Control Estadístico de Procesos

04/03/09 - Organización Industrial II 1
1. CONTROL ESTADISTICO DE PROCESOS
1.1. Definiciones t conceptos Básicos

Se denomina CEP a una técnica basada en la aplicación de la estadística matemática, a
la conducción de facetas de manufactura y administración, con el fin de reducir la variabi-
lidad en las resultadas.
Es una herramienta de la calidad (como el diagrama de faceta, causa efecto, las tablas de
inspección, etc.) de muy fácil manejo (una vez implementada y cuando esta implementa-
da) capaz de dar un soporte sin igual, a la línea de producción.
Todas las facetas están sujetas a variación y no hay dos facetas iguales. Aun cuando
haya una pequeña diferencia entre dos piezas elaboradas con un mismo proceso, ellas
son diferentes.
La utilidad del CEP esta cimentado en las siguientes bases fundamentales:
 La prevención mediante el enfoque estadístico a fin de reducir las perdidas en la ma-

nufactura por ****** y retrabajos.
 La reducción de la inspección masiva como filtro para garantizar la calidad, introdu-

ciendo la evaluación estadística de la calidad del proceso.
 La trama de conciencia gerencial a cerca de su responsabilidad directa sobre el 80%

de los problemas de producción.
 La introducción de nuevos métodos de supervisión tendientes a modificar los roles de

supervisores y operadores hacia una voluntaria responsabilidad por calidad.
Esta modalidad de enfocar la atribución sobre los procesos y mismos sobre los produc-
tos, es la que ha permitido, en las ultimas décadas el mejoramiento de los procesos fabri-
les.
Él porque del énfasis en estudiar detalladamente los procesos se puede responder con el
siguiente esquema:
Aprueba
Proceso de
Inspeccion
Fabricacion
Rechaza
Control de Producto
ILUSTRACIÓN 1
 Detecta fallas.
 Tolera material rechazado.
Como principal inconveniente vemos:
 Hace autopsia
 Esta orientado hacia el pasado.

Aprueba
Control de Producto
Proceso Inspeccion
Rechaza
ILUSTRACIÓN 2
 Previene fallas.
 Evita material rechazado
 Vacuna al proceso
 Orientado hacia el futuro.
1.1.1. Control del Producto

Ya esta FABRICADO. Si se detecta algo mal ya es tarde.
Implica generalmente: retrabajos, social, determinación de líneas, falla en entregas. Mayo-

res costos.
En este tipo de controles se tiende al ocultamiento de los defectos y los retrabajos. Gene-
ralmente tiende a generar: retrabajos, *****, detención de líneas, falla en entregas. Mayo-
res costos.
En este tipo de controles se tiende al ocultamiento de los defectos y los retrabajos. Gene-
ralmente tiende a generar un clima de ocultación de la situación.
1.1.2. Control de Proceso

Suele detectar los defectos al instante, y habitualmente antes de que estos se traduzcan.
Permite y facilita la detección de las causas asignables, a fin de ser analizadas y elimina-
das o minimizadas.
Aunque el proceso pueda cumplir con especificaciones, el control continuo de los mismos,
permite la detección de potenciales causas de falla y el perfeccionamiento de los proce-
sos. Por otra parte el innegable que es mas ordenado y ético.
1.2. Objetivos y Beneficios del CEP

Tiene por objetivo mediante la implementación de técnicas estadísticas y gráficos de con-
trol, analizar los procesos o sus resultados, a fin de tomar acciones apropiadas para al-
canzar y mantener el estado de control estadístico.
El CEP no aporta demasiado a las tareas de inspección y selección de productos confor-

mes y no conformes, mas bien sus beneficios son reconocidos en las siguientes causas:
1. Aumentar la satisfacción del cliente mediante la producción de bienes libres de defec-

tos.
2. Disminuir el descarte y el retrabajo.
3. Disminuir costos operativos mediante la ****** de frecuencia de ajuste de herramental.
4. Maximizar la productividad.
5. Establecer niveles consistentes de calidad.
6. Reducir el volumen de inspección de recepción de los productos comprados.
1.3 . Cuadro Comparativo – Ventajas del CEP

VENTAJAS DESVENTAJAS DESVENTAJA
INSP. MASIVA INSP. PASA – NO PASA
1. PREVIENE DEFECTO. LOS CORTA COSTO EXCESIVO. NO ES SUFICIENTEMENTE SUCE-
DE RAIZ. SIVO. CUANTO MÁS BAJA SEA LA
TASA DE DEFECTOS MENOS ES LA
2. REDUCE LA VARIACIÓN DEL PRO-
POSIBILIDAD DE ENCONTRAR FA-
CESO. NO PREVIENE DEFECTOS.
LLAS.
UN INSPECTOR DETECTA SOLO EL

NO ***** A LA PREVENCIÓN DE
80 % DE LAS FALLAS.
DEFECTOS.
Sin el CEP, las decisiones concernientes a la mejora de la calidad están basadas en la

intención, luego del ****. El CEP provee una base científica para adaptar decisiones a cer-
ca de un proceso.
Un proceso de control es esencialmente un sistema que enlaza la salida de un proceso

con su entrada. Hay cuatro elementos principales en este tema, el proceso en sí mismo,
la información del proceso, acción tomada sobre el proceso y las acciones tomadas a la
salida del proceso.
Prevención versus detección
ACCION SOBRE EL DESARROLLO DE ACCION SOBRE EL

PROCESO LA INFORMACION PROCESO
PROCESO:
* GENTE
* EQUIPOS SALIDA
* MATERIALES
* METALES
2. CONCEPTO DE VARIACION
La variación es un hecho natural y por ende es una realidad en la vida industrial. No existe
ningún registro de valores de cualquier fenómeno natural, que no presente variaciones de
una medición a la otra.
La misma ocurre en cualquier fabricación industrial, en la cual es casi imposible fabricar

una cierta cantidad de piezas IDENTICAS ... siempre difieren, por poca que sea unas de
otras.
2.1. Antiguo concepto de variación

Se supone que se debe variar dentro de ciertos limites, que son los especificados. Estos
limites especificados son valores extremos para garantizar el correcto desempeño de una
unidad individual del producto.
Como consecuencia esto trae:
Variación permisible: Aquella que se mantiene dentro de los requerimientos de inje-

rencia.
Variación excesiva: Aquella que esta fuera de los requerimientos de injerencia.

Este concepto trae aparejado la necesidad de identificar un forma sistemática las piezas
buenas de las malas, a través de abundantes tareas de inspección. Pero este concepto
anticuado no ayuda a:
Elaborar piezas que cumplan con los requisitos especificados.
Describir porque se producen artículos no conforman con dichos requisitos.
Es decir, que este planteo tradicional no favorece la productividad, **** la mejora de la

calidad y conduce a una posición poco competitiva.
2.2. Moderno concepto de variación

Se basa en considerar como origen de la variación al proceso por el cual se obtienen los
productos.
Todo proceso mostrara una variación, lo importante es definir si esta variación es contro-
lada o descontrolada.
2.3. Causas de variación

La existencia de variaciones inevitables puede estar dada por un conjunto infinito de
CAUSAS, las cuales tienen sus leyes particulares de variación, pero al estar interrelacio-
nadas, actúan o se manifiestan como un gran conjunto actuando sobre el proceso. Todo
esto hace que el proceso sufra variaciones alrededor de un valor medio. Lo único positivo
en todo esto es que este conjunto de causas suele ser una constante determinada para
cada proceso, lo cual permite detectar causas especiales o asignables, cuando el proceso
se aparta significativamente de lo habitual.
Como consecuencia, se identifican las siguientes causas de variación en un proceso.
2.3.1. Causas Especiales:

Representan aproximadamente el 15% de los problemas en los procesos industriales y
son relativamente fáciles de detectar dada su fuerte influencia individual sobre la varia-
ción.
Generalmente corresponden a problemas localizados en una operación o muestra, suelen

ser fácilmente ubicables, puede ser una herramienta rota, un material defectuoso, etc. y
generalmente puede ser corregida por el personal involucrado en esa área.
2.3.2. Causas comunes:

Representan aproximadamente el 85% de los problemas en los procesos industriales.
Son numerosos y difíciles de distinguir dado que individualmente provocan una pequeña
variación, es decir, generalmente se corresponden a una gran variedad de pequeñas cau-
sas.
Su solución y aún su detección es a menudo difícil, sabiendo requerir intervención de la

gerencia e inversiones. Es decir, que en el caso que la influencia de las causas comunes,
operando por si solas, provoquen variaciones excesivas, significa que hay “fallas del sis-
tema” de manufactura misma, y su corrección escapa a las posibilidades del taller, **** la
acción genera para su solución.
Según Stewhart: “un fenómeno podrá definirse como controlado, cuando a través de la
experiencia, podemos predecir, al menos dentro de algunos limites, cual será su variación
futura. Esta predicción dentro de determinados limites, significa, que al menos aproxima-
damente, el fenómeno observado caerá dentro de esos limites”.
Se dice mas formalmente que un proceso productivo se halla “en estado de control es-
tadístico”, cuando operan solamente causas comunes de variación.
Según Domingo: “el estado de control estadístico no es el estado natural de un proceso

de manufactura. Es un logro obtenido por la eliminación una por una y mediante un de-
terminado esfuerzo, de todas las causas especiales de variación”.
2.4. La reducción de la variación

La disminución de la variación es la verdadera mejora del proceso productivo y como con-
secuencia, de lo visto, se podrán tomar dos caminos principales para lograrlo.
1. Si el proceso presenta una variabilidad descontrolada, cambiante de un momento a

otro, para mejorar el proceso se deben identificar y eliminar las causas especiales de
variación que originan esa inestabilidad. Esta es la frase de CONTROL DEL PROCESO.
2. Si el proceso presenta una variación controlada, inherente al proceso mismo, y se

desea mejorar reduciendo su amplitud, se deberá cambiar el proceso. Esta es la pose
de CAPACIDAD DEL PROCESO.
Hay una diferencia fundamental entre estos dos caminos, mientras en el primero se busca
mantener un proceso estabilizado y “acotar la variación”, en el segundo se busca mejorar
cambiando el proceso para “estrechar la variación”.
Por otra parte estos dos caminos tienen un punto en común, el paso inicial será determi-
nar que tipo de variación muestra el proceso, será descontrolada o controlada.
La técnica mas potente pasa esta determinación son las “cartas de control” ideadas por el
Dr. Shewtart, con el objetivo de verificar el “estado de control” del proceso en estudio.
2.4.1. Representación Gráfica de fallas del Sistema y Especiales

Como mencionamos anteriormente, una vez que el proceso ha sido corregido y mante-
niendo bajo control estadístico, el segundo paso es EVALUAR LA APTITUD DEL PROCESO:
2.5. Gráficos de Control

