CONTROL ESTADÍSTICO DE PROCESOS

1. APUNTES DE CLASE


Profesor: Arturo Ruiz-Falcó Rojas

Madrid, Marzo 2006


------------------------------------------------------------------------------------------------------------------------------------------
Control Estadístico de Procesos
Pág. 2 Control Estadístico de Procesos (Apuntes)
INDICE DE CONTENIDOS

1. INTRODUCCIÓN AL CONTROL ESTADÍSTICO DE PROCESOS.........................4
2. ¿POR QUÉ VARÍAN LOS PROCESOS?................................................................5
3. FUNDAMENTOS ESTADÍSTICOS..........................................................................7
4. CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9
5. ¿QUÉ CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL
GRÁFICO DE CONTROL?.............................................................................................10
6. CAPACIDAD DE PROCESO.................................................................................13
6.1. CONCEPTO DE CAPACIDAD DE PROCESO..............................................13
6.2. ÍNDICES C
P
Y C
PK
..........................................................................................13
6.3. VARIABILIDAD A CORTO Y LARGO PLAZO...............................................16
6.4. POTENCIALIDAD DEL PROCESO. ÍNDICES P
P
Y P
PK
.................................17
6.5. CONCEPTO DE GRUPO HOMOGÉNEO RACIONAL..................................18
7. GRÁFICOS DE CONTROL POR VARIABLES: GRÁFICOS DE SHEWHART ....18
8. CURVAS DE OPERACIÓN DEL GRÁFICO DE CONTROL.................................32
8.1. CURVA DE OPERACIÓN DEL GRÁFICO DE MEDIAS...................................................32
8.2. CURVA DE OPERACIÓN DEL GRÁFICO DE DISPERSIÓN. ...........................................34
9. INTERPRETACIÓN DE LAS INDICACIONES DEL GRÁFICO DE CONTROL....36
10. ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39
10.1. ¿QUÉ ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39
10.2. ¿CÓMO SE REALIZA UN ESTUDIO DE CAPACIDAD DE PROCESO?......39
10.2.1. Comprender los fenómenos físicos y tecnológicos importantes
para el proceso ..........................................................................................40
10.2.2. Definición de la estratificación de las medidas a tomar ...........40
10.2.3. Estabilizar del proceso..............................................................41
10.2.4. Toma de los datos ....................................................................41
10.2.5. Identificación del patrón de variabilidad ...................................41
10.2.6. Comprobación de la normalidad de los datos ..........................42
10.2.7. Análisis e interpretación de los datos.......................................43
10.2.8. Construcción de un intervalo de confianza de los índices .......46
11. CASO DE PROCESOS NO NORMALES..............................................................47
11.1. ¿ES LA NORMALIDAD LO “NORMAL?” .......................................................47
11.2. CONSECUENCIAS QUE TIENE EN EL ANÁLISIS.......................................48
11.3. TÉCNICAS DE NORMALIZACIÓN DE LOS DATOS. ...................................49
12. GRÁFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54
12.1. GRÁFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54
12.2. GRÁFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD
SIMULTÁNEAMENTE (I-MR-R/S) ..............................................................................56
13. GRÁFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 3
14. OTROS GRÁFICOS DE CONTROL POR VARIABLES....................................... 60
14.1. GRÁFICO CUSUM........................................................................................... 60
14.2. GRÁFICO EWMA............................................................................................. 63
15. GRÁFICOS DE CONTROL POR ATRIBUTOS.................................................... 65
15.1. GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN BINOMIAL ......................... 65
15.2. GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN DE POISSON..................... 69
16. IMPLANTACIÓN DEL SPC EN UNA EMPRESA................................................. 71
16.1. FASE 1: PREPARACIÓN Y SELECCIÓN DEL PROCESO PILOTO ................................. 71
16.2. FASE 2: IMPLANTACIÓN DEL GRÁFICO DE CONTROL PILOTO ................................. 72
16.3. FASE 3: ANÁLISIS DE LOS PRIMEROS RESULTADOS.............................................. 73
16.4. FASE 4: EXTENSIÓN A OTROS PROCESOS........................................................... 73













Control Estadístico de Procesos
Pág. 4 Control Estadístico de Procesos (Apuntes)

Obj eti vos de este tema
En este tema se pretende que alcances los siguientes objetivos:
a) Entender el concepto de variabilidad natural de un proceso.
b) Aprender a realizar estudios de capacidad de procesos.
c) Aprender a aplicar los gráficos de control, conocer sus limitaciones
y adaptarlos en situaciones especiales (series cortas, datos no
normales, etc.)



1. INTRODUCCIÓN AL CONTROL ESTADÍSTICO
DE PROCESOS

El “Control Estadístico de Procesos” nació a finales de los años 20 en los Bell
Laboratories. Su creador fue W. A. Shewhart, quien en su libro “Economic
Control of Quality of Manufactured Products” (1931) marcó la pauta que
seguirían otros discípulos distinguidos (Joseph Juran, W.E. Deming, etc.).
Sobre este libro han pasado más de 70 años y sigue sorprendiendo por su
frescura y actualidad. Resulta admirable el ingenio con el que plantea la
resolución de problemas numéricos pese a las evidentes limitaciones de los
medios de cálculo disponibles en su época.

Lamentablemente, a Shewhart se le recuerda “solo por las gráficos de control”
(X-R, etc.). Por si fuera poco, a menudo se emplean estos gráficos de modo
incorrecto o se desconoce las limitaciones de los mismos. Normalmente, la
utilización incorrecta de los gráficos de control dimana del desconocimiento de
los fundamentos estadísticos que los sustentan. Por está razón se ha
considerado conveniente hacer hincapié en los fundamentos estadísticos
(párrafos 3 y 5), el problema del sobre ajuste del proceso (ver párrafo 6) y las
limitaciones que presentan para la detección de derivas en los procesos y
aumentos en la variabilidad en los mismos (ver párrafo 8).



Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 5
2. ¿POR QUÉ VARÍAN LOS PROCESOS?
Un proceso industrial está sometido a una serie de factores de carácter
aleatorio que hacen imposible fabricar dos productos exactamente iguales.
Dicho de otra manera, las características del producto fabricado no son
uniformes y presentan una variabilidad. Esta variabilidad es claramente
indeseable y el objetivo ha de ser reducirla lo más posible o al menos
mantenerla dentro de unos límites. El Control Estadístico de Procesos es una
herramienta útil para alcanzar este segundo objetivo. Dado que su aplicación es
en el momento de la fabricación, puede decirse que esta herramienta
contribuye a la mejora de la calidad de la fabricación. Permite también
aumentar el conocimiento del proceso (puesto que se le está tomando “el
pulso” de manera habitual) lo cual en algunos casos puede dar lugar a la
mejora del mismo.


¿QUÉ ES UN PROCESO?
INPUT
OUTPUT


Figura 1


Control Estadístico de Procesos
Pág. 6 Control Estadístico de Procesos (Apuntes)
¿POR QUÉ HAY VARIACIÓN EN LOS
RESULTADOS DEL PROCESO?
??
OK OK
OK OK

Figura 2

PORQUE ESTÁ AFECTADO
POR FACTORES QUE VARÍAN
INPUT
OUTPUT
•Mano de Obra
•Máquinas
•Material
•Método
•Ambiente
•Mantenimiento

Figura 3



Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 7
3. FUNDAMENTOS ESTADÍSTICOS.
Para el entendimiento del Control Estadístico de Procesos no es necesario ser
un experto en estadística, pero es preciso recordar al menos los puntos que se
describen a continuación.

a) Distribución Normal o Campana de Gauss.
La distribución normal es desde luego la función de
densidad de probabilidad “estrella” en estadística.
Depende de dos parámetros µ y σ, que son la media y la
desviación típica respectivamente. Tiene una forma
acampanada (de ahí su nombre) y es simétrica respecto a
µ. Llevando múltiplos de σ a ambos lados de µ, nos
encontramos con que el 68% de la población está
contenido en un entorno ±1σ alrededor de µ, el 95% de la
población está contenido en un entorno ±2σ alrededor de µ
y que el 99,73% está comprendido en ±3σ alrededor de µ.

4 3 2 1 -1 -2 -3
0.4
0.3
0.2
0.1
0.0
FUNCIÓN DE DENSIDAD DE PROBABILIDAD NORMAL
68 %
95%
99,73%

Figura 4 Función de densidad de probabilidad normal


Control Estadístico de Procesos
Pág. 8 Control Estadístico de Procesos (Apuntes)

b) Teorema del Límite Central.
El teorema del límite central (TLC) establece que si una variable aleatoria (v.
a.) se obtiene como una suma de muchas causas independientes, siendo
cada una de ellas de poca importancia respecto al conjunto, entonces su
distribución es asintóticamente normal. Es decir:

|
|
¹
|

\
|

+ + + =
∑ ∑
= =
n
i
n
i
i i
i n
N X Entonces
x x x x X
1 1
2
2
i i 2 1
, :
a y varianz media de v.a son las donde
Si
σ µ
σ µ L


c) Distribución de las medias muestrales
Si X es una v.a. N(µ, σ) de la que se extraen muestras de tamaño n, entonces
las medias muestrales se distribuyen según otra ley normal:

|
¹
|

\
|

n
N xm
σ
µ,
Obsérvese que como consecuencia del TLC, la distribución de las medias
muestrales tiende a ser normal aún en el caso que la población base no lo sea,
siempre que el tamaño de la muestra sea suficientemente grande n≥25, si bien
este número depende de la asimetría de la distribución.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 9
4 3 2 1 0 -1 -2 -3 -4
2
1
0
DISTRIBUCIÓN DE LAS MEDIAS
VALORES INDIVIDUALES
DISTRIBUCIÓN DE LOS

Figura 5: Función de densidad de las medias maestrales



4. CAUSAS COMUNES Y CAUSAS ASIGNABLES
O ESPECIALES

De acuerdo con lo dicho en la introducción, el proceso está afectado por un
gran número de factores sometidos a una variabilidad (por ejemplo oscilaciones
de las características del material utilizado, variaciones de temperatura y
humedad ambiental, variabilidad introducida por el operario, repetibilidad propia
de la maquinaria utilizada, etc.), que inciden en él y que inducen una
variabilidad de las características del producto fabricado. Si el proceso está
operando de manera que existen pequeñas oscilaciones de todos estos
factores, pero de modo que ninguno de ellos tienen un efecto preponderante
frente a los demás, entonces en virtud del TLC es esperable que la
característica de calidad del producto fabricado se distribuya de acuerdo con
una ley normal. Al conjunto de esta multitud de factores se denominan causas
comunes. Por el contrario, si circunstancialmente incide un factor con un efecto
preponderante, entonces la distribución de la característica de calidad no tiene
por qué seguir una ley normal y se dice que está presente una causa especial
o asignable. Por ejemplo, si en un proceso industrial se está utilizando
materias primas procedentes de un lote homogéneo y se continúa la fabricación
con materias primas procedentes de otro lote, cuyas características son muy
diferentes de las anteriores, es muy posible que las características de los
productos fabricados sean significativamente distintas a partir de la utilización
del nuevo lote.
Control Estadístico de Procesos
Pág. 10 Control Estadístico de Procesos (Apuntes)
Por definición, se dice que un proceso está bajo control estadístico cuando
no hay causas asignables presentes. El Control Estadístico de Procesos se
basa en analizar la información aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construcción gráfica denominada Gráfico de Control.
Si el proceso se encuentra bajo control estadístico es posible realizar una
predicción del intervalo en el que se encontrarán las características de la pieza
fabricada.


5. ¿QUÉ CONDICIONES HACEN FALTA PARA
QUE SE PUEDA APLICAR EL GRÁFICO DE
CONTROL?

Para que tenga sentido la aplicación de los gráficos de control, el proceso ha de
tener una estabilidad suficiente que, aún siendo aleatorio, permita un cierto
grado de predicción. En general, un proceso caótico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el gráfico de
control ni tiene sentido hablar de capacidad. Un proceso de este tipo debe ser
estudiado mediante herramientas estadísticas avanzadas hasta que el grado de
conocimiento empírico obtenido sobre el mismo permita conocer las causas de
la estabilidad y se eliminen.

En lo sucesivo, se supondrá que los procesos tienen un cierto grado de
estabilidad. Podemos distinguir dos casos:

• El proceso está regido por una función de probabilidad cuyos
parámetros permanecen constantes a lo largo del tiempo. Este sería
el caso de un proceso normal de media constante y desviación típica
constante. Este es el caso ideal y al que se pueden aplicar los
gráficos de control para detectar la presencia de causas asignables.
• El proceso está regido por una función de probabilidad alguno de
cuyos parámetros varía ligeramente a lo largo del tiempo. Este sería
el caso de un proceso normal cuya media varía a lo largo del tiempo
(por ejemplo, una herramienta de corte que va desgastando la
cuchilla de corte). Estrictamente hablando, este desgaste de la
herramienta sería una causa especial; sin embargo si puede
conocerse la velocidad de desgaste, podría compensarse resultando
un proceso análogo al caso anterior.

Puede ocurrir que las características propias del proceso hagan que alguno de
los factores de variabilidad intrínsecos al mismo, tenga un efecto
preponderante, de modo que en este caso la distribución no sea normal. Un
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 11
ejemplo puede ser la distribución de los diámetros de un proceso de taladrado,
cuyo valor inferior está limitado por el propio diámetro de la broca, mientras que
la distribución presenta una cola hacia diámetros mayores debido a posibles
incidencias oblicuas de la broca. En este caso, se dice que el proceso está
bajo control estadístico cuando no hay otras causas asignables
presentes. Esto es equivalente a decir que el proceso permanezca estable, es
decir que los parámetros de la distribución permanezcan invariables y por lo
tanto puede realizarse una predicción del intervalo en el que se encontrarán los
valores de la característica de respuesta.

Por lo tanto, debe tratar de conocerse todo lo que sea posible de los
fundamentos tecnológicos del proceso, ya que puede dar pistas sobre el tipo de
distribución que seguirán los datos. En ningún caso debe “darse la normalidad
por supuesta”. Debe comprobarse y en caso de que los datos no sean
normales, deben aplicarse métodos especiales.


E EJ JE EM MP PL LO O- - 1 1: : I IL LU US ST TR RA AC CI IÓ ÓN N D DE E C CA AU US SA AS S C CO OM MU UN NE ES S E EN N
U UN N P PR RO OC CE ES SO O
Un proceso de fabricación consiste en “lanzar 10 monedas al aire”. Se supone
que las monedas son perfectas de manera que en el lanzamiento de cada una
se tiene un 50% de probabilidades de obtener cara, y un 50% de obtener cruz.
La calidad de cada lanzamiento de 10 monedas se mide según el número de
caras obtenidas. Podríamos asimilar lo anterior a un proceso industrial sometido
a 10 causas de variabilidad no normales (binomiales en este caso). Al ser
iguales, todas ellas tienen el mismo efecto sobre la variabilidad de la
producción, por lo que las podremos considerar como causas comunes.

Si tiramos 10 monedas...
50% 50% 50% 50% 50% 50% 50% 50%
....
50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50% 50%
....

Figura 6: Simulación de un proceso sometido a causas comunes no
normales
Control Estadístico de Procesos
Pág. 12 Control Estadístico de Procesos (Apuntes)
La teoría estadística nos enseña que la probabilidad de obtener exactamente x
caras (0 ≤ x ≤10) se calcula por la distribución binomial:

( )
( ) )
1 ) (
x n x
p p
x
n
x P


|
|
¹
|

\
|
=

donde n es el número de monedas lanzadas (10 en este caso) y p la
probabilidad de sacar cara con una moneda (0.5 en este caso). Si se
representa gráficamente, se obtiene un función acampanada que recuerda a
una gaussiana (ver Figura 7). Este hecho es una consecuencia del TLC. Si
aumentara el número de monedas, la convergencia hacia la distribución normal
sería aún mayor.


0 5 10
0.00
0.05
0.10
0.15
0.20
0.25
x
P
r
o
b
a
b
i
l
i
d
a
d
FUNCIÓN DE PROBABILIDAD BINOMIAL (N, P)
Número de intentos N= 10 Probabilidad de éxito P= 0.5

Figura 7: Función de probabilidad de la obtención de x caras
lanzando 10 monedas

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 13

6. CAPACIDAD DE PROCESO
6.1. CONCEPTO DE CAPACIDAD DE PROCESO
Como consecuencia de todo lo anterior, si un proceso normal está en control
estadístico, la característica de calidad del 99,73% de los elementos fabricados
estará comprendida entre µ - 3σ y µ + 3σ. El parámetro µ depende del punto
en el que centremos el proceso. Sin embargo σ depende del número y
variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él.
Por lo tanto 6σ es la Variabilidad Natural del Proceso o Capacidad del
Proceso. Por definición:

CAPACIDAD DEL PROCESO = 6σ σσ σ
Es esencial resaltar que la variabilidad natural del proceso, 6σ, es intrínseca a
él e independiente de las tolerancias que se asignen. Por lo tanto si 6σ es
menor que el intervalo de las tolerancias a cumplir, necesariamente algunos
productos fabricados estarán fuera de tolerancia y serán no conformes. Si no se
tiene en cuenta este hecho y se pretende corregir a base de reajustar el
proceso, es decir modificar el centrado, lo único que se consigue es aumentar
la variabilidad del mismo.


6.2. ÍNDICES C
P
Y C
PK

Con objeto de comparar la capacidad del proceso y la amplitud de las
tolerancias a satisfacer, se define el índice de capacidad de proceso:

σ 6
i s
p
T T
C

=
Si se pretende que la producción esté dentro de tolerancia, es necesario que C
p

> 1.

Si el proceso no estuviese centrado, el valor de este índice falsearía el grado de
cobertura con respecto a fabricar piezas fuera de tolerancias. En estos casos es
más significativo el índice C
pk
que se define:

)
`
¹
¹
´
¦ − −
=
σ
µ
σ
µ
3
,
3
min
i s
pk
T T
C
Control Estadístico de Procesos
Pág. 14 Control Estadístico de Procesos (Apuntes)
De este modo se define un proceso capaz como aquel que C
pk
> 1.
Aplicando estos mismos conceptos a la variabilidad atribuible de una máquina
de las que integran el proceso de fabricación, podemos definir la capacidad de
máquina, el índice de capacidad de máquina C
M
y C
Mk
.

Índice de capacidad c
p
:
Cp
T T
s i
= =
− Intervalo de tolerancias
Capacidad del proceso 6σ
4 3 2 1 0 -1 -2 -3 -4
0.4
0.3
0.2
0.1
0.0
P
r
o
b
a
b
i
l
i
d
a
d
Tinf
Tsup
INTERVALO DE TOLERANCIA
VARIABILIDAD PROCESO

Figura 8: Índice Cp

Índice de capacidad c
pk
:
Cpk =
Dist. de la media al limite de tol. mas ajustado
semicapacidad del proceso
-4 -3 -2 -1 0 1 2 3 4
0.0
0.1
0.2
0.3
0.4
P
r
o
b
a
b
i
l
i
d
a
d
Tinf
Tsup
INTERVALO DE TOLERANCIA
VARIABILIDAD PROCESO

Figura 9: Índice Cpk
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 15

E EJ JE EM MP PL LO O- - 2 2: : L LA A M MÉ ÉT TR RI IC CA A “ “6 6 S SI IG GM MA A” ”
En 1.988 Motorola alcanzó el prestigioso Malcom Baldrige National Quality
Award. Una de las bases fundamentales de su estrategia de calidad era el
“Programa 6σ σσ σ”. El objetivo de este programa fue reducir la variación de los
procesos de manera que el intervalo de tolerancia fuera igual a 12 σ σσ σ (6 a cada
lado). De acuerdo con la definición del índice de capacidad de proceso:
2
6
12
= =
σ
σ
p
c
Suponiendo que se desplazase el proceso 1.5 σ σσ σ, ver Figura 10, los
coeficientes pasarían a ser:

5 , 1
3
5 , 4
2
6
12
= = = =
σ
σ
σ
σ
pk p
c c
Aún estas circunstancias, la cantidad de producto fuera de tolerancia sería tan
solo de 3.4 ppm.

¿Por qué calidad Six Sigma = 3,400 ppm?
C AL ID AD S IX S IG MA
- 7 -6 - 5 -4 - 3 - 2 -1 0 1 2 3 4 5 6 7
6 S IG M A C p = 2 , p p m = 0 . 0 0 2
D E S P L A ZA D A 1 , 5 S IG M A C p k =
4 , 5 / 3 = 1 , 5 ; p p m = 3 . 4 0 1

Figura 10



Control Estadístico de Procesos
Pág. 16 Control Estadístico de Procesos (Apuntes)
6.3. VARIABILIDAD A CORTO Y LARGO PLAZO

Un proceso productivo tiene habitualmente dos tipos de variabilidad:

• Variabilidad inherente del proceso. Aquella componente de la
variabilidad debida a causas comunes solamente y representa la
variabilidad que puede estar presente entre elementos fabricados en
intervalos próximos (variabilidad en el corto plazo, ver Figura 11).
Algunos autores denominan a este componente de la variabilidad
como “ruido blanco”.
• Variabilidad total del proceso. Es la variación resultante de todas las
causas de variabilidad (causas comunes y especiales), en la que se
tienen en cuenta factores como el desgaste, cambios de lote de
materia prima, etc. Representa la variabilidad que puede afectar al
conjunto de los elementos fabricados recibidos por el cliente
(variabilidad en el largo plazo, ver Figura 11). Algunos autores
denominan a este componente de la variabilidad como “ruido negro”.


Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 17
1 2 3 4 5 6 7 8 9 10
Número de muestra

Variabilidad total del proceso
(largo plazo)
Variabilidad inherente del proceso
(corto plazo)

Figura 11 Descomposición de la variabilidad de un proceso


6.4. POTENCIALIDAD DEL PROCESO. ÍNDICES P
P
Y
P
PK

Durante mucho tiempo, ha existido la confusión sobre qué estimación de la
variabilidad se debe utilizar para el cálculo de C
p
, C
pk
. Precisamente para poner
un poco de orden en todo esto, se introdujeron los índices P
p
, P
pk
, de acuerdo
con los siguientes criterios:

• C
p
y C
pk
se calculan con la variabilidad inherente del proceso
(variabilidad en el corto plazo). En este caso se considera la
variabilidad entre los elementos de la misma muestra o muestras
próximas.
• P
p
y P
pk
se calculan con la variabilidad total del proceso
(variabilidad en el largo plazo). En este caso se tiene en cuenta la
variabilidad introducida por la deriva del centrado del proceso y la
inestabilidad del mismo.
De manera general, se verifica que C
p
> P
p
y C
pk
> P
pk

Control Estadístico de Procesos
Pág. 18 Control Estadístico de Procesos (Apuntes)
Las ecuaciones de los índices quedan:

CP
i s
p
T T
C
σ
ˆ
6

=
)
`
¹
¹
´
¦ − −
=
CP
i
CP
s
pk
T T
min C
σ
µ
σ
µ
ˆ
3
,
ˆ
3

LP
i s
p
T T
P
σ
ˆ
6

=
)
`
¹
¹
´
¦ − −
=
LP
i
LP
s
pk
T T
min P
σ
µ
σ
µ
ˆ
3
,
ˆ
3



Los símbolos circunflejos “^” representan una estimación de la desviación típica
considerada.

Es preciso resaltar que la utilización de los coeficientes P
p
y P
pk
no tiene todavía
una aceptación unánime. Tiene una aceptación muy amplia en entornos de
automoción (QS 9000 / TS 16949, etc.) pero no así en otras áreas.


6.5. CONCEPTO DE GRUPO HOMOGÉNEO
RACIONAL
A la hora de planificar la toma de muestras para realizar un estudio de
capacidad de proceso o la implantación de un gráfico de control, resulta muy
importante tener en cuenta el concepto de grupo homogéneo racional (GHR).
Veamos un ejemplo. Supongamos una máquina de inyección de piezas de
plástico de 16 cabezales. En la definición del gráfico de control se establece
una toma de muestra horaria de 16 unidades (un racimo de inyección).
Obviamente el diferente tamaño de los cabezales es una fuente de variabilidad
que muy probablemente puede hacerse presente. Por esta razón en la toma de
muestras debe estudiarse no solo la variabilidad entre las inyecciones, sino
también la variabilidad entre cabezales.

En el párrafo 10.2.2 se dan algunas indicaciones para la definición del GHR.


7. GRÁFICOS DE CONTROL POR VARIABLES:
GRÁFICOS DE SHEWHART

Supongamos que un proceso se encuentra bajo control estadístico y por lo
tanto su distribución es N(µ, σ). Si se extrae una muestra de tamaño n y su
media muestral se encuentra comprendida fuera del intervalo comprendido
entre n / 3σ µ − y n / 3σ µ + (llamados límites de control inferior y
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 19
superior respectivamente), podemos justificar este hecho de dos modos
distintos:

a) De acuerdo con el modelo teórico supuesto sabemos que
el 0,27% de las muestras (es decir 27 muestras de cada
10.000) tendrán una media fuera de este intervalo y la
muestra que hemos extraído es una de ellas.
b) Es muy improbable obtener una muestra de estas
características si realmente el modelo es el supuesto, de
modo que parece más verosímil pensar que el proceso no
está bajo control estadístico y por lo tanto la hipótesis de
que se distribuye en ese momento según una N(µ µµ µ, σ σσ σ) es
falsa.

