los datos preliminares de esta manera para estimar o
x
no es una
buena práctica porque combina potencialmente tanto la dispersión entre las muestras como la
dispersión dentro de las muestras. Los límites de control deben basarse tan sólo en la dispersión
dentro de las muestras.

Para configurar los gráficos x y R, debe especificarse el tamaño de la muestra, la anchura de los
límites de control y la frecuencia del muestreo que van a usarse. No es posible ofrecer una
solución exacta del problema del diseño de los gráficos de control a menos que el analista
disponga de información detallada acerca de las características estadísticas del proceso
representado en el gráfico de control y de los factores económicos que afectan al problema.

Una solución completa para el diseño adecuado del gráfico de control requeriría conocer el costo
del muestreo, los costos de la investigación y posible corrección del proceso en respuesta a las
señales de fuera de control y los costos asociados con la producción de un producto que no
cumple con las especificaciones. Con esta clase de información podría construirse un modelo de
decisión económica que permitiría el diseño del gráfico de control óptimo desde el punto de vista
económico. Sin embargo, es posible dar ahora algunos criterios generales que ayudarán en el
diseño de los gráficos de control.


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Si el gráfico x se está usando principalmente para detectar desplazamientos de moderados a
grandes en el proceso - por ejemplo en el orden de 2o o mayores -, entonces las muestras
pequeñas, de tamaño n = 4, 5 ó 6 son razonablemente efectivas. Por otra parte, si se esta
intentando detectar cambios pequeños, entonces se necesitarán tamaños de la muestra más
grandes, posiblemente de n = 15 a n = 25.

Cuando se utilizan los tamaños de muestra más pequeños, es menor el riesgo de que ocurra un
cambio significativo en el proceso mientras se toma la muestra. Si ocurre un desplazamiento
mientras se toma una muestra, la media muestral puede ocultar este efecto. Por consiguiente,
este es un argumento para usar el tamaño de la muestra menor que sea consistente con la
magnitud del desplazamiento del proceso que se está intentando detectar.

Una alternativa para el incremento del tamaño de la muestra es usar límites de advertencia y otros
procedimientos de sensibilidad a fin de fortalecer la capacidad del gráfico de control para detectar
desplazamientos pequeños en el proceso. Sin embargo, como se señaló anteriormente, no es
recomendable el uso rutinario de estas reglas de sensibilidad. Si existe interés en los
desplazamientos pequeños, lo más conveniente es usar los gráficos CUSUM o EWMA.

El gráfico R es relativamente insensible a los desplazamientos en la desviación típica del proceso
para muestras pequeñas. Por ejemplo, muestras de tamaño n = 5 tienen tan solo una probabilidad
aproximada del 40% de detectar en la primera muestra un cambio en la desviación típica del
proceso de o a 2o. Las muestras más grandes parecerían ser más efectivas, pero se sabe también
que la eficiencia del método del recorrido para estimar la desviación típica disminuye
dramáticamente cuando n se incrementa. Por consiguiente, para n grande -por ejemplo n > 10 o
12- probablemente sea mejor utilizar un gráfico de control para S o S
2
en lugar del gráfico R. Más
adelante se presentan los detalles para constituir estos gráficos.

Desde el punto de vista estadístico, las curvas características de operación de los gráficos x y R
pueden ser útiles para elegir el tamaño de la muestra. Permitirán al analista hacerse una idea de la
magnitud del desplazamiento en el proceso que será detectado con una probabilidad establecida
para cualquier tamaño de la muestra n.

Elegir el tamaño de la muestra y la frecuencia del muestreo requiere un esfuerzo de asignación del
muestreo basado en la retroalimentación. En general, el responsable de tomar la decisión contará
tan sólo con un número limitado de recursos para asignarlos al proceso de inspección.

Las estrategias disponibles serán en general tomar muestras pequeñas y frecuentes o bien tomar
muestras más grandes con menor frecuencia. Por ejemplo, la elección puede estar entre tomar
muestras de tamaño 5 cada media hora o muestras de tamaño 20 cada 2 horas. Es imposible decir
cuál de las dos estrategias es la mejor en todos los casos, pero la práctica actual en la industria se
inclina por las muestras pequeñas y frecuentes. El sentir general es que si el intervalo entre las
muestras es muy grande, se producirán demasiados productos defectuosos antes de tener otra
oportunidad de detectar la ocurrencia de un desplazamiento en el proceso.

Por consideraciones económicas, si el costo asociado con la producción de artículos defectuosos es
elevado las muestras más pequeñas y frecuentes son mejores que las grandes y menos
frecuentes. Desde luego, podrían usarse esquemas de intervalos muestrales variables y un tamaño
de la muestra variable.

©TCM Pág 14 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

La velocidad de producción también influye en la elección del tamaño de la muestra y la frecuencia
del muestreo. Si la velocidad de producción es alta -por ejemplo, 50 000 unidades por hora-,
entonces se requerirá un muestreo más frecuente que si la velocidad de producción es
extremadamente lenta. Cuando las velocidades de producción son altas, se producirán muchas
unidades disconformes del producto en un tiempo muy corto cuando ocurren desplazamientos en
el proceso.