Son un método gráfico para evaluar si un proceso estadístico en “estado de control es-
tadístico”.
Estos gráficos son métodos sensibles para señalar la presencia de causas especiales de
variación, de tal forma de tomar acción sobre el proceso y que **** va a su estado de con-
trol estadístico, como así también para suministrar evidencia de que un proceso ha estado
operando bajo control estadístico, de manera de determinar la aptitud del mismo para
cumplir con las especificaciones.
Existen una variedad de cartas especificas, diseñadas cada una en función del tipo de
decisiones a tomar, de la naturaleza de los datos y del tipo de medida estadística utiliza-
da.
Las cartas utilizan los datos de la performance del proceso, generalmente ellos consisten
de grupos de mediciones, llamados subgrupos racionales, extraídos de la producción y
conservada el orden de los datos.
Sabemos que existen dos causas de variación en un proceso: comunes y especiales.
En el caso ideal, las causas comunes solamente estarán presentes en un proceso ope-
rando en forma estable y predecible. Un proceso que opera sin causas especiales de va-
riación es considerado “en control estadístico”.
Los objetivos de la carta de control son:

A) Detectar las causas especiales (ó asignables) de variación y eliminarlas.
B) Medir la variación ***** del proceso, resultando de las causas comunes de variación y
ayudar a obtener la capacidad necesaria para cumplir con los requisitos especificados.
C) Apoyar la investigación y acciones de manera destinadas a obtener la “reducción de la

variación”.
Es necesario aclarar que las cartas de control no nos dicen porque ó donde actúan las
causas especiales de variación, por lo tanto deben realizarse análisis tecnológicos com-
plementarios para identificar como se generan esas causas especiales. El beneficio del
control estadístico de procesos pueden resumirse en los siguientes puntos:
1. Reducir las perdidas por serial y retrabajos.
2. Establecer en forma continua la calidad de muestra producto y muestras métodos de

trabajo.
3. Aumentar la satisfacción del cliente.
2.5.1. Teoría general de los gráficos de Control

La base teórica que permite usar los gráficos de control con confianza es muy simple y
vale sin restricciones para las aplicaciones usuales. En esencia hay dos condiciones im-
portantes y satisfactorias:
1. La primera es la distribución normal, con la cual asociamos o no la probabilidad de

ocurrencia de ciertos sucesos en función de las distancias de un valor o media dados.
Por ejemplo, a una distancia de hasta 3T (desviación normal) en torno de la media
están asociados 99, 74% de todos los valores posibles.
Por otra parte sabemos que no todos los fenómenos ocurren con distribuciones nor-
males. En tales casos además de conformidad con otras distribuciones, tales como la
binomial, Poisson, T de ******, etc., pueden ocurrir distorsiones.
Es decir, que las distribuciones verdaderas pueden ser asimétricas, ***** y así en ade-
lante. En cada una de esos casos posibles, la probabilidad de ocurrencia es distinta de
la que corresponde a la normal.
Parece, en consecuencia de esta posible diversidad, que el conocimiento de las pro-

babilidades asociadas a la distribución normal no es importante. Esto seria de ****, la
situación si presentábamos atención a valores individuales; el problema seria complejo
y los gráficos serían una técnica menos accesible.
2. Al contrario, en la aplicación de los gráficos, la recomendación es considerar medios,

lo cual motiva una gran simplificación. Al tomar medias, tenemos resultados matemáti-
cos que garantizan la rápida normalidad de las mismas. En otras palabras, aún con va-
lores iniciales de distribución irregular ó no-normal, las medias de las muestras de es-
tos valores tienden a conformarse a la distribución normal.
De este modo, constatando el comportamiento de medias, podemos considerar como

valida la normalidad y en consecuencia utilizar la distribución normal sin temor de
comprometer la validez de las conclusiones.
2.5.2. Limites de Control

Donde ubicar los limites de control, el criterio de las normas ANSI, es ubicar los Limites de
Control en una posición equidistante por arriba y por debajo de la línea central a una dis-
tancia de “3 signo”, este es el llamado criterio 3T. Dado que los limites de control son de-
terminantes en la detección de causas asignables y las acciones concernientes, el criterio
“3 sigma” resulta una solución satisfactoria en el balance técnico – económico derivado de
encarar acciones erróneas.
La búsqueda de causas asignables puede estar justificada por la real presencia de las
mismas o puede ser una falsa alarma.
Esta situación desde el punto de vista estadístico se expresa por:
ERROR TIPO I: Considerar que un proceso esta fuera de control cuando en realidad no
lo esta, encarando una innecesaria acción de búsqueda de causa asignable.
ERROR TIPO II: Considerar que un proceso esta bajo control cuando realmente no lo
esta, no realizando la búsqueda de la causa asignable presente.
3. CONSTRUCCIÓN BÁSICA DE LOS GRÁFICOS

Para controlar el desempeño de procesos vamos a utilizar gráficos cuya base teórica es la
distribución normal. Entonces, en la fig. 1.4-1, mostramos la distribución normal en posi-
ción diferente: el eje horizontal corresponderá, en esencia, al tiempo o a ocasiones.
3 x
mx
3 x
FIGURA 1.4-1 BASE TEÓRICA DE LOS GRÁFICOS DE CONTROL
Mediciones u otras verificaciones conducirán a resultados que serán marcados en el

gráficos; sabemos que 3 es un intervalo que abarca 99,74% de los casos posibles.
Siendo así, mientras que los resultados caigan en esta franja aceptamos que el proceso
está desempeñándose aceptablemente. Surge la pregunta: ¿Y si la distribución de los
resultados obtenidos no fuera normal?. La respuesta es simple: basándose en la normali-
dad de las medias, esta forma, basta que conozcamos mx y x para estar en condiciones
de preparar y de utilizar la nueva técnica. Basta disponer de valores para estos dos pará-
metros: tenemos así dos casos, porque podemos, o no, conocerlos de antemano. Estas
situaciones requieren criterios específicos que van a ser discutidos.
Ya mencionamos que valores dentro de la franja 3 son aceptables; el nombre correcto es

“bajo control”. La variabilidad así obtenida se acepta como representativa del proceso y es
inútil intentar disminuirla por medio de gráficos.
Cuando un punto cae fuera de la franja de 3 se dice que el proceso se encuentra fuera
de control o sin control; sabemos que este punto es posible, aunque poco frecuente. Es-
tamos por lo tanto corriendo un riesgo, del orden de 0,13% de presentar un problema que
no existe.
Como estamos controlando medias, valores individuales solamente se ubican dentro de la

franja de 3 si la distribución de valores a controlar y w son de gran interés para su apli-
cación en la técnica.
Nos estamos refiriendo a variables ya atributos, que corresponden a diferentes carac-

terísticas de los procesos. Los gráficos son similares y utilizan los mismos criterios y los
mismos límites; sin embargo, hay diferencia en los procesos de cálculo.
Por variables entendemos casos en que controlamos el proceso por mediciones, por
ejemplo masa o contenido de embalajes; esta característica presenta variación continua,
limitada solamente por la resolución y por la sensibilidad de instrumentos y de metodolog-
ía.
La característica de interés representa, en esencia, dos estados. Existen únicamente

ítems aprobados y rechazados, sin transiciones intermedias; el atributo de interés es, por
lo tanto, discontinuo. Discutiremos como obtener los límites de control, antes de discutir la
toma de decisiones.
TABLA 1.6-4 CRITERIOS PARA LA DETECCIÓN DE LAS CAUSAS ESPECIALES (SHEWHART)
TABLA 1.6-1. COMENTARIOS SOBRE CRITERIOS PARA CAUSAS ESPECIALES
Nº INFORMACIONES SOBRE LOS CRITERIOS Y SOBRE SU UTILIZACIÓN
1 Los criterios son aplicables a gráficos del tipo Shewhart, para los casos de X
(media, también X00) y X (individual). Se supone conformidad con al función de
distribución normal. Los criterios 1, 2, 5 y 6 son aplicables a cada una de las
mitades nada más (superior y/o inferior) del gráfico. Los criterios 3, 4, 7 y 8
valen para el gráfico como un todo.
2 Los límites de control, superior (LSC) e inferior (LIC) están a la distancia de

tres desviaciones normales desde la línea central. Para los criterios, el gráfico
se divide en 6 regiones (zonas), cada cual con el ancho de 1 desviación nor-
mal, en ambas direcciones.
3 Con el proceso bajo control (estadístico) la probabilidad de aceptar una causa

especial para actuar cuando de hecho esta no existe es inferior a 0,005 (cerca
de cinco casos en mil), en cada uno de los ensayos.
4 Es recomendable que los criterios 1, 2, 3 y 4 se apliquen rutinariamente por los

propios interesados, al marcar los puntos (resultados) en los gráficos.. La pro-
babilidad de una decisión es de (cerca de) 0,01.
5 Los 4 primeros criterios pueden ser complementados por los dos siguientes,
siempre que sea económicamente justificable la obtención de una decisión
más rápida. La probabilidad de una decisión incorrecta pasa a ser de (cerca
de) 0,02
6 Los criterios 7 y 8 diagnostican estratificación y son muy útiles en la fase ini-

cial, al implantarse los gráficos. Muestran cuando los resultados, en un sub-
grupo, provienen de por lo menos dos orígenes, con medias diferentes. El cri-
terio 7 indica cuando los resultados en el subgrupo provienen siempre de am-
bas orígenes; el criterio 8 indica cuando los resultados provienen apenas de
una de estos orígenes, en cada ocasión.
7 Cuando un criterio detecta la presencia de una causa especial, el punto crítico

debe ser señalado con una x en la respectiva vertical y lo más lejos de la línea
central.
8 Un punto que puede ser válido para varios criterios recibe una x y solamente
una.
9 Una x indica que el proceso no está bajo control estadístico. Eso quiere decir
que el punto crítico es el último de aquellos, en una secuencia dada (o acaso
un único punto, como el criterio 1), cuya existencia sería poco probable si el
proceso estuviera bajo control.
10 Los criterios expuestos son los básicos pero no deben impedir que los usua-
rios (o analistas) se queden alertas, para detectar comportamientos irregula-
res, que puedan indicar la presencia de causas especiales en los respectivos
procesos.
4. VARIACIONES DEBIDAS AL MUESTREO