Por el contrario, si la media muestral está comprendida dentro del intervalo
anterior, no tendremos ninguna razón de peso para pensar que el proceso no
se encuentra bajo control estadístico (el resultado es coherente con el modelo
supuesto). Lo anterior no quiere decir que podamos estar absolutamente
seguros de que el proceso se encuentre bajo control estadístico, sino que no
tenemos la evidencia de que no lo está.

El Control Estadístico de Procesos se basa en repetir esta toma de muestras de
manera periódica, calcular la media muestral y representar un gráfico de una
manera similar a la Figura 12, de modo que si la media cae fuera de los límites
de control existe la evidencia de que hay una causa asignable presente
(proceso fuera de control). A este gráfico se le denomina Gráfico de Medias o
simplemente Gráfico X .
Control Estadístico de Procesos
Pág. 20 Control Estadístico de Procesos (Apuntes)
¿En qué se basa el gráfico de medias?
MEDIA DEL PROCESO
LCS media
n
= + 3
σ
LCI media
n
= − 3
σ
Media de las muestras

Figura 12: Fundamento del gráfico de medias

Proceso fuera de control
MEDIA DEL PROCESO
LCS media
n
= + 3
σ
LCI media
n
= − 3
σ
ALTO
¡Identificar y eliminar la causa especial!

Figura 13: ¡¡Los gráficos de control no sirven para nada si no se
investigan las causas asignables!!

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 21
El análisis de las muestras no se debe detener simplemente construyendo un
Gráfico de Medias ya que aún pueden proporcionar más información del
comportamiento del proceso. En efecto, la dispersión de los valores muestrales
nos puede proporcionar una estimación de la dispersión del proceso y realizar
un seguimiento de su evolución. Es sabido que la dispersión de los valores de
una población se mide por su desviación típica σ y los estimadores muestrales
utilizados más frecuentemente son el recorrido R (que en nuestro caso dará
lugar al Gráfico de Rangos o Recorridos o simplemente Gráfico R) y la
desviación típica muestral S (que dará lugar al Gráfico de desviaciones típicas o
simplemente Gráfico S). Antes de seguir adelante es conveniente recordar
algunas propiedades de estos estadísticos con objeto de alcanzar un mejor
entendimiento de la construcción de estos gráficos.

a) Rango o recorrido muestral.
Se define como la diferencia entre el mayor valor presente en la
muestra y el menor valor. Por su propia construcción, este
estadístico da una estimación de la dispersión de la población
de la que procede. Presenta la ventaja de que se calcula muy
fácilmente y para valores muestrales pequeños n≤8 se
comporta bien. Para valores mayores da una estimación
sobrevalorada de la dispersión de la población. Existen tablas
aplicables a procesos normales que, en función del tamaño de
la muestra, proporcionan la función de distribución del
estadístico w = R/σ, denominado “recorrido relativo” y también
la E(w) = d
2
y σ
w
= d
3
.

b) Desviación típica muestral.
Es conveniente recordar que en los textos se utilizan dos
estadísticos distintos. El primero de ellos se define:
( )
n
x x
s
n
i
i ∑


=
1
2

Para procesos normales, la esperanza matemática de la
varianza muestral es:
( )
2 2
1
σ
n
n
s E

=
Control Estadístico de Procesos
Pág. 22 Control Estadístico de Procesos (Apuntes)
Por lo que es un estimador sesgado de la varianza poblacional
σ
2
. Por esta razón algunas veces se toma como varianza
muestral al estimador insesgado definido:
( )
1
1
2
*


=


n
x x
s
n
i
i

Este estimador de la varianza σ
2
es insesgado y además n – 1
son los grados de libertad de la muestra. Por estas razones, en
ingeniería de calidad es más frecuente emplear s*.

Las varianzas de ambos estadísticos son, para procesos normales:

( )
( )
4
2
2
1 2
σ
n
n
s Var

= ( )
4 2 *
1
2
σ

=
n
s Var
Puede comprobarse que el error cuadrático medio de s
2
es inferior al de s*
2
. En
Control Estadístico de Procesos es habitual operar con desviaciones típicas en
lugar de con varianzas, por lo que es necesario conocer E(s), E(s*), σ
s
, σ*
s
.

( )
[ ]
( )
[ ]

2 / ) 1 (
2 /
1
2
) ( E
2 / ) 1 (
2 / 2
) ( 4
*
2 σ σ σ σ c
n
n
n
s c
n
n
n
s E =
− Γ
Γ

= =
− Γ
Γ
=
En este caso ambos estadísticos son estimadores segados de σ.

n
c
s
1
1
2
2
− − = σ σ
2
4 '
1 c
s
− = σ σ
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 23

CONSTRUCCIÓN DEL GRÁFICO X -R
i) Caso µ, σ conocidos.
Si µ y σ son conocidos entonces la construcción del gráfico de
medias es inmediata a partir de su definición:

σ µ σ µ
µ
σ µ σ µ
A
n
LCI
LC
A
n
LCS
− = − =
=
+ = + =
3
3

El cálculo de los límites del gráfico de recorridos se hace de la
manera siguiente:
( )
( ) σ σ
σ
σ σ
1 3 2
2
2 3 2
3
3
D d d LCS
d LC
D d d LCS
= − =
=
= + =

ii) Caso µ, σ desconocidos.
Si alguno de los dos fuera conocido sería un híbrido de los dos
casos i) y ii). Puesto que en este caso no se tiene ningún
conocimiento previo, es preciso estimar µ a partir de la media
de las medias ( ) x y σ a partir del recorrido medio ( ) R de k
(por ejemplo k= 25) muestras iniciales.
A partir de x y R se trazarían los límites provisionales de la
manera siguiente. En el gráfico de medias:
Control Estadístico de Procesos
Pág. 24 Control Estadístico de Procesos (Apuntes)
R A X
n d
R
X LCI
X LC
R A X
n d
R
X LCS
2
2
2
2
1
3
1
3
− = − =
=
+ = + =

y los límites del gráfico de recorridos serían:
R D R
d
d
LCI
R LC
R D R
d
d
LSC
3
2
3
4
2
3
3 1
3 1
=
|
|
¹
|

\
|
− =
=
=
|
|
¹
|

\
|
+ =

Una vez establecidos los límites de control provisionales para ambos gráficos,
se comprobaría si alguna de las muestras está fuera de los límites. En caso
afirmativo se procedería a buscar la causa asignable que pudiera explicar esa
anormalidad y se recalcularían los límites. Estos límites deben recalcularse
periódicamente, por ejemplo cada 25 muestras.


CONSTRUCCIÓN DEL GRÁFICO X -S
i) Caso µ, σ conocidos.
Si µ y σ son conocidos la construcción del gráfico de medias es
análoga al caso anterior.
σ µ σ µ
µ
σ µ σ µ
A
n
LCI
LC
A
n
LCS
− = − =
=
+ = + =
3
3

Cuando se utiliza s, el gráfico S se construye:
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 25
σ σ
σ
σ σ
1
2
2 2
2
2
2
2 2
1
1 3
1
1 3
B
n
c c LIC
c LC
B
n
c c LSC
=
|
|
¹
|

\
|
− − − =
=
=
|
|
¹
|

\
|
− − + =

Cuando se utiliza s*, el gráfico S se construye:
σ σ
σ
σ σ
5
2
4 4
4
6
2
4 4
1 3
1 3
B c c LIC
c LC
B c c LSC
= |
¹
|

\
|
− − =
=
= |
¹
|

\
|
− + =

ii) Caso µ, σ desconocidos.
(Si alguno de los dos fuera conocido sería un híbrido de los dos
casos i) y ii)). Se estimaría µ a partir de la media de las medias
( ) x y σ a partir de la desviación típica muestral media ( s o
*
s )
de k muestras iniciales.
A partir de x y s o
*
s se trazarían los límites provisionales de
la manera siguiente. En el gráfico de medias si se utiliza s :

S A X S
n c
X LCI
X LC
S A X S
n c
X LCS
1
2
1
2
1 3
1 3
− = − =
=
+ = + =

Si se utiliza
*
s :
Control Estadístico de Procesos
Pág. 26 Control Estadístico de Procesos (Apuntes)
*
3
*
4
*
3
*
4
1 3
1 3
S A X S
n c
X LCI
X LC
S A X S
n c
X LCS
− = − =
=
+ = + =

En el gráfico de desviaciones típicas, si se utiliza s :
S B
c
S
n
c c LSI
S LC
S B
c
S
n
c c LSC
3
2
2
2 2
4
2
2
2 2
1
1 3
1
1 3
=
|
|
¹
|

\
|
− − − =
=
=
|
|
¹
|

\
|
− − + =

Si se utiliza s
*
:
*
3
* 2
4
4
*
*
4
* 2
4
4
1
3
1
1
3
1
S B S c
c
LCI
S LC
S B S c
c
LCS
=
|
|
¹
|

\
|
− − =
=
=
|
|
¹
|

\
|
− + =

Una vez trazados los límites provisionales, se estudiarían los puntos fuera de
control y se recalcularían los límites de manera análoga al caso anterior.
En las tablas siguientes se resume lo anterior:


Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 27

GRÁFICOS DE MEDIAS
DATOS
CONOCIDOS
LCS LC LCI
µ y σ µ+Aσ µ µ-Aσ
σ
X +Aσ X X -Aσ
µ+A
1
S µ µ-A
1
S


µ µ+A
2
R µ µ-A
2
R
µ+A
3
S
*
µ µ-A
3
S
*


X +A
1
S X X -A
1
S
NINGUNO
X +A
2
R X X -A
2
R

X +A
3
S
*
X X -A
3
S
*

Tabla 1


GRÁFICOS DE DISPERSIÓN
DATOS
CONOCIDOS
LCS LC LCI
S B
2
σ c
2
σ B
1
σ
σ
R D
2
σ d
2
σ D
1
σ
S
*
B
6
σ c
4
σ B
5
σ
S B
4
S S B
3
S
NINGUNO R D
4
R R D
3
R
S
*
B
4
S
*
S
*
B
3
S
*

Tabla 2
Control Estadístico de Procesos
Pág. 28 Control Estadístico de Procesos (Apuntes)

TABLA DE COEFICIENTES

n A A
1
A
2
A
3
c
2
c
4
B
1
B
2
B
3
B
4
B
5
B
6
d
2
d
3
D
1
D
2
D
3
D
4

2
3
4
5
2.121
1.732
1.500
1.342
3.760
2.394
1.880
1.596
1.880
1.023
0.729
0.577
2.659
1.954
1.628
1.427
0.5642
0.7236
0.7979
0.8407
0.7979
0.8862
0.9213
0.9400
0
0
0
0
1.943
1.858
1.808
1.756
0
0
0
0
3.267
2.568
2.266
2.089
0
0
0
0
2.606
2.276
2.088
1.964
1.128
1.693
2.059
2.326
0.853
0.888
0.880
0.864
0
0
0
0
3.686
4.358
4.698
4.918
0
0
0
0
3.267
2.575
2.282
2.115
6
7
8
9
10
1.225
1.134
1.061
1.000
0.949
1.410
1.277
1.175
1.094
1.028
0.483
0.419
0.373
0.337
0.308
1.287
1.182
1.099
1.032
0.975
0.8686
0.8882
0.9027
0.9139
0.9227
0.9515
0.9594
0.9650
0.9693
0.9727
0.026
0.105
0.167
0.219
0.262
1.711
1.672
1.638
1.609
1.584
0.030
0.118
0.185
0.239
0.284
1.970
1.882
1.815
1.761
1.716
0.029
0.113
0.179
.232
0.276
1.874
1.806
1.751
1.707
1.669
2.534
2.704
2.847
2.970
3.078
0.848
0.833
0.820
0.808
0.797
0
0.205
0.387
0.546
0.687
5.078
5.203
5.307
5.394
5.469
0
0.076
0.136
0.184
0.223
2.004
1.925
1.864
1.816
1.777
11
12
13
14
15
0.905
0.866
0.832
0.802
0.775
0.973
0.925
0.884
0.848
0.816
0.285
0.266
0.249
0.235
0.223
0.927
0.886
0.850
0.817
0.789
0.9300
0.9359
0.9410
0.9453
0.9490
0.9754
0.9776
0.9794
0.9810
0.9823
0.299
0.332
0.359
0.384
0.406
1.561
1.541
1.523
1.507
1.492
0.321
0.354
0.382
0.406
0.428
1.679
1.646
1.618
1.594
1.572
0.313
0.346
0.374
0.399
0.421
1.637
1.610
1.585
1.563
1.544
3.173
3.258
3.336
3.407
3.472
0.787
0.778
0.770
0.762
0.755
0.812
0.924
1.026
1.121
1.207
5.534
5.592
5.646
5.693
5.737
0.256
0.284
0.308
0.329
0.348
1.744
1.716
1.692
1.671
1.652
16
17
18
19
20
0.750
0.728
0.707
0.688
0.671
0.788
0.762
0.738
0.717
0.697
0.212
0.203
0.194
0.187
0.180
0.763
0.739
0.718
0.698
0.680
0.9523
0.9551
0.9576
0.9599
0.9619
0.9835
0.9845
0.9854
0.9862
0.9869
0.427
0.445
0.461
0.477
0.491
1.478
1.465
1.454
1.443
1.433
0.448
0.466
0.482
0.497
0.510
1.552
1.534
1.518
1.503
1.490
0.440
0.458
0.475
0.490
0.504
1.526
1.511
1.496
1.483
1.470
3.532
3.588
3.640
3.689
3.735
0.749
0.743
0.738
0.733
0.729
1.285
1.359
1.426
1.490
1.548
5.779
5.817
5.854
5.888
5.922
0.364
0.379
0.392
0.404
0.414
1.636
1.621
1.608
1.596
1.586
21
22
23
24
25
0.655
0.640
0.626
0.612
0.600
0.679
0.662
0.647
0.632
0.619
0.173
0.167
0.162
0.157
0.153
0.663
0.647
0.633
0.619
0.606
0.9630
0.9655
0.9670
0.9684
0.9696
0.9876
0.9882
0.9887
0.9892
0.9896
0.504
0.516
0.527
0.538
0.548
1.424
1.415
1.407
1.399
1.392
0.523
0.534
0.545
0.555
0.565
1.477
1.466
1.455
1.445
1.435
0.516
0.528
0.539
0.549
0.559
1.459
1.448
1.438
1.429
1.420
3.778
3.819
3.858
3.895
3.931
0.724
0.720
0.716
0.712
0.709
1.606
1.659
1.710
1.759
1.804
5.950
5.979
6.006
6.031
6.058
0.425
0.434
0.443
0.452
0.459
1.575
1.566
1.557
1.548
1.541
>25 3/√n 3/√n .... .... .... .... 1-3/√2n 1+3/√2n 1-3/√2n 1+3/√2n .... .... .... .... .... .... .... ....
Tabla 3
n c
A
n d
A
n c
A
n
A
4
3
2
2
2
1
3
3
3
3
=
=
=
=

1
2 4
2

=
=
n
n
c c
s
c
σ

w
d
R
d
σ
σ
=
=
3
2

( )
( )
( )
( )
2
4 4 6
2
4 4 5
2
4
4
4
2
4
4
3
4 2 2
3 2 1
1 3
1 3
1
3
1
1
3
1
c c B
c c B
c
c
B
c
c
B
B c B
B c B
− + =
− − =
− + =
− − =
=
=

2
3
4
2
3
3
3 2 2
3 2 1
3
1
3
1
3
3
d
d
D
d
d
D
d d D
d d D
+ =
− =
+ =
− =



Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 29
E EJ JE EM MP PL LO O- - 3 3: : C CO ON NS ST TR RU UC CC CI IÓ ÓN N D DE E U UN N G GR RÁ ÁF FI IC CO O D DE E
S SH HE EW WH HA AR RT T
La galga de los platinos es una característica clave para su buen
funcionamiento. La tabla siguiente recoge medidas de 20 muestras de tamaño
5. Construir los gráficos de control R X − , S X − y
*
S X −

0,0061 0,0084 0,0076 0,0076 0,0044
0,0088 0,0083 0,0076 0,0074 0,0059
0,0080 0,0080 0,0094 0,0075 0,0070
0,0067 0,0076 0,0064 0,0071 0,0088
0,0087 0,0084 0,0088 0,0094 0,0086
0,0071 0,0052 0,0072 0,0088 0,0052
0,0078 0,0089 0,0087 0,0065 0,0068
0,0087 0,0094 0,0086 0,0073 0,0071
0,0074 0,0081 0,0086 0,0083 0,0087
0,0081 0,0065 0,0075 0,0089 0,0097
0,0078 0,0098 0,0081 0,0062 0,0084
0,0089 0,0090 0,0079 0,0087 0,0090
0,0087 0,0075 0,0089 0,0076 0,0081
0,0084 0,0083 0,0072 0,0100 0,0069
0,0074 0,0091 0,0083 0,0078 0,0077
0,0069 0,0093 0,0064 0,0060 0,0064
0,0077 0,0089 0,0091 0,0068 0,0094
0,0089 0,0081 0,0073 0,0091 0,0079
0,0081 0,0090 0,0086 0,0087 0,0080
0,0074 0,0084 0,0092 0,0074 0,0103
Tabla 4

SOLUCIÓN:
Dispongamos los cálculos en la tabla siguiente:
MUES
TRA
1 2 3 4 5 Media R s
*
s
1 0,006 0,008 0,008 0,008 0,004 0,007 0,004 0,0016 0,0014
2 0,009 0,008 0,008 0,007 0,006 0,008 0,003 0,0011 0,0010
3 0,008 0,008 0,009 0,008 0,007 0,008 0,002 0,0009 0,0008
4 0,007 0,008 0,006 0,007 0,009 0,007 0,002 0,0009 0,0008
5 0,009 0,008 0,009 0,009 0,009 0,009 0,001 0,0004 0,0003
Control Estadístico de Procesos
Pág. 30 Control Estadístico de Procesos (Apuntes)
MUES
TRA
1 2 3 4 5 Media R s
*
s
6 0,007 0,005 0,007 0,009 0,005 0,007 0,004 0,0015 0,0014
7 0,008 0,009 0,009 0,007 0,007 0,008 0,002 0,0011 0,0010
8 0,009 0,009 0,009 0,007 0,007 0,008 0,002 0,0010 0,0009
9 0,007 0,008 0,009 0,008 0,009 0,008 0,001 0,0005 0,0005
10 0,008 0,007 0,008 0,009 0,010 0,008 0,003 0,0012 0,0011
11 0,008 0,010 0,008 0,006 0,008 0,008 0,004 0,0013 0,0012
12 0,009 0,009 0,008 0,009 0,009 0,009 0,001 0,0005 0,0004
13 0,009 0,008 0,009 0,008 0,008 0,008 0,001 0,0006 0,0006
14 0,008 0,008 0,007 0,010 0,007 0,008 0,003 0,0012 0,0011
15 0,007 0,009 0,008 0,008 0,008 0,008 0,002 0,0007 0,0006
16 0,007 0,009 0,006 0,006 0,006 0,007 0,003 0,0013 0,0012
17 0,008 0,009 0,009 0,007 0,009 0,008 0,003 0,0011 0,0010
18 0,009 0,008 0,007 0,009 0,008 0,008 0,002 0,0007 0,0007
19 0,008 0,009 0,009 0,009 0,008 0,008 0,001 0,0004 0,0004
20 0,007 0,008 0,009 0,007 0,010 0,009 0,003 0,0012 0,0011
Media 0,008 0,002 0,0010 0,0009
Tabla 5

Método recorridos: A
2
= 0,577 D
3
= 0 D
4
= 2,115
Gráfico de medias:
LCS= 0,008 + 0,577x0,002 = 0,0094
LC= 0,008
LCI= 0,008 - 0,577 x0,002 = 0,0066
Gráfico de recorridos:
LCS= 2,115x0,002 = 0,005
LC= 0,002
LCI= 0,000x0,008 = 0,000
En las figuras siguientes se representan el gráfico de medias y el de recorridos.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 31
20 10 Subgroup 0
0.0095
0.0085
0.0075
0.0065
M
e
d
i
a

M
u
e
s
t
r
a
l
X=0.007970
3.0SL=0.00935
-3.0SL=0.0065
0.005
0.004
0.003
0.002
0.001
0.000
R
e
c
o
r
r
i
d
o

M
u
e
s
t
r
a
l
R=0.002400
3.0SL=0.00507
-3.0SL=0.00E+
GRÁFICO X-R

Figura 14: Gráfico X-R

Método s
*
A
3
= 1,427 B
3
= 0 B
4
= 2,089
Gráfico de medias:
LCS= 0,008 + 1,427x0,0024 = 0,0114
LC= 0,008
LCI= 0,008 - 1,427x0,0024 = 0,0045

Gráfico s*
LCS= 2,089x0,0010 = 0,0020
LC= 0,0010
LCI= 0,000x0,0010 = 0,0000

Método s A
1
= 1,596 B
3
= 0 B
4
= 2,089
Gráfico de medias:
LCS= 0,008 + 1,596x0,0009 = 0,0093
LC= 0,008
LCI= 0,008 - 1,596x0,0009= 0,0066

Gráfico s
LCS= 2,089x0,0009 = 0,0018
LC= 0,0009
LCI= 0,000x0,0009 = 0,0000




Control Estadístico de Procesos
Pág. 32 Control Estadístico de Procesos (Apuntes)


8. CURVAS DE OPERACIÓN DEL GRÁFICO DE
CONTROL

Las curvas de operación son útiles para evaluar a priori la sensibilidad del
gráfico de control frente a desplazamiento del proceso o al cambio de su
variabilidad. De estas curvas se deduce que el hecho de que “los puntos estén
dentro de los límites” proporciona muy poca seguridad de que el proceso se
encuentre realmente bajo control estadístico y pone de manifiesto las
limitaciones de esta técnica. La aplicación de gráficos de control debe
continuarse con técnicas estadísticas avanzadas encaminadas al conocimiento
de los parámetros que influyen en el proceso (CTP en terminología 6 Sigma) y
a la reducción de la variabilidad (o lo que es lo mismo, al aumento de los
índices de capacidad).

8.1. CURVA DE OPERACIÓN DEL GRÁFICO DE
MEDIAS.
Si se mide el desplazamiento del proceso en unidades de la desviación típica y
la deformación mediante la relación existente entre la desviación típica final y
la inicial, es decir:

0
0 1
σ
µ µ −
= d
0
1
σ
σ
λ =
La probabilidad de que la media muestral caiga dentro de los límites de control
en función de ( ) λ , d es:

|
|
¹
|

\
|


− −

+
− =
|
|
¹
|

\
|





=
λ λσ
σ µ
λ σ
µ
σ
µ
σ
µ
λ
n d
n
d x n d
P
n
LCS
n
x
n
LCI
P d P
) 3 (
/
) 3 (
/ / /
) , (
0
0 0
1
1
1
1
1
1

Si analizamos ahora los dos efectos por separado y dibujamos las curvas para
distintos tamaños de muestras, vemos que el gráfico de medias es sensible al
desplazamiento y muy poco sensible al cambio de la variabilidad (ver Figura
15 y Figura 16).

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 33
2.5 2.0 1.5 1.0 0.5 0.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
desplazamiento en múltiplos de sigma
P
r
o
b
.

m
e
d
i
a

m
u
e
s
t
r
a
l

d
e
n
t
r
o

d
e

L
C
n
=
2
n
=
3
n
=
4
n
=
5
n
=
6 n
=
8
n
=
1
2
n
=
1
6
n
=
2
0
SENSIBILIDAD DEL GRÁFICO DE MEDIAS
DESPLAZAMIENTO DEL PROCESO Y DESVIACIÓN TÍPICA INALTERADA

Figura 15: Curva de operación del Gráfico R al desplazamiento de
la media
1 2 3 4 5 6
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Aumento de variabilidad
P
r
o
b
a
b
i
l
i
d
a
d
CURVA CARACTERÍSTICA DEL GRÁFICO DE MEDIAS
(AUMENTOS DE VARIABILIDAD)

Figura 16: Curva de operación del Gráfico X al aumento de la
variabilidad
Control Estadístico de Procesos
Pág. 34 Control Estadístico de Procesos (Apuntes)


8.2. CURVA DE OPERACIÓN DEL GRÁFICO DE
DISPERSIÓN.
La construcción de la curva de operación del gráfico de recorridos se hace
aprovechando el estadístico w = R/σ. La ecuación de la curva será:

( ) ( )
0 2 0 0 1
σ λσ σ λ D w D P P ≤ ≤ =
Para el caso del gráfico S, la probabilidad de que una muestra caiga dentro de
los límites de control puede hacerse utilizando el estadístico:

2
1 2
2

=
n
ns
χ
σ

Entonces la ecuación de la curva de operación es:

|
|
¹
|

\
|
≤ ≤ =
|
|
¹
|

\
|
≤ ≤ = n
B
n
s
n
B
P n
B
n
s
n
B
P P
2
2
2
2
0
2
2
2
2
1
2
1
2
0
2
2
2
1
2
2
1
2
0
2
1
) (
λ σ λ λ σ
σ
σ σ
σ
λ
Se puede comprobar que el comportamiento es similar para muestras
pequeñas. Sin embargo para muestras n>6 es más eficaz el gráfico S.


Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 35
6 5 4 3 2 1
1.0
0.5
0.0
Aumento de la variabilidad en múltiplos de sigma
P
r
o
b
a
b
i
l
i
d
a
d

R

d
e
n
t
r
o

L
C
SENSIBILIDAD DEL GRÁFICO "R" AL AUMENTO DE LA VARIABILIDAD
CENTRADO INALTERADO
n=2
n=3
n=4
n=5
n=6
n=7
n=8
n=12
n=10

Figura 17: Curva de operación del Gráfico R al aumento de la variabilidad
1 2 3 4 5 6
0.0
0.5
1.0
Aumento de la variabilidad en múltiplos de sigma
P
r
o
b
a
b
i
l
i
d
a
d

S

d
e
n
t
r
o

L
C
SENSIBILIDAD DEL GRÁFICO "S" AL AUMENTO DE LA VARIABILIDAD
CENTRADO INALTERADO
n=2
n=3
n=4
n=5
n=6
n=7
n=8
n=10
n=12
n=18
n=20

Figura 18: Curva de operación del Gráfico S al aumento
de la variabilidad
Control Estadístico de Procesos
Pág. 36 Control Estadístico de Procesos (Apuntes)


9. INTERPRETACIÓN DE LAS INDICACIONES DEL
GRÁFICO DE CONTROL

La indicación más clara de que el proceso está fuera de control es que alguno
de los puntos esté fuera de los límites. Además el aspecto de los gráficos
pueden indicar anomalías en el proceso. En efecto, si dividimos el gráfico en
zonas A, B y C, ver Figura 19, el porcentaje de puntos contenidos en cada una
de ellas deberá acercarse sensiblemente al área relativa de la campana de
Gauss cubierta por cada una de ellas.


¿Cómo deben distribuirse los puntos?
A (2,5%)
A (2,5%)
B (13,5%)
B (13,5%)
C (34%)
C (34%)

Figura 19: Distribución de los puntos procedentes de una
distribución normal

En la Tabla 6 se incluyen algunas reglas utilizadas frecuentemente para
analizar el gráfico de medias y establecer si el proceso se encuentra fuera de
control. En la columna de la derecha se indica la probabilidad de que se diera
esta circunstancia en el caso de un proceso normal, centrado (lo que daría
lugar a una decisión errónea). En general, un procedimiento de SPC debe
explicitar qué indicaciones deben considerarse como síntoma de proceso fuera
de control.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 37

Regla Descripción Probabi
lidad
1 Un punto está fuera de los límites de control 0,27%
2 De tres puntos consecutivos, dos o más están en una de las
zonas A (la misma).
0,15%
2´ Dos puntos consecutivos están en una de las zonas A (la
misma).
0,05%
3 Racha de cinco puntos en la que cuatro están en la misma
zona A o B.

0,27%
3´ Racha de cuatro puntos consecutivos que están en la misma
zona A o B.

0,06%
4 Racha de siete puntos consecutivos por encima de la línea
central.
0,78%
4´ Racha de seis puntos consecutivos por encima de la línea
central.
1,56%
4´´ Racha de ocho puntos consecutivos por encima de la línea
central.
0,39%
5 Racha de seis puntos consecutivos se presentan de manera
monótona creciente.
0,14%
6 De diez puntos consecutivos, existe una racha de 8 que se
presentan de manera monótona creciente.
0,07%
6´ De nueve puntos consecutivos, existe una racha de 8 que se
presentan de manera monótona creciente.
0,02%
6´´ De nueve puntos consecutivos, existe una racha de 7 que se
presentan de manera monótona creciente.
0,42%
7 Dados dos puntos consecutivos, el segundo está al menos
cuatro desviaciones típicas por encima del primero (por
ejemplo, el primero está en la zona A inferior y el segundo en
la B ó A superior).
0,23%
8 Racha de quince puntos en la zona C 0,30%
9 Racha de catorce puntos alternativos ascendente descendente ?
Tabla 6

A continuación veamos cómo se pueden interpretar estas indicaciones:

a) Reglas 1, 2, 3, 3´, 4, 4´, 4´´ y 7. Si el gráfico de medias
presenta alguna de estas indicaciones y el gráfico S o R no
presenta anomalías, lo más probable es que el proceso se
encuentre desplazado. Si el gráfico S o R presenta también
indicaciones, entonces es proceso ha aumentado la variabilidad
y posiblemente también se ha desplazado.
Control Estadístico de Procesos
Pág. 38 Control Estadístico de Procesos (Apuntes)
b) Reglas 5, 6, 6´, 6´´. Lo más probable es que el proceso esté
desplazándose.
c) Regla 7. Si el gráfico S o R no presenta anomalías, lo más
probable es que el proceso sea muy inestable en cuanto a su
centrado. Si el gráfico S o R presenta también indicaciones,
entonces es probable que el proceso haya aumentado la
variabilidad.
d) Regla 8. que Puede ser síntoma de que se ha reducido la
variabilidad del proceso si el gráfico S o R también muestra una
reducción de la variabilidad muestral. Si el gráfico S o R no
muestra una reducción de la variabilidad muestral, puede
ocurrir que se estén mezclando dos poblaciones distintas,
siendo la distribución resultante bimodal (dos jorobas).
e) Regla 9. Es síntoma de inestabilidad del proceso.

¿Cómo lo interpreta?
Racha en una mitad
Racha creciente o
decreciente

Figura 20: Tendencias que indican causas especiales


Para el caso del gráfico S o R se puede establecer un conjunto de reglas
parecidas, pero es necesario tener en cuenta lo siguiente:

a) La interpretación de la indicación ha de hacerse en función a la
naturaleza del gráfico S o R, es decir, no indican derivas en la
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 39
media del proceso sino aumento o disminución en la
variabilidad del mismo.
b) La distribución de S o R no es normal (aunque lo sea el
proceso) ni tampoco es simétrica, por lo que las probabilidades
indicadas en la columna de la derecha no son de aplicación a
este caso.


10. ESTUDIO DE CAPACIDAD DE PROCESOS
10.1. ¿QUÉ ES UN ESTUDIO DE CAPACIDAD DE
PROCESO?
Un estudio de capacidad de proceso tiene por objeto de conocer:


• Distribución estadística que lo describe (normal o no
normal)
• El patrón de variabilidad del proceso y principales factores
relacionados con la variabilidad.
• Comprender los fenómenos físicos y tecnológicos
importantes para el proceso


Se realiza tomando muestras de la producción. A partir de aquí existen muchas
diferencias en cuanto al modo de tomar las muestras. En particular es frecuente
que se requiera que el proceso esté en control estadístico. Este requisito es
lógico cuando se pretende calcular los índices c
p
y c
pk
de variabilidad a corto
plazo. En general, cuando se desee estimar la variabilidad total del proceso
(conocida también como variabilidad a largo plazo), las muestras deben ser
representativas de la producción, por ejemplo debe incluir producciones con
lotes distintos de materia prima, realizada por operarios diferentes, en varios
turnos, etc.
Obviamente, según sea el modo en el que se tomen las muestras los
resultados serán muy diferentes. En los párrafos siguientes se dan algunas
directrices que pueden ayudar a diseñar un estudio de capacidad de proceso y
a interpretar sus resultados.

10.2. ¿CÓMO SE REALIZA UN ESTUDIO DE
CAPACIDAD DE PROCESO?
En la realización de un estudio de capacidad de proceso es importante realizar
los siguientes pasos.
Control Estadístico de Procesos
Pág. 40 Control Estadístico de Procesos (Apuntes)
10.2.1. Comprender los fenómenos físicos y tecnológicos importantes para el
proceso
Naturalmente de un proceso no se conoce “todo”, ya que si fuera así no tendría
sentido realizar otro estudio sobre él. Sin embargo normalmente se saben
algunos aspectos que deben tenerse en cuenta, ya que influirán en los datos.
Por ejemplo, si se trata de un proceso de mecanizado, es esperable que el
desgaste de la herramienta produzca un desplazamiento de la media, etc.
Como resultado de la revisión de los conocimientos disponibles se puede llegar
a lo siguiente:

• Establecimiento de las posibles fuentes de variabilidad del
proceso (por ejemplo una deriva temporal en el caso del
mecanizado, variabilidad entre lotes, variabilidad
posicional en la pieza, etc.).
• Verosimilitud de esperar una distribución normal de los
datos o si por el contrario existe alguna razón (por ejemplo
asimetrías) que sugieren otro tipo de distribución.


10.2.2. Definición de la estratificación de las medidas a tomar
En función de las consideraciones anteriores, se debe definir el Grupo
Homogéneo Racional (GHR) del que se tomarán las muestras y que se espera
que estén libres de causas especiales, de manera que la variación dentro de
estos grupos pueda ser representativa de la variación del proceso cuando se
eliminen todas las causas especiales. Por ejemplo, si se han identificado como
posibles fuentes de variabilidad de un proceso de mecanizado de un vástago
cilíndrico:

• El desgaste de la herramienta (asociado al tiempo de
trabajo).
• El proveedor de la materia prima.
• El lote suministrado por el proveedor.
• Si el diámetro medido corresponde a la primera cara o a la
segunda (posición en la pieza).

En este caso cuando se mida la muestra es necesario identificar la hora en la
que se fabricó la pieza, qué proveedor y qué lote de materia prima se empleó y
a qué cara corresponde la medida, ya que de otro modo será imposible
cuantificar las fuentes de variabilidad.

En todos los casos debe pensarse que la propia medida puede ser una fuente
de variabilidad más, por lo que deben tomarse las siguientes precauciones:

• Debe definirse el procedimiento de medida con todo
detalle. En un caso simple como este, podría bastar con
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 41
indicar a un técnico de taller que la medida debe tomarse
con un micrómetro calibrado y medirse dos diámetros a
90º y calcular la media. Si la medida fuese más compleja,
sería necesario establecer un procedimiento escrito.
• Si no se conoce la repetibilidad y reproducibilidad del
método de medida a emplear, debe realizarse un estudio
R&R (repetibilidad y reproducibilidad). Los estudios R&R
también se conocen como estudios MSA (Measurement
System Analysis)


Como resultado de esta fase debe prepararse al menos una plantilla de
recogida de datos que evite que se produzcan errores en la recogida o registro
de los mismos.

10.2.3. Estabilizar del proceso
Para tomar los datos, el proceso debe operar de manera que el GRH se
encuentre libre de otras posibles causas especiales.
Para que tenga sentido la aplicación de los gráficos de control, el proceso ha de
tener una estabilidad suficiente que, aún siendo aleatorio, permita un cierto
grado de predicción. En general, un proceso caótico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el gráfico de
control ni tiene sentido hablar de un estudio de capacidad. Un proceso de este
tipo debe ser estudiado mediante herramientas estadísticas avanzadas hasta
que el grado de conocimiento empírico obtenido sobre el mismo permita
estabilizarlo.

10.2.4. Toma de los datos
Generalmente la toma de los datos se extiende en el tiempo y se toman a
través de un operario. Este intervalo de tiempo puede ser largo si se pretende
capturar fuentes de variabilidad cíclica. Consecuentemente las posibilidades de
errores por “malos entendidos” son altas. Por esta razón es muy importante
definir una plantilla de toma de datos lo más explícita posible y no esperar a
que estén todos los datos tomados para “echar un vistazo”. Debe evitarse la
situación de descubrir que los datos que se han ido tomando durante
semanas...no valen para nada.

10.2.5. Identificación del patrón de variabilidad
Uno de los objetivos del estudio establecidos en el párrafo 10.1 es identificar el
patrón de la variabilidad y los principales factores relacionados con la
variabilidad. Para ello resultan de la máxima utilidad herramientas como el
gráfico Multivari y la técnica de análisis de componentes de la varianza.


Control Estadístico de Procesos
Pág. 42 Control Estadístico de Procesos (Apuntes)
10.2.6. Comprobación de la normalidad de los datos
Una vez obtenidos los datos se debe comprobarse la normalidad. Al menos
deben ser normales los datos correspondientes al mismo GHR (en caso de que
los datos en su conjunto no sean normales, pero si lo sean los datos de los
GHR, quiere decir que alguno de los criterios seguidos en la estratificación de
las muestras es una causa especial).

En caso de que por consideraciones tecnológicas (véase 10.2.1) o el análisis
de los datos indique que no son normales, debe realizarse una transformación
normalizadora (véase párrafo 11.3).

Es preciso tener en cuenta que, si los datos no son normales, no son válidas
las predicciones de fracción defectuosa realizadas en el estudio. En el párrafo
11 se indica cómo proceder en casos en los que los datos no sean normales.

Para comprobar la normalidad se pueden emplear los contrastes de ajuste
habituales (χ
2
, Kolmogorov-Smirnov, etc.). La prueba de normalidad más
sencilla y utilizada en ingeniería de calidad es la que se basa en el “papel
probabilístico normal”. Este papel tiene la escala de ordenadas modificada de
manera que las probabilidades acumuladas de datos de una muestra
procedente de una distribución normal, resulten alineados.

A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Dentro del menú Graph->Probability_Plot, Minitab cuenta con
contrastes gráficos de ajuste para varias distribuciones.
Si se selecciona la distribución normal y se representan
los datos del Ejemplo 3 (ver Figura 21) se observa que alguno
de los valores de los extremos está fuera de las bandas de
confianza del 95%, lo que es un indicio de falta de
normalidad.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 43
0.004 0.005 0.006 0.007 0.008 0.009 0.010 0.011 0.012
1
5
10
20
30
40
50
60
70
80
90
95
99
Data
P
e
r
c
e
n
t
AD* 0.827
Goodness of Fit
Normal Probability Plot for Valor
ML Estimates - 95% CI
Mean
StDev
0.007966
0.0010901
ML Estimates

Figura 21: Graph->Probability-Plot->Normal


10.2.7. Análisis e interpretación de los datos
A continuación debe comprobarse la estabilidad del proceso para lo que debe
realizarse un gráfico de control a las medias de los Grupos Homogéneos
Racionales comprobando que no existen puntos fuera de control. En caso de
que exista algún punto fuera de control, debe estudiarse la causa para su
eliminación.

Una vez hecho esto, debe realizarse la estimación de la desviación típica. En
general deben seguirse los siguientes criterios:

• Si el tamaño de los grupos es igual o mayor que 10, no se
empleará nunca el método del recorrido medio.
• Si se sospecha que la desviación típica es sensiblemente
constante, se puede emplear el método de la desviación
típica promediada (“pooled standard deviation”).

Control Estadístico de Procesos
Pág. 44 Control Estadístico de Procesos (Apuntes)
( ) ( )
k n n
s n s n
s
k
k k
P
− +
− + + −
=
L
L
1
2 2 2
1
2
1 2
1 1


A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Dentro del menú Stat->Control Charts-> Xbar-R, Si
se selecciona la columna en la que están los
datos y se indican el tamaño del lote = 5, se
obtiene la Figura 22. En ella puede apreciarse
dos puntos fuera de control, lo que indica que la
variabilidad a corto plazo, representada por los
índices c
p
y c
pk
no debe utilizarse para
cuantificar la variabilidad total del proceso.


10 9 8 7 6 5 4 3 2 1 Subgroup 0
10
9
8
7
6
5
4
S
a
m
p
l
e

M
e
a
n
1 1
1
1
1
Mean=6.429
UCL=7.948
LCL=4.909
6
5
4
3
2
1
0
S
a
m
p
l
e

R
a
n
g
e
R=2.634
UCL=5.569
LCL=0
COMPROBACIÓN ESTABILIDAD

Figura 22 Stat->Control Charts-> Xbar-R

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 45

E EJ JE EM MP PL LO O- - 4 4: : M MÉ ÉT TO OD DO OS S D DE E E ES ST TI IM MA AC CI IÓ ÓN N D DE E L LA A
V VA AR RI IA AB BI IL LI ID DA AD D. . C CÁ ÁL LC CU UL LO O D DE E L LO OS S Í ÍN ND DI IC CE ES S
La variabilidad inherente del proceso (σ
CP
) puede estimarse a través del
recorrido muestral medio R , (para tamaños de muestra n<10), y también
puede hacerse a través de la media ponderada de las desviaciones típicas
muestrales. Veamos un ejemplo con los datos de la Tabla 7).

Tolerancia superior: 10.00
Tolerancia superior: 5.00

Muestra
1
Muestra
2
Muestra
3
Muestra
4
Muestra
5
Muestra
6
Muestra
7
Muestra
8
Muestra
9
Muestra
10
Pieza 1 5.35 4.55 5.05 7.41 9.23 8.92 9.08 7.18 5.35 4.45
Pieza 2 3.96 5.85 5.41 8.02 6.99 11.53 6.95 6.75 5.98 4.57
Pieza 3 4.70 4.13 6.18 7.19 9.17 9.37 7.13 6.66 5.03 4.88
Pieza 4 4.40 3.59 6.54 7.11 8.58 9.37 9.81 5.24 7.32 3.54
Pieza 5 3.07 3.66 4.68 5.51 8.11 7.68 5.78 7.32 6.59 6.49
MEDIA 4.30 4.36 5.57 7.05 8.42 9.38 7.75 6.63 6.05 4.78
RANGO 2.27 2.26 1.87 2.51 2.23 3.85 4.03 2.08 2.29 2.95
Sm 0.85 0.92 0.78 0.93 0.92 1.39 1.65 0.83 0.93 1.08
Tabla 7

43 . 6 = x

63 . 2
10
2.95 2.29 2.08 4.03 3.85 2.23 2.51 1.87 2.26 2.27
=
+ + + + + + + + +
= R


03 . 1
10
1.08 0.93 0.83 1.65 1.39 0.92 0.93 0.78 0.92 0.85
=
+ + + + + + + + +
=
M
s


A partir de estos estadísticos se puede estimar la σ
CP
:
11 . 1
3626 . 2
63 . 2
) 5 (
ˆ
2
= =
=
=
n d
R
CP
σ
09 . 1
9400 . 0
03 . 1
) 5 (
ˆ
4
= =
=
=
n c
s
M
CP
σ

Control Estadístico de Procesos
Pág. 46 Control Estadístico de Procesos (Apuntes)
Donde d
2
y c
4
son dos coeficientes tabulados, función del tamaño de la
muestra, que corrigen el sesgo del estimador.
Si lo que se pretende es estimar la variabilidad total del proceso (σ
LP
) ha de
hacerse a través de la desviación típica de todas las piezas medidas con
independencia de la muestra a la que pertenezcan. En los datos anteriores:

( ) ( )
92 . 1
1 50
43 . 6
1
ˆ
50
1
2
1
2
=


=


=
∑ ∑
= = i
i
n
i
i
LP
x
n
x x
σ

Como conclusión:

Las dos estimaciones realizadas de la variabilidad
inherente del proceso (σ
CP
) son bastante próximas (por
ser el tamaño de la muestra pequeño, n=5).
Como era de esperar, la estimación de la variabilidad
total σ
LP
> σ
CP
.
Los valores de los índices de capacidad son:

C
p
(método R)= 0.75
C
pk
(método R)= 0.53
C
p
(método S)= 0.76
C
pk
(método S)= 0.55
P
p
= 0.43
P
pk
= 0.31

Como ya se anticipó a la vista de la Figura 22, la variabilidad entre lotes es muy
importante, lo que hace que la variabilidad a largo plazo sea muy superior a la
variabilidad a corto plazo.


10.2.8. Construcción de un intervalo de confianza de los índices
Es preciso tener siempre presente que estos índices, al ser función de una
variable aleatoria y estar calculados a través de estadísticos (valores numéricos
calculados a partir de los datos muestrales), están sometidos a una variación
aleatoria. Por esta razón la buena práctica estadística aconseja construir un
intervalo de confianza. Este intervalo podría basarse en la conocida relación:

( )
2
1
2
2
1



n
s n
χ
σ
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 47

que llevaría a los siguientes límites del intervalo de confianza para la varianza.
( ) ( )
) 2 / (
1
) 2 / 1 (
1
2
1
2
2
2
1
2
α χ
σ
α χ
− −

≤ ≤


n n
s n s n


y para el índice c
p
:

( ) ( )
1
2 /

1
2 / 1
2
1
2
1

≤ ≤


− −
n
c
n
n
p
n
α χ α χ


Sin embargo, para que esto sea cierto, es necesario una buena normalidad de
los datos, hecho que no siempre se cumple. Por esta razón resulta más
apropiado recurrir a métodos de estimación no paramétricos (por ejemplo,
método de bootstrap).


11. CASO DE PROCESOS NO NORMALES
11.1. ¿ES LA NORMALIDAD LO “NORMAL?”
Existen procesos que incorporan a su naturaleza alguna causa especial que
hace que su distribución no sea normal y consecuentemente no tiene sentido
esperar su normalidad ni iniciar acciones correctoras para “meter el proceso en
control estadístico”.
Un caso típico son aquellos procesos que tienen alguna “barrera” que impide
que la variable aleatoria pueda tomar valores desde -∞ a +∞. Por ejemplo, un
proceso de taladrado en el que el diámetro de la broca es el límite inferior del
posible taladro, procesos químicos en el que se va añadiendo espesos de
capas, etc.

Control Estadístico de Procesos
Pág. 48 Control Estadístico de Procesos (Apuntes)
Por ejemplo, en este caso hay que
sospechar a priori no normalidad
ESPESOR ESPESOR


Figura 23 Si la variabilidad es grande en relación con el espesor
medio, es de esperar una distribución asimétrica


11.2. CONSECUENCIAS QUE TIENE EN EL
ANÁLISIS.
Cuando el proceso no sigue una distribución normal debido a causas
intrínsecas a su propia naturaleza, lo expuesto anteriormente se ve afectado de
la siguiente manera:

a) La interpretación de los índices y en cuanto a la fracción de
producto fuera de tolerancia ha de hacerse para la distribución
que siga el proceso. Si no se conoce la distribución, utilizando la
desigualdad de Tchebichef, sólo se puede asegurar que la cola
situada más allá de 3 σ σσ σ de la media no es superior a 1/9=11%
(frente a 0,135% en el caso de un proceso normal).
b) Los coeficientes utilizados para estimar σ σσ σS y σ σσ σR no son válidos y
por lo tanto tampoco lo son los límites de control calculados para
el gráfico de medias y recorridos.
c) Es posible que la distribución del gráfico de medias sea a pesar de
todo normal en virtud del TLC. No obstante si la distribución del
proceso tiene un grado elevado de asimetría sería necesario que el
tamaño de la muestra fuese superior a 25 o 30 (en lugar de 4 ó 5
como es habitual) para que se pudiera considerar normal a la
distribución de las medias.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 49

En estos casos, lo más recomendable es proceder como sigue:

• Puesto que la causa de no normalidad es intrínseca al
proceso, se toma una muestra de al menos 25 o 30
unidades, de manera que la distribución de la muestra sea
lo más próxima a la normal posible. De esta manera se
puede mantener el control de las derivas en el proceso.
• Estudiar la distribución (calcular media, desviación típica y
coeficiente de asimetría). En el caso de que la distribución
no se encuentre contenida en el intervalo de tolerancias, ya
se puede anticipar la incapacidad del proceso. Si se
encuentra contenida en el intervalo de tolerancias de
manera muy ajustada, es posible que el resto de las causas
de variación presentes en la operación habitual del proceso
haga que parte de la producción esté fuera de tolerancia.
• Realizar una transformación de normalización de los datos.
En general resultan eficaces la transformaciones de Box-
Cox (ver 11.3).
• Una vez determinada la transformación numérica de
normalización, si se codifican los valores tomados en las
muestras, se puede tratar como los procesos vistos hasta
ahora. Naturalmente para interpretar los valores de los
límites de control, fracción fuera de tolerancia, etc. es
preciso deshacer la transformación.


11.3. TÉCNICAS DE NORMALIZACIÓN DE LOS
DATOS.
La técnica de normalización de datos más eficaz es la transformación de Box-
Cox. Esta transformación es la siguiente:
Control Estadístico de Procesos
Pág. 50 Control Estadístico de Procesos (Apuntes)


( )
( ) ( )
( ) ( ) ( )

0 0 ln
0
1 )
) (
¦
¹
¦
´
¦
> = +
− > ∀ ≠
− +
=
m m x
m x x
m x
x
λ
λ
λ
λ
λ


Es continua en λ, puesto que:

( ) m x x + =

ln lim
) (
0
λ
λ


La función de verosimilitud de los datos normalizados es:

( ) ( ) ( )

=
− + − =
n
i
i
x
n
L
1
2
ln 1 ) ( ln
1
) ( λ λ σ λ
)


Donde:

( )

=
− =
n
i
x x
n
1
2
) ( ) ( 2
1
) (
λ λ
λ σ
)


La técnica consiste en hallar el valor de λ que maximiza la verosimilitud (ver
Figura 24).

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 51
-2 -1 0 1 2
-300
-200
-100
lambda
V
e
r
o
s
i
m
i
l
i
t
u
d
TRANSFORMACIÓN DE BOX-COX
SELECCIÓN DEL LAMBDA ÓPTIMO
0.37
lambda
-2.00
-1.50
-1.00
-0.50
0.00
0.25
0.50
1.00
1.50
2.00
Verosimilitud
-304.427
-221.758
-153.238
-105.654
-81.808
-77.440
-77.475
-86.631
-105.244
-131.009

Figura 24: Transformación de Box-Cox para normalizar los datos


Según sea el origen de los datos, en algunos casos se puede esperar
heterocedasticidad de los mismos (varianza no constante). Según esté
relacionada la varianza y la media, resultan apropiadas las transformaciones
indicadas en la Tabla 8 .