Además, con las velocidades de producción altas en ocasiones es posible obtener muestras
bastante grandes de manera económica. Por ejemplo, si se producen 50 000 unidades por hora,
no hay una diferencia apreciable en el tiempo para recoger una muestra de tamaño 20 en
comparación con una de tamaño 5.

Si no son excesivos los costos de inspección y prueba por unidad, los procesos que operan con
una velocidad de producción alta con frecuencia se monitorizan utilizando tamaños de la muestra
moderadamente grandes.

El uso de los límites de control tres sigma en los gráficos de control x y R es una práctica
generalizada. Sin embargo, hay situaciones en las que son convenientes las desviaciones de esta
elección acostumbrada de los límites de control. Por ejemplo, si la investigación de las falsas
alarmas o los errores tipo 1 (se genera una señal de fuera de control cuando el proceso en
realidad está bajo control) es muy costosa, entonces quizá sea mejor emplear límites de control
con una anchura mayor que tres sigma, quizás hasta de 3,5 sigma. Sin embargo, si el proceso es
tal que las señales de fuera de control se investigan con rapidez y facilidad, y con costos y tiempo
perdido mínimos, entonces los límites de control con una anchura menor, quizás de 2,5 sigma, son
apropiados.


7.7. Autocorrelación

Tal como se ha explicado un subgrupo racional es aquel en el que sus elementos son elegidos para
que sea mínima la probabilidad de cambio debida a causas especial de variación. Tomando piezas
consecutivas en cada subgrupo se minimiza la probabilidad de que aparezcan causas especiales de
variación dentro de un subgrupo. La variación dentro de un subgrupo representa la variación pieza
a pieza en un corto periodo de tiempo.

Los subgrupos deben recogerse en intervalos suficientemente cortos para reflejar los posibles
cambios debidos a: relevo de operarios, cambio en lotes de material, tendencias por
calentamiento, etc. El número de subgrupos para establecer los límites de control debe ser
suficiente (25 o más) para asegurar que la mayor parte de las fuentes de variación que pueden
afectar al proceso han tenido oportunidad de aparecer.

El sistema de muestreo de los elementos de un subgrupo debe ser aleatorio, lo que significa que
cualquier elemento tiene la misma oportunidad de ser recogido. En una muestra aleatoria las
observaciones son planificadas y elegidas de antemano. El sistema de muestreo tendrá en cuenta
el conocimiento acerca de posibles causas especiales de variación para evitarlas.




©TCM Pág 15 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

El muestreo fortuito o conveniente, no basado en la ocurrencia esperada de una causa especial de
variación, debe ser evitado ya que proporciona una falsa sensación de seguridad pudiendo llevar a
resultados sesgados y a posibles errores de decisión.

Existen tres características del muestreo que deben ser consideradas:

Tamaño: Nº de piezas en un subgrupo?

Frecuencia: Cada cuanto tiempo se selecciona un subgrupo?

Tipo: Piezas consecutivas, aleatorias, o elegidas según otro plan?

La tercera de las características anteriores es rara vez considerada pero puede tener un fuerte
impacto en los resultados e interpretación de los gráficos de control.

La autocorrelación es un fenómeno asociado a la alta velocidad de proceso o la automatización
que puede dar lugar a la revisión del tipo de muestreo elegido.

La autocorrelación se da porque existe una causa predecible de variación que impide que afloren
las causas comunes de variación que actúan a más largo plazo.

Ejemplo 1: Control de Temperatura

Al realizar el muestreo de temperatura en una sala tomando 5 lecturas consecutivas los
valores serán prácticamente iguales, sin embargo al cabo de una hora las lecturas serán
probablemente distintas mientras las 5 de la muestra seguirán siendo iguales.

El gráfico de medias puede aparentar variación aleatoria pero el de recorridos presentará
ceros y la media de los recorridos será cercana a cero, por lo que los límites de control del
gráfico de medias estarán cerrados dando lugar a puntos fuera de control.


Ejemplo 2: Control dimensional de pieza obtenidas por Estampación

Los datos de un proceso de estampado con alimentación por una bobina de acero están
generalmente autocorrelacionados.

Si los datos fuesen aleatorizados tras el proceso se rompería la autocorrelación por lo que,
aunque el histograma de frecuencias seguiría siendo el mismo, los gráficos de control
presentarían mejor aspecto.

La autocorrelación puede dar lugar a conclusiones erróneas sobre los índices Cpk ya que este
índice se calcula en base al recorrido medio y al ser este menor del real, dará lugar a un índice Cpk
mucho mayor del real.





©TCM Pág 16 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
©TCM Pág 17 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010



Proceso con Auto-Correlación Proceso con muestras aleatorizadas























Cuando las muestras de un proceso son estables e independientes el gráfico posiciona
aleatoriamente los valores entre los límites de control. Cuando las muestras de un proceso están
autocorrelacionadas el gráfico forma un trazado deambualante.