Hemos dicho que los resultados producidos por causas no asignables, tendrán una distri-
bución de probabilidades que responde a la ley de Gauss. Para entender con claridad el
significado de los límites de control, debemos estudiar las variaciones debidas al mues-
treo. Tomamos, por ejemplo, los promedios y hagamos el planteo del problema de la si-
guiente manera: supongamos estar en presencia de un universo de la magnitud x, la cual
sabemos que tiene una distribución de probabilidades que responde a la ley de Gauss y
cuyos parámetros son X’ y ’.
Ahora tomemos una muestra de tamaño n y calculemos la media de la muestra, según:
xi
X
n
Nos preguntamos: ¿este promedio, calculado en la muestra, coincidirá con la media del
universo? Podemos responder que, en general, no habrá coincidencia. Ahora tomemos
una segunda muestra y calculamos su media. Nos preguntamos, nuevamente, si coinci-
dirá la media de esta muestra con la media de la muestra anterior o con la media del uni-
verso. Y nuevamente la respuesta es negativa, en general.
Así podríamos seguir sacando muestras, todas de tamaño n, y veríamos que los prome-
dios ya calculados en las muestran son todos iguales a pesar de que la media del univer-
so es siempre la misma. Es decir, que hay variaciones debidas al muestreo. La figura 19
trata de visualizar lo que hemos dicho.
FIG. 19 – REPRESENTACIÓN DEL MUESTREO DE M MUESTRAS, CADA UNA DE TAMAÑO N.
Admitido que existen las variaciones debidas al muestreo, querríamos saber si éstas se
producen en forma arbitraria o si tienen una distribución de probabilidades bien definidas.
Se demuestra que si los valores individuales (x en este caso), tienen una distribución
gaussiana, los promedios calculados en muestras de tamaño n, también tendrán una dis-
tribución de Gauss. Este hecho es muy importante, porque ahora sabemos que los pro-
medios varían, por razones de muestreo, de acuerdo a una distribución de probabilidades
conocida. Es indudable que esta aseveración resulta de considerar infinitas muestras de
igual tamaño (m ; n = constante).
De lo dicho, se deduce que ahora estamos en presencia de un nuevo universo: el de los

promedios calculados en muestras de tamaño n. Este nuevo universo tiene una distribu-
ción de frecuencias que responde a una ley de Gauss y, consecuentemente, habrá una
media (de los promedios), y una desviación normal (de los promedios). Nos propondre-
mos hallar la relación existente entre la media del universo de los promedios y la media
del universo de los valores individuales, así también como la desviaciones de ambos uni-
versos.
Supongamos que hemos tomado m muestras, cada una de tamaño n y calculado el pro-
medio de cada una de ellas. Si ahora calculamos la media de los promedios hallados,
según la expresión:
x
x
m
quisiéramos saber si esta media de los promedios (x) coincidirá con la media del universo
de los valores individuales (x’). También acá contestamos que, como regla general, no
habrá coincidencia, pero intuimos que ña media de los promedios (o gran promedio) es-
tará probablemente, más cerca de x’ que el promedio de una única muestra. Si ahora
consideramos infinitas muestras (m ; n = contante), resultará indudable que la media
de los promedios será igual a la media de los valores individuales, es decir:
lim x x
m
Esta es la relación que buscábamos entre la media de los promedios y la media de los
valores individuales.
La relación existente entre la desviación normal de los promedios, que indicamos con ’x,
y la desviación normal de los valores individuales ( ’) es:
'
lim x
m n
No es el objeto de este curso demostrar esta relación, pero resulta de sumo interés anali-
zarlas; además, ya la habíamos visto antes. Recordemos que la desviación normal es un
parámetro medidor de dispersión.
De la expresión anterior vemos que los promedios estarán más dispersos, cuanto más
dispersos estén los valores individuales, y viceversa. Si ’ fuese cero, es decir, todos los
valores individuales iguales, todos los promedios de n valores serán iguales ( x = 0).
También de la misma expresión deducimos que los promedios se hallaran siempre menos
dispersos que los valores individuales.
Esto confiere a los promedios una mayor sensibilidad que la de los valores individuales.
En efecto para un mismo apartamiento la probabilidad de hallar un promedio con ese
apartamiento (o mayor) es menor que la de hallar un valor individual de esa condición con
lo cual obtenemos más información es de alguna manera inversamente proporcional a la
probabilidad.
Además, observemos que si n = 1, cada promedio coincide con el valor individual, y resul-
tan lógicamente ambas desviaciones normales iguales. Si n tiende a infinito, ocurre que
según la expresión dada la desviación normal de los promedios se anula. Esto es razona-
ble porque si n la muestra es la población total de valores individuales y siempre
hallaremos el mismo promedio (x’).
En la figura 20 se han trazado en una misma escala las distribuciones de los valores indi-
viduales y de los promedios de 4 piezas.
De todo lo dicho en el presente párrafo, podemos deducir que en el entorno x 3 x en-

contraremos el 99,8% de los promedios calculados sobre muestras de tamaño n. en otras
palabras, la probabilidad de hallar un promedio de n piezas dentro del entorno x 3 x es
del 99,8%.
Distribuc ión de los
valores individuales
Distribuc ión de
los prom edios de
4 piezas ' '
x 2
n
x
x
x
FIG. 20 – DISTRIBUCIONES DE LOS VALORES INDIVIDUALES Y DE LOS PROMEDIOS DE 4 PIEZAS (N = 4).
Este criterio es el que se ha adoptado para la fijación de los límites de control. Es decir,
cuando hallemos, en nuestro caso, un promedio de n piezas, fuera de x 3 x , podemos
suponer con una seguridad del 99,8% que se ha producido un cambio en la medida de los
valores individuales; o sea que estamos casi seguros de hallarnos en presencia de una
causa asignable, debiendo intervenir en el proceso de fabricación.
Como estamos “casi seguros”, en vez de “absolutamente seguros”, correremos un riesgo

de intervenir inútilmente en el proceso, pero ese riesgo, conocido como riesgo del equipo
productor, es pequeño (del orden del 0,2%). El significado de este riesgo es que, por cada
1.000 veces en las cuales aseguremos estar en presencia de una causa asignable, sólo
en dos oportunidades no estaremos acertados. En los párrafos próximos se realizará un
ejemplo que pondrá en claro algunas dudas que el lector puede tener en el presente.
El criterio de E 3 E , donde E es cualquier parámetro que queremos controlar, es el que

se ha adoptado para la fijación de los límites de todos los gráficos de control durante el
proceso. Por ello es que nos interesan las relaciones entre la media y la desviación nor-
mal de los distribución de probabilidades del parámetro que estamos tratando, con la
media y la desviación normal de la de los valores individuales.
A continuación se detallan estas relaciones para el intervalo (R), la mediana (Me) y la des-
viación normal ( ) de las muestras. No se realizará la demostración de las expresiones
por no corresponder al alcance del texto.
Consideraremos el intervalo. Las relaciones con los parámetros del universo de los valo-
res individuales resultan:
R = d2 · ’
R = d3 · ’
Donde:
R es la media de los intervalos de muestras de tamaño n.
R es la desviación normal de los intervalos.
d2 y d3 son factores que dependen del tamaño de la muestra (n9.
’ es la desviación normal del universo de los valores individuales
Estas expresiones son válidas para n 25, y en la tabla IX del Apéndice se hallan los va-
lores de d2 y d3, para cada tamaño de muestra.
Para las medianas tendremos:
Me x
' '
Me 1,25
2 n n
Estas expresiones son válidas para cualquier tamaño de muestra. Finalmente, para las
desviaciones normales tendremos:
c2 '
'
2n
4.1. Gráficos de control sin valores específicos

Ahora consideremos el caso de no tener valores especificados. En este caso, no tenemos
que cumplir con una tolerancia estipulada, pero nos interesa mantener ciertas uniformida-
des del proceso.
Es decir, deseamos detectar cuando se producen causas asignables. También el gráfico

de control es útil para comparar diversos períodos de fabricación: este puede ser el caso
en el cual se comienza con una fabricación, la cual no cumple con los valores especifica-
dos. Un caso como éste se expondrá en el ejemplo del próximo párrafo.
Además, los límites de control sin valores especificados, proveen un método satisfactorio
para realizar ensayos de consistencia. Esto también se verá en el ejemplo citado.
Entrando en el tema en si, observemos que por no haber valores especificados no dispo-
nemos de datos para el calculo de los limites de control. Sin embargo, podemos efectuar
muestreos para obtenerlos o bien basarnos en resultados anteriores. Es como si le pre-
guntáramos al proceso que valores produce.
Para no complicar demasiado el tema, trataremos por separado el caso de tener tosas las
muestras de igual tamaño (caso recomendado por su sencillez) y el caso en el cual las
muestras son de tamaño diferente.
Como dijimos anteriormente, nos referimos a un gráfico x ,R. Veamos el caso en el cual
las muestras son de igual tamaño. Hemos dicho que necesitamos recoger valores, es de-
cir, promedios e intervalos. Para no tener demasiada incertidumbre se aconseja basarse
en mas de 20 sub-grupos. En algunos casos especiales y con el objeto de dar mayor flui-
dez al control se pueden tomar base 10 muestras, pero no es aconsejable en general.
De las muestras calculamos la media de los promedios, según:
m m
xj Ri
i 1 i 1
x y la media de intervalos, según la siguiente expresión: R .
m m
Donde m es el número de subgrupos (muestras) considerados, cada uno de tamaño n.
Con estos valores podemos calcular los limites de control. Comenzamos por el intervalo;
mas adelante se verá la conveniencia de comenzar por este parámetro. Según se expues-
to en el párrafo 5.4. los limites del intervalo serán:
Línea Superior R
Limite Central R 3 R
Línea Inferior R 3 R
La media de los intervalos ( R ) la hemos calculado, así que la línea central será directa-
mente ese valor. Ahora veamos los limites:
R
R 3 R R 3d 3 ' R 3d 3 por ser R d2 '
d2
Es decir, que los limites estarán ubicados en:
d
Limite Superior: R1 3 3
d2
d
Limite Inferior: R1 3 3
d2
Las cantidades que figuran entre paréntesis son constantes que sólo dependen del tama-
ño de la muestra. En la tabla IX del Apéndice figuran los valores D3 y D4, que son:
d
D4 1 3 3
d2
d
D3 1 3 3
d2
Con lo dicho, los limites para el gráfico de intervalos resultan:
Limite Superior D4 R
Línea Central R
Limite Inferior D3 R
En la mencionada tabla, para 6 figura D3 = 0.
Esto es así porque para esos tamaños de muestra resulta
d
1 3 3
d2
con lo cual el limite de los intervalos resultaría negativo, y por la definición del intervalo,
que es:
R = xmax. - xmin
Se ve que no tiene sentido R < 0.
Ahora trataremos los limites y la línea central para el gráfico de promedios. De acuerdo a
lo dicho en el párrafo 5.4 los limites de control para el gráfico de promedios son:
Limite Superior x +3 x
Línea central x
Limite inferior x -3 x
La media de los promedios ( x ) la obtuvimos de muestras anteriores; es decir, la dispo-

nemos como dato. Veamos los limites.
' 3 R
x 3x x 3
n n d2
que podemos escribir como:
x A2 R
donde A2 es una constante, que solo depende del tamaño de la muestra, y que figura en
la tabla IX dada en el Apéndice. Indudablemente, es:
3
A2
d2 n
De lo dicho resulta, para el gráfico de promedios:
Limite superior x A2 R
Línea Central
x
Limite Inferior x A2 R
Nos queda tratar el caso en el cual el tamaño de la muestra no es el mismo en todos los
subgrupos.
Veamos la obtención de la media de los promedios. Como las muestras son de distinto
tamaño, debemos calcular la media ponderada de los promedios. Esto se logra utilizando
la siguiente expresión:
n1 x
x
x1
Es decir, que al promedio de cada subconjunto lo debemos multiplicar por su tamaño de