Relación
media-
varianza
λ λλ λ Transformación
estabilizadora de la
varianza
Ejemplos típicos de
aplicación
2
η σ ∝
-1 Inversa
5 , 1
η σ ∝
-1/2 Inversa de la raíz
cuadrada

η σ ∝
0 Logaritmo Análisis de varianzas
muestrales, gráficos de control
de series cortas en el que se
conjuguen familias de varios
espesores.
5 , 0
η σ ∝
½ Raíz cuadrada Datos procedentes de una
distribución de Poisson.
const ∝ σ 1 No se transforma
Tabla 8: Transformaciones de datos para eliminar la
heterocedasticidad
Control Estadístico de Procesos
Pág. 52 Control Estadístico de Procesos (Apuntes)



E EJ JE EM MP PL LO O- - 5 5: : N NO OR RM MA AL LI IZ ZA AC CI IÓ ÓN N D DE E D DA AT TO OS S D DE E U UN N
P PR RO OC CE ES SO O N NO O N NO OR RM MA AL L
En la Figura 25 se ha representado el histograma de un proceso de protección
superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformación que los normalice.

A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->Box-Cox
Transformation. Los datos corresponden a muestras
de tamaño 5 de 25 lotes. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 26, en la que se indica λ=0.113 como el
valor óptimo. Una vez transformados los datos, se
puede comprobar su normalidad mediante un
histograma (ver Figura 27) o un papel
probabilístico, de modo análogo al hecho
anteriormente (ver Figura 28).

2 4 6 8 10 12 14 16 18 20 22
0
10
20
30
Espesores
F
r
e
c
u
e
n
c
i
a
HISTOGRAMA DE DATOS NO NORMALES

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 53
Figura 25: Histograma de datos de un proceso no normal

-5 -4 -3 -2 -1 0 1 2 3 4 5
0
10
20
30
40
50
60
95% Confidence Interval
S
t
D
e
v
Lambda
Last Iteration Info
Lambda StDev
0.056
0.113
0.170
2.784
2.782
2.783
Low
Est
Up
Box-Cox Plot for Skewed

Figura 26: Transformación de Box-Cox (Stat->Control Charts->Box-
Cox Transformation)
1.0 1.1 1.2 1.3 1.4
0
10
20
Espesores
F
r
e
c
u
e
n
c
i
a
HISTOGRAMA DE DATOS TRANSFORMADOS

Control Estadístico de Procesos
Pág. 54 Control Estadístico de Procesos (Apuntes)
Figura 27: Histograma de los datos transformados (Graph-
>Histogram)

0.88 0.98 1.08 1.18 1.28 1.38 1.48
1
5
10
20
30
40
50
60
70
80
90
95
99
Data
P
e
r
c
e
n
t
AD* 0.291
Goodness of Fit
COMPROBACIÓN DE LA NORMALIDAD DE LOS DATOS TRANSFORMADOS
ML Estimates - 95% CI
Mean
StDev
1.18537
0.0832140
ML Estimates

Figura 28: Comprobación de la normalidad de los datos
transformados


12. GRÁFICOS DE CONTROL PARA
APLICACIONES ESPECIALES
12.1. GRÁFICOS PARA MUESTRAS UNITARIAS (I-
MR)
En ocasiones interesa realizar gráficos de control a valores individuales, es
decir, es la particularización a muestras de tamaño = 1. Al ser la muestra
unitaria no resulta posible calcular la variabilidad dentro de la misma. Para
resolver esto, se hace una agrupación artificial “de cada elemento con el
siguiente”, de manera que se asocia la variación entre dos unidades
consecutivas a la variación intermuestral. Esta variación se estima a través del
“recorrido móvil” (moving range MR), que se calcula mediante la diferencia de
dos valores consecutivos.


E EJ JE EM MP PL LO O- - 6 6: : A AP PL LI IC CA AC CI IÓ ÓN N A AL L A AN NÁ ÁL LI IS SI IS S D DE E D DA AT TO OS S D DE E
V VI IS SC CO OS SI ID DA AD D D DE E U UN N P PR RO OC CE ES SO O Q QU UÍ ÍM MI IC CO O
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 55
Los datos proceden del libro “Implementing Six Sigma. Smarter Solution Using
Statistical Methods” de Forrest W. Breyfogle III.. Corresponden a la medida de
la viscosidad en cP de 20 lotes de un compuesto químico.


A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->I -MR. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 29.


20 10 Subgroup 0
80
75
70
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
20 10 Secuencia
Mean=74.2
UCL=80.23
LCL=68.17
8
7
6
5
4
3
2
1
0
M
o
v
i
n
g

R
a
n
g
e
R=2.267
UCL=7.406
LCL=0
VISCOSIDAD DE UN COMPUESTO QUÍMICO

Figura 29 Gráfico I-MR de los valores de la viscosidad


Control Estadístico de Procesos
Pág. 56 Control Estadístico de Procesos (Apuntes)
12.2. GRÁFICOS QUE PERMITEN CONTROLAR DOS
TIPOS DE VARIABILIDAD SIMULTÁNEAMENTE
(I-MR-R/S)
En los ejemplos anteriores se intuyó la necesidad de tener que controlar tanto
la variabilidad dentro del lote como la variabilidad entre lotes. Para solucionar
esto se emplea el I-MR-R/S. Integra simultáneamente tres gráficos:

• Un gráfico de valores individuales, en el que se dibujan las
medias muestrales y los límites de control se estiman a
través de MR medio. Permite controlar el desplazamiento
de la media de los lotes.
• Un gráfico de recorrido móvil en el que se dibujan los MR y
los límites de control se estiman a través de MR medio.
Permite controlar la variabilidad entre los lotes.
• Un gráfico R o S. Permite controlar la variabilidad dentro
de los lotes.


E EJ JE EM MP PL LO O- - 7 7: : A AP PL LI IC CA AC CI IÓ ÓN N D DE EL L G GR RÁ ÁF FI IC CO O I I- -M MR R- -R R/ /S S A AL L
E ES ST TU UD DI IO O D DE E C CA AP PA AC CI ID DA AD D D DE E P PR RO OC CE ES SO OS S D DE EL L E EJ JE EM MP PL LO O
4 4
Como las muestras tienen tamaño 5, se puede emplear el gráfico R.

A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->I –MR-R/S. La
respuesta proporcionada por MINITAB es la
indicada en la Figura 30.

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 57
10
9
8
7
6
5
4
3
Individuals Chart of Subgroup Means
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
1
Mean=6.429
UCL=9.287
LCL=3.570
4
3
2
1
0
Moving Range Chart of Subgroup Means
M
o
v
i
n
g

R
a
n
g
e
R=1.075
UCL=3.511
LCL=0
10 9 8 7 6 5 4 3 2 1 Subgroup 0
6
5
4
3
2
1
0
Range Chart of All Data
S
a
m
p
l
e

R
a
n
g
e
tra
1
0
s
tra
9

s
tra
8

s
tra
7

s
tra
6

s
tra
5

s
tra
4

s
tra
3

s
tra
2

s
tra
1

Subscripts
R=2.634
UCL=5.569
LCL=0
ESTUDIO DE LA CAPACIDAD DE PROCESO

Figura 30 Gráfico I-MR-R/S del estudio de capacidad de proceso

Se puede observar que en este gráfica también se detecta el desplazamiento
de la media fuera de control que se puso de manifiesto en el gráfico X-R de la
Figura 22.


13. GRÁFICOS DE CONTROL PARA EL CASO DE
SERIES CORTAS.
De acuerdo con lo expuesto, resulta obvio que el gráfico de control es muy útil y
se aplica fácilmente al caso de la fabricación masiva de productos iguales. Sin
embargo, la tendencia industrial actual es:

• Reducir al máximo el inventario de productos.
• Reducir al máximo la fabricación en curso.
• Aumentar la variedad de productos.


Control Estadístico de Procesos
Pág. 58 Control Estadístico de Procesos (Apuntes)
¿Es aplicable en estas circunstancias el gráfico de control? ¿Es útil? En estos
casos se puede optar por alguna o algunas de las siguientes opciones:

1 Utilizar gráficos de control más sensibles (es decir que detecten
antes si el proceso se sale de control), como son el CUSUM o el
EWMA (véase 14).
2 Referir las medidas de las piezas a “desviaciones del valor
nominal” de modo que resulten comparables las desviaciones
producidas en piezas distintas fabricadas por la misma máquina.
De este modo se puede utilizar el mismo gráfico de control para
piezas distintas de la misma familia. Esta opción es recomendable
siempre que se registren las circunstancias en las que se tomaron
cada uno de los datos (de modo que no se violen los conceptos de
“Grupos Homogéneos Racionales”) y que se puedan estratificar
cuando se considere necesario realizar un estudio sobre la posible
contribución de cada uno de los grupos a la variabilidad.
3 Empleo de Gráfico Z-MR. Este gráfico estima por separado la
media de cada tipo de pieza y se representan las desviaciones con
respecto a esa media. Para estimar la variabilidad existen cuatro
alternativas:
3.1. Considerar que la desviación típica es la misma para todas
las familias de piezas. Se calcula la “S pooled” de todas
ellas.
3.2. La varianza es proporcional a la media. En este caso debe
realizarse una transformación logarítmica de los datos para
corregir esta heterocedasticidad. Una vez realizada la
transformación, es análogo al caso anterior.
3.3. Las piezas del mismo tipo tienen la misma variabilidad. Se
calcula la “S pooled” para cada tipo de pieza.
3.4. Cada fabricación tiene una variabilidad distinta. Se estima
S para cada fabricación.
4 Estudiar la relación que existe los parámetros del proceso en lugar
de a las características de calidad resultantes de las piezas
fabricadas. Aplicar el gráfico de control a estos parámetros que
son comunes a la fabricación de toda la familia de piezas. Esto
requiere un conocimiento empírico de las relaciones existentes
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 59
entre los valores de los parámetros del proceso y los valores
esperados en las características de calidad de las piezas
producidas. Para alcanzar este conocimiento son muy útiles las
técnicas estadísticas avanzadas (Diseño de Experimentos, etc.).

E EJ JE EM MP PL LO O- - 8 8: : A AP PL LI IC CA AC CI IÓ ÓN N D DE EL L G GR RÁ ÁF FI IC CO O Z Z- -M MR R
Se pretende aplicar un gráfico Z-MR a la fabricación de una familia de tres tipos
de piezas A, B y C. Por datos existentes, se sabe que la variabilidad de la
fabricación es proporcional al espesor de la pieza.


A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->Z–MR. Los datos se
encuentran en el fichero Ejemplo13.MTW. La
respuesta proporcionada por MINITAB es la
indicada en la Figura 31.

Control Estadístico de Procesos
Pág. 60 Control Estadístico de Procesos (Apuntes)
0
C A B A B
15 10 5
Subgroup
S
t
a
n
d
a
r
d
i
z
e
d

L
o
g
(
d
a
t
a
)
Mean=0
UCL=3
LCL=-3
4
3
2
1
0
M
o
v
i
n
g

R
a
n
g
e
R=1.128
UCL=3.686
LCL=0
EJEMPLO DE GRÁFICO Z-MR

Figura 31: Aplicación de un gráfico Z-MR a una familia de piezas



14. OTROS GRÁFICOS DE CONTROL POR
VARIABLES
14.1. GRÁFICO CUSUM
El gráfico CUSUM tiene la ventaja de ser más sensible a las variaciones en la
media del proceso. Para que se pueda aplicar se requiere que la desviación
típica del proceso sea muy estable y se disponga de una buena estimación de
ella.

Si µ
0
es el valor medio supuesto al proceso, el gráfico CUSUM se basa en
computar las desviaciones entre las media muestral y µ
0
acumuladas por las
muestras extraídas:
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 61
( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
0 0 3 0 2 0 1
0 3 0 2 0 1
0 2 0 1
0 1
µ µ µ µ
µ µ µ
µ µ
µ
− + + − + − + −
− + − + −
− + −

t
x x x x
x x x
x x
x
L
M

Resulta intuitivo ver que mientras µ
0
no varíe las sumas acumuladas andarán
oscilando entorno a 0, mientras que si µ
0
varía estas sumas crecerán
rápidamente en esa dirección.

Para construir el gráfico es preciso fijar los parámetros siguientes:

• Mínima desviación d de µ
0
que se quiere detectar. Esto
requiere el establecimiento de un valor de referencia k (de
manera empírica se fija el valor de k=0,5d) de modo que se
construyan dos conjuntos de sumas acumuladas:
( ) ( )
( ) ( ) ( ) [ ]
( ) ( ) ( ) [ ] k x i CUSUM i CUSUM
k x i CUSUM i CUSUM
CUSUM CUSUM
i L L
i U U
L U
− + − − =
+ − + − =
= =
0
0
1 , 0 max
1 , 0 max
0 0 0
µ
µ
• Fijar un valor h, de modo que cuando las sumas
acumuladas superen ese valor se concluya que la media ha
superado el valor µ
0
±d prefijado. Obviamente la selección
de este parámetro está relacionada con los riesgos que se
desee correr. Lo más frecuente es seleccionar h entre 4.5σ
y 5σ.
Adicionalmente se puede construir una plantilla en V, como la de la Figura 32,
de modo que el punto P se coloca sobre el último punto de la serie, si con la
plantilla horizontal no quedan todos los puntos dentro de la “V” debe concluirse
que la media ha cambiado.
Control Estadístico de Procesos
Pág. 62 Control Estadístico de Procesos (Apuntes)
Gráfico CUSUM
S
U
M
A
S

A
C
U
M
U
L
A
D
A
S
d
h
d
h
k
=
P

Figura 32 Máscara “V” del gráfico CUSUM


E EJ JE EM MP PL LO O- - 9 9: : A AP PL LI IC CA AC CI IÓ ÓN N D DE EL L G GR RÁ ÁF FI IC CO O C CU US SU UM M
Estos datos corresponden con la tabla 7.3 del libro “Statistical Quality Control
and Improvement” de Nicholas R. Farnum. Son 75 datos de concentración de
níquel tomados a lo largo de 25 días y distribuidos en 3 turnos diarios.

A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->CUSUM.La respuesta
proporcionada por MINITAB es la indicada en la
Figura 33. El valor nominal es 4.5 y se conoce
que σ = 0.203066. Se ha tomado h = 5 y k = 0.5.
En este gráfico puede observarse que el proceso
se sale de control en la muestra número 49.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 63
80 70 60 50 40 30 20 10 0
10
5
0 0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
CONCENTRACIÓN DE NIQUEL

Figura 33: Ejemplo de Gráfico CUSUM

14.2. GRÁFICO EWMA
Los gráficos EWMA (exponentially weighted moving average) también tienen
una sensibilidad mayor que el gráfico de Shewhart. Para que se puedan aplicar
se requiere que la desviación típica del proceso sea muy estable. Su aplicación
consta de los siguientes pasos:

1) De manera habitual se extraen k muestras y se calculan sus
medias.
, , , ,
3 2 1 k
x x x x L
2) Se estima la media y desviación típica del proceso a partir
de los datos anteriores.
Control Estadístico de Procesos
Pág. 64 Control Estadístico de Procesos (Apuntes)
3) Se calculan los puntos a dibujar en el gráfico EWMA de la
siguiente forma:
( )
1
1

− + =
i i i
x x x
) )
λ λ
La aplicación de esta fórmula recurrente requiere fijar un
primer valor a
0
x
)
(normalmente x x ≡
0
)
) y al parámetro λ.
Este parámetro representa el mayor o menor peso que tienen
los datos anteriores. De manera empírica se le da un valor
comprendido entre 0,10 y 0,30. Esta indefinición de λ es
probablemente la mayor limitación del grafico EWMA.
4) Se dibujan los puntos
i
x
)
sobre el gráfico y se fijan los
siguientes límites de control (son variables para cada
punto).
( ) [ ]
( ) [ ]
i
i
n
x LCI
n
x LCS
2
0
2
0
1 1
1
3
ˆ
1 1
1
3
ˆ
λ
λ
λ σ
λ
λ
λ σ
− −
|
¹
|

\
|

− =
− −
|
¹
|

\
|

+ =

5) Si alguno de los puntos queda fuera de los límites, el
proceso no está en control.

E EJ JE EM MP PL LO O- - 1 10 0: : A AP PL LI IC CA AC CI IÓ ÓN N D DE EL L G GR RÁ ÁF FI IC CO O E EW WM MA A A A L LO OS S
D DA AT TO OS S D DE E C CO ON NC CE EN NT TR RA AC CI IÓ ÓN N D DE E N NI IQ QU UE EL L D DE EL L
E EJ JE EM MP PL LO O 9 9

A AP PL LI IC CA AC CI IÓ ÓN N M MI IN NI IT TA AB B
Menú Stat->Control Charts->EWMA. La respuesta proporcionada por
MINITAB es la indicada en la Figura 34. El valor nominal es 4.5 y se conoce
que σ = 0.203066 y se toma λ = 0.2. En el gráfico puede apreciarse que el
proceso está fuera de control antes de la muestra número 50.

Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 65
80 70 60 50 40 30 20 10 0
4.9
4.8
4.7
4.6
4.5
4.4
4.3
Sample Number
E
W
M
A
EWMA Chart for Conc. Ni
Mean=4.5
UCL=4.703
LCL=4.297

Figura 34: Ejemplo de Gráfico EWMA


15. GRÁFICOS DE CONTROL POR ATRIBUTOS
Las ideas sobre las que se fundamenta el Control Estadístico de Procesos se
pueden extender al control de características de calidad de tipo atributo o
discreto. Como se recordará, las primeras se rigen por la distribución binomial y
las segundas por la de Poisson.

15.1. GRÁFICOS DE CONTROL BASADOS EN LA
DISTRIBUCIÓN BINOMIAL
Como se recordará si x es una variable aleatoria binomial B(n,p), E(x) = np y
σ
x
2
= npq. Además se verifica que:

( ) npq np, N p) B(n, entonces 5 Si → > npq
Control Estadístico de Procesos
Pág. 66 Control Estadístico de Procesos (Apuntes)
Dentro de este grupo existen dos gráficos fundamentales:

a) Gráfico np
Sirve para controlar el número de unidades defectuosas en
la muestra. Los límites de control son:
( )
( ) p p n p n LCI
p n LC
p p n p n LCS
− − =
=
− + =
1 3
1 3

donde p es la fracción defectuosa media. Dado que lo
normal es que p sea un valor muy bajo, los tamaños de
muestra requeridos son muy altos. Por esta razón se
aplican frecuentemente al análisis de datos de inspecciones
100%. Si el valor calculado para el LCI, se toma 0.

b) Gráfico p
Sirve para controlar la fracción defectuosa . Los límites de
control son:
( )
( )
n
p p
p LCI
p LC
n
p p
p LCS

− =
=

+ =
1
3
1
3

Si el valor calculado para el LCI, se toma 0.


Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 67
E EJ JE EM MP PL LO O- - 1 11 1: : A AP PL LI IC CA AC CI IÓ ÓN N A A U UN N G GR RÁ ÁF FI IC CO O P P
Un fabricante de productos electrónicos dispone de un proceso de soldadura de
componentes por ola de estaño. La tabla siguiente recoge los resultados de la
producción de los últimos 30 días. Analice este proceso.

DÍA RECHAZOS PROBADOS
1 14 286
2 22 281
3 9 310
4 19 313
5 21 293
6 18 305
7 16 322
8 16 316
9 21 293
10 14 287
11 15 307
12 16 328
13 21 296
14 9 296
15 25 317
16 15 297
17 14 283
18 13 321
19 10 317
20 21 307
21 19 317
22 23 323
23 15 304
24 12 304
25 19 324
26 17 289
27 15 299
28 13 318
29 19 313
30 12 289
Tabla 9
SOLUCIÓN:
Disponiendo los cálculos en forma tabular para un gráfico tipo “p”.



Control Estadístico de Procesos
Pág. 68 Control Estadístico de Procesos (Apuntes)
DÍA RECHAZOS PROBADOS FRACCIÓN LCS LCI
1 14 286 0,049 0,094 0,014
2 22 281 0,078 0,094 0,013
3 9 310 0,029 0,092 0,015
4 19 313 0,061 0,092 0,016
5 21 293 0,072 0,093 0,014
6 18 305 0,059 0,093 0,015
7 16 322 0,050 0,092 0,016
8 16 316 0,051 0,092 0,016
9 21 293 0,072 0,093 0,014
10 14 287 0,049 0,094 0,014
11 15 307 0,049 0,093 0,015
12 16 328 0,049 0,091 0,017
13 21 296 0,071 0,093 0,015
14 9 296 0,030 0,093 0,015
15 25 317 0,079 0,092 0,016
16 15 297 0,051 0,093 0,015
17 14 283 0,049 0,094 0,014
18 13 321 0,040 0,092 0,016
19 10 317 0,032 0,092 0,016
20 21 307 0,068 0,093 0,015
21 19 317 0,060 0,092 0,016
22 23 323 0,071 0,092 0,016
23 15 304 0,049 0,093 0,015
24 12 304 0,039 0,093 0,015
25 19 324 0,059 0,092 0,016
26 17 289 0,059 0,094 0,014
27 15 299 0,050 0,093 0,015
28 13 318 0,041 0,092 0,016
29 19 313 0,061 0,092 0,016
30 12 289 0,042 0,094 0,014
Media= 0,054
Tabla 10
Obsérvese que los límites de control no son constantes.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 69
30 20 10 0
0.10
0.05
0.00
Muestra
p
GRÁFICO P
P=0.05385
3.0SL=0.09368
-3.0SL=0.01402

Figura 35: Gráfico por atributos tipo p.

15.2. GRÁFICOS DE CONTROL BASADOS EN LA
DISTRIBUCIÓN DE POISSON
Si x es una v.a de Poisson de constante µ, E(x) = µ y σ
x
2
= µ. Además se
verifica que ( ) µ µ µ µ , N ) P( entonces 5 Si → > . Dentro de este grupo
existen dos gráficos fundamentales:

a) Gráfico c
Sirve para controlar el número de defectos en la unidad de
producto o en una muestra de tamaño preestablecido. Los
límites de control son:
c c LCI
c LC
c c LCS
3
3
− =
=
+ =

Si el valor calculado para el LCI, se toma 0.

Control Estadístico de Procesos
Pág. 70 Control Estadístico de Procesos (Apuntes)
a) Gráfico u
Sirve para controlar el número de medio de defectos en
una muestra de tamaño n (por ej. número de unidades
inspeccionadas, longitud o superficie de producto, etc.).
Los límites de control son:
n
u
u LCI
u LC
n
u
u LCS
3
3
− =
=
+ =

Si el valor calculado para el LCI, se toma 0.

Puesto que c = un,
n
u
n
un
n
c
n
c
u
= = = =
σ
σ

E EJ JE EM MP PL LO O- - 1 12 2: : A AP PL LI IC CA AC CI IÓ ÓN N A A U UN N G GR RÁ ÁF FI IC CO O T TI IP PO O C C
Una empresa de desarrollos de SW ha registrado las siguientes tasas de error
(medidas en errores por 1000 líneas de código) en los últimos 30 días. Analice
el procesos de desarrollo de SW.

DÍA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
ERR. 6 7 7 6 8 6 5 8 1 6 2 5 5 4 3
DÍA 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
ERR. 3 2 0 0 1 2 5 1 7 7 1 5 5 8 8
Tabla 11


SOLUCIÓN:
Los límites de control y línea central para un gráfico tipo c son:
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 71
0
467 . 4
807 . 10 467 . 4 3 467 . 4
=
=
= + =
LCI
LC
LCS

30 20 10 0
10
5
0
Sample Number
e
r
r
o
r
e
s
N
ú
m
e
r
o

d
e
GRÁFICO C
C=4.467
3.0SL=10.81
-3.0SL=0.00E+00

Figura 36: Gráfico por atributos tipo c



16. IMPLANTACIÓN DEL SPC EN UNA EMPRESA
Una vez tomada la decisión de implantar SPC por la gerencia de la empresa, es
conveniente trazar un plan de implantación de acuerdo con las siguientes fases:

16.1. FASE 1: PREPARACIÓN Y SELECCIÓN DEL
PROCESO PILOTO
En esta etapa es necesario nombrar un grupo de trabajo interdisciplinar que
afronte este trabajo. Se deben realizar las siguientes tareas:

• Preparar un diagrama de flujo del producto desde la
entrada de materia prima hasta la entrega del producto al
cliente.
• Sobre el diagrama anterior seleccionar aquellos procesos
que resulten críticos (están dando problemas en la
Control Estadístico de Procesos
Pág. 72 Control Estadístico de Procesos (Apuntes)
actualidad) y que por otra parte se tenga un conocimiento
suficiente del mismo como para poder alcanzar un éxito en
poco tiempo. Para la selección del proceso piloto e
identificación de la característica a controlar pueden ser
útiles las herramientas de Ishikawa.
• Planificación de la formación del personal en SPC.

16.2. FASE 2: IMPLANTACIÓN DEL GRÁFICO DE
CONTROL PILOTO

• Definición de la característica de calidad a controlar.
• Selección del tipo del tipo de gráfico a utilizar.
• Definición del procedimiento de toma de muestras
(consecutivas o distribuidas a lo largo del intervalo).
• Definición del tamaño de muestras. Para gráficos de
control por variables se suele tomar n =5 si la distribución
del proceso es sensiblemente normal. Si no es normal, es
preciso aumentar n para normalizar la distribución de las
medias muestrales.
• Definición de la periodicidad de toma de muestras. Será
más frecuente cuanto menor sea Cpk, más inestable sea el
proceso y mayor sea el coste del producto.
• Definición del procedimiento de medición y equipo
necesario.
• Definición del sistema de recogida de datos y preparación
del gráfico.
• Formación del personal afectado en SPC y en la medición.
• Puesta en marcha del gráfico de control. y estudio de la
capacidad de máquina y proceso.
• Eliminación de causas asignables presentes.
Control Estadístico de Procesos

Control Estadístico de Procesos (Apuntes) Pág. 73
16.3. FASE 3: ANÁLISIS DE LOS PRIMEROS
RESULTADOS
Tan pronto como se empiecen a recoger los primeros resultados, es
conveniente realizar un análisis de la experiencia acumulada por si fuera
necesario redefinir el plan trazado (el proceso seleccionado no es adecuado, la
variable controlada tiene una incidencia real baja, la formación dada al personal
no ha sido suficiente, etc.)

16.4. FASE 4: EXTENSIÓN A OTROS PROCESOS
Una vez conseguido el control estadístico del proceso, debe:

• Evaluarse los resultados conseguidos, comunicándolos a
la gerencia (para que autorice la extensión del programa),
a los que han participado en este programa piloto (para su
propio estímulo) y a aquellas personas que están
involucradas con los próximos procesos sobre los que se
va a implantar el SPC (para conseguir su apoyo de
antemano).
• El proceso controlado debe entrar en una fase de mejora
continua para reducir la variabilidad debidas a las causas
comunes. Esto puede ser objeto de otro programa de
mejora.

Selección de los procesos sobre los que se seguirá la implantación. Repetir el
ciclo
Control Estadístico de Procesos
Pág. 74 Control Estadístico de Procesos (Apuntes)




ACTI VI DAD 1:
Real i ce l os ej er ci ci os i ncl ui dos en el document os Ej er ci ci os de
Cont r ol Est adí st i co de Pr ocesos

Tiempo estimado de desarrollo: Cada ejercicio debe resolverse en un tiempo
que oscila entre 15 y 30 minutos.
Recurso(s) Utilizado(s): EXCEL, MINITAB O CENTURION
A quién debe enviarse la actividad: En caso de dificultad, comentarse en el
foro
Formato de envío: Ficheros de EXCEL, MINITAB o CENTURION
Extensión: La menor posible
Respuesta del tutor: Foro y coloquio en clase.
Responde brevemente a la siguiente pregunta:
¿Qué nuevas posibilidades ves en los métodos estadísticos en la mejora de la
calidad?


RESUMEN

a) Las causas de variabilidad de un proceso se clasifican en “comunes” y en
“especiales” o “asignables”.
b) Las causas “comunes” son muchas y de poca importancia relativa. Son
responsables de la variabilidad natural del proceso.
c) Las causas “especiales” o “asignables” tiene una influencia mayor en la
variabilidad del proceso.
d) Un proceso está en control estadístico cuando no está afectado por causas
“especiales” o “asignables”.
e) Los gráficos de control sirven para detectar la presencia de causas
“especiales” o “asignables”.

Control Estadístico de Procesos

INDICE DE CONTENIDOS
1. 2. 3. 4. INTRODUCCIÓN AL CONTROL ESTADÍSTICO DE PROCESOS.........................4 ¿POR QUÉ VARÍAN LOS PROCESOS?................................................................5 FUNDAMENTOS ESTADÍSTICOS..........................................................................7 CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9

5. ¿QUÉ CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL GRÁFICO DE CONTROL? .............................................................................................10 6. CAPACIDAD DE PROCESO.................................................................................13 6.1. 6.2. 6.3. 6.4. 6.5. 7. 8. CONCEPTO DE CAPACIDAD DE PROCESO..............................................13 ÍNDICES CP Y CPK ..........................................................................................13 VARIABILIDAD A CORTO Y LARGO PLAZO ...............................................16 POTENCIALIDAD DEL PROCESO. ÍNDICES PP Y PPK .................................17 CONCEPTO DE GRUPO HOMOGÉNEO RACIONAL ..................................18

GRÁFICOS DE CONTROL POR VARIABLES: GRÁFICOS DE SHEWHART ....18 CURVAS DE OPERACIÓN DEL GRÁFICO DE CONTROL .................................32 8.1. 8.2. CURVA DE OPERACIÓN DEL GRÁFICO DE MEDIAS...................................................32 CURVA DE OPERACIÓN DEL GRÁFICO DE DISPERSIÓN. ...........................................34

9. 10.

INTERPRETACIÓN DE LAS INDICACIONES DEL GRÁFICO DE CONTROL....36 ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39 ¿QUÉ ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39 ¿CÓMO SE REALIZA UN ESTUDIO DE CAPACIDAD DE PROCESO? ......39

10.1. 10.2.

10.2.1. Comprender los fenómenos físicos y tecnológicos importantes para el proceso ..........................................................................................40 10.2.2. Definición de la estratificación de las medidas a tomar ...........40 10.2.3. Estabilizar del proceso..............................................................41 10.2.4. Toma de los datos ....................................................................41 10.2.5. Identificación del patrón de variabilidad ...................................41 10.2.6. Comprobación de la normalidad de los datos ..........................42 10.2.7. Análisis e interpretación de los datos .......................................43 10.2.8. Construcción de un intervalo de confianza de los índices .......46
11. CASO DE PROCESOS NO NORMALES..............................................................47 ¿ES LA NORMALIDAD LO “NORMAL?” .......................................................47 CONSECUENCIAS QUE TIENE EN EL ANÁLISIS.......................................48 TÉCNICAS DE NORMALIZACIÓN DE LOS DATOS. ...................................49 11.1. 11.2. 11.3. 12.

GRÁFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54

12.1. GRÁFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54 12.2. GRÁFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD SIMULTÁNEAMENTE (I-MR-R/S) ..............................................................................56 13. GRÁFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57

Pág. 2

Control Estadístico de Procesos (Apuntes)

Control Estadístico de Procesos

14.

OTROS GRÁFICOS DE CONTROL POR VARIABLES....................................... 60 GRÁFICO CUSUM........................................................................................... 60 GRÁFICO EWMA............................................................................................. 63

14.1. 14.2. 15.

GRÁFICOS DE CONTROL POR ATRIBUTOS .................................................... 65 GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN BINOMIAL ......................... 65 GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN DE POISSON ..................... 69

15.1. 15.2. 16.

IMPLANTACIÓN DEL SPC EN UNA EMPRESA................................................. 71 FASE 1: PREPARACIÓN Y SELECCIÓN DEL PROCESO PILOTO ................................. 71 FASE 2: IMPLANTACIÓN DEL GRÁFICO DE CONTROL PILOTO ................................. 72 FASE 3: ANÁLISIS DE LOS PRIMEROS RESULTADOS .............................................. 73 FASE 4: EXTENSIÓN A OTROS PROCESOS ........................................................... 73

16.1. 16.2. 16.3. 16.4.

Control Estadístico de Procesos (Apuntes)

Pág. 3

la utilización incorrecta de los gráficos de control dimana del desconocimiento de los fundamentos estadísticos que los sustentan. 4 Control Estadístico de Procesos (Apuntes) .) 1. INTRODUCCIÓN AL CONTROL ESTADÍSTICO DE PROCESOS El “Control Estadístico de Procesos” nació a finales de los años 20 en los Bell Laboratories. etc.). conocer sus limitaciones y adaptarlos en situaciones especiales (series cortas. c) Aprender a aplicar los gráficos de control. Sobre este libro han pasado más de 70 años y sigue sorprendiendo por su frescura y actualidad. Shewhart.). W. Pág. Por está razón se ha considerado conveniente hacer hincapié en los fundamentos estadísticos (párrafos 3 y 5). a Shewhart se le recuerda “solo por las gráficos de control” (X-R. Lamentablemente. datos no normales.E. A. Por si fuera poco. Normalmente.Control Estadístico de Procesos Objetivos de este tema En este tema se pretende que alcances los siguientes objetivos: a) Entender el concepto de variabilidad natural de un proceso. Resulta admirable el ingenio con el que plantea la resolución de problemas numéricos pese a las evidentes limitaciones de los medios de cálculo disponibles en su época. b) Aprender a realizar estudios de capacidad de procesos. etc. el problema del sobre ajuste del proceso (ver párrafo 6) y las limitaciones que presentan para la detección de derivas en los procesos y aumentos en la variabilidad en los mismos (ver párrafo 8). quien en su libro “Economic Control of Quality of Manufactured Products” (1931) marcó la pauta que seguirían otros discípulos distinguidos (Joseph Juran. Deming. a menudo se emplean estos gráficos de modo incorrecto o se desconoce las limitaciones de los mismos. Su creador fue W. etc.

¿POR QUÉ VARÍAN LOS PROCESOS? Un proceso industrial está sometido a una serie de factores de carácter aleatorio que hacen imposible fabricar dos productos exactamente iguales. El Control Estadístico de Procesos es una herramienta útil para alcanzar este segundo objetivo.Control Estadístico de Procesos 2. puede decirse que esta herramienta contribuye a la mejora de la calidad de la fabricación. ¿QUÉ ES UN PROCESO? INPUT OUTPUT Figura 1 Control Estadístico de Procesos (Apuntes) Pág. las características del producto fabricado no son uniformes y presentan una variabilidad. Dado que su aplicación es en el momento de la fabricación. Esta variabilidad es claramente indeseable y el objetivo ha de ser reducirla lo más posible o al menos mantenerla dentro de unos límites. Permite también aumentar el conocimiento del proceso (puesto que se le está tomando “el pulso” de manera habitual) lo cual en algunos casos puede dar lugar a la mejora del mismo. Dicho de otra manera. 5 .

Control Estadístico de Procesos ¿POR QUÉ HAY VARIACIÓN EN LOS RESULTADOS DEL PROCESO? ?? OK OK OK OK Figura 2 PORQUE ESTÁ AFECTADO POR FACTORES QUE VARÍAN INPUT OUTPUT •Mano de Obra •Máquinas •Material •Método •Ambiente •Mantenimiento Figura 3 Pág. 6 Control Estadístico de Procesos (Apuntes) .

0 Figura 4 Función de densidad de probabilidad normal Control Estadístico de Procesos (Apuntes) Pág. pero es preciso recordar al menos los puntos que se describen a continuación. Para el entendimiento del Control Estadístico de Procesos no es necesario ser un experto en estadística.73% está comprendido en ±3σ alrededor de µ. Tiene una forma acampanada (de ahí su nombre) y es simétrica respecto a µ. Llevando múltiplos de σ a ambos lados de µ. La distribución normal es desde luego la función de densidad de probabilidad “estrella” en estadística. nos encontramos con que el 68% de la población está contenido en un entorno ±1σ alrededor de µ.1 68 % -3 -2 -1 95% 99.3 0.73% 1 2 3 4 0. FUNCIÓN DE DENSIDAD DE PROBABILIDAD NORMAL 0. FUNDAMENTOS ESTADÍSTICOS. Depende de dos parámetros µ y σ.4 0. 7 .Control Estadístico de Procesos 3. a) Distribución Normal o Campana de Gauss.2 0. el 95% de la población está contenido en un entorno ±2σ alrededor de µ y que el 99. que son la media y la desviación típica respectivamente.

σ) de la que se extraen muestras de tamaño n.Control Estadístico de Procesos b) Teorema del Límite Central. entonces las medias muestrales se distribuyen según otra ley normal:  σ  xm ∝ N  µ .  i =1  n Entonces : ∑σ i =1 i 2     c) Distribución de las medias muestrales Si X es una v.a de media µi y varianza σi 2  n X → N  ∑ µi . entonces su distribución es asintóticamente normal. si bien este número depende de la asimetría de la distribución. siendo cada una de ellas de poca importancia respecto al conjunto. El teorema del límite central (TLC) establece que si una variable aleatoria (v. 8 Control Estadístico de Procesos (Apuntes) . a.) se obtiene como una suma de muchas causas independientes.a. N(µ. siempre que el tamaño de la muestra sea suficientemente grande n≥25. Pág. Es decir: Si X = x1 + x 2 + L + xn donde las xi son v. la distribución de las medias muestrales tiende a ser normal aún en el caso que la población base no lo sea.  n  Obsérvese que como consecuencia del TLC.

el proceso está afectado por un gran número de factores sometidos a una variabilidad (por ejemplo oscilaciones de las características del material utilizado. entonces la distribución de la característica de calidad no tiene por qué seguir una ley normal y se dice que está presente una causa especial o asignable. variaciones de temperatura y humedad ambiental. Por ejemplo. cuyas características son muy diferentes de las anteriores. repetibilidad propia de la maquinaria utilizada. entonces en virtud del TLC es esperable que la característica de calidad del producto fabricado se distribuya de acuerdo con una ley normal. Al conjunto de esta multitud de factores se denominan causas comunes. que inciden en él y que inducen una variabilidad de las características del producto fabricado. CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES De acuerdo con lo dicho en la introducción. es muy posible que las características de los productos fabricados sean significativamente distintas a partir de la utilización del nuevo lote.). si en un proceso industrial se está utilizando materias primas procedentes de un lote homogéneo y se continúa la fabricación con materias primas procedentes de otro lote. Si el proceso está operando de manera que existen pequeñas oscilaciones de todos estos factores. Por el contrario. si circunstancialmente incide un factor con un efecto preponderante. 9 . variabilidad introducida por el operario. pero de modo que ninguno de ellos tienen un efecto preponderante frente a los demás.Control Estadístico de Procesos 2 DISTRIBUCIÓN DE LAS MEDIAS 1 DISTRIBUCIÓN DE LOS VALORES INDIVIDUALES 0 -4 -3 -2 -1 0 1 2 3 4 Figura 5: Función de densidad de las medias maestrales 4. etc. Control Estadístico de Procesos (Apuntes) Pág.

El Control Estadístico de Procesos se basa en analizar la información aportada por el proceso para detectar la presencia de causas asignables y habitualmente se realiza mediante una construcción gráfica denominada Gráfico de Control. El proceso está regido por una función de probabilidad alguno de cuyos parámetros varía ligeramente a lo largo del tiempo. aún siendo aleatorio. Estrictamente hablando. el proceso ha de tener una estabilidad suficiente que. 5. Este sería el caso de un proceso normal de media constante y desviación típica constante. Un Pág. • Puede ocurrir que las características propias del proceso hagan que alguno de los factores de variabilidad intrínsecos al mismo. ¿QUÉ CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL GRÁFICO DE CONTROL? Para que tenga sentido la aplicación de los gráficos de control. Podemos distinguir dos casos: • El proceso está regido por una función de probabilidad cuyos parámetros permanecen constantes a lo largo del tiempo. de modo que en este caso la distribución no sea normal. podría compensarse resultando un proceso análogo al caso anterior.Control Estadístico de Procesos Por definición. A estos procesos no se les puede aplicar el gráfico de control ni tiene sentido hablar de capacidad. este desgaste de la herramienta sería una causa especial. Este sería el caso de un proceso normal cuya media varía a lo largo del tiempo (por ejemplo. Si el proceso se encuentra bajo control estadístico es posible realizar una predicción del intervalo en el que se encontrarán las características de la pieza fabricada. una herramienta de corte que va desgastando la cuchilla de corte). un proceso caótico no es previsible y no puede ser controlado. En lo sucesivo. permita un cierto grado de predicción. Este es el caso ideal y al que se pueden aplicar los gráficos de control para detectar la presencia de causas asignables. se dice que un proceso está bajo control estadístico cuando no hay causas asignables presentes. se supondrá que los procesos tienen un cierto grado de estabilidad. En general. tenga un efecto preponderante. 10 Control Estadístico de Procesos (Apuntes) . Un proceso de este tipo debe ser estudiado mediante herramientas estadísticas avanzadas hasta que el grado de conocimiento empírico obtenido sobre el mismo permita conocer las causas de la estabilidad y se eliminen. sin embargo si puede conocerse la velocidad de desgaste.

cuyo valor inferior está limitado por el propio diámetro de la broca. 11 . se dice que el proceso está bajo control estadístico cuando no hay otras causas asignables presentes.1: ILUSTRACIÓN DE CAUSAS COMUNES EN UN PROCESO Un proceso de fabricación consiste en “lanzar 10 monedas al aire”.. . debe tratar de conocerse todo lo que sea posible de los fundamentos tecnológicos del proceso. Si tiramos 10 monedas. todas ellas tienen el mismo efecto sobre la variabilidad de la producción. 50% 50% 50% 50% 50% 50% 50% 50% Figura 6: Simulación de un proceso sometido a causas comunes no normales Control Estadístico de Procesos (Apuntes) Pág.. es decir que los parámetros de la distribución permanezcan invariables y por lo tanto puede realizarse una predicción del intervalo en el que se encontrarán los valores de la característica de respuesta. y un 50% de obtener cruz. En este caso.. por lo que las podremos considerar como causas comunes. Esto es equivalente a decir que el proceso permanezca estable.. deben aplicarse métodos especiales. mientras que la distribución presenta una cola hacia diámetros mayores debido a posibles incidencias oblicuas de la broca. EJEMPLO.. Podríamos asimilar lo anterior a un proceso industrial sometido a 10 causas de variabilidad no normales (binomiales en este caso). Al ser iguales.Control Estadístico de Procesos ejemplo puede ser la distribución de los diámetros de un proceso de taladrado. La calidad de cada lanzamiento de 10 monedas se mide según el número de caras obtenidas. En ningún caso debe “darse la normalidad por supuesta”. ya que puede dar pistas sobre el tipo de distribución que seguirán los datos. Se supone que las monedas son perfectas de manera que en el lanzamiento de cada una se tiene un 50% de probabilidades de obtener cara. Por lo tanto. Debe comprobarse y en caso de que los datos no sean normales.

12 Control Estadístico de Procesos (Apuntes) . Si aumentara el número de monedas.5 Figura 7: Función de probabilidad de la obtención de x caras lanzando 10 monedas Pág. Si se representa gráficamente.00 0 5 10 x Número de intentos N= 10 Probabilidad de éxito P= 0.15 0. FUNCIÓN DE PROBABILIDAD BINOMIAL (N.Control Estadístico de Procesos La teoría estadística nos enseña que la probabilidad de obtener exactamente x caras (0 ≤ x ≤10) se calcula por la distribución binomial: n (n − x ) ) P( x ) =   p x (1 − p )  x   donde n es el número de monedas lanzadas (10 en este caso) y p la probabilidad de sacar cara con una moneda (0.20 Probabilidad 0.25 0. la convergencia hacia la distribución normal sería aún mayor. P) 0.10 0.5 en este caso). se obtiene un función acampanada que recuerda a una gaussiana (ver Figura 7). Este hecho es una consecuencia del TLC.05 0.

1. Sin embargo σ depende del número y variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él. 13 . necesariamente algunos productos fabricados estarán fuera de tolerancia y serán no conformes.73% de los elementos fabricados estará comprendida entre µ . es necesario que Cp > 1. 6σ. CAPACIDAD DE PROCESO CONCEPTO DE CAPACIDAD DE PROCESO Como consecuencia de todo lo anterior. es decir modificar el centrado. Por lo tanto 6σ es la Variabilidad Natural del Proceso o Capacidad del Proceso. En estos casos es más significativo el índice Cpk que se define:  Ts − µ µ − Ti  Cpk = min  .  3σ   3σ Control Estadístico de Procesos (Apuntes) Pág. Si el proceso no estuviese centrado.3σ y µ + 3σ. 6. El parámetro µ depende del punto en el que centremos el proceso. es intrínseca a él e independiente de las tolerancias que se asignen. se define el índice de capacidad de proceso: Cp = Ts − Ti 6σ Si se pretende que la producción esté dentro de tolerancia. la característica de calidad del 99. Por lo tanto si 6σ es menor que el intervalo de las tolerancias a cumplir. Si no se tiene en cuenta este hecho y se pretende corregir a base de reajustar el proceso. ÍNDICES CP Y CPK Con objeto de comparar la capacidad del proceso y la amplitud de las tolerancias a satisfacer. lo único que se consigue es aumentar la variabilidad del mismo. 6. el valor de este índice falsearía el grado de cobertura con respecto a fabricar piezas fuera de tolerancias.2. Por definición: CAPACIDAD DEL PROCESO = 6σ σ Es esencial resaltar que la variabilidad natural del proceso. si un proceso normal está en control estadístico.Control Estadístico de Procesos 6.

1 INTERVALO DE TOLERANCIA 0.2 0.1 INTERVALO DE TOLERANCIA 0.4 0.3 Probabilidad 0.2 0. Aplicando estos mismos conceptos a la variabilidad atribuible de una máquina de las que integran el proceso de fabricación.0 -4 Tinf -3 -2 -1 0 1 2 VARIABILIDAD PROCESO 3 Tsup4 Figura 9: Índice Cpk Pág.Control Estadístico de Procesos De este modo se define un proceso capaz como aquel que Cpk > 1.0 -4 Tinf -3 -2 -1 0 1 2 VARIABILIDAD PROCESO 3 Tsup4 Figura 8: Índice Cp Índice de capacidad cpk: Cpk = Dist. Índice de capacidad cp: Cp = Intervalo de tolerancias Ts − T i = Capacidad del proceso 6σ 0.3 Probabilidad 0. el índice de capacidad de máquina CM y CMk. mas ajustado semicapacidad del proceso 0. podemos definir la capacidad de máquina. 14 Control Estadístico de Procesos (Apuntes) .4 0. de la media al limite de tol.

4 ppm. p p m = 0 .5 σ.5σ = 1. 15 . la cantidad de producto fuera de tolerancia sería tan solo de 3. los coeficientes pasarían a ser: cp = 12σ =2 6σ c pk = 4. Una de las bases fundamentales de su estrategia de calidad era el “Programa 6σ”.5 . ver Figura 10. 5 S IG M A C p k = 4 . 0 0 2 D E S P L A Z A D A 1 .5 3σ Aún estas circunstancias. ¿Por qué calidad Six Sigma = 3.988 Motorola alcanzó el prestigioso Malcom Baldrige National Quality Award. p p m = 3 .Control Estadístico de Procesos EJEMPLO. De acuerdo con la definición del índice de capacidad de proceso: cp = 12σ =2 6σ Suponiendo que se desplazase el proceso 1.5 /3 = 1 .4 0 1 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 Figura 10 Control Estadístico de Procesos (Apuntes) Pág.400 ppm? C A L ID A D S IX S IG M A 6 S IG M A C p = 2 . El objetivo de este programa fue reducir la variación de los procesos de manera que el intervalo de tolerancia fuera igual a 12 σ (6 a cada lado).2: LA MÉTRICA “6 SIGMA” En 1.

• Variabilidad total del proceso. ver Figura 11). Algunos autores denominan a este componente de la variabilidad como “ruido blanco”. 16 Control Estadístico de Procesos (Apuntes) . etc.Control Estadístico de Procesos 6. Es la variación resultante de todas las causas de variabilidad (causas comunes y especiales). Algunos autores denominan a este componente de la variabilidad como “ruido negro”. en la que se tienen en cuenta factores como el desgaste.3. cambios de lote de materia prima. ver Figura 11). Aquella componente de la variabilidad debida a causas comunes solamente y representa la variabilidad que puede estar presente entre elementos fabricados en intervalos próximos (variabilidad en el corto plazo. VARIABILIDAD A CORTO Y LARGO PLAZO Un proceso productivo tiene habitualmente dos tipos de variabilidad: • Variabilidad inherente del proceso. Pág. Representa la variabilidad que puede afectar al conjunto de los elementos fabricados recibidos por el cliente (variabilidad en el largo plazo.

de acuerdo con los siguientes criterios: • Cp y Cpk se calculan con la variabilidad inherente del proceso (variabilidad en el corto plazo).4.Control Estadístico de Procesos Variabilidad total del proceso (largo plazo) Variabilidad inherente del proceso (corto plazo) 1 2 3 4 5 6 7 8 9 10 Núm ero de m uestra Figura 11 Descomposición de la variabilidad de un proceso 6. se verifica que Cp > Pp y Cpk > Ppk Control Estadístico de Procesos (Apuntes) Pág. POTENCIALIDAD DEL PROCESO. Precisamente para poner un poco de orden en todo esto. • Pp y Ppk se calculan con la variabilidad total del proceso (variabilidad en el largo plazo). ÍNDICES PP Y PPK Durante mucho tiempo. Ppk. Cpk. De manera general. se introdujeron los índices Pp. En este caso se tiene en cuenta la variabilidad introducida por la deriva del centrado del proceso y la inestabilidad del mismo. ha existido la confusión sobre qué estimación de la variabilidad se debe utilizar para el cálculo de Cp. En este caso se considera la variabilidad entre los elementos de la misma muestra o muestras próximas. 17 .

Es preciso resaltar que la utilización de los coeficientes Pp y Ppk no tiene todavía una aceptación unánime.) pero no así en otras áreas. 7. etc. Veamos un ejemplo.Control Estadístico de Procesos Las ecuaciones de los índices quedan: Cp = Ts − Ti 6σ CP ˆ Pp = Ts − Ti 6σ LP ˆ  Ts − µ µ − Ti  . Si se extrae una muestra de tamaño n y su media muestral se encuentra comprendida fuera del intervalo comprendido entre µ − 3σ / n y µ + 3σ / n (llamados límites de control inferior y Pág. σ). Cpk = min   ˆ ˆ  3σ CP 3σ CP   Ts − µ µ − Ti  Ppk = min  .2 se dan algunas indicaciones para la definición del GHR. En el párrafo 10. CONCEPTO RACIONAL DE GRUPO HOMOGÉNEO A la hora de planificar la toma de muestras para realizar un estudio de capacidad de proceso o la implantación de un gráfico de control. Obviamente el diferente tamaño de los cabezales es una fuente de variabilidad que muy probablemente puede hacerse presente. 18 Control Estadístico de Procesos (Apuntes) .2. Por esta razón en la toma de muestras debe estudiarse no solo la variabilidad entre las inyecciones. sino también la variabilidad entre cabezales. Tiene una aceptación muy amplia en entornos de automoción (QS 9000 / TS 16949. GRÁFICOS DE CONTROL POR VARIABLES: GRÁFICOS DE SHEWHART Supongamos que un proceso se encuentra bajo control estadístico y por lo tanto su distribución es N(µ.5.  ˆ ˆ  3σ LP 3σ LP  Los símbolos circunflejos “^” representan una estimación de la desviación típica considerada. resulta muy importante tener en cuenta el concepto de grupo homogéneo racional (GHR). 6. En la definición del gráfico de control se establece una toma de muestra horaria de 16 unidades (un racimo de inyección). Supongamos una máquina de inyección de piezas de plástico de 16 cabezales.

Control Estadístico de Procesos superior respectivamente). podemos justificar este hecho de dos modos distintos: a) De acuerdo con el modelo teórico supuesto sabemos que el 0. Por el contrario. de modo que parece más verosímil pensar que el proceso no está bajo control estadístico y por lo tanto la hipótesis de que se distribuye en ese momento según una N(µ. no tendremos ninguna razón de peso para pensar que el proceso no se encuentra bajo control estadístico (el resultado es coherente con el modelo supuesto). Control Estadístico de Procesos (Apuntes) Pág. El Control Estadístico de Procesos se basa en repetir esta toma de muestras de manera periódica. de modo que si la media cae fuera de los límites de control existe la evidencia de que hay una causa asignable presente (proceso fuera de control). calcular la media muestral y representar un gráfico de una manera similar a la Figura 12. si la media muestral está comprendida dentro del intervalo anterior. 19 . σ) es µ falsa.000) tendrán una media fuera de este intervalo y la muestra que hemos extraído es una de ellas. A este gráfico se le denomina Gráfico de Medias o simplemente Gráfico X . b) Es muy improbable obtener una muestra de estas características si realmente el modelo es el supuesto. Lo anterior no quiere decir que podamos estar absolutamente seguros de que el proceso se encuentre bajo control estadístico. sino que no tenemos la evidencia de que no lo está.27% de las muestras (es decir 27 muestras de cada 10.

Control Estadístico de Procesos ¿En qué se basa el gráfico de medias? LCS = media + 3 σ n MEDIA DEL PROCESO LCI = media − 3 σ n Media de las muestras Figura 12: Fundamento del gráfico de medias Proceso fuera de control LCS = media + 3 σ n ALTO MEDIA DEL PROCESO LCI = media − 3 σ n ¡Identificar y eliminar la causa especial! Figura 13: ¡¡Los gráficos de control no sirven para nada si no se investigan las causas asignables!! Pág. 20 Control Estadístico de Procesos (Apuntes) .

Presenta la ventaja de que se calcula muy fácilmente y para valores muestrales pequeños n≤8 se comporta bien. Es conveniente recordar que en los textos se utilizan dos estadísticos distintos. Para valores mayores da una estimación sobrevalorada de la dispersión de la población. b) Desviación típica muestral. la esperanza matemática de la varianza muestral es: E (s 2 ) = n −1 2 σ n Control Estadístico de Procesos (Apuntes) Pág.Control Estadístico de Procesos El análisis de las muestras no se debe detener simplemente construyendo un Gráfico de Medias ya que aún pueden proporcionar más información del comportamiento del proceso. en función del tamaño de la muestra. El primero de ellos se define: s= ∑ (x i −1 n i − x) 2 n Para procesos normales. Existen tablas aplicables a procesos normales que. Antes de seguir adelante es conveniente recordar algunas propiedades de estos estadísticos con objeto de alcanzar un mejor entendimiento de la construcción de estos gráficos. a) Rango o recorrido muestral. proporcionan la función de distribución del estadístico w = R/σ. la dispersión de los valores muestrales nos puede proporcionar una estimación de la dispersión del proceso y realizar un seguimiento de su evolución. 21 . Es sabido que la dispersión de los valores de una población se mide por su desviación típica σ y los estimadores muestrales utilizados más frecuentemente son el recorrido R (que en nuestro caso dará lugar al Gráfico de Rangos o Recorridos o simplemente Gráfico R) y la desviación típica muestral S (que dará lugar al Gráfico de desviaciones típicas o simplemente Gráfico S). denominado “recorrido relativo” y también la E(w) = d2 y σw = d3. Se define como la diferencia entre el mayor valor presente en la muestra y el menor valor. En efecto. este estadístico da una estimación de la dispersión de la población de la que procede. Por su propia construcción.

2 σ s = σ 1 − c2 − 1 n 2 σ s ' = σ 1 − c4 Pág. Por esta razón algunas veces se toma como varianza muestral al estimador insesgado definido: s* = ∑ (x i −1 n i − x) 2 n −1 Este estimador de la varianza σ2 es insesgado y además n – 1 son los grados de libertad de la muestra. E ( s) = 2 Γ(n / 2 ) σ = c 2σ n Γ[( n − 1) / 2] E( s * ) = 2 Γ(n / 2 ) σ = c 4σ n − 1 Γ[( n − 1) / 2] En este caso ambos estadísticos son estimadores segados de σ. σs. En Control Estadístico de Procesos es habitual operar con desviaciones típicas en lugar de con varianzas. en ingeniería de calidad es más frecuente emplear s*. Las varianzas de ambos estadísticos son. 22 Control Estadístico de Procesos (Apuntes) .Control Estadístico de Procesos Por lo que es un estimador sesgado de la varianza poblacional σ2. por lo que es necesario conocer E(s). E(s*). para procesos normales: Var (s 2 ) = 2(n − 1) 4 σ n2 Var (s *2 ) = 2 σ4 n −1 Puede comprobarse que el error cuadrático medio de s2es inferior al de s*2. σ*s. Por estas razones.

Control Estadístico de Procesos CONSTRUCCIÓN DEL GRÁFICO X -R i) Caso µ. 23 . En el gráfico de medias: Control Estadístico de Procesos (Apuntes) Pág. Si µ y σ son conocidos entonces la construcción del gráfico de medias es inmediata a partir de su definición: LCS = µ + LC = µ LCI = µ − 3 σ = µ + Aσ n 3 σ = µ − Aσ n El cálculo de los límites del gráfico de recorridos se hace de la manera siguiente: LCS = (d 2 + 3d 3 )σ = D2σ LC = d 2σ LCS = (d 2 − 3d 3 )σ = D1σ ii) Caso µ. es preciso estimar µ a partir de la media de las medias x y σ a partir del recorrido medio (por ejemplo k= 25) muestras iniciales. ( ) (R ) de k A partir de x y R se trazarían los límites provisionales de la manera siguiente. σ conocidos. Puesto que en este caso no se tiene ningún conocimiento previo. σ desconocidos. Si alguno de los dos fuera conocido sería un híbrido de los dos casos i) y ii).

Control Estadístico de Procesos LCS = X + 3 LC = X LCI = X − 3 R 1 = X + A2 R d2 n R 1 = X − A2 R d2 n y los límites del gráfico de recorridos serían:  d  LSC = 1 + 3 3  R = D4 R  d2    LC = R  d  LCI = 1 − 3 3  R = D3 R  d2    Una vez establecidos los límites de control provisionales para ambos gráficos. En caso afirmativo se procedería a buscar la causa asignable que pudiera explicar esa anormalidad y se recalcularían los límites. 24 Control Estadístico de Procesos (Apuntes) . por ejemplo cada 25 muestras. Si µ y σ son conocidos la construcción del gráfico de medias es análoga al caso anterior. Estos límites deben recalcularse periódicamente. CONSTRUCCIÓN DEL GRÁFICO X -S i) Caso µ. σ conocidos. se comprobaría si alguna de las muestras está fuera de los límites. LCS = µ + LC = µ LCI = µ − 3 σ = µ + Aσ n 3 σ = µ − Aσ n Cuando se utiliza s. el gráfico S se construye: Pág.

Control Estadístico de Procesos  1 2 LSC =  c2 + 3 1 − c2 − σ = B2σ  n   LC = c2σ  1 2 LIC =  c2 − 3 1 − c2 − σ = B1σ  n   Cuando se utiliza s*. el gráfico S se construye: 2 LSC =  c4 + 3 1 − c4 σ = B6σ     LC = c4σ 2 LIC =  c4 − 3 1 − c4 σ = B5σ     ii) Caso µ. σ desconocidos. En el gráfico de medias si se utiliza s : LCS = X + LC = X LCI = X − 3 1 S = X + A1 S c2 n 3 1 S = X − A1 S c2 n Si se utiliza s : * Control Estadístico de Procesos (Apuntes) Pág. 25 . A partir de x y s o s se trazarían los límites provisionales de la manera siguiente. Se estimaría µ a partir de la media de las medias (x ) y σ a partir de la desviación típica muestral media ( s * o s ) * de k muestras iniciales. (Si alguno de los dos fuera conocido sería un híbrido de los dos casos i) y ii)).

se estudiarían los puntos fuera de control y se recalcularían los límites de manera análoga al caso anterior. En las tablas siguientes se resume lo anterior: Pág. 26 Control Estadístico de Procesos (Apuntes) . si se utiliza s :  1S 2 LSC =  c2 + 3 1 − c2 −  = B4 S  n  c2   LC = S  1S 2 LSI =  c2 − 3 1 − c2 −  = B3 S  n  c2   Si se utiliza s : *  3 2  * * LCS = 1 +  c 1 − c4  S = B4 S  4   * LC = S  3 2  * * LCI = 1 −  c 1 − c4  S = B3 S  4   Una vez trazados los límites provisionales.Control Estadístico de Procesos LCS = X + LC = X LCI = X − 3 1 * S = X + A3 S * c4 n 3 1 * S = X − A3 S * c4 n En el gráfico de desviaciones típicas.

27 .Control Estadístico de Procesos GRÁFICOS DE MEDIAS DATOS CONOCIDOS µyσ σ µ LCS LC LCI µ+Aσ X +Aσ µ X µ-Aσ X -Aσ µ+A1 S µ+A2 R µ+A3 S * NINGUNO µ µ µ X X X Tabla 1 µ-A1 S µ-A2 R µ-A3 S * X -A1 S X -A2 R X -A3 S * X +A1 S X +A2 R X +A3 S * GRÁFICOS DE DISPERSIÓN DATOS CONOCIDOS S σ R S NINGUNO * LCS B2σ D2σ B6σ B4 S D4 R B4 S * Tabla 2 LC c2 σ d2σ c4 σ LCI B1σ D1σ B5σ B3 S D3 R B3 S * S R S * S R S * Control Estadístico de Procesos (Apuntes) Pág.

743 0.584 1.9876 0. D1 0 0 0 0 0 0.922 5. D4 3.659 1.337 0.737 5..970 1..787 0..167 0.817 5.854 5.566 1.9453 0.118 0.492 1. B6 2.203 5.399 1.918 5.709 .249 0.026 0.458 0.759 1.162 0.606 .266 2. D2 3.847 2.619 0..559 .710 1.888 5..848 0.711 1.608 1..577 0.194 0.548 1.9655 0.223 0.750 0.507 1.523 0.610 1.925 0..680 0.8862 0.336 3.588 3.482 0.180 0.267 2.184 0.646 1.850 0.749 0.808 0.438 1.9892 0.973 0.8407 0.511 1.775 0.321 0.504 0..732 1.541 .975 0.9869 0.557 1.. D3 0 0 0 0 0 0.440 0.382 0.704 2.693 2.205 0. 28 Control Estadístico de Procesos (Apuntes) .9630 0.518 1.497 0.532 3.364 0. A3 2.733 0.308 0.640 0.9670 0.606 1.770 0.979 6.866 0..819 3.646 5.534 0.477 0.313 0.546 0.059 2.671 0.113 0.693 5.490 1.9515 0.7979 0..655 0..173 0.689 3.490 0.358 4.276 2.516 0.924 1. c4 0.415 1.239 0.329 0.354 0.619 3/√n A2 1.424 1.203 0.185 0.9684 0.806 1.9359 0.Control Estadístico de Procesos TABLA DE COEFICIENTES n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 >25 A 2.662 0.572 1.235 0.9776 0.884 0.448 0. c2 0.9887 0.256 0.496 1.549 0.672 1..686 4.880 1.679 1..006 6.7236 0.105 0.548 1-3/√2n B2 1.175 1.594 1.735 3.600 3/√n A1 3.950 5.925 1.716 1.568 2..414 0.478 1.880 1.483 0.374 0.032 0.789 0.7979 0.931 .761 1.528 0.9594 0.534 2.443 1.407 1.9696 ..448 1.516 0.089 1.905 0.157 0.445 0.5642 0.534 1.820 0.712 0.9523 0.9810 0.539 0.219 0.596 1.816 0.445 1.756 1. B1 0 0 0 0 0.9845 0.394 5.788 0.858 3.225 1.9576 0.346 0.9027 0..078 3..9139 0.434 0.078 5.461 0..359 1.609 1.626 0.000 0.804 .9727 0.029 0.207 1.9823 0.026 1.555 0.9490 0.895 3.504 0.882 1.094 1.596 1.153 .762 0.326 2.544 1.778 3.9650 0.421 0..698 0.399 0.728 0.812 0.332 0.258 3.187 0.426 1.179 .348 0.552 1.030 0.802 0.964 1.621 1.698 4.527 0..949 0.575 2.751 1.115 2.384 0.724 0.874 1.472 3.628 1.455 1.433 1.707 1. Tabla 3 3 n 3 A1 = c2 n A= A2 = A3 = 3 d2 n 3 c4 n c2 = s σ n n −1 d2 = R B1 = c2 B3 B2 = c2 B4 B3 = 1 − B4 = 1 + 3 c4 3 c4 c4 = c2 σ d3 = σ w D1 = d 2 − 3d 3 D2 = d 2 + 3d 3 (1 − c ) 2 4 D3 = 1 − D4 = 1 + 3d 3 d2 3d 3 d2 (1 − c ) 2 4 2 B5 = c4 − 3 (1 − c4 ) 2 B6 = c4 + 3 (1 − c4 ) Pág.173 3. d2 1.679 0.729 0.633 0.387 0.716 1.652 1.9400 0.523 1.640 3.638 1.663 0.031 6.586 1.697 0.276 0.797 0.888 0.465 1.425 0.815 1.212 0.880 0.452 0.8882 0.410 1.954 1.592 5.606 2..9599 0..618 1.720 0.755 0.688 0.778 0.585 1.490 1..9896 .266 0.394 1.9754 0.864 1.404 0.864 0.285 0..548 1.420 .121 1.858 1.707 0.359 0.099 1.777 1..406 0.061 1.833 0.282 2.8686 0.565 1-3/√2n B4 3.9794 0.816 1.503 1.739 0.779 5..277 1...647 0.373 0.491 0.943 1..541 1.267 2.563 1.379 0.729 0.475 0.459 .287 1.023 0.9862 0.526 1.692 1.284 0.028 0.128 1.671 1.718 0.483 1.500 1.716 0...9300 0.428 0.466 0.534 5.612 0..9227 0.392 1+3/√2n B3 0 0 0 0 0.687 0.9693 0.510 0.817 0.284 0.9835 0.9619 0..808 1.427 1.058 .136 0.632 0.459 1.545 0.406 0.262 0.763 0.886 0.848 0.717 0.744 1.762 0.669 1.738 0.342 1.435 1+3/√2n B5 0 0 0 0 0.308 0.392 0.9213 0.637 1.970 3.469 5.760 2.427 0.470 1.285 1.299 0. d3 0.9410 0.454 1.167 0.477 1.636 1.088 1.407 3.659 1.121 1.182 1.004 1.134 1.9551 0..853 0.9882 0.561 1.927 0.738 0.307 5.429 1.538 0.647 0.832 0.232 0.575 1.443 0.076 0.9854 0.466 1.419 0..223 0.

0060 0.008 0.0090 0.0083 0.0091 0.0065 0.008 0.0089 0.0064 0.0091 0.0081 0.0078 0.0086 0.0088 0.009 0.0072 0.003 0.0074 0. 29 .0084 0.0084 0.007 0.0080 0.008 0.0071 0.0081 0.008 0.008 0.0087 0.0103 SOLUCIÓN: Dispongamos los cálculos en la tabla siguiente: MUES TRA 1 0.0008 0.0010 0.0079 0.007 0.0094 0.0087 0.008 0.0091 0.0071 0.0064 0.0065 0.0087 0.0076 0.0094 0.0014 0.009 0.0075 0.0081 0.008 0.0069 0.0064 0.0093 0.0087 0.0087 0.0078 0.006 0.0094 0.009 4 0.001 s* 0.009 Media 0.002 0.0089 0.0052 0.009 0.3: CONSTRUCCIÓN DE UN GRÁFICO DE SHEWHART La galga de los platinos es una característica clave para su buen funcionamiento.009 2 0.0003 1 2 3 4 5 Control Estadístico de Procesos (Apuntes) Pág.0070 0.006 0.0044 0.0089 0.004 0.0084 0.0092 Tabla 4 0.0086 0.0073 0.009 5 0.0059 0.0088 0.0075 0.0080 0.0061 0.0090 0.008 0.0062 0.008 0.0089 0.0089 0.0076 0.0074 0.Control Estadístico de Procesos EJEMPLO.0074 0.0068 0.0068 0.0076 0.0078 0.0083 0.0052 0.007 0.0077 0.007 0.0074 0.0084 0.0067 0.0076 0.0097 0.007 0.0074 0.0077 0.0090 0.0069 0.0088 0.0008 0.0083 0.0011 0.0075 0. Construir los gráficos de control X − R .0089 0.0087 0.0094 0.0004 s 0.0072 0.002 0.0081 0.0009 0.004 0.0086 0.0076 0.009 R 0.0081 0.0073 0.008 0.0071 0.0088 0.0084 0.0009 0. X − S y X − S * 0.0086 0.0081 0.008 3 0.0087 0.0016 0. La tabla siguiente recoge medidas de 20 muestras de tamaño 5.007 0.0100 0.0098 0.0083 0.008 0.006 0.0079 0.0080 0.

010 0.007 0.010 0.008 0.009 0.0012 0.000 = 0.008 A2= 0.0010 s 0.008 = 0.009 0.007 2 0.008 3 0.003 0.0010 0.0007 0.001 0.008 0.0094 .002 LC= 0.008 0.008 0.009 0.008 0.009 0.008 0.009 0.007 0.008 LC= 0.006 0.0011 0.115x0.009 0.0.577 x0.001 0.008 0.0066 Gráfico de recorridos: LCS= 2.0007 0.577x0. Pág.006 0.002 = 0.009 0.003 0.0014 0.009 0.005 En las figuras siguientes se representan el gráfico de medias y el de recorridos.008 0.008 0.007 0.002 LCI= 0.007 0.006 0.0004 0.008 0.0013 0.001 0.007 0.009 0. 30 Control Estadístico de Procesos (Apuntes) .115 + 0.0011 0.007 0.001 0.000x0.0004 0.009 0.009 0.002 0.007 0.007 0.009 0.0006 0.0005 0.005 0.002 = 0.002 0.009 0.004 0.009 0.003 0.0005 0.008 0.009 0.008 0.008 0.007 0.Control Estadístico de Procesos MUES TRA 1 0.008 0.0012 0.006 0.0006 0.008 0.008 0.002 s* 0.007 5 0.007 0.008 0.009 0.007 0.008 0.0007 0.0005 0.008 0.002 0.010 Media Tabla 5 Media 0.008 R 0.002 0.0011 0.0009 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Método recorridos: Gráfico de medias: LCS= 0.009 0.0010 0.008 0.007 0.008 LCI= 0.0011 0.007 0.009 0.0010 0.007 0.009 0.008 0.0013 0.007 0.0004 0.008 0.0012 0.008 0.0015 0.005 0.008 0.008 0.003 0.009 0.0012 0.009 0.008 0.009 4 0.009 0.008 0.007 0.008 0.009 0.577 D3= 0 D4= 2.0011 0.010 0.009 0.0009 0.004 0.009 0.008 0.008 0.008 0.008 0.003 0.009 0.009 0.008 0.0012 0.0006 0.

00507 R=0.0075 0.0024 = 0.0009= 0.0065 -3.596x0.427 B3= 0 B4= 2.007970 0.0009 = 0.Control Estadístico de Procesos GRÁFICO X-R 0.0114 LC= 0.596 B3= 0 B4= 2.0095 Media Muestral 3.000 3.0SL=0.003 0.00E+ Figura 14: Gráfico X-R Método s* A3= 1.001 0.00935 0.0SL=0.0SL=0.1.0010 = 0.0085 X=0.0009 LCI= 0.089x0.089 Gráfico de medias: LCS= 0.0066 Gráfico s LCS= 2.0010 LCI= 0.002 0.008 LCI= 0.002400 -3.0009 = 0. 31 .004 0.0000 Método s A1= 1.0000 Control Estadístico de Procesos (Apuntes) Pág.000x0.596x0.089 Gráfico de medias: LCS= 0.0010 = 0.005 0.427x0.0SL=0.008 + 1.008 .427x0.1.089x0.008 + 1.0065 0 10 20 Subgroup Recorrido Muestral 0.0045 Gráfico s* LCS= 2.008 LCI= 0.000x0.008 .0018 LC= 0.0024 = 0.0009 = 0.0093 LC= 0.0020 LC= 0.

es decir: d= µ1 − µ 0 σ0 λ= σ1 σ0 La probabilidad de que la media muestral caiga dentro de los límites de control en función de (d . λ ) es:  ( d + 3) n x − µ 0 − dσ 0 (3 − d ) n   µ − LCI x − µ1 LCS − µ1     P( d . De estas curvas se deduce que el hecho de que “los puntos estén dentro de los límites” proporciona muy poca seguridad de que el proceso se encuentre realmente bajo control estadístico y pone de manifiesto las limitaciones de esta técnica. λ ) = P 1 ≤ ≤  σ / n ≤ σ / n ≤ σ / n  = P −  λ λ λσ 0 / n 1 1  1    Si analizamos ahora los dos efectos por separado y dibujamos las curvas para distintos tamaños de muestras. Pág. 32 Control Estadístico de Procesos (Apuntes) . vemos que el gráfico de medias es sensible al desplazamiento y muy poco sensible al cambio de la variabilidad (ver Figura 15 y Figura 16).Control Estadístico de Procesos 8. Si se mide el desplazamiento del proceso en unidades de la desviación típica y la deformación mediante la relación existente entre la desviación típica final y la inicial. La aplicación de gráficos de control debe continuarse con técnicas estadísticas avanzadas encaminadas al conocimiento de los parámetros que influyen en el proceso (CTP en terminología 6 Sigma) y a la reducción de la variabilidad (o lo que es lo mismo.1. CURVA DE OPERACIÓN DEL GRÁFICO DE MEDIAS. al aumento de los índices de capacidad). CURVAS DE OPERACIÓN DEL GRÁFICO DE CONTROL Las curvas de operación son útiles para evaluar a priori la sensibilidad del gráfico de control frente a desplazamiento del proceso o al cambio de su variabilidad. 8.

0 0.5 3 n= 4 n= 5 n= =6 n 8 n= desplazamiento en múltiplos de sigma Figura 15: Curva de operación del Gráfico R al desplazamiento de la media CURVA CARACTERÍSTICA DEL GRÁFICO DE MEDIAS (AUMENTOS DE VARIABILIDAD) 1.0 0.3 0.6 0.0 1.0 2.1 0. 33 .7 2 n= 0.4 0.8 0.2 0.4 1 2 3 4 5 6 Aumento de variabilidad Figura 16: Curva de operación del Gráfico X al aumento de la variabilidad Control Estadístico de Procesos (Apuntes) Pág.5 2.5 Probabilidad 0. media muestral dentro de LC 1.5 0.8 0.7 0.6 0.9 0.5 0.9 12 n= 16 n= 0 2 n= 1.0 0.Control Estadístico de Procesos SENSIBILIDAD DEL GRÁFICO DE MEDIAS DESPLAZAMIENTO DEL PROCESO Y DESVIACIÓN TÍPICA INALTERADA Prob.0 0.

Control Estadístico de Procesos

8.2.

CURVA DE OPERACIÓN DEL GRÁFICO DE DISPERSIÓN.

La construcción de la curva de operación del gráfico de recorridos se hace aprovechando el estadístico w = R/σ. La ecuación de la curva será:

P (λ ) = P (D1σ 0 ≤ wλσ 0 ≤ D2σ 0 )
Para el caso del gráfico S, la probabilidad de que una muestra caiga dentro de los límites de control puede hacerse utilizando el estadístico:

ns 2

σ

2

2 = χ n −1

Entonces la ecuación de la curva de operación es:

 B 2σ 2 B 2σ 2 s2 P(λ ) = P 1 2 0 n ≤ 2 n ≤ 2 2 0  σ σ1 σ1  1

2  B2  s2 B2  n  = P 1 n ≤ 2 2 n ≤ 2 n    λ2 λ σ0 λ    

Se puede comprobar que el comportamiento es similar para muestras pequeñas. Sin embargo para muestras n>6 es más eficaz el gráfico S.

Pág. 34

Control Estadístico de Procesos (Apuntes)

Control Estadístico de Procesos

SENSIBILIDAD DEL GRÁFICO "R" AL AUMENTO DE LA VARIABILIDAD CENTRADO INALTERADO

1.0

Probabilidad R dentro LC

n=2 n=3 n=4 n=5 n=10 n=6 n=7 n=12 n=8 0.0 1 2 3 4 5 6

0.5

Aumento de la variabilidad en múltiplos de sigma
Figura 17: Curva de operación del Gráfico R al aumento de la variabilidad
SENSIBILIDAD DEL GRÁFICO "S" AL AUMENTO DE LA VARIABILIDAD CENTRADO INALTERADO

1.0

Probabilidad S dentro LC

n=2 0.5 n=3 n=10 n=12 n=18 0.0 1 n=20 2 n=6 n=7 n=8 n=4 n=5

3

4

5

6

Aumento de la variabilidad en múltiplos de sigma

Figura 18: Curva de operación del Gráfico S al aumento de la variabilidad

Control Estadístico de Procesos (Apuntes)

Pág. 35

Control Estadístico de Procesos

9.

INTERPRETACIÓN DE LAS INDICACIONES DEL GRÁFICO DE CONTROL

La indicación más clara de que el proceso está fuera de control es que alguno de los puntos esté fuera de los límites. Además el aspecto de los gráficos pueden indicar anomalías en el proceso. En efecto, si dividimos el gráfico en zonas A, B y C, ver Figura 19, el porcentaje de puntos contenidos en cada una de ellas deberá acercarse sensiblemente al área relativa de la campana de Gauss cubierta por cada una de ellas.

¿Cómo deben distribuirse los puntos?
A (2,5%) B (13,5%) C (34%) C (34%) B (13,5%) A (2,5%)

Figura 19: Distribución de los puntos procedentes de una distribución normal
En la Tabla 6 se incluyen algunas reglas utilizadas frecuentemente para analizar el gráfico de medias y establecer si el proceso se encuentra fuera de control. En la columna de la derecha se indica la probabilidad de que se diera esta circunstancia en el caso de un proceso normal, centrado (lo que daría lugar a una decisión errónea). En general, un procedimiento de SPC debe explicitar qué indicaciones deben considerarse como síntoma de proceso fuera de control.

Pág. 36

Control Estadístico de Procesos (Apuntes)

14% 0. 3´. Dados dos puntos consecutivos. Dos puntos consecutivos están en una de las zonas A (la misma).23% 8 9 0. el segundo está al menos cuatro desviaciones típicas por encima del primero (por ejemplo. Racha de cinco puntos en la que cuatro están en la misma zona A o B. Racha de siete puntos consecutivos por encima de la línea central. De nueve puntos consecutivos. De diez puntos consecutivos. existe una racha de 8 que se presentan de manera monótona creciente. Racha de quince puntos en la zona C Racha de catorce puntos alternativos ascendente descendente Tabla 6 Probabi lidad 0.78% 1. entonces es proceso ha aumentado la variabilidad y posiblemente también se ha desplazado.42% 0. Racha de cuatro puntos consecutivos que están en la misma zona A o B.07% 0.39% 0. 4´´ y 7.27% 0. 2. el primero está en la zona A inferior y el segundo en la B ó A superior).02% 0. dos o más están en una de las zonas A (la misma). Racha de seis puntos consecutivos por encima de la línea central.05% 0. Si el gráfico S o R presenta también indicaciones.56% 0. 4´. Racha de seis puntos consecutivos se presentan de manera monótona creciente. Racha de ocho puntos consecutivos por encima de la línea central. De nueve puntos consecutivos.30% ? A continuación veamos cómo se pueden interpretar estas indicaciones: a) Reglas 1. existe una racha de 7 que se presentan de manera monótona creciente.Control Estadístico de Procesos Regla 1 2 2´ 3 Descripción Un punto está fuera de los límites de control De tres puntos consecutivos. 4.15% 0. existe una racha de 8 que se presentan de manera monótona creciente. Control Estadístico de Procesos (Apuntes) Pág.06% 4 4´ 4´´ 5 6 6´ 6´´ 7 0. lo más probable es que el proceso se encuentre desplazado. 3.27% 3´ 0. Si el gráfico de medias presenta alguna de estas indicaciones y el gráfico S o R no presenta anomalías. 37 .

6. 6´. Si el gráfico S o R no muestra una reducción de la variabilidad muestral. entonces es probable que el proceso haya aumentado la variabilidad. que Puede ser síntoma de que se ha reducido la variabilidad del proceso si el gráfico S o R también muestra una reducción de la variabilidad muestral. Lo más probable es que el proceso esté desplazándose. Es síntoma de inestabilidad del proceso. c) Regla 7. puede ocurrir que se estén mezclando dos poblaciones distintas. Si el gráfico S o R presenta también indicaciones. ¿Cómo lo interpreta? Racha en una mitad Racha creciente o decreciente Figura 20: Tendencias que indican causas especiales Para el caso del gráfico S o R se puede establecer un conjunto de reglas parecidas. d) Regla 8. lo más probable es que el proceso sea muy inestable en cuanto a su centrado. 38 Control Estadístico de Procesos (Apuntes) . siendo la distribución resultante bimodal (dos jorobas). es decir. Si el gráfico S o R no presenta anomalías. e) Regla 9. no indican derivas en la Pág.Control Estadístico de Procesos b) Reglas 5. 6´´. pero es necesario tener en cuenta lo siguiente: a) La interpretación de la indicación ha de hacerse en función a la naturaleza del gráfico S o R.

1. Comprender los fenómenos físicos y tecnológicos importantes para el proceso Se realiza tomando muestras de la producción. etc. ESTUDIO DE CAPACIDAD DE PROCESOS PROCESO? 10. b) La distribución de S o R no es normal (aunque lo sea el proceso) ni tampoco es simétrica. ¿CÓMO SE REALIZA UN CAPACIDAD DE PROCESO? ESTUDIO DE En la realización de un estudio de capacidad de proceso es importante realizar los siguientes pasos. realizada por operarios diferentes. las muestras deben ser representativas de la producción.Control Estadístico de Procesos media del proceso sino aumento o disminución en la variabilidad del mismo. 10.2. 10. Control Estadístico de Procesos (Apuntes) Pág. 39 . Obviamente. En general. por ejemplo debe incluir producciones con lotes distintos de materia prima. según sea el modo en el que se tomen las muestras los resultados serán muy diferentes. A partir de aquí existen muchas diferencias en cuanto al modo de tomar las muestras. En particular es frecuente que se requiera que el proceso esté en control estadístico. En los párrafos siguientes se dan algunas directrices que pueden ayudar a diseñar un estudio de capacidad de proceso y a interpretar sus resultados. ¿QUÉ ES UN ESTUDIO DE CAPACIDAD DE Un estudio de capacidad de proceso tiene por objeto de conocer: • • • Distribución estadística que lo describe (normal o no normal) El patrón de variabilidad del proceso y principales factores relacionados con la variabilidad. cuando se desee estimar la variabilidad total del proceso (conocida también como variabilidad a largo plazo). Este requisito es lógico cuando se pretende calcular los índices cp y cpk de variabilidad a corto plazo. por lo que las probabilidades indicadas en la columna de la derecha no son de aplicación a este caso. en varios turnos.

En un caso simple como este. variabilidad entre lotes. ya que si fuera así no tendría sentido realizar otro estudio sobre él. Sin embargo normalmente se saben algunos aspectos que deben tenerse en cuenta. de manera que la variación dentro de estos grupos pueda ser representativa de la variación del proceso cuando se eliminen todas las causas especiales.). En este caso cuando se mida la muestra es necesario identificar la hora en la que se fabricó la pieza. ya que influirán en los datos. Si el diámetro medido corresponde a la primera cara o a la segunda (posición en la pieza). 40 Control Estadístico de Procesos (Apuntes) . Por ejemplo. si se han identificado como posibles fuentes de variabilidad de un proceso de mecanizado de un vástago cilíndrico: • • • • El desgaste de la herramienta (asociado al tiempo de trabajo). variabilidad posicional en la pieza. por lo que deben tomarse las siguientes precauciones: • Debe definirse el procedimiento de medida con todo detalle. Definición de la estratificación de las medidas a tomar En función de las consideraciones anteriores. En todos los casos debe pensarse que la propia medida puede ser una fuente de variabilidad más.2. Verosimilitud de esperar una distribución normal de los datos o si por el contrario existe alguna razón (por ejemplo asimetrías) que sugieren otro tipo de distribución. etc.2.Control Estadístico de Procesos 10. es esperable que el desgaste de la herramienta produzca un desplazamiento de la media. etc. se debe definir el Grupo Homogéneo Racional (GHR) del que se tomarán las muestras y que se espera que estén libres de causas especiales. Comprender los fenómenos físicos y tecnológicos importantes para el proceso Naturalmente de un proceso no se conoce “todo”. El proveedor de la materia prima. si se trata de un proceso de mecanizado. El lote suministrado por el proveedor. Por ejemplo.1. Como resultado de la revisión de los conocimientos disponibles se puede llegar a lo siguiente: • Establecimiento de las posibles fuentes de variabilidad del proceso (por ejemplo una deriva temporal en el caso del mecanizado. • 10. qué proveedor y qué lote de materia prima se empleó y a qué cara corresponde la medida. ya que de otro modo será imposible cuantificar las fuentes de variabilidad. podría bastar con Pág.2.

Identificación del patrón de variabilidad Uno de los objetivos del estudio establecidos en el párrafo 10. Estabilizar del proceso Para tomar los datos. debe realizarse un estudio R&R (repetibilidad y reproducibilidad). Debe evitarse la situación de descubrir que los datos que se han ido tomando durante semanas. Si no se conoce la repetibilidad y reproducibilidad del método de medida a emplear.. Por esta razón es muy importante definir una plantilla de toma de datos lo más explícita posible y no esperar a que estén todos los datos tomados para “echar un vistazo”.2. En general.4.2. A estos procesos no se les puede aplicar el gráfico de control ni tiene sentido hablar de un estudio de capacidad. 41 .3. Para ello resultan de la máxima utilidad herramientas como el gráfico Multivari y la técnica de análisis de componentes de la varianza. 10. Los estudios R&R también se conocen como estudios MSA (Measurement System Analysis) Como resultado de esta fase debe prepararse al menos una plantilla de recogida de datos que evite que se produzcan errores en la recogida o registro de los mismos. aún siendo aleatorio. un proceso caótico no es previsible y no puede ser controlado.no valen para nada.Control Estadístico de Procesos • indicar a un técnico de taller que la medida debe tomarse con un micrómetro calibrado y medirse dos diámetros a 90º y calcular la media. Para que tenga sentido la aplicación de los gráficos de control. el proceso debe operar de manera que el GRH se encuentre libre de otras posibles causas especiales.2. Un proceso de este tipo debe ser estudiado mediante herramientas estadísticas avanzadas hasta que el grado de conocimiento empírico obtenido sobre el mismo permita estabilizarlo. Control Estadístico de Procesos (Apuntes) Pág.. Este intervalo de tiempo puede ser largo si se pretende capturar fuentes de variabilidad cíclica. Consecuentemente las posibilidades de errores por “malos entendidos” son altas. sería necesario establecer un procedimiento escrito. 10. permita un cierto grado de predicción.1 es identificar el patrón de la variabilidad y los principales factores relacionados con la variabilidad.5. Toma de los datos Generalmente la toma de los datos se extiende en el tiempo y se toman a través de un operario. el proceso ha de tener una estabilidad suficiente que. Si la medida fuese más compleja. 10.

no son válidas las predicciones de fracción defectuosa realizadas en el estudio. Kolmogorov-Smirnov. Si se selecciona la distribución normal y se representan los datos del Ejemplo 3 (ver Figura 21) se observa que alguno de los valores de los extremos está fuera de las bandas de confianza del 95%. pero si lo sean los datos de los GHR. La prueba de normalidad más sencilla y utilizada en ingeniería de calidad es la que se basa en el “papel probabilístico normal”.2.3). APLICACIÓN MINITAB Dentro del menú Graph->Probability_Plot. si los datos no son normales.2. Comprobación de la normalidad de los datos Una vez obtenidos los datos se debe comprobarse la normalidad.). Minitab cuenta con contrastes gráficos de ajuste para varias distribuciones. En el párrafo 11 se indica cómo proceder en casos en los que los datos no sean normales. resulten alineados. Este papel tiene la escala de ordenadas modificada de manera que las probabilidades acumuladas de datos de una muestra procedente de una distribución normal. Es preciso tener en cuenta que. Para comprobar la normalidad se pueden emplear los contrastes de ajuste habituales (χ2. Pág.6. Al menos deben ser normales los datos correspondientes al mismo GHR (en caso de que los datos en su conjunto no sean normales.1) o el análisis de los datos indique que no son normales.Control Estadístico de Procesos 10. quiere decir que alguno de los criterios seguidos en la estratificación de las muestras es una causa especial). 42 Control Estadístico de Procesos (Apuntes) . lo que es un indicio de falta de normalidad. etc. debe realizarse una transformación normalizadora (véase párrafo 11. En caso de que por consideraciones tecnológicas (véase 10.

010 0. debe realizarse la estimación de la desviación típica. Control Estadístico de Procesos (Apuntes) Pág.2. se puede emplear el método de la desviación típica promediada (“pooled standard deviation”).95% CI ML Estimates 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 0.006 0. 43 . Si se sospecha que la desviación típica es sensiblemente constante.005 0. Una vez hecho esto.0010901 Goodness of Fit AD* 0.007966 StDev 0.007 0. debe estudiarse la causa para su eliminación. no se empleará nunca el método del recorrido medio.827 Percent 0.009 0.7.012 Data Figura 21: Graph->Probability-Plot->Normal 10. Análisis e interpretación de los datos A continuación debe comprobarse la estabilidad del proceso para lo que debe realizarse un gráfico de control a las medias de los Grupos Homogéneos Racionales comprobando que no existen puntos fuera de control.008 0. En caso de que exista algún punto fuera de control.004 0.Control Estadístico de Procesos Normal Probability Plot for Valor ML Estimates .011 0. En general deben seguirse los siguientes criterios: • • Si el tamaño de los grupos es igual o mayor que 10.

En ella puede apreciarse dos puntos fuera de control.634 LCL=0 Figura 22 Stat->Control Charts-> Xbar-R Pág. representada por los índices cp y cpk no debe utilizarse para cuantificar la variabilidad total del proceso.Control Estadístico de Procesos s = 2 P (n1 − 1)2 s12 + L + (nk − 1)2 s k2 n1 + L nk − k APLICACIÓN MINITAB Dentro del menú Stat->Control Charts-> Xbar-R. Si se selecciona la columna en la que están los datos y se indican el tamaño del lote = 5. 44 Control Estadístico de Procesos (Apuntes) .429 1 3 4 5 6 7 8 9 10 LCL=4. se obtiene la Figura 22.569 R=2.909 Sample Mean 9 8 7 6 5 4 1 0 1 1 2 Subgroup 6 Sample Range 5 4 3 2 1 0 UCL=5. lo que indica que la variabilidad a corto plazo. COMPROBACIÓN ESTABILIDAD 10 1 1 UCL=7.948 Mean=6.

y también puede hacerse a través de la media ponderada de las desviaciones típicas muestrales.93 0.63 10 0.08 Tabla 7 x = 6.75 6.03 = = = 1.27 + 2.07 3.65 0.58 9.38 7.43 R= 2. Tolerancia superior: 10.37 9.18 5.03 10 sM = A partir de estos estadísticos se puede estimar la σCP: ˆ σ CP = ˆ σ CP R 2.35 4.85 + 0.53 6.05 7.93 + 0.85 4.65 + 0.11 8.00 Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra 1 2 3 4 5 6 7 8 9 10 Pieza 1 5.05 8.92 9.59 6.78 7.36 5.75 5.49 MEDIA 4.54 Pieza 5 3.29 + 2.99 11.32 6.92 0.51 + 2.11 7.08 = 1.35 4.93 1.29 2.83 0.32 3.63 6.13 6.05 4.11 d 2 ( n = 5) 2.13 6.39 1.59 6.54 7.19 9.02 6.78 + 0.63 = = 1.95 Sm 0.92 + 0.26 1.51 8.3626 sM 1.96 5.27 2.23 8.85 + 4.92 1.95 6.00 Tolerancia superior: 5.9400 Control Estadístico de Procesos (Apuntes) Pág.40 3.88 Pieza 4 4.57 7.23 3.08 2.68 5.23 + 3.51 2.4: MÉTODOS DE ESTIMACIÓN DE LA VARIABILIDAD.98 4.93 + 1.37 7.66 4.39 + 1.03 4.42 9.09 c4 ( n = 5) 0.87 + 2.24 7.26 + 1.08 + 2.30 4.95 = 2. CÁLCULO DE LOS ÍNDICES La variabilidad inherente del proceso (σCP) puede estimarse a través del recorrido muestral medio R .85 5.87 2.78 RANGO 2.03 2.45 Pieza 2 3. 45 .81 5.Control Estadístico de Procesos EJEMPLO.03 + 2. (para tamaños de muestra n<10).18 7.41 8. Veamos un ejemplo con los datos de la Tabla 7).92 + 1.55 5.17 9.57 Pieza 3 4.08 7.68 5.83 + 0.41 9.85 0.78 0.70 4.66 5.

Este intervalo podría basarse en la conocida relación: σ2 ∝ (n − 1)s 2 2 χ n −1 Pág.76 Cpk(método S)= 0. Como era de esperar.Control Estadístico de Procesos Donde d2 y c4 son dos coeficientes tabulados. En los datos anteriores: σ LP = ˆ Como conclusión: ∑ ( x i − x )2 i =1 n n −1 = ∑ (x i =1 50 i − 6. que corrigen el sesgo del estimador. la estimación de la variabilidad total σLP > σCP. 46 Control Estadístico de Procesos (Apuntes) .53 Cp(método S)= 0.43) 2 50 − 1 = 1. Construcción de un intervalo de confianza de los índices Es preciso tener siempre presente que estos índices. al ser función de una variable aleatoria y estar calculados a través de estadísticos (valores numéricos calculados a partir de los datos muestrales). la variabilidad entre lotes es muy importante.31 Como ya se anticipó a la vista de la Figura 22. Los valores de los índices de capacidad son: Cp(método R)= 0.8. Por esta razón la buena práctica estadística aconseja construir un intervalo de confianza.75 Cpk(método R)= 0.55 Pp= 0.92 Las dos estimaciones realizadas de la variabilidad inherente del proceso (σCP) son bastante próximas (por ser el tamaño de la muestra pequeño. están sometidos a una variación aleatoria.43 Ppk= 0.2. lo que hace que la variabilidad a largo plazo sea muy superior a la variabilidad a corto plazo. Si lo que se pretende es estimar la variabilidad total del proceso (σLP) ha de hacerse a través de la desviación típica de todas las piezas medidas con independencia de la muestra a la que pertenezcan. 10. n=5). función del tamaño de la muestra.

procesos químicos en el que se va añadiendo espesos de capas. Control Estadístico de Procesos (Apuntes) Pág.Control Estadístico de Procesos que llevaría a los siguientes límites del intervalo de confianza para la varianza. 11. 2 χ n −1 (1 − α / 2) (n − 1)s 2 ≤σ2 ≤ 2 χ n −1 (α / 2) (n − 1)s 2 y para el índice cp: 2 χ n −1 (1 − α / 2 ) n −1 ≤ cp ≤ 2 χ n −1 (α / 2 ) n −1 Sin embargo. CASO DE PROCESOS NO NORMALES 11. Por ejemplo. Un caso típico son aquellos procesos que tienen alguna “barrera” que impide que la variable aleatoria pueda tomar valores desde -∞ a +∞. un proceso de taladrado en el que el diámetro de la broca es el límite inferior del posible taladro. hecho que no siempre se cumple. método de bootstrap). 47 . es necesario una buena normalidad de los datos. Por esta razón resulta más apropiado recurrir a métodos de estimación no paramétricos (por ejemplo. ¿ES LA NORMALIDAD LO “NORMAL?” Existen procesos que incorporan a su naturaleza alguna causa especial que hace que su distribución no sea normal y consecuentemente no tiene sentido esperar su normalidad ni iniciar acciones correctoras para “meter el proceso en control estadístico”.1. etc. para que esto sea cierto.

lo expuesto anteriormente se ve afectado de la siguiente manera: a) La interpretación de los índices y en cuanto a la fracción de producto fuera de tolerancia ha de hacerse para la distribución que siga el proceso. utilizando la desigualdad de Tchebichef. en este caso hay que sospechar a priori no normalidad ESPESOR Figura 23 Si la variabilidad es grande en relación con el espesor medio.Control Estadístico de Procesos Por ejemplo. b) Los coeficientes utilizados para estimar σS y σR no son válidos y por lo tanto tampoco lo son los límites de control calculados para el gráfico de medias y recorridos. Cuando el proceso no sigue una distribución normal debido a causas intrínsecas a su propia naturaleza. sólo se puede asegurar que la cola situada más allá de 3 σ de la media no es superior a 1/9=11% (frente a 0. Si no se conoce la distribución. CONSECUENCIAS QUE TIENE EN EL ANÁLISIS.135% en el caso de un proceso normal). c) Es posible que la distribución del gráfico de medias sea a pesar de todo normal en virtud del TLC. 48 Control Estadístico de Procesos (Apuntes) . es de esperar una distribución asimétrica 11.2. No obstante si la distribución del proceso tiene un grado elevado de asimetría sería necesario que el tamaño de la muestra fuese superior a 25 o 30 (en lugar de 4 ó 5 como es habitual) para que se pudiera considerar normal a la distribución de las medias. Pág.

es posible que el resto de las causas de variación presentes en la operación habitual del proceso haga que parte de la producción esté fuera de tolerancia.3). De esta manera se puede mantener el control de las derivas en el proceso. La técnica de normalización de datos más eficaz es la transformación de BoxCox. • Una vez determinada la transformación numérica de normalización. se toma una muestra de al menos 25 o 30 unidades. si se codifican los valores tomados en las muestras. • Estudiar la distribución (calcular media. desviación típica y coeficiente de asimetría). TÉCNICAS DE NORMALIZACIÓN DE LOS DATOS. Esta transformación es la siguiente: Control Estadístico de Procesos (Apuntes) Pág. fracción fuera de tolerancia. En general resultan eficaces la transformaciones de BoxCox (ver 11. Naturalmente para interpretar los valores de los límites de control. lo más recomendable es proceder como sigue: • Puesto que la causa de no normalidad es intrínseca al proceso. de manera que la distribución de la muestra sea lo más próxima a la normal posible.Control Estadístico de Procesos En estos casos. 49 . 11. es preciso deshacer la transformación. En el caso de que la distribución no se encuentre contenida en el intervalo de tolerancias. ya se puede anticipar la incapacidad del proceso. Si se encuentra contenida en el intervalo de tolerancias de manera muy ajustada.3. se puede tratar como los procesos vistos hasta ahora. etc. • Realizar una transformación de normalización de los datos.

Pág.Control Estadístico de Procesos x (λ )  (x + m )λ − 1)  = λ  ln ( x + m )  (λ ≠ 0) (∀x x > −m ) (λ = 0) (m > 0) Es continua en λ. 50 Control Estadístico de Procesos (Apuntes) . puesto que: lim x ( λ ) = ln ( x + m ) λ →0 La función de verosimilitud de los datos normalizados es: n 1 ) L(λ ) = − ln (σ 2 ( λ ) ) + (λ − 1)∑ ln( xi ) n i =1 Donde: σ 2 (λ ) = ) 2 1 n (λ ) ∑ (x − x ( λ ) ) n i =1 La técnica consiste en hallar el valor de λ que maximiza la verosimilitud (ver Figura 24).

00 Verosimilitud -304.Control Estadístico de Procesos TRANSFORMACIÓN DE BOX-COX SELECCIÓN DEL LAMBDA ÓPTIMO -100 Verosimilitud -200 lambda -2.50 2.654 -81.00 -1.50 -1.00 1. λ -1 -1/2 0 Relación mediavarianza σ ∝η2 σ ∝ η 1.238 -105.427 -221. Tabla 8: Transformaciones de datos para eliminar la heterocedasticidad Control Estadístico de Procesos (Apuntes) Pág. en algunos casos se puede esperar heterocedasticidad de los mismos (varianza no constante).631 -105.50 1.5 σ ∝ const ½ 1 Raíz cuadrada No se transforma Análisis de varianzas muestrales.00 -0. Según esté relacionada la varianza y la media.808 -77. resultan apropiadas las transformaciones indicadas en la Tabla 8 .475 -86.00 0. Datos procedentes de una distribución de Poisson.244 -131.5 σ ∝η Transformación estabilizadora de la varianza Inversa Inversa de cuadrada Logaritmo la raíz Ejemplos típicos de aplicación σ ∝ η 0.25 0.440 -77.50 0. 51 . gráficos de control de series cortas en el que se conjuguen familias de varios espesores.009 -300 -2 -1 0 0.758 -153.37 1 2 lambda Figura 24: Transformación de Box-Cox para normalizar los datos Según sea el origen de los datos.

Control Estadístico de Procesos EJEMPLO.5: NORMALIZACIÓN DE DATOS DE UN PROCESO NO NORMAL En la Figura 25 se ha representado el histograma de un proceso de protección superficial. A la vista del citado histograma. se puede comprobar su normalidad mediante un histograma (ver Figura 27) o un papel probabilístico. Una vez transformados los datos. se concluye la no normalidad de los datos. HISTOGRAMA DE DATOS NO NORMALES 30 Frecuencia 20 10 0 2 4 6 8 10 12 14 16 18 20 22 Espesores Pág. 52 Control Estadístico de Procesos (Apuntes) . en la que se indica λ=0. Los datos corresponden a muestras de tamaño 5 de 25 lotes.113 como el valor óptimo. de modo análogo al hecho anteriormente (ver Figura 28). Se desea realizar una transformación que los normalice. La respuesta proporcionada por MINITAB es la indicada en la Figura 26. APLICACIÓN MINITAB Menú Stat->Control Charts->Box-Cox Transformation.

782 2.0 1.783 StDev 30 20 10 0 -5 -4 -3 -2 -1 0 1 2 3 4 5 Lambda Figura 26: Transformación de Box-Cox (Stat->Control Charts->BoxCox Transformation) HISTOGRAMA DE DATOS TRANSFORMADOS 20 Frecuencia 10 0 1.170 StDev 2.2 1.1 1.Control Estadístico de Procesos Figura 25: Histograma de datos de un proceso no normal Box-Cox Plot for Skewed 95% Confidence Interval 60 50 40 Last Iteration Info Lambda Low 0.784 2.4 Espesores Control Estadístico de Procesos (Apuntes) Pág. 53 .056 Est 0.113 Up 0.3 1.

38 1. Para resolver esto. se hace una agrupación artificial “de cada elemento con el siguiente”.28 1. es decir.18537 StDev 0. GRÁFICOS DE CONTROL APLICACIONES ESPECIALES MR) PARA 12.18 1. GRÁFICOS PARA MUESTRAS UNITARIAS (IEn ocasiones interesa realizar gráficos de control a valores individuales. Esta variación se estima a través del “recorrido móvil” (moving range MR).1.08 1.88 0. 54 Control Estadístico de Procesos (Apuntes) .Control Estadístico de Procesos Figura 27: Histograma de los datos transformados (Graph>Histogram) COMPROBACIÓN DE LA NORMALIDAD DE LOS DATOS TRANSFORMADOS ML Estimates . que se calcula mediante la diferencia de dos valores consecutivos. es la particularización a muestras de tamaño = 1.48 Data Figura 28: Comprobación de la normalidad de los datos transformados 12.95% CI ML Estimates 99 95 90 80 70 60 50 40 30 20 10 5 1 Mean 1.98 1.291 Percent 0. de manera que se asocia la variación entre dos unidades consecutivas a la variación intermuestral. EJEMPLO.0832140 Goodness of Fit AD* 0. Al ser la muestra unitaria no resulta posible calcular la variabilidad dentro de la misma.6: APLICACIÓN AL ANÁLISIS DE DATOS DE VISCOSIDAD DE UN PROCESO QUÍMICO Pág.

23 75 Mean=74. VISCOSIDAD DE UN COMPUESTO QUÍMICO Individual Value 80 UCL=80.17 0 10 10 Subgroup Secuencia 20 20 8 7 6 5 4 3 2 1 0 Moving Range UCL=7.. Corresponden a la medida de la viscosidad en cP de 20 lotes de un compuesto químico. 55 .406 R=2. Breyfogle III.Control Estadístico de Procesos Los datos proceden del libro “Implementing Six Sigma. La respuesta proporcionada por MINITAB es la indicada en la Figura 29. Smarter Solution Using Statistical Methods” de Forrest W.267 LCL=0 Figura 29 Gráfico I-MR de los valores de la viscosidad Control Estadístico de Procesos (Apuntes) Pág.2 70 LCL=68. APLICACIÓN MINITAB Menú Stat->Control Charts->I -MR.

La la Pág.7: APLICACIÓN DEL GRÁFICO I-MR-R/S AL ESTUDIO DE CAPACIDAD DE PROCESOS DEL EJEMPLO 4 Como las muestras tienen tamaño 5. • • EJEMPLO. GRÁFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD SIMULTÁNEAMENTE (I-MR-R/S) En los ejemplos anteriores se intuyó la necesidad de tener que controlar tanto la variabilidad dentro del lote como la variabilidad entre lotes. 56 Control Estadístico de Procesos (Apuntes) . Permite controlar la variabilidad dentro de los lotes. Para solucionar esto se emplea el I-MR-R/S. Un gráfico de recorrido móvil en el que se dibujan los MR y los límites de control se estiman a través de MR medio. Un gráfico R o S. Integra simultáneamente tres gráficos: • Un gráfico de valores individuales. se puede emplear el gráfico R. en el que se dibujan las medias muestrales y los límites de control se estiman a través de MR medio. APLICACIÓN MINITAB Menú Stat->Control Charts->I –MR-R/S.Control Estadístico de Procesos 12.2. Permite controlar la variabilidad entre los lotes. Permite controlar el desplazamiento de la media de los lotes. respuesta proporcionada por MINITAB es indicada en la Figura 30.

Control Estadístico de Procesos ESTUDIO DE LA CAPACIDAD DE PROCESO Individuals Chart of Subgroup Means Individual Value 10 9 8 7 6 5 4 3 4 3 2 1 0 R=1.429 LCL=3. 57 .287 Mean=6.569 R=2. 13. Sin embargo. Reducir al máximo la fabricación en curso. Control Estadístico de Procesos (Apuntes) Pág.075 LCL=0 1 UCL=9.570 Moving Range Chart of Subgroup Means UCL=3.634 LCL=0 1 1 ra st Subgroup Subscripts 2 2 ra st 3 3 ra st 4 4 ra st 5 5 ra st 6 6 ra st 7 7 ra st 8 8 ra st 9 9 10 tra 10 Figura 30 Gráfico I-MR-R/S del estudio de capacidad de proceso Se puede observar que en este gráfica también se detecta el desplazamiento de la media fuera de control que se puso de manifiesto en el gráfico X-R de la Figura 22. De acuerdo con lo expuesto. Aumentar la variedad de productos. resulta obvio que el gráfico de control es muy útil y se aplica fácilmente al caso de la fabricación masiva de productos iguales.511 Moving Range Range Chart of All Data Sample Range 6 5 4 3 2 1 0 0 ra st UCL=5. GRÁFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. la tendencia industrial actual es: • • • Reducir al máximo el inventario de productos.

Las piezas del mismo tipo tienen la misma variabilidad. es análogo al caso anterior. 4 Estudiar la relación que existe los parámetros del proceso en lugar de a las características de calidad resultantes de las piezas fabricadas. Este gráfico estima por separado la media de cada tipo de pieza y se representan las desviaciones con respecto a esa media. 58 Control Estadístico de Procesos (Apuntes) .2. 3. 3.4. De este modo se puede utilizar el mismo gráfico de control para piezas distintas de la misma familia. Cada fabricación tiene una variabilidad distinta. Se estima S para cada fabricación. Para estimar la variabilidad existen cuatro alternativas: 3. como son el CUSUM o el EWMA (véase 14). Esta opción es recomendable siempre que se registren las circunstancias en las que se tomaron cada uno de los datos (de modo que no se violen los conceptos de “Grupos Homogéneos Racionales”) y que se puedan estratificar cuando se considere necesario realizar un estudio sobre la posible contribución de cada uno de los grupos a la variabilidad.1.Control Estadístico de Procesos ¿Es aplicable en estas circunstancias el gráfico de control? ¿Es útil? En estos casos se puede optar por alguna o algunas de las siguientes opciones: 1 Utilizar gráficos de control más sensibles (es decir que detecten antes si el proceso se sale de control). Una vez realizada la transformación. La varianza es proporcional a la media. Se calcula la “S pooled” para cada tipo de pieza. Aplicar el gráfico de control a estos parámetros que son comunes a la fabricación de toda la familia de piezas.3. Se calcula la “S pooled” de todas ellas. Esto requiere un conocimiento empírico de las relaciones existentes Pág. 2 3 3. Empleo de Gráfico Z-MR. Referir las medidas de las piezas a “desviaciones del valor nominal” de modo que resulten comparables las desviaciones producidas en piezas distintas fabricadas por la misma máquina. Considerar que la desviación típica es la misma para todas las familias de piezas. En este caso debe realizarse una transformación logarítmica de los datos para corregir esta heterocedasticidad.

respuesta proporcionada por MINITAB es indicada en la Figura 31.). etc.8: APLICACIÓN DEL GRÁFICO Z-MR Se pretende aplicar un gráfico Z-MR a la fabricación de una familia de tres tipos de piezas A. Para alcanzar este conocimiento son muy útiles las técnicas estadísticas avanzadas (Diseño de Experimentos. B y C. 59 .Control Estadístico de Procesos entre los valores de los parámetros del proceso y los valores esperados en las características de calidad de las piezas producidas. Los datos encuentran en el fichero Ejemplo13. se La la Control Estadístico de Procesos (Apuntes) Pág. se sabe que la variabilidad de la fabricación es proporcional al espesor de la pieza. EJEMPLO.MTW. APLICACIÓN MINITAB Menú Stat->Control Charts->Z–MR. Por datos existentes.

686 Subgroup 4 Moving Range 3 2 1 0 R=1. Si µ0 es el valor medio supuesto al proceso.Control Estadístico de Procesos EJEMPLO DE GRÁFICO Z-MR C B A B Standardized Log(data) A UCL=3 0 Mean=0 LCL=-3 5 10 15 UCL=3. GRÁFICO CUSUM El gráfico CUSUM tiene la ventaja de ser más sensible a las variaciones en la media del proceso. OTROS GRÁFICOS VARIABLES DE CONTROL POR 14. Para que se pueda aplicar se requiere que la desviación típica del proceso sea muy estable y se disponga de una buena estimación de ella. 60 Control Estadístico de Procesos (Apuntes) .1. el gráfico CUSUM se basa en computar las desviaciones entre las media muestral y µ0 acumuladas por las muestras extraídas: Pág.128 LCL=0 Figura 31: Aplicación de un gráfico Z-MR a una familia de piezas 14.

de modo que el punto P se coloca sobre el último punto de la serie. 61 .Control Estadístico de Procesos (x1 − µ 0 ) (x1 − µ 0 ) + (x2 − µ 0 ) (x1 − µ 0 ) + (x2 − µ 0 ) + (x3 − µ 0 ) M (x1 − µ 0 ) + (x2 − µ 0 ) + (x3 − µ 0 ) + L + (xt − µ 0 ) Resulta intuitivo ver que mientras µ0 no varíe las sumas acumuladas andarán oscilando entorno a 0. CUSUM U (i − 1) + xi − (µ 0 + k )] CUSUM L (i ) = max[0. CUSUM L (i − 1) − xi + (µ 0 − k )] • Fijar un valor h. si con la plantilla horizontal no quedan todos los puntos dentro de la “V” debe concluirse que la media ha cambiado.5d) de modo que se construyan dos conjuntos de sumas acumuladas: CUSUM U (0) = CUSUM L (0 ) = 0 CUSUM U (i ) = max[0.5σ y 5σ. como la de la Figura 32. de modo que cuando las sumas acumuladas superen ese valor se concluya que la media ha superado el valor µ0±d prefijado. Esto requiere el establecimiento de un valor de referencia k (de manera empírica se fija el valor de k=0. Lo más frecuente es seleccionar h entre 4. Obviamente la selección de este parámetro está relacionada con los riesgos que se desee correr. mientras que si µ0 varía estas sumas crecerán rápidamente en esa dirección. Para construir el gráfico es preciso fijar los parámetros siguientes: • Mínima desviación d de µ0 que se quiere detectar. Adicionalmente se puede construir una plantilla en V. Control Estadístico de Procesos (Apuntes) Pág.

Farnum. Se ha tomado h = 5 y k = 0. En este gráfico puede observarse que el proceso se sale de control en la muestra número 49.5.La respuesta proporcionada por MINITAB es la indicada en la Figura 33.3 del libro “Statistical Quality Control and Improvement” de Nicholas R.9: APLICACIÓN DEL GRÁFICO CUSUM Estos datos corresponden con la tabla 7. El valor nominal es 4. APLICACIÓN MINITAB Menú Stat->Control Charts->CUSUM.203066. 62 Control Estadístico de Procesos (Apuntes) . Son 75 datos de concentración de níquel tomados a lo largo de 25 días y distribuidos en 3 turnos diarios.5 y se conoce que σ = 0.Control Estadístico de Procesos Gráfico CUSUM SUMAS ACUMULADAS P h d d= h k Figura 32 Máscara “V” del gráfico CUSUM EJEMPLO. Pág.

63 . x3 . Control Estadístico de Procesos (Apuntes) Pág. 2) Se estima la media y desviación típica del proceso a partir de los datos anteriores.2.L xk . Para que se puedan aplicar se requiere que la desviación típica del proceso sea muy estable. Su aplicación consta de los siguientes pasos: 1) De manera habitual se extraen k muestras y se calculan sus medias.Control Estadístico de Procesos CONCENTRACIÓN DE NIQUEL 10 Cumulative Sum 5 0 0 0 10 20 30 40 50 60 70 80 Subgroup Number Figura 33: Ejemplo de Gráfico CUSUM 14. x1 . GRÁFICO EWMA Los gráficos EWMA (exponentially weighted moving average) también tienen una sensibilidad mayor que el gráfico de Shewhart. x2 .

10: APLICACIÓN DEL GRÁFICO EWMA A LOS DATOS DE CONCENTRACIÓN DE NIQUEL DEL EJEMPLO 9 APLICACIÓN MINITAB Menú Stat->Control Charts->EWMA. 64 Control Estadístico de Procesos (Apuntes) . el proceso no está en control. EJEMPLO. De manera empírica se le da un valor comprendido entre 0. Este parámetro representa el mayor o menor peso que tienen los datos anteriores.10 y 0. El valor nominal es 4. ˆ LCS = x0 + ˆ LCI = x0 − 3σ  λ  2i   1 − (1 − λ ) n 1− λ  3σ  λ  2i   1 − (1 − λ ) 1− λ  n  [ ] ] [ 5) Si alguno de los puntos queda fuera de los límites.2.30.5 y se conoce que σ = 0.Control Estadístico de Procesos 3) Se calculan los puntos a dibujar en el gráfico EWMA de la siguiente forma: ) ) xi = λxi + (1 − λ )xi −1 La aplicación de esta fórmula recurrente requiere fijar un ) ) primer valor a x0 (normalmente x0 ≡ x ) y al parámetro λ. ) 4) Se dibujan los puntos xi sobre el gráfico y se fijan los siguientes límites de control (son variables para cada punto). En el gráfico puede apreciarse que el proceso está fuera de control antes de la muestra número 50. Pág. La respuesta proporcionada por MINITAB es la indicada en la Figura 34. Esta indefinición de λ es probablemente la mayor limitación del grafico EWMA.203066 y se toma λ = 0.

6 4. GRÁFICOS DE CONTROL POR ATRIBUTOS Las ideas sobre las que se fundamenta el Control Estadístico de Procesos se pueden extender al control de características de calidad de tipo atributo o discreto.Control Estadístico de Procesos EWMA Chart for Conc.p). las primeras se rigen por la distribución binomial y las segundas por la de Poisson.4 4. Ni 4.297 Mean=4. npq ( ) Control Estadístico de Procesos (Apuntes) Pág. Como se recordará. 15. Además se verifica que: Si npq > 5 entonces B(n.1.9 4.703 EWMA 4. p) → N np.5 Sample Number Figura 34: Ejemplo de Gráfico EWMA 15.7 UCL=4.8 4.5 4.3 0 10 20 30 40 50 60 70 80 LCL=4. E(x) = np y σx2= npq. GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN BINOMIAL Como se recordará si x es una variable aleatoria binomial B(n. 65 .

66 Control Estadístico de Procesos (Apuntes) . b) Gráfico p Sirve para controlar la fracción defectuosa .Control Estadístico de Procesos Dentro de este grupo existen dos gráficos fundamentales: a) Gráfico np Sirve para controlar el número de unidades defectuosas en la muestra. Por esta razón se aplican frecuentemente al análisis de datos de inspecciones 100%. Los límites de control son: LCS = np + 3 np (1 − p ) LC = np LCI = np − 3 np (1 − p ) donde p es la fracción defectuosa media. Si el valor calculado para el LCI. los tamaños de muestra requeridos son muy altos. Pág. Dado que lo normal es que p sea un valor muy bajo. se toma 0. se toma 0. Los límites de control son: LCS = p + 3 LC = p LCI = p − 3 p (1 − p ) n p (1 − p ) n Si el valor calculado para el LCI.

La tabla siguiente recoge los resultados de la producción de los últimos 30 días. Analice este proceso.11: APLICACIÓN A UN GRÁFICO P Un fabricante de productos electrónicos dispone de un proceso de soldadura de componentes por ola de estaño. DÍA 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 RECHAZOS 14 22 9 19 21 18 16 16 21 14 15 16 21 9 25 15 14 13 10 21 19 23 15 12 19 17 15 13 19 12 Tabla 9 PROBADOS 286 281 310 313 293 305 322 316 293 287 307 328 296 296 317 297 283 321 317 307 317 323 304 304 324 289 299 318 313 289 SOLUCIÓN: Disponiendo los cálculos en forma tabular para un gráfico tipo “p”. Control Estadístico de Procesos (Apuntes) Pág. 67 .Control Estadístico de Procesos EJEMPLO.

093 0.016 0.092 0.049 0.093 0.094 0.015 0.016 0.015 0.092 0.015 0.068 0.015 0.059 0.015 0.093 0.049 0.091 0.093 0.061 0.051 0.092 0.014 0.071 0.015 0.049 0.072 0.092 0.016 0.093 0.016 0.092 0.049 0.014 0.Control Estadístico de Procesos DÍA RECHAZOS PROBADOS FRACCIÓN LCS LCI 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 14 22 9 19 21 18 16 16 21 14 15 16 21 9 25 15 14 13 10 21 19 23 15 12 19 17 15 13 19 12 286 281 310 313 293 305 322 316 293 287 307 328 296 296 317 297 283 321 317 307 317 323 304 304 324 289 299 318 313 289 Media= 0.016 0.093 0.014 0. 68 Control Estadístico de Procesos (Apuntes) .092 0.042 0.093 0.041 0.016 0.016 0.050 0.092 0.093 0.014 0.079 0.049 0.094 0.071 0.016 0.016 0.093 0.094 0.060 0.094 0.040 0. Pág.054 Tabla 10 0.092 0.039 0.093 0.078 0.016 0.092 0.013 0.015 0.094 0.016 0.017 0.014 0.015 0.014 0.051 0.050 0.015 0.049 0.093 0.061 0.015 0.092 0.032 0.030 0.014 Obsérvese que los límites de control no son constantes.092 0.072 0.059 0.094 0.092 0.059 0.029 0.

Los límites de control son: LCS = c + 3 c LC = c LCI = c − 3 c Si el valor calculado para el LCI. GRÁFICOS DE CONTROL BASADOS EN LA DISTRIBUCIÓN DE POISSON Si x es una v.05 P=0. Además se verifica que Si µ > 5 entonces P( µ ) → N existen dos gráficos fundamentales: (µ .00 0 10 20 30 Muestra Figura 35: Gráfico por atributos tipo p. E(x) = µ y σx2= µ.05385 p -3. 69 . 15.0SL=0. Dentro de este grupo a) Gráfico c Sirve para controlar el número de defectos en la unidad de producto o en una muestra de tamaño preestablecido.Control Estadístico de Procesos GRÁFICO P 0.a de Poisson de constante µ.10 3. µ ) .01402 0.09368 0.0SL=0. Control Estadístico de Procesos (Apuntes) Pág.2. se toma 0.

Control Estadístico de Procesos a) Gráfico u Sirve para controlar el número de medio de defectos en una muestra de tamaño n (por ej. Analice el procesos de desarrollo de SW. DÍA ERR. Puesto que c = un. Los límites de control son: LCS = u + 3 LC = u LCI = u − 3 u n u n Si el valor calculado para el LCI. σ u = σc n = c un = = n n u n EJEMPLO. longitud o superficie de producto. se toma 0.12: APLICACIÓN A UN GRÁFICO TIPO C Una empresa de desarrollos de SW ha registrado las siguientes tasas de error (medidas en errores por 1000 líneas de código) en los últimos 30 días. número de unidades inspeccionadas. 70 Control Estadístico de Procesos (Apuntes) .). etc. DÍA ERR. 1 6 16 3 2 7 17 2 3 7 18 0 4 6 19 0 5 8 20 1 6 6 21 2 7 5 22 5 8 8 23 1 9 1 24 7 10 6 25 7 11 2 26 1 12 5 27 5 13 5 28 5 14 4 29 8 15 3 30 8 Tabla 11 SOLUCIÓN: Los límites de control y línea central para un gráfico tipo c son: Pág.

FASE 1: PREPARACIÓN Y SELECCIÓN DEL PROCESO PILOTO En esta etapa es necesario nombrar un grupo de trabajo interdisciplinar que afronte este trabajo.467 = 10.Control Estadístico de Procesos LCS = 4.00E+00 Sample Number Figura 36: Gráfico por atributos tipo c 16.81 10 Número de errores 5 C=4.0SL=0. 71 .467 0 0 10 20 30 -3.0SL=10. IMPLANTACIÓN DEL SPC EN UNA EMPRESA Una vez tomada la decisión de implantar SPC por la gerencia de la empresa. es conveniente trazar un plan de implantación de acuerdo con las siguientes fases: 16.807 LC = 4. Se deben realizar las siguientes tareas: • Preparar un diagrama de flujo del producto desde la entrada de materia prima hasta la entrega del producto al cliente. • Sobre el diagrama anterior seleccionar aquellos procesos que resulten críticos (están dando problemas en la Control Estadístico de Procesos (Apuntes) Pág.467 LCI = 0 GRÁFICO C 3.467 + 3 4.1.

• Planificación de la formación del personal en SPC. 72 Control Estadístico de Procesos (Apuntes) . • Definición del sistema de recogida de datos y preparación del gráfico. • Definición de la periodicidad de toma de muestras. • Puesta en marcha del gráfico de control. Será más frecuente cuanto menor sea Cpk. • Selección del tipo del tipo de gráfico a utilizar. • Eliminación de causas asignables presentes. Para la selección del proceso piloto e identificación de la característica a controlar pueden ser útiles las herramientas de Ishikawa. Si no es normal.2. es preciso aumentar n para normalizar la distribución de las medias muestrales. Pág. • Definición del tamaño de muestras. • Definición del procedimiento de toma de muestras (consecutivas o distribuidas a lo largo del intervalo). • Formación del personal afectado en SPC y en la medición. más inestable sea el proceso y mayor sea el coste del producto. FASE 2: IMPLANTACIÓN DEL GRÁFICO DE CONTROL PILOTO • Definición de la característica de calidad a controlar. Para gráficos de control por variables se suele tomar n =5 si la distribución del proceso es sensiblemente normal. y estudio de la capacidad de máquina y proceso.Control Estadístico de Procesos actualidad) y que por otra parte se tenga un conocimiento suficiente del mismo como para poder alcanzar un éxito en poco tiempo. • Definición del procedimiento de medición y equipo necesario. 16.

FASE 4: EXTENSIÓN A OTROS PROCESOS Una vez conseguido el control estadístico del proceso. FASE 3: ANÁLISIS RESULTADOS DE LOS PRIMEROS Tan pronto como se empiecen a recoger los primeros resultados. comunicándolos a la gerencia (para que autorice la extensión del programa). Selección de los procesos sobre los que se seguirá la implantación. Esto puede ser objeto de otro programa de mejora. debe: • Evaluarse los resultados conseguidos. es conveniente realizar un análisis de la experiencia acumulada por si fuera necesario redefinir el plan trazado (el proceso seleccionado no es adecuado. Repetir el ciclo Control Estadístico de Procesos (Apuntes) Pág. la formación dada al personal no ha sido suficiente. a los que han participado en este programa piloto (para su propio estímulo) y a aquellas personas que están involucradas con los próximos procesos sobre los que se va a implantar el SPC (para conseguir su apoyo de antemano). la variable controlada tiene una incidencia real baja.) 16. • El proceso controlado debe entrar en una fase de mejora continua para reducir la variabilidad debidas a las causas comunes.Control Estadístico de Procesos 16. etc.3.4. 73 .

Responde brevemente a la siguiente pregunta: ¿Qué nuevas posibilidades ves en los métodos estadísticos en la mejora de la calidad? R ESU M EN a) Las causas de variabilidad de un proceso se clasifican en “comunes” y en b) c) d) e) “especiales” o “asignables”. comentarse en el foro Formato de envío: Ficheros de EXCEL. Las causas “especiales” o “asignables” tiene una influencia mayor en la variabilidad del proceso. MINITAB O CENTURION A quién debe enviarse la actividad: En caso de dificultad. Un proceso está en control estadístico cuando no está afectado por causas “especiales” o “asignables”. Son responsables de la variabilidad natural del proceso. MINITAB o CENTURION Extensión: La menor posible Respuesta del tutor: Foro y coloquio en clase. Pág. 74 Control Estadístico de Procesos (Apuntes) . Las causas “comunes” son muchas y de poca importancia relativa.Control Estadístico de Procesos A C T IVID A D 1 : R e a l i c e l o s e j e r c i c i o s i n c l u i d o s e n e l d o c u m e n to s Ej e r c i c i o s d e C o n tr o l Es ta d ís ti c o d e Pr o c e s o s Tiempo estimado de desarrollo: Cada ejercicio debe resolverse en un tiempo que oscila entre 15 y 30 minutos. Recurso(s) Utilizado(s): EXCEL. Los gráficos de control sirven para detectar la presencia de causas “especiales” o “asignables”.

Sign up to vote on this title
UsefulNot useful