Para descubrir si un proceso está autocorrelacionado, se pueden seguir las pautas:

- Si el proceso está influido por el operador probablemente no estará correlacionado

- Si el proceso está influido por el material como la bobina de acero empleada para
alimentar un proceso de estampación la autocorrelación es muy probable.

- Si el proceso depende de parámetros de la máquina como la presión de estampado,
temperatura, lubricación, estado de las herramientas, etc. La autocorrelación es probable.

Existen metodologías de análisis estadístico para descubrir si realmente existe autocorrelación y su
patrón. La metodología de análisis de correlación de muestras pareadas compara sucesivamente
cada muestra con la anterior.

Para modificar la autocorrelación de un proceso se pueden utilizar diferentes técnicas:

- Gráfico de valores Individuales y Rango Móvil, en caso de que la variación inherente al
proceso sea menor que la discriminación del sistema de medida.


0,0
100,0
200,0
300,0
400,0
500,0
600,0
700,0
800,0
900,0
1 2 3 4 5 6 7 8 9 10
0,0
10,0
20,0
30,0
40,0
50,0
60,0
70,0
80,0
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
18
415 454 493 533 572 611 ymayor...
0,0
100,0
200,0
300,0
400,0
500,0
600,0
700,0
800,0
900,0
1 2 3 4 5 6 7 8 9 10
0,0
50,0
100,0
150,0
200,0
250,0
300,0
350,0
400,0
450,0
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
18
415 454 493 533 572 611 y mayor...

CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS


- La selección de muestras en cantidad y frecuencias adecuadas por ejemplo cuando se
produce un cambio de material.

- La utilización de gráficos autoregresivos

- Gráficos estructurados especialmente para visualizar la variación inherente al proceso y la
variación entre subgrupos.


7.8. Gráficos x y R basados en valores estándar

Cuando es posible especificar valores estándar para la media y la desviación estándar del proceso,
estos se pueden usar para establecer los gráficos de control x y R sin el análisis de los datos
pasados. Suponer que los valores estándar dados son µ y o. Entonces, los parámetros del gráfico
x son
n
x LSC
o
µ 3 + =

µ = LC

n
x LIC
o
µ 3 ÷ =


La cantidad
n A 3 =
, es una constante que depende de n, cuyo valor se ha determinado en la
tabla del anexo 1. Por consiguiente, los parámetros del gráfico x se podrían escribir como

o µ A x LSC + =

µ = LC

o µ A x LIC ÷ =

Para construir el gráfico R con un valor estándar de o se utilizan las siguientes ecuaciones

R D LSC
R 2
=

Línea central = o
2
d R LC = =

R D LIC
R 1
=
recuérdese que
2
d R = oˆ

Las constantes D
1
y D
2
se tabulan en la tabla del anexo 1.


©TCM Pág 18 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS


Debe tenerse cuidado cuando los valores estándar de µ y o estén dados. Podría ocurrir que estos
valores estándar en realidad no sean aplicables al proceso, como resultado, los gráficos x y R
producirían muchas señales de fuera de control respecto de los valores estándar especificados.

Si el proceso en realidad se encuentra bajo control en otra media y otra desviación típica, entonces
el analista puede dedicar esfuerzos considerables a buscar causas asignables inexistentes. Los
valores estándar de o parecen ocasionar más problemas que los valores estándar de µ. En
procesos donde la media de la característica de la calidad se controla mediante ajustes de la
máquina, en ocasiones los valores estándar u objetivo de µ son útiles para alcanzar las metas de
la Dirección con respecto al desempeño del proceso.


7.9. Interpretación de los gráficos x y R

Se ha señalado ya que, cuando el patrón de los puntos representados en un gráfico de control
muestra un comportamiento no aleatorio o sistemático, puede estar reflejando una condición fuera
de control, aun cuando ningún punto particular se localice fuera de los límites.

En muchos casos, el patrón de los puntos representados proporcionará información útil para el
diagnostico del proceso, y esta información puede usarse para realizar modificaciones que
reduzcan la variabilidad (que es la meta del control estadístico de procesos). Además, estos
patrones ocurren con bastante frecuencia en la fase 1 (estudio en retrospectiva de datos pasados),
y su eliminación frecuentemente es crucial para poner el proceso bajo control.

En este apartado se discuten brevemente algunos de los patrones más comunes que aparecen en
los gráficos x y R, y se indican algunas de las características del proceso que pueden producir
estos patrones. Para hacer una interpretación efectiva de los gráficos x y R, el analista debe estar
familiarizado con los principios estadísticos que fundamentan el gráfico de control y con el proceso
en sí mismo.

Para interpretar patrones en un gráfico x es necesario determinar primero si el gráfico R está o
no bajo control. Algunas causas asignables aparecen tanto en el gráfico x corno en el gráfico R,
Si los dos gráficos x y R muestran un patrón no aleatorio, la mejor estrategia es eliminar primero
las causas asignables del gráfico R.

En muchos casos, con esto se eliminará automáticamente el patrón no aleatorio del gráfico x .
Nunca se deberá intentar interpretar el gráfico x cuando el gráfico R indique una condición de
fuera de control.