muestra, sumar todos estos productos y a esta suma dividirla por el numero total de pie-
zas controladas. Indudablemente esta operación se puede simplificar considerando en
grupos separados todas las muestras del mismo tamaño.
Para obtener la media de los intervalos es necesario hacer la siguiente consideración: el

intervalo es un medidor de dispersión y es un estimador indirecto de la desviación normal
del universo de los valores individuales ( ’). Por esta razón, para obtener un resultado
correcto cuando tratamos muestras de tamaño desigual, debemos hallar el promedio de
las estimaciones de ’ y no directamente el promedio ponderado de los intervalos. Así,
entonces, debemos hallar:
1 m R1
e
m d 21
Es decir, que al intervalo de cada subgrupo se lo debe divisor por el factor de correspon-
diente a su tamaño de muestra, obteniéndose así, una estimación de ’ que llamaremos
e. Luego se debe hallar el promedio de estas estimaciones.
Así obtenidos los datos necesarios, la línea central para el grafico de intervalos será:
R d2 e
teniendo especial cuidado de utilizar el factor d2 correspondiente a cada tamaño de mues-

tra.
Con la precaución de utilizar las constantes apropiadas para cada tamaño de muestra, se
trazarán los limites de control de acuerdo a las expresiones dadas.
En la tabla X del Apéndice se dan las expresiones necesarias para calcular los limites de
control para los diversos tipos de gráficos, en función de los datos disponibles en cada
caso. El criterio E 3 E , donde E es cualquier parámetro que queramos controlar, es el
que se ha adoptado para lograr las expresiones dadas en dicha tabla.
4.1.2. Ejemplo de Gráfico x -R

A ciertas varillas de vidrio, de 4 mm. De diámetro, se les debe producir en uno de sus ex-
tremos un aplastamiento como el que se indica en la figura 21.
5. CARTAS DE CONTROL POR VARIABLES
5.1. Cartas de control de medias y rangos: x – R

Las cartas X – R, usadas en conjunto constituyen una de las herramientas estadisticas
mas versátiles y eficacees en las aplicaciones industriales. Son usadas especialmente en
la producción en masa, donde gozan de un gran prestigio pues su potencia no es supera-
da por el resto de las cartas disponibles.
El próposito principal de estas cartas es controlar la tendencia central y la aplicación es

recomendable un estudio preliminar para determinar los limites de control iniciales, a tal
fin se realiza una corrida del proceso a fin de examinar como minimo 20 subgrupos o 100
piezas o item.
5.1.1.Formulas para determinar los limites de control

Partiendo de los conceptos básicos de las cartas de control vistos en el capitulo anterior,
se llega a las formulas siguientes:
CARTA DE RANGOS “R”
Linea Central = R
Limite de Control Superior = D4 R
Limite de Control Inferior = D3 R
Siendo:
R = Rango medio de los “k” rangos obtenidos a partir de los subgrupos de

la corrida inicial.
K= Cantidad de subgrupos examinados.
D3; D4 = Factores dados por la tabla 1 del capitulo anterior, en función del ta-
maño de muestra “n”.
CARTA DE MEDIAS ( x )
Linea Central = x
Limite de Control Superior = x + A2 R
Limite de Control Inferior = x - A2 R
Siendo:
x = Media de las medias de los subgrupos obtenidos de la corrida inicial.
A2 = Factor dado por la tabla 1 del capitulo anterior en función del tamaño de muestra
“n”.
5.1.2. Etapas en la construcción de las cartas x - R

1. PROPÓSITO: Decidir el propósito de la carta, pudiendo variar desde reducir los de-
fectuosos hasta monitorear el proceso.
1. SELECCIONAR UNA CARACTERISTICA: Es prudente seleccionar una característica impor-

tante por su calificación de seguridad, función, forma, etc. que sea representativa del pro-
ceso en cuanto a la estabilidad de este.
2. ESPECIFICACIONES: Asegurarse que la característica este claramente definida en la es-

pecificación de manera que no haya equívocos en la medición técnica, decisión de
aceptación o evaluación.
3. MEDICIONES: La medición de la característica es importante, pues será el origen de un

proceso bien controlado o de un sobre o subcontrol del mismo. Se debe cuidar las re-
glas del arte tales como la regla del 10% que dice “la discriminación de un instrumento
de medición no debe exceder del 10% de la sub-exactitud. El método de medición de-
be también ser consistente entre todos los inspectores.
4. INFORMACIÓN DEL ENTORNO: Se debe asentar en la hoja de datos todas las referencias
básicas que identifiquen al proceso.
5. TAMAÑO DE MUESTRA: Seleccionar el tamaño de muestra y el intervalo de tiempo entre

la extracción de las mismas.
6. RECOLECCIÓN DE DATOS: Tomar como mínimo 20 subgrupos de 5 piezas cada uno, y

registrar los mismos en la hoja de datos.
7. MEDIAS Y RANGOS: Calcular las medias y rangos para cada subgrupo y registrar los va-
lores en los lugares previstos de la hoja de datos.
8. MARCACIÓN DE LOS PUNTOS EN LOS GRÁFICOS: Se deberá establecer una escala en cada
carta adecuada para la interpretación de los datos y marcar los puntos.
9. ANÁLISIS DE LOS RANGOS: Es recomendable comenzar el análisis por los rangos pro
tener una influencia sobre las medias. Se calculará el R-barra, media de todos los ran-
gos muestrales. Luego se calcularán los Límites de Control tentativos.
10. TRAZADO DE LA LÍNEA CENTRAL Y LOS LÍMITES DE CONTROL DE R: utilizando las fórmulas
vistas en el punto anterior.
11. ANÁLISIS DE CONSISTENCIA DE LOS RANGOS: Aplicar los test de causas asignables y veri-
ficar si hay puntos que indiquen fuera de control, si los hay se debe buscar la causa
asignable. Si la causa especial es hallada se deberá anular el R dudoso y recalcular
los limites. Si no hay explicación para el punto dudoso se toma como parte de la po-
blación y se lo mantiene. Una vez consolidada la situación de los rangos se definen los
limites y se cierra el análisis, aunque haya posteriormente problemas en el análisis de
las medias.
12. ANÁLISIS DE LAS MEDIAS: Si hubiera algún punto anulado en la etapa anterior, se recal-
cularán los limites y la línea central de la carta x .
13. TRAZADO DE LA LÍNEA CENTRAL Y LOS LIMITES DE CONTROL DE x : Utilizando las formulas
vistas en el punto anterior.
14. ANÁLISIS DE LA CONSISTENCIA DE LAS MEDIAS: Aplicar los tests de causas asignables y
verificar si hay puntos que indiquen estados de fuera de control, si los hay se deberá
anular el punto dudoso y recalcular los limites, esta determinación no afecta a los limi-
tes de los rangos ya establecidos.
15. ACCIÓN SOBRE LAS CONDICIONES DE FUERA DE CONTROL: Toda situación de fuera de con-
trol estadístico identificada en estas etapas, merecerá alguna acción para encontrar la
causa especial y eliminarla.
16. LIMITES DE CONTROL A USAR EN PRODUCCIÓN: Cumplidas las etapas indicadas, se de-
berá decidir los limites a usar en producción sobre la base de los resultados obtenidos.
El camino más lógico es el de adoptar los Limites de Control calculados en las etapas
12) y 15).
17. REVISIÓN DE LOS LIMITES DE CONTROL: Estos limites deberán revisarse al menos cada
20 a 30 subgrupos. En tanto el proceso tienda a empeorar la distancia entre limites de
control tenderá a ampliarse. Cuando el proceso tiende a mejorar la distancia entre limi-
tes de control se achica. También corresponde una revisión de limites cuando se han
encontrado y eliminado causas especiales.
18. REGISTRO DE NOVEDADES: se deberá anotar ene l mismo las acciones tomadas para
solucionar anormalidades tales como:
 CONDICIONES DE FUERA DE CONTROL Y LA CAUSA;
 PARADA DE MÁQUINA;
 PUESTA A PUNTO DEL EQUIPO;
 REVISIÓN DE LIMITES DE CONTROL;
 Ajustes del proceso;
 Otra pertinente información acerca del proceso.
5.1.3. Acciones con la Carta x - R

Siendo el objetivo de las cartas de control verificar si el proceso se encuentra bajo control
estadístico, la primera ación es examinar la situación que muestra el gráfico con los ensa-
yos para identificación de causas asignables.
Si la carta de control esta operando, es decir, si hay confirmado los limites de control y el
proceso esta produciendo, cada indicación de causa asignable debe estar investigada de
inmediato y si es posible se aplica de inmediato la acción correctiva en el proceso que
elimine la causa asignable de variación.
Luego si se estudia un periodo determinado, es muy importante verificar si en el mismo se

cumplió la condición de estabilidad, resultan de la ausencia de causas especiales. Se re-
cuerda que la carta de control es la herramienta estadística más idónea para esta com-
probación.
Si esta condición se cumple es factible estimar estadísticamente la dispersión resultante

del proceso, calculando la desviación estándar a partir del valor del rango medio mediante
la formula.
R
ˆ
d2
5.1.4. Capacidad de Proceso.

A partir del valor calculado de la desviación estándar mediante la carta de control, podrá
estimarse la “capacidad de proceso”, que se suele definir por la expresión: CAPACIDAD DE
PROCESO = 6 T ˆ .
El tema de capacidad de proceso se trata con mas amplitud en secciones posteriores.
5.1.5. Ejemplo.
Se adjunta una carta de control x - R a titulo de ejemplo, donde se han calculado los limi-
tes en base a los datos de los subgrupos que se hallan indicados en la misma carta.
5.2. Cartas de Control para valores individuales “X”

En la práctica se presentan ciertos casos típicos donde el control estadístico del proceso
es solo factible considerando las mediciones individuales de la característica observada.
Sea por ejemplo:
 Lotes o “batch” evaluados por una sola medición en la inspección, análisis o ensayo.
 Procesos con intervalos prolongados entre mediciones.
 Procesos donde se presenten tendencias o ciclos cortos que hay que evaluar rápida-
mente.
 Procesos con ensayos destructivos o especiales.
Si esta carta se compra con la de medias se concluye que la carta de valores individuales
presenta las siguientes restricciones:
 Se debe verificar que la distribución estudiada sea aproximadamente normal, para

poder aplicar las formulas para el calculo de limites y los criterios de causas asigna-
bles.
 Es menos sensible para detectar los eventuales cambios o perturbaciones que afecten
al proceso.
La forma en que trabajan las cartas “X” en combinación con la carta “R”, es similar al caso
de las x - R. Aquí surge la duda respecto como tomar los subgrupos y calcular los ran-
gos. El uso del método convencional, genera un tramite lento al considerar lotes sucesi-
vos hasta tener las “n” mediciones de un subgrupo y calcular el rango.
Un método alternativo que abrevia el trámite, es el denominado de los “rangos móviles”,

donde se toman las “n” mediciones sucesivas, se calcula el rango y luego se considera
una medición agregada eliminando la mas antigua. El ejemplo siguiente permite completar
la explicación:
 Sean las mediciones 7; 8; 6; 9.
 Si el tamaño del subgrupo es n = 2;
 Los rangos móviles serán R1 = 7 – 8 = 1 (valor absoluto)
R2 = 8 – 6 = 2
R3 = 6 – 9 = 3 (valor absoluto)
Si el subgrupo fuera de n = 3, los rangos serían: R1 = 2; R2 = 3 y de esta forma se puede

calcular un rango a continuación de contar con una medición.
5.2.1. Formulas para limites de control de cartas “x – R móvil”

A continuación se enuncian las fórmulas normalizadas por las organizaciones ANSI /
ASQC “Standard A1/1987”, donde se recomienda tomar al menos 20 subgrupos para cal-
cular los limites de control.
CARTA DE LOS “RM” (RANGO MÓVIL)
Línea Central = R m
Limite de Control Superior = D4 R m
Limite de Control Inferior = D3 R m
Donde:
Rm = Rango móvil medio de los “k – 1” rangos móviles.
K = Cantidad de subgrupos considerados.
D3;D4 = Factores dados en la tabla 1 (Std. A1/1987), vista en el capitulo anterior, en

función de “n”.
CARTA DE “X” (VALORES INDIVIDUALES)
Línea Central = x
Limite de Control Superior = x + E2 R m
Limite de Control Inferior = x - E2 R m
Donde:
x = Media de las mediciones individuales consideradas.
E2 = Factor dado en la tabla 1 (Std. A1/1987), en función del tamaño del subgrupo
“n”.
En la hoja siguiente se muestra una carta de control x – Rm, con sus limites de control
calculados a partir de los datos indicados.
7.2.2. Interpretación de las Cartas “X – Rm”

En general son válidos los criterios de ASQC vistos anteriormente. Sin embargo, se deben
tomar precauciones debido a:
 La precisión es baja debido al pequeño tamaño de la muestra.
 La media del proceso puede desplazarse drásticamente y la detección puede ser tard-
ía.
 En la carta de los rangos móviles es de esperar cierta tendencia debido a la correla-

ción de los rangos sucesivos.
Para mejorar la detección en los desplazamientos (“shift”), se toman a veces limites de

control mas estrechos. Por ejemplo Gary P. Fellers recomienda para industria de proce-
sos con n = 2, adoptar:
LIMITES DE CONTROL = x + 2,07 R M
5.2.2. Capacidad de Proceso

La carta de control de valores individuales permite una comparación directa con los limites
especificados, pudiendo incluso dibujarse estos limites en la carta.
Por otra parte, si en un periodo determinado se cumplen las condiciones de estabilidad,

(ausencia de causas especiales), se podrá estimar la desviación estándar de la distribu-
ción de “X”, mediante la relación.
Rm
ˆ
d2
Donde:
d2 = Factor indicado en la tabla 2 (Std. A1/1987), para tamaño de muestra n = 2, resulta

igual a 1,128.
Entonces será la Capacidad de Proceso = 6 ˆ

5.3. Cartas de Control de Media Móvil y Rango Móvil ( x m – Rm)
Estas cartas de control se aplican en casos análogos a los indicados para las cartas “X –
Rm”, donde no es factible usar la carta de medias para muestras de n unidades conven-
cionales.
En este caso se calculan las “medias móviles” en forma similar a la vista para los rangos
móviles.
La carta “ x m – Rm” es mejor que la carta de valores individuales debido a que las medias
aumentan la sensibilidad para detectar “desplazamientos” en la tendencia central del pro-
ceso.
5.3.1. Formulas para determinar los limites de Control.

Una vez cumplidas las condiciones operativas de un proceso bajo control estadístico, es
posible estimar los valores medios de los promedios “X”. Luego se aplican las siguientes
fórmulas:
CARTA DE “RM” (RANGOS MÓVILES)
Los limites son iguales a los dados para el caso de las cartas “X-Rm”.
L.C. = Rm
L.C.I. = D4 R m
L.C.I. = D3 R m
CARTA DE “ x M” (MEDIAS MÓVILES)
Línea Central = x m
Limite de Control Superior = x m + A2 R m
Limite de Control Inferior = x m – A2 R m
Donde:
xm = Media de las medias móviles de los subgrupos formados en la corrida consi-

derada.
A2 = Factor dado por la Tabla 1 (ASQC/AANSI STD. A1/1987).
5.3.2. Interpretación de las cartas “ x m – Rm”

En general resultan válidos los criterios de la ASQC ya vistos, excepto que pueden pre-
sentarse patrones de variación conocidos como “ciclos” en la carta de las medias móvi-
les”.
También es posible, para un periodo considerado en estado de control estadístico, esti-

mar la desviación estándar de los valores individuales y la capacidad de proceso median-
te:
ˆ = R m/d2
Capacidad de proceso = 6 ˆ
5.4. Cartas de Control para desvíos estándar “s”

Esta carta de control es una alternativa de la carta R de rangos.
Presenta las siguientes ventajas:
 Son mas sensibles a los cambios;
 Es un indicador más eficiente de la variabilidad del proceso;
 Es recomendable para controlar procesos en industrias de mayor riesgo, siempre que

se tomen muestras de tamaño 10 o más y se disponga de instrumentos suficiente-
mente sensibles para aprovechar la potencia de la carta.
5.4.1. Formulas de Calculo Cartas Xbarra-s
Línea General ( x ) = X
Línea Central (s) = s
Limites de Control Superior. (s) = B4 s
Limite de Control Inferior (s) = B3 s
Desv. Estándar estimada = s /c4
Los factores A3; B3; B4; están dados por la tabla 1 mostrada anteriormente, extraída del
Std. A1/1987 de ANSI/ASQC.
5.5. Control estadístico DE procesos. Atributos.
5.5.1. Atributos:
Son características de un producto que no son medidas como variables ya sea porque
corresponden a aspectos cualitativos ó porque supone un costo muy elevado.
A pesar de ello, dichas características se pueden contar y graficar.
Debido a ello, al igual en el caso de variables, es necesario que existan *** nociones, en
control estadístico por atributos es necesario que existan defectos o unidades defectuo-
sas. (Rechazos).
Al controlar los atributos, ya no obtenemos un valor de la observación de cada pieza.

Simplemente sabemos si la pieza en cuestión está o no dentro de lo permitido.
5.5.2. Criterios de conformidad:

Un estándar de calidad no es efectivo a menos que defina claramente la frontera entre
aceptable y no aceptable.
 Los datos por atributos provienen de situaciones donde no es fáctico hacer medicio-
nes, por lo cual se aplican MODELOS O CRITERIOS.
 Para que el sistema de control por atributos sea efectivo, es necesario minimizar las
variaciones de criterio.
5.5.3. Como establecer los criterios de no-conformidad.

1. Establecer estándares referenciales.
2. Desarrollar ayudas visuales apropiadas a la tarea.
3. Comunicar estándares al personal que evaluará.
4. Evalúe la evolución.
5. Capacitar al personal.
5.5.4. Tipos de gráficos de control por atributos.
np c Cantidades (Tamaño cnstante de la muestra)
p u Proporcion de rechazos (Tamaño variable de la muestra)
Unidades Defectos
Rechazadas
5.5.5. Ejemplos de atributos

 Lamparas con el casquillo mal pegado.
 Defecto cada 100 m. de tela.
 Puntos negros en laminado plástico decorativos.
 Bordes mal cortados en cajas de cartón.
 Fotocopias manchadas.
 Test de brillo de una lampara incandescente.

5.5.6. Características de los gráficos de control por atributos.
Gráfico P.
Muestra proporciones de no-conformidad (rechazos) calculadas del muestreo de tamaño
VARIABLE. Se aconseja no pasar del promedio 25%.
Muestreo unidades rechazos / unidades totales de la muestra, expresada en %, PPM, etc.

Cada unidad inspeccionada se anota una sola vez aunque tenga mas de un motivo de no
conformidad.
Gráfica np
Muestra el numero de unidades rechazadas, tomadas de muestreos de tamaño constante.
Gráfico c
Muestra el numero de motivos de rechazo encontradas en muestreos de tamaño constan-
te.
Gráfico u.
Muestra la proporción de no conformidades encontradas en muestreos de tamaño varia-
ble, aunque se aconseja no pasar del tamaño promedio 25%.
5.5.7. Desarrollo del tema.

Llamaremos p a la fracción defectuosa
K
P
n
K = piezas defectuosas.
n = tamaño de la muestra.
Supongamos tener un gran conjunto de piezas (universo) cuya fracción defectuosa es

conocida, y que denominaremos con p’ para no confundirla con la de la muestra.
Ahora tomemos de ese universo una muestra de tamaño n y calcularemos en ella la frac-
ción defectuosa (p), teniendo el cociente entre la cantidad de defectuosos (K) y el tamaño
de la muestra (n).
Nos preguntamos si la fracción defectuosa hallada en la muestra coincidirá con la del uni-
verso. Es lógico responder que, en general, p no coincidirá con p’.
Tomemos otra muestra y verificamos lo mismo, además, tampoco coincidirá con la ante-
rior.
Si tomamos muestras de igual tamaño (m ; n = constante) y calculamos el promedio