Patrones cíclicos

En ocasiones aparecen patrones cíclicos en un gráfico de control. Este patrón en el gráfico x
puede resultar de cambios ambientales sistemáticos tales como la temperatura, fatiga del
operador, rotación regular de operadores y/o máquinas, o fluctuación en el voltaje o la presión o
en alguna otra variable del equipo de producción.


©TCM Pág 19 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
©TCM Pág 20 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010



Los gráficos R en ocasiones revelarán ciclos debido a los programas de mantenimiento, fatiga del
operario o desgaste de herramientas que dan lugar a una variabilidad excesiva. Por ejemplo, la
dispersión cíclica en el volumen de llenado de un recipiente metálico puede ser causada por el
ciclo encendido-apagado de la compresora de la máquina de llenado. En la siguiente figura se
muestra un ejemplo típico.











Ejemplo de patrón cíclico


Patrones mezclados

Cuando los puntos representados tienden a localizarse cerca o ligeramente fuera de los límites de
control, con relativamente pocos puntos cerca de la línea central, tal como se muestra en la
siguiente figura, puede haber una mezcla de distribuciones de valores.
















Un patrón mezclado es generado por dos (o más) distribuciones solapadas en la salida del
proceso. La gravedad del patrón mezclado depende del grado de solape de las distribuciones. Las
mezclas en ocasiones son resultado del “sobrecontrol”, cuando los operadores hacen ajustes del
proceso con demasiada frecuencia, en respuesta a la variación aleatoria de la salida y no a causas
sistemáticas.

32,000
32,500
33,000
33,500
34,000
34,500
35,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
32,000
32,500
33,000
33,500
34,000
34,500
35,000
35,500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Ejemplo patrones mezclados

CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
Un patrón mezclado también puede ocurrir cuando los productos de salida proceden de varias
fuentes (tales como máquinas en paralelo) que se juntan en un flujo común del que después se
hace un muestreo a fin de monitorizar el proceso.

Desplazamiento de nivel del proceso

En la siguiente figura se ilustra un desplazamiento en el nivel del proceso. Estos desplazamientos
pueden ser causados por la introducción de nuevos trabajadores, métodos, materias primas o
máquinas; por un cambio en el método o los estándares de inspección; o por un cambio en la
habilidad, atención o motivación de los operadores.


32,000
32,500
33,000
33,500
34,000
34,500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 2









Ejemplo de desplazamiento de nivel del proceso

En ocasiones se observa una mejoría en el desempeño del proceso después de la introducción de
un programa de gráficos de control, debido simplemente a factores motivacionales que influyen en
los trabajadores.


Tendencias

En el gráfico de control de la siguiente figura se muestra una tendencia, o movimiento continuo en
una sola dirección. Las tendencias suelen deberse al desgaste o deterioro gradual de una
herramienta o de algún otro componente crítico del proceso. En los procesos químicos ocurren
frecuentemente por el asentamiento o separación de los componentes de una mezcla. También
pueden ser resultado de causas humanas, tales como fatiga del operador o la presencia del
supervisor.










32,000
32,050
32,100
32,150
32,200
32,250
32,300
32,350
32,400
32,450
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Ejemplo de tendencia del proceso

Por último, las tendencias pueden resultar de influencias estaciónales, como la temperatura.

©TCM Pág 21 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
Cuando las tendencias se deben al desgaste de las herramientas u otras causas sistemáticas de
deterioro, esta situación puede incorporarse directamente en el modelo del gráfico de control. Un
recurso útil para monitorizar y analizar procesos con tendencias es el gráfico de control de
regresión o el gráfico de control modificado que se discute más adelante.

Estratificación

En la siguiente figura se ilustra la estratificación o la tendencia de los puntos a agruparse
artificialmente alrededor de la línea central.

31,960
31,970
31,980
31,990
32,000
32,010
32,020
32,030
32,040
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25


Ejemplo de estratificación del proceso

Se nota una marcada falta de variabilidad natural en el patrón observado. Una causa potencial de
la estratificación es la colocación incorrecta de los límites de control. Este patrón también puede
presentarse cuando en el proceso de muestreo se recogen una o más unidades de varias
distribuciones fundamentales diferentes dentro de cada subgrupo.

Por ejemplo, suponer que se obtiene una muestra de tamaño cinco al tomar una observación de
cada uno de cinco procesos paralelos. Si las unidades más grande y más pequeña de cada
muestra se encuentran relativamente apartadas debido a que provienen de dos distribuciones
diferentes, entonces R se inflará indebidamente, haciendo que los límites del gráfico x sean
demasiado amplios. En este caso, R mide, incorrectamente, la variabilidad entre las diferentes
distribuciones fundamentales, además de la variación de la causa fortuita que debe medir.


Correlación entre x y R

Al interpretar patrones en los gráficos x y R, ambas deberán considerarse conjuntamente. Si la
distribución fundamental es normal, entonces las variables aleatorias x y R calculadas a partir de
la misma muestra son estadísticamente independientes.