d ellas fracciones defectuosas halladas según:
Pi
P es de esperar que se cumpla: Lim P p ' , donde m es la cantidad de muestras.
m m
Con lo que se pueda llegar a la conclusión de que la fracción defectuosa tendrá una dis-
tribución de probabilidades cuya media es, justamente la fracción defectuosa del universo
(p’).
Se demuestra que sí: np’ > 10
La distribución de la que hablamos se puede tomar como una distribución Gaussiana, cu-
ya desviación normal es:
p' 1 p'
Tp
n
Esto nos brinda la oportunidad de seguir con el mismo criterio para determinar los limites
de control: 3
CALCULO DE LA PROPORCIÓN DE RECHAZO EN CADA MUESTRA.
Se debe anotar:
 Unidades inspeccionadas N.
 Unidades rechazadas NP.
np
 Proporción de rechazos P
n
Si el producto np’ 10, también se puede según con ese criterio para fijar los limites de
control, pero el riesgo del equipo productos aumenta algo. En los casos prácticos este
riesgo no es mayor del 1% como regla general.
Entonces, si suponemos que se ESPECIFICA el trabajo p’, los limites de control para un
gráfico de control de fracción defectuosa (comúnmente llamado GRAFICO P) serian:
P' 1 P'
L.S . p' 3
n
L.C. P'
P' 1 P'
L.I . P' 3
n
CALCULO DE LIMITES DE CONTROL PARA VALORES NO ESPECIFICADOS.
Calculo de la proporción promedio de rechazos (P).
np 1 np 2 ... np m
P
n1 n2 ... nm
P1 P
L.S . P 3
n
L.C. P
P1 P
L.I . P 3
n
n n2 ... nm
Donde n es el promedio de la muestra: n = Si p es bajo puede suceder
m
que LS < O, en tal caso no hay límite inferior de control. También puede suceder en casos
en que n sea muy pequeño. En estos casos no es recomendable el uso de este gráfico.
Estos límites de control deberían ser recalculados cada vez que el tamaño de la muestra
varíe mas de 25%.
FRECUENCIA DE MUESTREO DE LOS GRÁFICOS P:
Cortos intervalos de tiempo permiten un rápido feed-back, pero se contraponen con nece-
sidades de grandes tamaño de muestras t tiempos de muestreo y análisis largos.
NÚMERO DE MUESTRAS:
Los periodos de toma de muestra deben ser lo suficientemente largos como para detectar
todas las fuentes de variación del proceso. Es deseable incluir 20 ó mas muestras para
hacer una evaluación de la estabilidad del proceso y de serlo una estimación de su per-
formance.
GRÁFICO NP
En le gráfico np no estudiaremos la proporción de rechazos sino directamente el número

de unidades defectuosas.
Cada unidad se registra una sola vez, no importa el n de defectos que tenga.
Es necesario que el tamaño de la muestra sea grande (mas de 200 unidades) y constan-
te.
La frecuencia de la muestra se fija en la practica en consonancia con los periodos de pro-

ducción.
El gráfico p y np son apropiados para la misma situación pero se selecciona el no cuando:
 El tamaño de la muestra es constante de periodo en periodo.

 En la practica suele ser para los operadores mas fácil de informar el número de uni-
dades rechazadas que la proporción.
RECOLECCIÓN DE DATOS.
 El tamaño de la muestra debe ser constante.
 El periodo entre muestras depende de los intervalos de producción y del feed-back

que nos da el propio sistema.
 El tamaño de las muestras debe ser lo suficientemente grande que permitan que va-
rios motivos de rechazo aparezcan en cada muestra.
 Se debe anotar el tamaño de muestra en el gráfico.
 Se debe anotar y graficar el n de rechazos en cada muestra.
Los limites de control para este tipo de gráficos resultan:
K’ = np’
Donde K’ es la cantidad de piezas defectuosas promedio, que esperamos tienen luego de

muchas muestras de tamaño n, tomadas de un universo cuya fracción defectuosa es p’.
Entonces:
K' 3 K
K n P
P' 1 P'
K n np ' 1 p '
n
K'
K K' 1
n
Para P’ especificado los limites serán:
K'
L.S . K" 3 K ' 1
n
L.C. K'
K'
L.I . K' 3 K' 1
n
Obsérvese que es:
K'
p'
n
y en todos los casos prácticos suele resultar que:
P’< 0,1
K'
Con lo cual se puede despreciar el factor 1 , resultando entonces:
n
L.S . K' 3 K'

L.C. K'
L.I . K' 3 K'
Si no se especifica el valor de p’ bastará reemplazar en las expresiones anteriores el valor

K’ por el valor k , obteniendo por no menos de 20 muestras previas. Indudablemente es:
k =n p
K
y que se obtiene según: K para el caso de muestras de igual tamaño. Si el tama-
m
ño de la muestra no es constante (caso no recomendado), el promedio de piezas defec-
Ki
tuosas en la muestra ( k ) se calcula según: K n .
ni
Es decir, que se suman todas las piezas defectuosas halladas en todas las muestras y se
divide por el total de piezas controladas, con lo cual se obtiene p . Luego, para cada
muestra se multiplica este valor hallado por el correspondiente tamaño de la muestra.
6. CARTAS DE CONTROL POR ATRIBUTOS.
6.1. Introducción
Las cartas de control por atributos son usadas cuando la característica en consideración
es evaluada respecto a si es BUENA – MALA, PASA – NO PASA, etc. Estas cartas pueden ser
usadas en los casos que se presente una fracción o porcentaje, o en los casos de conte-
os.
La carta por atributos es aplicable sobre una variable que pueda medirse, pero que se ha
elegido un calibre PASA – NO PASA por economía o simplificación.
Una consideración importante antes de iniciar una carta por atributos, es asegurarse que
el propósito de la carta esta disponible y es debidamente interpretada.
Entre los diversos tipos de cartas son usuales:
 CARTA “P”: Controla la fracción no-conforme (o defectuosa).
 CARTA “NP”: Controla el número de no-conformes (o defectuosos).
 CARTA “U”: Controla el número de no-conformidades por unidad (o defectos por uni-
dad).
Se define:
No-conformidad (Non conformity): una apartamiento de la característica de calidad de su

pretendido nivel o estado, que ocurre con una severidad suficiente como para causar que
el asociado producto o servicio no cumpla con el requerimiento especificado.
No conforme: una unidad del producto o servicio que contiene al menos una no-
conformidad.
6.1.1. Etapas en la construcción de las cartas por atributos.

1. Seleccionar el producto, proceso, departamento, característica, etc. a ser controlado.
2. Definir el propósito de la carta.
3. Definir la especificación / norma a ser usada, en la inspección técnica. Por ejemplo

medición, calibre Pasa – no Pasa, visual.
4. Llenar los datos informáticos en la carta.
5. Seleccionar el tamaño de muestra.
6. Seleccionar la frecuencia de muestreo: Por ejemplo cada hora, diario, cada parte, cada
envío.
7. Recolección de datos.
8. Calcular la media (línea central de la carta).
9. Calcular los límites de control.
10. Seleccionar la escala de la carta.
11. Trazado de la Línea Central y los Límites de Control.
12. Graficar los puntos individuales.
13. Interpretar la carta para el control.
14. Acción sobre las condiciones de fuera de control.
15. Revisión de los limites de control frecuentemente (aunque no haya necesidad de la

revisión). También corresponde una revisión de límites cuando se han encontrado y
eliminado causas especiales.
6.2. Carta de control “p”

Es la carta por atributos más usada en la industria. La fracción no-conforme es el cociente
entre la cantidad de ítems no conformes sobre la cantidad de ítems inspeccionados.
Ejemplo:
 Cantidad de piezas no conformes = 3
 Cantidad de piezas inspeccionadas = 50

P = 3/50 = 0.06 Fracción o proporción no conforme
O también:
P % = (3/50) 100 = 6% Porcentaje no conforme
La carta p es de amplio empleo en las siguientes situaciones:
a) Sobre procesos que usan calibres P – NP y funcionales.
b) En las áreas de inspección para monitorear la fracción no conforme de los talleres o

los proveedores.
c) En situaciones donde la inspección visual es aplicada.
d) Otras situaciones donde la fracción no-conforme requiere control.
La carta p puede usarse también en áreas de oficinas, para:
 Papeles de trabajo no-conforme.
 Fracción de trabajos completados.
 Fracción de tiempo perdido.
6.2.1. Selección de los tamaños de los subgrupos.

Si bien la carta “p” es aplicable cuando estos tamaños fuesen variables o constantes,
conviene que sean constantes a fin de simplificar el modo de aplicación. Sin embargo en
muchas ocasiones se toman los datos de una “inspección final”, donde los lotes verifica-
dos son de tamaño variable y por lo tanto los limites de control serán particulares para
cada subgrupo.
Además es importante que el tamaño de la muestra sea suficientemente grande para que
la carta tenga sensibilidad.

La ubicación de estos límites se basa en la distribución de probabilidades binomial cuyos
parámetros son la media “” y el tamaño de la muestra “n”.
Siendo el estadístico de cada subgrupo:
np numero de items no conformes en la muestra

p
n numero de items inspeccion ados en la muestra
La Media resulta:
suma de los items no conformes

p
suma de los items inspeccion ados
Las formulas aplicables serán:
p1 p
Limite de Control Superior = L.C.S. = p 3
n
Línea Central = L.C. = p
p1 p
Limite de Control Inferior = L.C.I. = p 3
n
6.2.3. Limites de Control Unificados

Los limites de control con posición variables son un problema en la carta de control p; y
nace de la formula de los limites de control, donde la desviación estándar – dado por el
radical -, depende de n (tamaño del subgrupo).
Si en los sucesivos subgrupos los tamaños son desiguales, los desvíos estándar serán
cambiantes y por lo tanto los limites de control se acercan o se distancian de la línea cen-
tral. Esto suele resultar tedioso para el utilizador de la carta p.
Para remediar este problema distintos autores sugieren tomar limites de control unificados
o fijos, considerando un valor medio de los tamaños de los subgrupos, siempre que ellos
no varíen mas del 20% del valor p-barra. De ese modo en las fórmulas vistas ara los limi-
tes de control bastara reemplazar n por n-barra (valor medio de los n considerados).
Con este enfoque solo será necesario calcular exactamente los limites de control para
puntos que caigan cerca de los limites de control correspondientes, considerando si el “ni”
es mayor o menor que el n-barra según corresponda.
6.2.4. Interpretación de la Carta “P”

Los criterios para identificar estados de fuera de control son:
a) Un punto por arriba del L.C.S. puede significar:
El proceso ha empeorado aumentando la fracción no conforme o hay una ten-

dencia ascendente;
Ha habido un error en el calculo de los limites o en el trato de la muestra grafi-

cada.
El sistema de medición ha cambiado (equipo, método, operador).
El criterio de “no conforme” no es claro, o ha variado.
b) Un punto por abajo del L.C.I. puede significar:
El rpceso puede haber mejorado, hay que probarlo;
El L.C.I. o los cálculos de la muestra contienen un error;
El sistema de medición tiene problemas.

c) Puntos excesivamente agrupados alrededor de la línea central. Si solo están presente

causas comunes de variación, alrededor de los  de los puntos graficados estarán en
el tercio medio entre limites de control. Si una cantidad mayor que los  cae dentro el
tercio medio, podrá significar;
Los L.C. han sido mal calculados o los puntos mal graficados;
Cada muestra contiene sistemáticamente observaciones de dos o mas fuentes

de variación (mezcla de productos de 2 procesos);
Los datos han sido retocados (se acercaron puntos alejados).
d) Casos de Series: rige el criterio ya visto de seis puntos sucesivos por arriba o por de-
bajo de la línea central es sospechoso, mereciendo una investigación.
6.2.5. Ejemplo:
Se adjunta una carta de control “p”, a titulo de ejemplo, donde se han calculado los apro-
piados limites de control.
GRÁFICO DE CONTROL "p"