Por lo tanto, x y R deberán tener un comportamiento independiente en el gráfico de control. Si
existe correlación entre los valores de x y R -es decir, si los puntos de las dos gráficos “se siguen”
unos a otros-, esto indica que la distribución fundamental está sesgada. Si las especificaciones se
determinaron suponiendo la normalidad entonces estos análisis pueden ser incorrectos.





©TCM Pág 22 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS
©TCM Pág 23 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


7.10. Gráfico de control modificado

Cuando el proceso manifiesta desgaste de herramientas también se usa el gráfico de control
modificado. Este tipo de gráfico es aplicable cuando la capacidad de proceso es grande, ya que
consiste en establecer los límites de control a partir del cierre de las tolerancias de producto en
una cantidad Z
o
o que garantiza una proporción o de unidades disconformes, pero que deja
espacio, dado que la capacidad de proceso lo permite, para el desplazamiento de la media
poblacional por efecto del desgaste de herramienta. Los límites de control modificados se
establecen del siguiente modo:


























Límites de control para un gráfico de control modificado

o
o
o
|
.
|

\
|
÷ ÷ =
n
Z
Z LSE LSCm


o
o
o
|
|
.
|

\
|
÷ + =
n
Z
Z LIE LICm


En general se puede tomar Z
o
= 3, aunque algunos autores recomiendan tomar Z
o
= 2 ya que de
este modo se establece una protección contra desplazamientos críticos de la media, se reduce el
riesgo de fallo (error tipo II, dar por conforme cuando no lo es) aunque aumente algo el riesgo de
falsas alarmas (tipo I).

o o
o o
o o
Z
o
o Z
o
o
LIE LSE
LIE LSE
n o n o
n
Z
o
o

n
Z
o
o

LICm LSCm
Límites de Control Modificados
Intervalo de variación admisible
para el desgaste de herramienta
Dispersión de los
valores individuales
Dispersión de los
valores medios

CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

El valor Z
o
se establece para la proporción de no conformidades aceptables o

Para diseñar un gráfico de control modificado debe contarse con una buena estimación de o. Si la
dispersión del proceso cambia, los límites de control modificados dejan de ser apropiados. Por
consiguiente, deberá utilizarse siempre un gráfico R o S junto con el gráfico de control modificado.
Además, la estimación inicial de o que se requiere para establecer el gráfico de control modificado
por lo general se obtendrá de un gráfico R o S.


7.11. El efecto del incumplimiento de la normalidad en los gráficos x y R

Un supuesto fundamental en el desarrollo de los gráficos de control x y R es que la distribución
fundamental de la característica de la calidad es normal. En muchas situaciones puede haber
razones para dudar de la validez de este supuesto. Por ejemplo, puede saberse que la distribución
fundamental no es normal porque se ha recabado un gran número de datos que indican que el
supuesto de normalidad no es apropiado. Ahora bien, si se conoce la forma de la distribución
fundamental, es posible derivar distribuciones de muestreo de x y R (o de alguna otra medida de
la dispersión del proceso) y obtener límites de probabilidad exactos para los gráficos de control.

Este enfoque podría resultar complicado en algunos casos, y la mayoría de los analistas
probablemente preferirían usar el enfoque estándar basado en el supuesto de normalidad si
sintieran que el efecto de la desviación de este supuesto no es serio. Sin embargo, quizá no se
sepa nada de la forma de la distribución fundamental y entonces la única opción puede ser usar
los resultados de la teoría normal. Evidentemente, en cualquiera de los dos casos, el interés se
encontraría en conocer el efecto de las desviaciones de la normalidad sobre los gráficos de control
usuales para x y R.

Distintos autores han investigado el efecto de las desviaciones de la normalidad sobre los gráficos
de control. En general, han concluido que las constantes de los límites de control pueden
emplearse a menos que la población se aparte de manera extrema de la distribución normal.

En el caso del gráfico x , en la mayoría de los casos muestras de tamaño cuatro o cinco son
suficientes para asegurar una adecuación razonable de los límites de control aunque la distribución
de origen no sea normal. Los peores casos se presentan para distribuciones fundamentales de tipo
gamma con valores pequeños de r [r = 1/2 y r = 1 (distribución exponencial)].

En el caso del gráfico R, mientras que el uso de los límites de control tres sigma en el gráfico x
producirá un riesgo de 0,27% de falsas alarmas si la distribución fundamental es normal, no es el
caso para el gráfico R. La distribución de muestreo de R no es simétrica, aun cuando el muestreo
se haga de una distribución normal, la cola larga de la distribución está en el lado alto o positivo.
Por tanto, los límites simétricos tres sigma son sólo una aproximación, y el riesgo de falsas
alarmas de este gráfico R no es del 0,27% (de hecho, para n = 4, es del 0,461%). Por otra parte,
el gráfico R es más sensible a las desviaciones de la normalidad que el gráfico x .






©TCM Pág 24 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

8. GRÁFI COS DE CONTROL x y S

Aun cuando es muy común la utilización de los gráficos x y R, en ocasiones es deseable estimar
la desviación típica del proceso directamente en vez de indirectamente mediante el uso del
recorrido R. Esto lleva a los gráficos de control para x y S, donde S es la desviación típica
muestral. En general, los gráficos x y S son preferibles a los x y R cuando

1. El tamaño de la muestra n es moderadamente grande por ejemplo, n > 10 o 12,
(recuérdese que el método del recorrido para estimar o pierde eficiencia estadística para
muestras de moderadas a grandes)

2. El tamaño de la muestra n es variable.

En este apartado se expone la preparación y uso de los gráficos de control x y S, y se discute una
alternativa del gráfico S cuando se dipone de valores estándar de la media y la desvicación típica.


8.1. Diseño y operativa de los gráficos x y S

Establecer y operar con los gráficos de control x y S requiere aproximadamente la misma
secuencia que para los gráficos x y R, excepto porque debe calcularse el promedio muestral x y
la desviación típica muestral S de cada muestra. Por ejemplo, en la siguiente tabla se presentan
las mediciones del casquillo usadas en el ejemplo del apartado 7.2.

Nº Muestra
1 32,001 32,009 32,005 31,995 32,007 32,003 0,006
2 32,003 32,012 31,998 32,011 32,005 32,006 0,006
3 31,991 32,007 32,022 32,010 31,996 32,005 0,012
4 32,005 31,992 32,016 31,995 31,993 32,000 0,010
5 32,002 31,996 31,988 31,983 32,009 31,996 0,010
6 32,018 32,017 32,005 32,002 32,003 32,009 0,008
7 32,001 32,002 31,997 32,013 32,010 32,005 0,007
8 31,988 31,992 31,999 31,995 31,996 31,994 0,004
9 31,980 32,009 32,001 31,990 31,999 31,996 0,011
10 31,997 31,987 32,015 31,998 31,984 31,996 0,012
11 31,985 32,002 31,991 31,998 32,002 31,996 0,007
12 32,019 31,999 31,996 31,980 32,001 31,999 0,014
13 31,989 32,000 31,989 32,001 31,993 31,994 0,006
14 32,002 32,012 31,998 32,012 32,012 32,007 0,007
15 31,999 31,999 32,002 32,017 32,001 32,004 0,008
16 32,005 31,998 32,002 32,003 32,015 32,005 0,006
17 31,979 31,989 31,999 32,003 32,021 31,998 0,016
18 31,994 32,008 32,006 31,996 32,017 32,004 0,009
19 31,999 32,004 32,011 32,004 31,987 32,001 0,009
20 31,993 31,997 32,003 32,010 32,002 32,001 0,006
21 32,005 31,993 31,989 31,995 32,002 31,997 0,007
22 31,998 31,997 32,000 31,992 31,999 31,997 0,003
23 32,002 31,991 32,002 31,998 32,024 32,003 0,012
24 31,993 32,020 32,010 31,985 31,998 32,001 0,014
25 31,995 32,005 31,985 32,011 31,988 31,997 0,011
32,0006 0,0089
Observaciones
= x
i
x
i
S
= S

























©TCM Pág 25 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Obsérvese que se ha calculado la media y la desviación típica de cada una de las 25 muestras. Se
usarán estos datos para ilustrar la construcción y operativa de los gráficos x y S.

Cuando no hay un valor estándar de o, entonces debe estimarse analizando datos pasados. Una
estimación insesgada de o puede obtenerse del siguiente modo:

4
c
S
= oˆ


siendo c
4
un valor tabulado. Si se cuenta con m muestras preliminares, cada una de tamaño n, y
sea S
i
la desviación típica de la i-ésima muestra. La media de las m desviaciones típicas es

¿
=
=
m
i
i
S
m
S
1
1


Los límites de control y la línea central del gráfico S pueden obtenerse a partir de las siguientes
ecuaciones:
S B LSC
S 4
=

Línea central = S LC =

S B LIC
S 3
=


Por otro lado, los límites de control y la línea central del gráfico x pueden obtenerse a través de
las siguientes ecuaciones:
n c
S
x x LSC
4
3
+ =


Línea central = x LC =

n c
S
x x LIC
4
3
÷ =


Sea la constante
n c
A
4
3
3
=
, entonces los límites de control pueden reescribirse como:
S A x x LSC
3
+ =

Línea central = x LC =

S A x x LIC
3
÷ =

En la tabla del anexo 1 se proporcionan los valores de c
4
, B
3
, B
4
, A
3
en función del tamaño de la
muestra n, necesarios para construir los gráficos x y S.
©TCM Pág 26 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

8.2. Gráficos x y S basados en valores estándar

Cuando es posible especificar valores estándar para la media y la desviación estándar del proceso,
estos se pueden usar para establecer los gráficos de control x y S sin el análisis de los datos
pasados. Supongamos que los valores estándar dados son µ y o.

Para construir el gráfico S con un valor estándar de o se utilizan las siguientes ecuaciones

o
6
B LSC
S
=

Línea central = o
4
c LC =

o
5
B LIC
S
=
recuérdese que
4
c S = oˆ

Las constantes B
5
y B
6
se tabulan en la tabla del anexo 1.

Para construir el gráfico x con un valor estándar de µ y o se utilizan las siguientes ecuaciones

n
x LSC
o
µ 3 + =

µ = LC

n
x LIC
o
µ 3 ÷ =


La cantidad
n A 3 =
, es una constante que depende de n, cuyo valor se ha determinado en la
tabla del anexo 1. Por consiguiente, los parámetros del gráfico x se podrían escribir como

o µ A x LSC + =

µ = LC

o µ A x LIC ÷ =


Tradicionalmente, se ha preferido el gráfico R al gráfico S debido a la simplicidad del cálculo del
recorrido de cada muestra. Sin embargo, la disponibilidad actual de calculadoras y ordenadores
para implantar directamente los gráficos de control en el puesto de trabajo han eliminado
cualquier dificultad de cálculo.





©TCM Pág 27 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Ejemplo: La construcción de los gráficos x y S se ilustrará utilizando las mediciones de los
casquillos vistas anteriormente. La gran media y la desviación típica media

0006 32
25
1
1
,
¿
=
= =
m
i
i
x x

y
0089 0
25
1
1
,
¿
=
= =
m
i
i
S S


Por consiguiente, los parámetros del gráfico x son los siguientes

013 , 32 0089 , 0 427 , 1 0006 , 32
3
= × + = + = S A x x LSC

Línea central = 0006 32, = = x LC

987 , 31 0089 , 0 427 , 1 0006 , 32
3
= × ÷ = ÷ = S A x x LIC

y los parámetros para el gráfico S son

01851 0 0089 0 089 2
4
, , , = × = = S B LSC
S


Línea central = 0089 0, = = S LC

0 0089 0 0
3
= × = = , S B LIC
S


En la siguiente figura se muestran los gráficos de control.

Gráfico x
31,975
31,980
31,985
31,990
31,995
32,000
32,005
32,010
32,015
32,020
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25










Gráfico S
0,0000
0,0100
0,0200
0,0300
0,0400
0,0500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25







©TCM Pág 28 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Obsérvese que los límites de control basados en S del gráfico x son casi idénticos a los límites de
control del gráfico x del apartado 7.2. en el que los límites se basaron en R. No siempre serán los
mismos y, en general, los límites de control del gráfico x basados en S diferirán ligeramente de
los límites basados en R.


Estimación de la desviación típica del proceso

La desviación típica del proceso puede estimarse utilizando el hecho de que S/c es una
estimación insesgada de o. Por lo tanto, puesto que c = 0,94 para muestras de tamaño cinco, la
estimación de la desviación típica del proceso es
4
4

0094 0
94 0
0089 0
4
,
,
,
ˆ = = =
c
S
o


Esta estimación de o es muy similar a la que se obtuvo utilizando el método del recorrido
(0,0095).


9. GRÁFICO DE CONTROL PARA MEDICIONES INDIVIDUALES

En muchas situaciones, el tamaño de la muestra usado para monitorizar el proceso es n = 1; es
decir, la muestra consta de una unidad individual. Algunos ejemplos de estas situaciones son:

- Se usan tecnicas de inspección y medición automatizadas, y se analiza cada unidad
fabricada, por lo que no hay ninguna base racional para hacer subgrupos.

- La velocidad de producción es muy lenta, y no es conveniente dejar que se acumulen
tamaños de la muestra de n > 1 antes del análisis. El largo intervalo entre las
observaciones ocasionaría problemas con la formación de los subgrupos racionales.

- Las mediciones repetidas del proceso difieren únicamente por causa del error de
laboratorio o de análisis, es el caso en muchos procesos químicos.

- Se hacen mediciones múltiples en la misma unidad del producto, como la medición del
espesor de óxido en varios lugares diferentes de una placa en la fabricación de
semiconductores.

- En las plantas de procesamiento, como en una fábrica de papel, las mediciones de algún
parámetro, tal como el espesor del recubrimiento a lo ancho de un rollo, diferirán muy poco
y producirán una desviación estándar que será demasiado pequeña si el objetivo es
controlar el espesor del recubrimiento a lo largo del rollo.

En estas situaciones, el gráfico de control para mediciones individuales es útil. Los gráficos de
control de suma acumulada y de media móvil ponderada exponencialmente serán una mejor
alternativa cuando la magnitud del desplazamiento de la media del proceso es pequeña.


©TCM Pág 29 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

En muchas aplicaciones del gráfico de control para unidades individuales se usa el rango móvil de
dos observaciones sucesivas como base para estimar la dispersión del proceso. El rango móvil
(MR) se define como
1 ÷
÷ =
i i i
x x MR

También es posible establecer un gráfico de control para el rango móvil.

Nº Muestra Viscosidad Rango Móvil
1 33,750
2 33,050 0,700
3 34,000 0,950
4 33,810 0,190
5 33,460 0,350
6 34,020 0,560
7 33,680 0,340
8 33,270 0,410
9 33,490 0,220
10 33,200 0,290
11 33,620 0,420
12 33,000 0,620
13 33,540 0,540
14 33,120 0,420
15 33,840 0,720
33,523 0,481

Ejemplo: La viscosidad de una pintura tapaporo
para aviones es una característica de la calidad
importante.

El producto se produce por lotes, y debido a que
la producción de cada lote lleva varias horas, la
velocidad de producción es demasiado lenta para
permitir tamaños de la muestra mayores que
uno.

En la tabla de la derecha se muestra la viscosidad
de los 15 lotes anteriores.




Obsérvese que la media de las 15 lecturas de la viscosidad es x = 33,52 y que la media de los
rangos móviles de dos observaciones es 481 0, = R M .

Para establecer el gráfico del rango móvil, se tiene D
3
= 0 y D = 3,267 para n = 2. Por lo tanto,
los parámetros del gráfico de rango móvil son
4

57 1 48 0 267 3
4
, , , = × = = R M D LSC
R


48 0, = = R M LC

0 48 0 0
3
= × = = , R M D LIC
R


Gráfico de control del rango móvil.


0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16








©TCM Pág 30 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Puesto que ninguno de los puntos excede el límite de control superior, puede establecerse ahora el
gráfico de control para las mediciones individuales de la viscosidad. Si se usa un rango móvil de n
= 2 observaciones, entonces d
2
= 1.128. Los parámetros para el gráfico de control de las
mediciones individuales son

8 34
128 1
48 0
3 52 33 3
2
,
,
,
, = + = + =
d
R M
x LSCx


52 33, = = x LC

24 32
128 1
48 0
3 52 33 3
2
,
,
,
, = ÷ = ÷ =
d
R M
x LSCx


Gráfico de control para las mediciones individuales de la viscosidad de los lotes.

0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16









No hay indicios de una condición fuera de control.


9.1. Interpretación de los gráficos para valores individuales

El gráfico de mediciones individuales puede interpretarse de forma muy parecida a un gráfico de
control x ordinario. Un desplazamiento en la media del proceso dará lugar a un punto (o puntos)
fuera de los límites de control, o bien a un patrón consistente en una tanda a uno de los lados de
la Línea Central. La siguiente tabla contiene los valores de la viscosidad de la pintura tapaporo
para aviones de los lotes 16-30.

Nº Muestra Viscosidad Rango Móvil
16 33,500 0,340
17 33,250 0,250
18 33,400 0,150
19 33,270 0,130
20 34,650 1,380
21 34,800 0,150
22 34,550 0,250
23 35,000 0,450
24 34,750 0,250
25 34,500 0,250
26 34,700 0,200
27 34,290 0,410
28 34,610 0,320
29 34,490 0,120
30 35,030 0,540













©TCM Pág 31 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS

Añadiendo los valores 16 al 30, se representan los gráficos de control de las mediciones
individuales y del gráfico de control del rango móvil. En la siguiente figura los límites de control y
la línea central han sido proyectados con los valores calculados a partir de las 15 primeras
muestras.

Gráfico de control de valores individuales










32,000
32,500
33,000
33,500
34,000
34,500
35,000
35,500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Gráfico de control de rango móvil
0,000
0,200
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30










Esta figura indica claramente que se ha producido un desplazamiento ascendente en la viscosidad
media alrededor del lote 20 o 21, ya que hay un patrón evidente de “desplazamiento en el nivel
del proceso” en el gráfico de las mediciones individuales. Obsérvese que el gráfico del rango móvil
también reacciona a este desplazamiento en el nivel con un pico pronunciado en la muestra 20.
Este pico en el gráfico del rango móvil en ocasiones es útil para identificar con exactitud dónde ha
ocurrido un desplazamiento en la media del proceso.

Deberá tenerse cuidado al interpretar patrones en el gráfico del rango móvil. Los rangos móviles
están correlacionados, y esta correlación con frecuencia puede inducir un patrón de tandas o ciclos
en el gráfico. Este patrón puede llegar a apreciarse en el gráfico del rango móvil de la figura
anterior. Sin embargo, se supone que las mediciones individuales del gráfico x no están
correlacionadas, y cualquier patrón que aparezca en este gráfico deberá investigarse con atención.

Algunos autores recomiendan no construir ni representar el gráfico del rango móvil. Señalan
(correctamente) que el gráfico del rango móvil en realidad no puede proporcionar información útil
sobre un desplazamiento de la variabilidad del proceso. De hecho, los desplazamientos en la media
del proceso también aparecen en el gráfico del rango móvil. Sin embargo, mientras el analista sea
cuidadoso en la interpretación, y confíe principalmente en el gráfico de las mediciones individuales,
la representación de ambos gráficos no ocasionará problemas.


©TCM Pág 32 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010


©TCM Pág 33 de 33 MODULO 3. GRÁFICOS DE CONTROL POR VARIABLES
Depósito Legal: Z-1949-2010

CURSO ON LINE DE CONTROL ESTADÍSTICO
DE PROCESOS



A
N
E
X
O

1