PORCENTAJE DEFECTUOSO
Maquina Tamaño de la muestra P. Especi Supervidor Gráfico Nro.
Componente Frecuencia Operador Depto.
Parametro Lugar de Control
Gráfico "p" TOTAL DE DEFECTUOSO S

p. x100
TOTAL CONTROLADO
p 100 p
P 100 p LIC p3
L SC p 3 n
Por atributos n
50
48
46
44
42
40
38
36
34 bac = 32,5
32
30 LSC = 28,1
28
DEFECTUOSO
PORCENTAJE
26
24
22
20
18 LC = 16,9
16
14
12
10
8 LSC = 5,7
6
4 LIC = 1,3
2
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 31
FECHA TOTAL
Hora Turno
Cent.
98 104 97 99 97 102 104 101 55 48 50 53 56 49 56 53 52 51 52 47
Controlada (h)
Cantidad
20 18 14 16 13 29 21 14 6 6 7 7 9 5 8 9 9 10 9 10
Defectuosos
Porcentajes
20,4 17,3 16,4 16,2 13,4 28,4 20,2 13,9 10,9 12,5 14,0 13,4 16,1 10,2 14,7 17,0 17,3 12,6 16,3 21,3
defectuosos
defectuoso s 240 x 100

CALCULOS : p 16 . 9 %
controlado s 1424
28 . 1
16.9 100 - 16.9
Subgrupos 1 a 8 Lim. Control 16.9 3
100 . 25
5 .7
32 . 5
16.9 100.16.9
Subgrupos 9 a 20 Lim. Control 16.9 3
51 . 83
1 .3
6.3. Carta de Control “np”: Número de no-conformes

En este carta se mide la cantidad de ítems no-conformes (o defectuosos), que se encuen-
tran en la inspección de los subgrupos.
Su base teórica y aplicación es similar al de la carta “p”, siendo conveniente su empleo

cuando:
 Se busca aprovechar su simplicidad y más fácil comprensión;
 El tamaño de los subgrupos permanece constante.
6.3.1- Limites de Control

Una vez determinado n = tamaño de subgrupo, se registrará para cada subgrupo del pe-
riodo de prueba, el valor del estadístico.
np = número de ítems no conformes en el subgrupo.
El valor medio de todos los estadísticos “n p ” y será:
np1 np2 ... npk

np
k
Los limites de control están dados por las fórmulas siguientes:
L.S.C. = n p + 3 np 1 np / n
L.C. = n p
L.C.I. = n p - 3 np 1 np / n
6.3.2- Interpretación de la Carta np

Es análoga a la de la carta p, teniendo presente que en este caso se mide el número de
defectos.
6.4. Carta de Control “c”: Número de no-conformidades

Esta carta mide el número de no conformidades (o defectos), que se presentan en sub-
grupos cuyo tamaño permanece constante.
La carta “c” se aplica especialmente cuando se consideran defectos distribuidos al azar en

la extensión de una superficie, volumen, en general un ”continuo” fisico.
Por ejemplo:
 El número de defectos en paneles pintados;
 El número de fallas en un rollo de tela;

 El número de fallas en una etiqueta o envase.
También se emplea en conjuntos complejos como es el caso de un automóvil consideran-

do que los defectos provienen de fuentes diversas sin que predomine de manera impor-
tante de alguna de ellas, y que se distribuyen aleatoriamente.

Esta carta de control esta basada en la distribución de probabilidades de Poisson, con un
solo parámetro: la Media “ c ” cuyo calor coincide con la variencia. Se tendrá entonces:
c1 c2 ... ck
c
k
Donde:
c1 ; c2 ; ... , representan la cantidad de defectos en los distintos subgrupos.
Los limites de control serán:
L.C.S. = c + 3 C
L.C. = c
L.C.I.= c - 3 C
6.5- Carta de Control “u”: Número de no-conformidades por unidad

Esta carta se usa para medir la cantidad de defectos por unidad inspeccionada. Los fun-
damentos y tratamiento de la carta son análogos a la carta “c”.
El empleo de esta carta es conveniente cuando el tamaño de la muestra es variable entre

periodos y para resaltar los resultados en informes que necesitan ser mas significativos.
6.5.1- Limites de Control

El único parámetro del proceso Poisson es la media “ u ”:
c1 c2 ... ck
u
n1 n2 ... nk
Donde:
c1 = Cantidad de defectos en muestra 1, y así en el resto.
n1 = Tamaño de la muestra 1, y así en el resto.
Entonces, los limites de control resultan:
L.C.S. = u + 3 u /n
L.C. = u
L.C.I. = u - 3 u /n
7. CAPACIDAD DEL PROCESO
7.1. Concepto.
Se entiende que la capacidad del Proceso es la medida de la facultad de un proceso pro-
ductivo, para realizar las características de calidad dentro del intervalo de tolerancia espe-
cificado.
El C.E.P. ha desarrollado este concepto industrialmente brindando una ayuda importante

en las fases de pre-producción (definición de medios y planificación calidad) y de produc-
ción (mejora de la calidad).
7.2. Definiciones básicas (Standard A1-1987; ANSI/ ASQC)

VARIABILIDAD INHERENTE DEL PROCESO: ES LA VARIABILIDAD PROPIA DEL PROCESO CUANDO
OPERA EN ESTADO DE CONTROL ESTÁDISTICO.
NOTA: La disparidad en las mediciones de la variabilidad inherente, según se incluyan di-

versas fuentes de variación, merece que se precisen las condiciones de examen y obten-
ción de datos.
CAPACIDAD DEL PROCESO: Es una medida estadística de la variabilidad inherente, según se

incluyan diversas fuentes de variación, merece que se precisen las condiciones de exa-
men y obtención de datos.
CAPACIDAD DEL PROCESO: Es una medida estadística de la variabilidad inherente del pro-
ceso para una característica dada.
NOTA: Las normas para medir la capacidad de proceso no han logrado consenso hasta
ahora (1987), por lo cual cuando se use el término “capacidad de proceso”, es esencial
definir la forma de medición aplicada.
EJEMPLO: Usualmente se define a la “capacidad del proceso como la dispersión 6 de un

proceso bajo control estadístico, siendo = ( R / d 2 ) = desviación estándar estimada
según un gráfico de control basado en la ley normal de probabilidad”.
7.3. Estudios de Capacidad

Tradicionalmente se han realizado estudios de capacidad de proceso, destinados a eva-
luar si la variación natural o inherente de las características de un producto responde a la
tolerancia total especificada.
Rigurosamente para determinar la verdadera capacidad de proceso, destinados a evalua-

re si la variación natural o inherente de las características de un producto responde a la
tolerancia total especificada.
Rigurosamente para determinar la verdadera capacidad del proceso se requiere que este
funcione en estado de control estadístico, pero algunos métodos de calculo asumen, sin
comprobación alguna, que dicho estado existe o que una limitada presencia de causas
asignables es tolerada.
Los estudios profundos de capacidad de proceso pueden realizarse en base a una planifi-
cación estadística a lo largo de un tiempo suficiente para identificar las fuentes de varia-
ción, si composición e influencia. Modernamente el uso de la información ha permitido un
avance considerable en la precisión y rapidez de estos estudios.
En particular es importante considerar:
a) Elección de las características de producto y/o parámetros del proceso, objetos del
estudio (factores predominantes). Por ejemplo:
 Características funcionales;
 Cotas influyentes a la funcionalidad o fiabilidad;
 Parámetros operativos críticos.
b) Definición de la variabilidad en estudio: por ejemplo si se consideran componentes

tales como:
 Dentro de las piezas;
 Pieza a pieza;
 Línea a línea;
 Tiempo a tiempo;
 Lote a lote.
7.4. Indices de Capacidad.

A menudo resulta necesario sintetizar la capacidad del proceso para responder a las es-
pecificaciones, mediante ciertos índices que con una cifra califican la situación. Los mas
usados son:
7.4.1. Indice Cp
Este índice esta dado por el cociente entre la “Tolerancia total especificada” sobre la “ca-
pacidad del proceso”.
Cp = (LES – LEI) / 6
Donde:
LES = Limite Especificado Superior.
LEI = Limite Especificado Inferior.
6 = Capacidad de proceso.
Interpretación del Cp:
CP 1,33 : PROCESO ACEPTABLE – VARIACIÓN MENOR QUE LA ESPECIFICACION –

CUANTO MAYOR ES MEJOR.
CP = 1 A 1,33 : PROCESO MARGINAL – VARIACIÓN APENAS MENOR QUE LA ESPECIFI-

CACIÓN – REQUIERE VIGILANCIA.
CP < 1,00 : PROCESO INACEPTABLE – VARIACIÓN MAYOR QUE LA ESPECIFICA-

CIÓN.
El índice Cp difundido por Ford M.C. entre sus proveedores, indica el grado de aptitud de
la variación del proceso, para obtener productos dentro de especificación, siempre que el
proceso esté centrado (o fuera fácilmente centrable).
El índice Cp resulta una valiosa herramienta para estimar la magnitud de la variación en

las fases pre-producción, mediante los llamados estudios cortos de “potencial de proce-
so”. Este índice no toma en cuenta el centrado del proceso, por lo tanto no brinda protec-
ción contra procesos con reglaje del centrado dificultoso.
7.4.2. Indice Cpk

Este índice tiene en cuenta además de la variación, la posibilidad que la media del proce-
so este, descentrada.
El índice Cpk esta dado por el cociente entre; la diferencia entre la media del proceso y su
mas próximo limite especificado, sobre la mitad de la capacidad del proceso.
Cpk = MINIMO {(LES - ) / 3 ; ( - LEI) / 3 }
Donde:
LES = Limite Especificado Superior;
LEI = Limite Especificado Inferior;
= Media del proceso;
3 = Mitad de la Capacidad de proceso.
Este índice también fue impulsado por Ford M.C. basado en el siguiente enfoque: si la
distribución del proceso se ubica dentro del rango especificado aún en el caso más desfa-
vorable, cuando la media esta desplazada hacia su mas próximo limite especificado, es
obvio que también satisfacerá al limite especificado mas alejado.
Interpretación del Cpk:
CPK 1,33: PROCESO ACEPTABLE – DISTRIBUCIÓN DEL PROCESO BIEN DENTRO DE

ESPECIFICACIÓN - CUANTO MAYOR ES CPK ES MEJOR.
CPK = 1 A 1,33: PROCESO MARGINAL – VARIACIÓN APENAS DENTRO DE LA ESPECIFI-

CACIÓN – REQUIERE VIGILANCIA.
CPK < 1,00: PROCESO INACEPTABLE – PARTE DE LA DISTRIBUCIÓN DEL PROCESO

FUERA DE ESPECIFICACIÓN.
CPK = 0: PROCESO INACEPTABLE – LA MEDIA ES IGUAL A UNO DE LOS LIMITES

ESPECIFICADOS.
CPK < 0: PROCESO INACEPTABLE – LA MEDIA ESTA FUERA DEL RANGO DE LOS
LIMITES ESPECIFICADOS.
CPK = CP: LA MEDIA DEL PROCESO COINCIDE CON EL CENTRO DEL RANGO DE LA TOLE-
RANCIA TOTAL. EN CUANTO HAYA CIERTO DESCENTRADO SE TENDRA CPK <
CP; EL CASO OPUESTO CPK > CP ES IMPOSIBLE.
El índice Cpk resulta útil para estudiar la “performance del proceso” que contempla la real
variación del proceso en un periodo relativamente largo, lo que permite la influencia de
diversas fuentes de variación.
7.4.3. Indices CPU y CPL

Estos índices consideran los casos de tolerancia unilateral, donde esta dado un solo limite
especificado. Así se definen:
CPU = (LES - ) / 3 Cuando solo esta dado el LES = Limite Especificado Superior;
CPL = ( - LEI) / 3 Cuando solo esta dado el LEI = Limite Especificado Inferior.
Siendo:
= Media del proceso,
3 = Mitad de la capacidad del proceso.
La interpretación de los distintos valores que pueden adoptar los índices CPU y CPL, es
similar a los del Cpk.
Estos índices fueron desarrollados en Japón, y dado que tienen en cuenta la ubicación del
proceso y la mitad de la capacidad del proceso, permiten llegar a otra definición del índice
Cpk:
Cpk = MINIMO (CPL ; CPU)
7.4.4. Indice de ubicación “k”

Este índice evalúa el proceso en función de la ubicación de la media “u” del mismo, en
relación al punto óptimo “M” situado al medio del rango de la tolerancia total especificada
(W).
Bajo condiciones que:
W = (LES – LEI)
M = (LES – LEI) / 2
D = |M - | ; valor absoluto
LEI < < LES
Se define:
K = 2 D/W siendo 0 < K < 1
El valor k se usa en Japón como un índice para describir cuan descentrado esta el proce-
so, y también para llegar a otra definición de Cpk:
Cpk = Cp (1 – K)
Donde se cumple:
0<K<1 ; Cpk < = Cp
7.5. Capacidad de serie corta y serie larga

En la práctica del C.E.P. se usan dos tipos de enfoques para los estudios de capacidad:
 Capacidad de serie corta (“short run capability”).
 Capacidad de serie largo (“long run capability”).
La capacidad de serie corta, también conocida “capacidad de máquina”, esta referida a la

variación pieza a pieza. Generalmente se toma una muestra de 30 a 100 observaciones
sobre piezas sucesivas de la producción. Durante este periodo las condiciones del proce-
so serán mantenidas tan constantes como sea posible, cuidando entre otros puntos:
 Actúe un mismo operador/es;
 Uso de materias primas pertenecientes a un mismo lote;
 No realizar ajustes de máquina en este período.
Esta técnica es aplicada en la aprobación de la puesta a punto, evaluación del estado de

máquinas, análisis de problemas, etc.
Como su nombre lo indica este método se usa para la evaluación de la variación presente
en la salida del proceso sobre una corta tirada de piezas. Será requerido en estos casos
un aceptable “potencial de proceso” al inicio de la producción para alcanzar una buena
capacidad en la serie larga, pero eso no esta garantido.
Generalmente, en la serie larga, “performance del proceso”, la variación será debido a

que están presentes varias fuentes de variación adicionales, tales como: diferencias de
operador a operador, diferencias en las materias primas de lotes diferentes, deterioro de
las herramientas y máquinas, condiciones ambientales de la medición, etc.
Se considera una regla práctica, esperar que la variación en la tirada larga crezca 1/3 de-
bido a esas fuentes de variación. Por lo tanto a fin de tener un proceso aceptable en la
serie larga, es mas dura la existencia en los estudios de serie corta. Es usual que en esta
se pida que una dispersión de +/- 3 caiga dentro de especificación.
Además, de una buena capacidad en la serie corta, será necesario contar con un adecua-
do control para lograr aceptable capacidad en originales. A diferencia de la serie corta
donde se median piezas sucesivas, en el estudio largo serán tomadas muestras a lo largo
de un periodo suficientemente largo para incluir la influencia de las fuentes de variación
citadas.
Los estudios largos son generalmente encarados con gráficos de control por variables, a
fin de verificar en principio de estado de control estadístico del proceso y una vez cumpli-
da esta condición se podrán analizar los datos que surjan del gráfico y determinar la ca-
pacidad del proceso en la serie larga.
7.6. Aplicaciones de los Indices

En la definición de los índices figuran los parámetros del proceso: MEDIA ( ); DESVIACIÓN
ESTANDAR ( ), correspondientes a la distribución normal de probabilidades que es la base
teórica.
En la práctica se tendrá que estimar estos parámetros mediante los estadísticos: MEDIA
(X-BARRA); DESVIACIÓN ESTANDAR (S), y por estimar los índices teóricos. Este concepto tie-
ne implicancias respecto a la variación en los resultados originados en al teoría del mues-

treo.
La tabla siguiente provee una guía de aplicación con un lenguaje útil para la comprensión
de todo el personal involucrado en el uso de esta técnica.
INDICE ESTIMADOR APLICACIÓN
CP LES LEI POTENCIAL DE PROCESO PARA

6s LIMITES ESPECIFICADOS BILA-
TERALES.
CPU LES X PERFORMANCE DEL PROCESO

RELATIVA AL LIMITE ESPECIFI-
3s
CADO SUPERIOR (LES).
CPL X LEI PERFORMANCE DEL PROCESO

RELATIVA AL LIMITE ESPECIFI-
3s
CADO INFERIOR (LEI).
K 2M X DESVIACIÓN DE LA MEDIA DEL

PROCESO RESPECTO AL MEDIO
LES LEI
(M) DE LA TOLERANCIA.
CPK MINIMO (CPL; CPU) = PERFORMANCE DE PROCESO

PARA LIMITES ESPECIFICADOS
= CP (1 – K) BILATERALES.
CAPACIDAD DEL PROCESO
Indices de Capacidad
Ejemplos de Diversos Estados

ESTADO 1 ESTADO 2 ESTADO 3 ESTADO 4
33
32 6o
LÍMITE SUP. ESPEC. = 30 MM. 31
30
29 6o
28
28
NOMINAL = 27 MM. 27 6o
26
25
LÍMITE INFERIOR ESPEC. = 24 MM.
24 6o
23
T 6 CP = 3.0 CP = 3.0 CP = 3.0

CP 30
6o 2
30 27 27 24 30 29 30 32 24 24
Z min 9 3 6 0
33 33 33 33 33
Z min CPK = 1.0 CPK = - 2.0 CPK = 0

CPK 3 .0
3
USL x 30 27 CPU = 1.0 CPU = - 2.0 CPU = 6.0

CPU 3.0
3o 1
x LSL 27 24 CPL = 5.0 CPL = 8.0 CPL = 0

CPL 3 .0
3o 1

Control Estadístico de Procesos

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Control Estadístico de Procesos

Hochgeladen von

Copyright:

Verfügbare Formate

04/03/09 - Organización Industrial II 1

1. CONTROL ESTADISTICO DE PROCESOS

1.1. Definiciones t conceptos Básicos

La utilidad del CEP esta cimentado en las siguientes bases fundamentales:

 La prevención mediante el enfoque estadístico a fin de reducir las perdidas en la ma-

 La reducción de la inspección masiva como filtro para garantizar la calidad, introdu-

 La trama de conciencia gerencial a cerca de su responsabilidad directa sobre el 80%

 La introducción de nuevos métodos de supervisión tendientes a modificar los roles de

 Tolera material rechazado.

Como principal inconveniente vemos:

 Esta orientado hacia el pasado.

 Evita material rechazado

 Orientado hacia el futuro.

1.1.1. Control del Producto

Implica generalmente: retrabajos, social, determinación de líneas, falla en entregas. Mayo-

1.1.2. Control de Proceso

1.2. Objetivos y Beneficios del CEP

El CEP no aporta demasiado a las tareas de inspección y selección de productos confor-

1. Aumentar la satisfacción del cliente mediante la producción de bienes libres de defec-

2. Disminuir el descarte y el retrabajo.

3. Disminuir costos operativos mediante la ****** de frecuencia de ajuste de herramental.

5. Establecer niveles consistentes de calidad.

6. Reducir el volumen de inspección de recepción de los productos comprados.

1.3 . Cuadro Comparativo – Ventajas del CEP

UN INSPECTOR DETECTA SOLO EL

Sin el CEP, las decisiones concernientes a la mejora de la calidad están basadas en la

Un proceso de control es esencialmente un sistema que enlaza la salida de un proceso

Prevención versus detección

ACCION SOBRE EL DESARROLLO DE ACCION SOBRE EL

La misma ocurre en cualquier fabricación industrial, en la cual es casi imposible fabricar

2.1. Antiguo concepto de variación

Como consecuencia esto trae:

Variación permisible: Aquella que se mantiene dentro de los requerimientos de inje-

Variación excesiva: Aquella que esta fuera de los requerimientos de injerencia.

Elaborar piezas que cumplan con los requisitos especificados.

Describir porque se producen artículos no conforman con dichos requisitos.

Es decir, que este planteo tradicional no favorece la productividad, **** la mejora de la

2.2. Moderno concepto de variación

2.3. Causas de variación

Como consecuencia, se identifican las siguientes causas de variación en un proceso.

2.3.1. Causas Especiales:

Generalmente corresponden a problemas localizados en una operación o muestra, suelen

2.3.2. Causas comunes:

Su solución y aún su detección es a menudo difícil, sabiendo requerir intervención de la

Según Domingo: “el estado de control estadístico no es el estado natural de un proceso

2.4. La reducción de la variación

1. Si el proceso presenta una variabilidad descontrolada, cambiante de un momento a

2. Si el proceso presenta una variación controlada, inherente al proceso mismo, y se

2.4.1. Representación Gráfica de fallas del Sistema y Especiales

2.5. Gráficos de Control

Sabemos que existen dos causas de variación en un proceso: comunes y especiales.

Los objetivos de la carta de control son:

A) Detectar las causas especiales (ó asignables) de variación y eliminarlas.

C) Apoyar la investigación y acciones de manera destinadas a obtener la “reducción de la

1. Reducir las perdidas por serial y retrabajos.

2. Establecer en forma continua la calidad de muestra producto y muestras métodos de

3. Aumentar la satisfacción del cliente.

2.5.1. Teoría general de los gráficos de Control

1. La primera es la distribución normal, con la cual asociamos o no la probabilidad de

Parece, en consecuencia de esta posible diversidad, que el conocimiento de las pro-

2. Al contrario, en la aplicación de los gráficos, la recomendación es considerar medios,

De este modo, constatando el comportamiento de medias, podemos considerar como

2.5.2. Limites de Control

Esta situación desde el punto de vista estadístico se expresa por: