Sie sind auf Seite 1von 109

CONTROL ESTADÍSTICO DE

PROCESOS
UNIVERSIDAD DEL ATLANTICO
UNIVERSIDAD DE CIENFUEGOS, CUBA
FACULTAD DE INGENIERIA

PROGRAMA ESPECIALIZACION EN INGENIERIA Y GESTION DE LA


CALIDAD

Ing. Ramón Pons Murguía (PhD.)


Ing. Rafael Gómez Dorta (PhD.)
Ing. Alejandro Pons Salabarria.

Barranquilla Abril 2002

UNIVERSIDAD DEL ATLANTICO


FACULTAD DE INGENIERIA
ESPECIALIZACION EN INGENIERIA Y GESTION DE LA CALIDAD

2
Módulo: Control Estadístico de Procesos

Objetivo: Aplicar las técnicas fundamentales de control de la calidad,


haciendo uso del software correspondiente (STATGRAPHICS).

Estrategia Metodológica: Se desarrollará el presente módulo mediante


clases magistrales enriquecidas con la participación de los estudiantes.
Complementado con talleres realizados en el aula de clases y en la sala de
informática.

Duración: El presente módulo tiene una intensidad horaria de 28 horas las


cuales se cumplirán así:
Sábado 13 de abril: 6 horas
Viernes 19 de abril: 4 horas
Sábado 20 de abril: 6 horas
Viernes 26 de abril: 4 horas
Sábado 27 de abril: 6 horas ( Trabajo en el aula de informática de la Universidad del
Atlántico)
Viernes 5 de Mayo: 2 horas

Bibliografía:
 Montgomery, Douglas. Control estadístico de la calidad.
 Besterfield, D. Control de la Calidad.
 Pérez, Cesar. Herramientas informáticas y la calidad.
 Pons Ramón; Gómez Dorta Rafael; Pons Alejandro. Control
Estadístico de Procesos. Módulo preparado para la especialización en
Ingeniería y Gestión de la Calidad

3
CONTROL ESTADÍSTICO DE PROCESOS.

GRÁFICOS DE CONTROL

CONTENIDOS

1. Calidad y características de calidad...................................................................5


1.1. Definición de calidad...................................................................................5
1.2. Características de calidad............................................................................5
1.3. Tipos de características de calidad...............................................................7
2. Control estadístico de la calidad. Control de procesos......................................9
2.1. Concepto de control estadístico de calidad. Modalidades...........................9

4
2.2. Las técnicas estadísticas y el control de calidad........................................10
3. Gráficos de Control. Naturaleza y objetivos....................................................12
3.1. ¿Qué es un gráfico de control?...................................................................12
3.2. Objetivos de los gráficos de control...........................................................14
3.3. Factores que intervienen en el diseño de un Gráfico de Control...............15
3.4. Tipos de gráficos de control.......................................................................16
3.4.1. Gráficos de Control por Variables........................................................16
3.4.1.1. Control de la posición.......................................................................17
3.4.1.2. Control de la dispersión....................................................................17
3.4.2. Gráficos de Control por Atributos........................................................18
3.4.2.1 Control por defectuosas.....................................................................18
3.4.2.2 Control por defectos...........................................................................18
3.4.3. Resumen...............................................................................................19
4. Gráficos de control clásicos (I): Control por variables....................................21
4.1. Construcción..............................................................................................21
4.2. Tamaño de muestra y frecuencia de muestreo............................................23
4.2.1. Tamaño de muestra requerido para el gráfico de la media...................23
4.2.2. Tamaños de muestra empleados habitualmente....................................24
4.2.3. Tamaños de muestra en procesos continuos.........................................25
4.2.4. Frecuencia de muestreo........................................................................26
4.2.2. Gráfico Media - Rango........................................................................27
4.2.3. Gráfico Media - Desviación Típica......................................................29
4.2.4. Gráfico Mediana - Rango.....................................................................31
4.2.5. Señales de falta de control...................................................................32
4.7. Establecimiento de los gráficos de control.................................................37
Diseño de gráficos de la media......................................................................39
5. Gráficos de control por atributos.....................................................................41
5.1. Control por defectuosas.............................................................................42
5.1.1. Tamaños de muestra requeridos para los gráficos de control por
defectuosas.....................................................................................................42
5.1.2. Gráfico np : Cantidad de defectuosas...................................................43
5.1.2.1 Tamaño muestral fijo.........................................................................43
5.1.2.2 Tamaño muestral Variable.................................................................44
5.1.3. Gráfico p : Proporción o fracción defectuosa.......................................45
5.1.3.1 Tamaño muestral fijo.........................................................................46
5.1.3.2 Tamaño muestral Variable.................................................................46
5.2. Control por defectos..................................................................................49
5.2.1. Tamaños de muestra requeridos para los gráficos de control por
defectos..........................................................................................................49
5.2.2. Gráfico c :Número de defectos por muestra.........................................50
5.2.3. Gráfico u : Número de defectos por unidad.........................................51
5.2.3.1 Tamaño muestral constante...............................................................51
5.2.3.1 Tamaño muestral variable..................................................................52
5.3. Señales de falta de control.........................................................................53

5
Anexo al Capítulo 5..........................................................................................57
Diseño de Gráficos de Control y cálculo de los tamaños de muestra
requeridos para gráficos de control por atributos...........................................57
6. Estudios de Capacidad.....................................................................................61
6.1. Generalidades............................................................................................61
6.2. Indices de Capacidad de procesos, bajo supuesto de Normalidad
Estadística.........................................................................................................63
6.2.1. Capacidad potencial.............................................................................63
6.2.1.1 Intervalos de confianza para Cp........................................................64
6.2.1.2. Prueba de Hipótesis para C p.........................................................65
6.2.2. Capacidad real.....................................................................................65
6.2.2.1. Un estimador de Cpk..........................................................................68
6.2.2.2. Intervalo de Confianza para Cpk........................................................68
6.2.3. Indice K..............................................................................................68
6.2.4. Capacidad modificada..........................................................................69
6.2.4.1. Valor nominal situado en el centro de las tolerancias o
especificaciones.............................................................................................69
6.2.4.2. Valor nominal situado entre las tolerancias o especificaciones.........70
6.3. Indices de Capacidad de procesos, bajo supuesto de no cumplimiento de
Normalidad Estadística.....................................................................................71
6.3.1. Indice C.............................................................................................71
6.3.2. Indice CS.............................................................................................72
6.3.3. Indice Cpc.............................................................................................72
6.4 Indices de Capacidad para datos correlacionados......................................73
7. Otros Gráficos de Control................................................................................75
7.1. Gráfico de medidas individuales y rangos móviles....................................75
7.2. Gráfico de medias móviles y rangos móviles.............................................77
7.3. Gráficos de Sumas Acumuladas (CUSUM)..............................................79
7.3.1. Gráfico CUSUM clásico o de máscara................................................79
7.3.1.1. Tamaño de muestra y frecuencia de muestreo...................................83
7.3.2. Gráficos CUSUM unilaterales.............................................................83
7.3.2.1. Gráfico CUSUM superior.................................................................83
7.3.2.2. Gráfico CUSUM inferior...................................................................85
7.4. Gráficos EWMA........................................................................................86
7.5.- Observaciones autocorrelacionadas..........................................................89
8. Gráficos de control para series de fabricación cortas......................................91
8.1. Las series de fabricación cortas.................................................................91
8.2. El control del proceso en series cortas.......................................................91
8.3. Gráfico de la desviación del nominal (DNOM).........................................92
8.4. Gráfico de la media estandarizada y de R..................................................94
8.5. Gráficos por atributos para series cortas....................................................96
8.5.1. Gráficos de control por defectuosas en series cortas...........................96
8.5.2. Gráficos de control por defectos en series cortas.................................97
9. Precontrol.........................................................................................................98

6
9.1. Naturaleza y objetivos del precontrol........................................................98
9.2. Técnica de uso del precontrol....................................................................98
10. Prácticas de Control de Calidad I................................................................102
Práctica 1: Gráficos de Control por Variables....................................................102
10.1. Introducción...........................................................................................102
10.2. Ejercicio 1. Gráficos de media - rango...................................................102
10.3. Ejercicio 2. Estudios de capacidad........................................................103
10.4. Comentarios al Ejercicio 1.....................................................................104
10.5. Comentarios al Ejercicio 2.....................................................................105
11. Práctica 2: Gráficos de Control por Atributos..............................................106
11.1. Introducción...........................................................................................106
11.2. Ejercicio 1. Gráfico de control por defectuosas.....................................106
11.3. Ejercicio 2. Gráfico de control por defectos..........................................107
11.4. Comentarios al Ejercicio 1.....................................................................108
11.5. Comentarios al Ejercicio 2.....................................................................109

7
1. Calidad y características de calidad.
1.1. Definición de calidad.

La definición de calidad no es única ni absoluta, cambia de unos autores a


otros, de unos productos o servicios a otros y según el momento en que se
formule. De todos modos, buscando un denominador común, encontramos en
muchas de ellas la siguiente idea:

La Calidad de un producto es la medida de su adecuación al uso para el que


esta concebido.

En esta definición tenemos presente uno de los elementos fundamentales


del estudio de la calidad: la adecuación entre producto y uso (y por tanto
usuario). En efecto, por encima de muchos otros aspectos será el grado en que el
producto o servicio satisfaga las necesidades del cliente el que lleve a valorarlo
como “de calidad” o no.

Esta opción cobra cada vez más impulso en detrimento de lo que podrían
ser definiciones de calidad más técnicas, quedando estas en un nivel de
instrumento o herramienta para conseguir la satisfacción del cliente. Ya nadie se
plantea que un producto de calidad “es aquel que cumple las especificaciones de
ingeniería per se”: hay que remontarse a la fase de diseño y criticar el propio
establecimiento de esas especificaciones. Además, y siguiendo el enfoque de
Taguchi con su función de pérdida, no todo el producto que cumple
especificaciones es igual de “bueno”, tiene la misma calidad, con lo cual las
especificaciones recobran su papel como garantes de la funcionalidad del
producto, pero no necesariamente de su calidad.

1.2. Características de calidad.

Un elemento que está presente en la definición anterior y que requiere un


comentario específico es la forma en la que se pueda realizar la medida de esa
satisfacción, es decir, la necesidad nos va surgir de medir el grado de
adecuación al uso que tiene el producto o servicio considerado. Poder hacer esa
medición es fundamental a la hora de comparar un producto con un cierto
estándar de calidad que debe cumplirse o a la hora de comparar dos productos
desde el punto de vista de la calidad para elegir el mejor. Será demás
imprescindible si queremos enfocar el problema de la calidad y de su control
desde una perspectiva científica y técnica.

8
Tal medida conlleva de modo inevitable el recurso a características
cuantitativas, que permitan el uso de herramientas estadísticas potentes y
adecuadas a cada situación. Así pues, deberemos identificar unas características
sobre las que nosotros podamos medir de modo objetivo esa calidad.

La identificación de las características que en cada caso mejor miden la


calidad de un producto o servicio no es, en mucho casos, tarea fácil: a veces la
gran cantidad de características (dimensionales, eléctricas, mecánicas, ...) que
definen un producto hacen que sea difícil encontrar la o las ideales,
distinguiéndolas de una multitud de características de importancia secundaria e
incluso irrelevantes. En otros casos, especialmente cuando se trata de empresas
que prestan servicios, habrá una dificultad intrínseca a la propia identificación de
características objetivas que permitan medir la calidad, dada la intangibilidad que
muchas veces caracteriza al servicio prestado.

En cualquier caso, deberán seleccionarse sólo las más importantes de entre


las características que miden la calidad, para evitar una excesiva dispersión de
esfuerzos. Como primer bloque de características a controlar están aquellas cuyo
fallo podría acarrear problemas desde el punto de vista de la seguridad o del
cumplimiento de normativa legal. Estas deben ser siempre objeto de estudio y
control, por la responsabilidad que se podría derivar de su anormal
comportamiento.

Además de este aspecto, se manejarán varios criterios de importancia para


seleccionar las características a controlar:

 Importancia para la función del producto.


 Importancia para las operaciones de fabricación.
 Importancia que le concede el cliente.
 Importancia en como afecta al medio ambiente

Estos cuatro factores son en cierta medida independientes, como puede


verse en el siguiente ejemplo: En la fabricación del bloque de un motor de
explosión, un defecto que provocara un reducción de la potencia obtenida del
10% sería importante desde el punto de vista de la función del producto, pero
podría no afectar al proceso de fabricación en las etapas siguientes y pasar
desapercibido al cliente. La no colocación de un gancho que se usa para trasladar
el bloque durante la fabricación sería un serio perjuicio para esta, pero no
afectaría a la función del producto y el cliente ni lo notaría. Por último, un
aspecto sucio del motor produciría en el cliente una impresión desfavorable, pero
carecería de importancia respecto de los otros dos factores.
La identificación de esas características “más importantes” puede verse
ayudada por el uso de algunas de las llamadas Siete Herramientas. Podemos citar
así el diagrama de Pareto, que ayuda a centrar esfuerzos en aquellos problemas

9
más importantes o más frecuentes. También el diagrama de causa/efecto, al
ayudarnos identificar las causas de los problemas de calidad, nos ayuda en la
selección de aquellas características que detecten la aparición de esas causas. Por
otra parte, el conocimiento técnico del proceso y del producto es imprescindible,
y sin él las otras herramientas pueden carecer de sentido. En esta última línea, el
diagrama de flujo del proceso, al ayudarnos a fijar ideas sobre la secuencia de
operaciones y sobre el recorrido que realiza el material, es una ayuda a tener en
cuenta.

1.3. Tipos de características de calidad.

Las características de calidad pueden considerarse divididas en dos


grandes grupos: variables y atributos.

Las primeras son aquella características que son medibles de un modo


continuo, como pueden ser:
 características dimensionales (espesores, longitudes, diámetros, ...),
 características mecánicas (resistencia, dureza, …)
 características eléctricas (voltaje, resistencia, intensidad, ...)
 pesos
 tiempo que se tarda en servir un pedido
 tiempo de espera de un cliente para recibir un servicio
 etc.

En cambio, los atributos son características resultado de procesos de


conteo, que conllevan ya en si una valoración cualitativa sobre la calidad de
piezas, productos o servicios:

 número de defectos superficiales por metro cuadrado de pavimento


cerámico
 número de piezas defectuosas en una muestra
 número de errores en un documento
 porcentaje de impresos mal rellenados
 número de personas insatisfechas por la calidad del servicio recibido, en
una muestra

La diferente naturaleza estadística de variables y de atributos nos obligará,


como más adelante veremos, a emplear técnicas distintas para cada caso, aún con
la misma base y la misma filosofía.

Así, las variables serán características continuas, modelizadas


habitualmente a través de la distribución normal o gaussiana. Ocasionalmente

10
serán otros los modelos a emplear, como por ejemplo el exponencial o el de
Weibull si se maneja la vida (duración hasta el fallo) del producto como índice de
calidad.

Por su parte, las características tipo atributo seguirán modelos discretos,


que según la naturaleza del problema ,serán:

 El modelo binomial o hipergeométrico, si en las muestras tomadas cada unidad


es clasificada simplemente como correcta o defectuosa
 El modelo de Poisson, si cada unidad de la muestra es susceptible de contener
uno o varios defectos.

11
2. Control estadístico de la calidad. Control de procesos.

2.1. Concepto de control estadístico de calidad. Modalidades.

Por control estadístico de calidad entenderemos el conjunto de técnicas


estadísticas orientadas a la vigilancia del comportamiento de las características
que hemos seleccionado como mejores medidoras de la calidad. De los dos tipos
de calidad que en una primera aproximación podemos definir, calidad de diseño
y calidad de conformidad, es en el ámbito de la segunda donde
fundamentalmente vamos a centrarnos, pues en el control de la conformidad de lo
realizado con el diseño o proyecto, es donde el control estadístico encuentra su
principal campo de aplicación.

Este campo de aplicación es doble, actuándose tanto sobre el producto


acabado como sobre el producto en fase de ser producido:

 Control en recepción, o con más generalidad control de producto acabado,


cuando se controlan los componentes o piezas que entran en nuestra planta
procedentes de proveedores o bien se controlan nuestros propios productos
una vez fabricados y antes de ser servidos a nuestros clientes. La acción sobre
producto acabado se basa pues en una filosofía de detección y eliminación de
lo mal producido.
 Control de procesos, cuando se controla el producto durante su fabricación.
Se trata aquí de las técnicas de control estadístico de procesos (SPC: Statistical
Process Control), tendentes a que aquello que se está produciendo lo sea con
calidad, empleándose por tanto una óptica de prevención.

Aunque resulta evidentemente mucho más atractivo este segundo enfoque


preventivo que el primero, centrado en la detección, ambos enfoques no son
contrapuestos, sino más bien complementarios. Así una empresa en cualquier
sector deberá, en principio, emplear las técnicas de control en recepción para
asegurar la calidad de materiales y productos elaborados que emplee en sus
procesos y las de control de procesos para asegurarse de que ella misma
produce con calidad (Figura 1.).

12
CLIENTES

CONTROL DE PROCESO

CONTROL DE PRODUCTO

ACABADO

CONTROL EN RECEPCIÓN

PROVEEDORES

Una mayor contradicción entre ambos enfoques surge cuando una empresa
se plantea la errónea disyuntiva de controlar su proceso de producción o controlar
sólo su propio producto acabado. Ahora si que hay una clara ventaja conceptual y
práctica en favor del planteamiento preventivo, que tiende a evitar la aparición
de la no calidad, frente al correctivo, que sólo aspira a que esa no calidad no
llegue al cliente. Mientras en el primero hay toda una serie de costes asociados a
la no calidad que son evitados, en el segundo algunos de ellos llegan a
presentarse, reduciendo la eficacia del sistema en su conjunto.

2.2. Las técnicas estadísticas y el control de calidad.

¿Por qué se plantea el recurso a técnicas estadísticas para controlar la


calidad?. La razón es muy sencilla: la gestión de la calidad precisa información,
que deberá ser adecuadamente recogida y tratada. La ciencia que estudia la
forma correcta de realizar la toma de información, su tratamiento y análisis es la
Estadística. Además esa información no es de carácter determinista, sino que
esta afectada en cierta medida por el azar, es decir presenta una variabilidad, que
hace que el modelo adecuado que recoge su comportamiento sea el modelo
probabilístico o estadístico. Las técnicas estadísticas nos permiten también
emplear tanto información de tipo cuantitativo (la de las características llamadas
variables) como cualitativo (con las características tipo atributo).

Con ello no debe entenderse que el uso de técnicas estadísticas para el


control de la calidad sea una panacea capaz por si sola de arreglar los problemas
de calidad, o más bien de no calidad, de una empresa. Antes bien hay que asumir
que las técnicas de control estadístico de la calidad no arreglan nada por si
mismas, si no que actúan como alarmas de situaciones anómalas, que serán

13
corregidas por las acciones que los responsables de la empresa tomen con la
información obtenida.

La aplicación de técnicas estadísticas de control de calidad en los distintos


sectores productivos, encuentran peculiaridades que obligan a revisar el modo
concreto de poner en práctica unos principios de validez general. Entre esas
peculiaridades figura la existencia o no de series largas de fabricación (industria
del automóvil o de productos de consumo masivo frente a industria del mueble
clásico, por ejemplo). Otra peculiaridad a tener en cuenta viene referida a la
formación de la mano de obra y la posibilidad de involucrarla en tareas de
control de la calidad, muy dependiente de la estabilidad en el empleo y de la
existencia de una cultura de empresa al respecto, de la estructura organizacional y
del ambiente laboral dentro de la Empresa

Lo mismo puede decirse de la extensión de los planteamientos del control


estadístico de calidad al sector servicios, en los que la calidad, y por ende su
control, tiene cada día un peso mayor. Nuevamente deberán adaptarse los
planteamientos básicos a las peculiaridades de la empresa de servicios. Debe
considerarse ahora la intangibilidad del producto, la imposibilidad de
almacenamiento del mismo, la identificación de los indicadores de calidad, etc.

Es estas páginas nos centraremos en el control de procesos, estudiando las


técnicas empleadas en función de las diversas características de calidad que nos
podemos ver en la obligación de controlar.

La herramienta fundamental para el control de procesos son los


gráficos de control, y a ellos se dedican los siguientes capítulos.

14
3. Gráficos de Control. Naturaleza y objetivos.

3.1. ¿Qué es un gráfico de control?

Un gráfico de control es una herramienta empleada para controlar el


comportamiento de una característica de calidad durante el proceso de
fabricación.

Incorpora elementos gráficos, que hacen su manejo muy intuitivo, y


algunos cálculos, no demasiado complejos, que permiten obtener información
cuantitativa sobre el comportamiento de la característica controlada. La
información sobre el proceso se obtiene mediante la toma de muestras
representativas.

GRÁFICO DE CONTROL

60
50
LIM. SUP.
40
30 L.C.
20
10 LIM. INF.
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
MUESTRA/FECHA

Figura 1.

Su aspecto general es el de la figura 1, siendo sus principales elementos los


siguientes:

 Eje de abcisas (horizontal), que representa la sucesión de las


muestras que se van tomando, teniendo por tanto un sentido
temporal.
 Eje de ordenadas (vertical), representando el valor de la
característica que se está controlando.
 Línea central (L.C.), que indica el nivel de referencia en torno al
cual viene oscilando la característica en cuestión.
 Límite superior de control (LIM. SUP.), que indica el valor
máximo que habitualmente, y salvo que se produzcan cambios, no
debe ser sobrepasado por la característica controlada.
 Límite inferior de control (LIM. INF.), que indica el valor mínimo
por debajo del cual, salvo que se produzcan cambios, no va a
moverse normalmente la característica estudiada.

15
 Línea quebrada, indicando la evolución temporal de la
característica controlada. Es la que justifica que al estudiar los
gráficos de control se los compare con el electrocardiograma del
proceso. Cada punto o vértice de la línea representa el valor que
la característica controlada presentó en una de las muestras.

En primera aproximación, y sin entrar de momento en más detalles,


podríamos decir que dos son las circunstancias que pueden darse en el gráfico
que nos indiquen la aparición de “problemas” en el proceso (aunque mejor sería
hablar de cambios):

1. La línea quebrada que indica la evolución de la característica se sale de los


límites de control.

2. La línea quebrada presenta comportamientos que no podemos considerar


aleatorios, que no son oscilaciones al azar (por ejemplo: tendencia ascendente;
grupo de muchos valores seguidos por debajo o sobre la línea central ,etc.-).

Otro elemento, no visible pero de capital importancia para la correcta


interpretación de un gráfico de control, es el nivel de confianza o probabilidad
de cometer el error de primera especie. Este nivel de confianza corresponde a la
probabilidad de “falsa alarma”: la probabilidad de que el gráfico indique
problemas cuando en realidad no los hay. Lógicamente, al usuario le interesa que
este riesgo de falsa alarma se mantenga en un nivel lo más bajo posible, ya que
no puede ser eliminado completamente por el carácter aleatorio de la información
empleada.

En los gráficos más habituales este riesgo de falsa alarma, o probabilidad


de error de primera especie, vale 0.0027 (0.27%). El significado de este valor es
el siguiente: si el proceso es estable, la probabilidad de que (por mala suerte)
tengamos un punto fuera de los límites de control es del 0.27% (algo menos del
tres por mil). Este será el valor que se empleará en los gráficos que más adelante
se definan y estudien.

En una variable aleatoria normal, esa probabilidad del 0.27% (2.7 por
mil) es la que queda fuera del intervalo comprendido entre la media menos tres
desviaciones típicas y la media más tres desviaciones típicas (m  3). Por este
motivo este criterio es universalmente conocido como criterio 3.

16
3.2. Objetivos de los gráficos de control.

Si nos planteamos la pregunta ¿para qué sirven los gráficos de control?, la


respuesta, dada por el propio nombre de la herramienta empleada es evidente:
para controlar el comportamiento de una característica de calidad. En efecto, la
línea quebrada del gráfico, arriba comentada, refleja la evolución de la
característica controlada, con sus subidas y bajadas de nivel, sus saltos, sus
tendencias, etc.

Ahora bien, ¿qué aspecto concreto del comportamiento de una


característica es lo que vamos a poder controlar con un gráfico de control?. La
respuesta puede ser hasta cierto punto inesperada: la ESTABILIDAD. En
especial, un gráfico de control no controla el cumplimiento de especificaciones
(de hecho estas ni aparecen en el trazado del gráfico, como hemos visto arriba, ni
en el cálculo de sus elementos, como veremos más adelante) ni la adecuación a
ninguna tolerancia de lo producido, ni siquiera en muchos casos valora si el
producto está mejorando o empeorando su calidad. Veámoslo por partes.

Realmente, observando un gráfico podemos :

1. - Hacernos una idea de si las especificaciones pueden ser cumplidas o no,


de si nuestra característica toma valores en torno a los que deseamos como
objetivo o esta desplazada arriba o abajo, etc. Luego en cierto sentido si que
controlan esos aspectos del comportamiento. Pero lo hace sólo de un modo
orientativo, como lo podría hacer un gráfico temporal cualquiera (sin límites de
control y sin línea central) que recogiera la evolución de una característica. Del
mismo, modo según al caso concreto y según la posición relativa de la línea
central del gráfico respecto al valor objetivo o nominal de la característica,
sabremos si el proceso mejora o no; además de que en algunos gráficos exista un
sentido evidente de evolución que indica mejora o empeoramiento (por ejemplo
en el gráfico de proporción de defectuosas).

2.- Tener una estimación de los parámetros estadísticos que describen el


comportamiento del producto o del proceso.

3.- Vigilar el proceso para observar el comportamiento de la tendencia y


de la variabilidad.

Sin embargo, su completa utilidad, su objetivo real que da sentido a todos


los elementos que lo integran, es el control de la estabilidad. Así la línea central
representa el nivel en torno al cual, históricamente, esta oscilando la
característica y en torno al que seguirá oscilando, si el proceso es estable. Los
límites de control marcan el campo de variación de la característica controlada

17
observado hasta el presente, considerado normal, que no debe ser superado,
mientras el proceso se mantenga estable. La línea quebrada indica la evolución de
la característica a lo largo del tiempo, y es la que permite la detección de cambios
en su comportamiento, es decir en su estabilidad.

El análisis de las variaciones acontecidas en cualquier proceso de


producción o de fabricación, se puede usar para controlar dos tipos de causas:
Las aleatorias (debidas al azar) y las asignables (debidas a causas especiales o
específicas). De forma ideal, en un proceso sólo debieran existir o estar
presentes las causas aleatorias, debido a que si esto así fuere indicaría que el
proceso es estable, con mínima variación y por lo tanto predecible.

Cuando un proceso opera sin que hayan causas asignables, sus valores
promedio y varianza se encuentran dentro de los limites de control establecidos.
Se dice entonces que el proceso se encuentra en estado de control estadístico

Una causa asignable de variabilidad puede resultar o repercutir en un


cambio en el promedio, en la varianza del proceso o en ambos, llevando entonces
el proceso a un estado de “fuera de control”. Esto implica entonces el riesgo de
producir productos defectuosos o fuera de especificaciones, con seguridad de
perder homogeneidad en la producción, pérdidas de tiempo y mayores costos en
la implantación y seguimiento de acciones correctivas.

Es por ello que uno de los objetivos más importantes de un Gráfico de


Control Estadístico de Procesos es detectar rápidamente la ocurrencia de causas
asignables de variación o cambios en el proceso, con el fin de investigarlas y
tomar las acciones correctivas que conduzcan nuevamente a estabilizar el
proceso.

3.3. Factores que intervienen en el diseño de un Gráfico de Control.

Factores muy importantes a tener en cuenta a la hora de construir un


Gráfico de Control Estadístico de Procesos, entre otros , son:

1. Costos del muestreo.


2. El valor admisible del error de primera especie, definido anteriormente.
3. La naturaleza de la variable aleatoria empleada para medir la calidad del
proceso o del producto.
4. La sensibilidad deseada para el gráfico (capacidad de detección de
cambios en el proceso

Como resultado de la consideración de estos factores, se llegará a la


definición de un plan de muestreo, cuyas características principales son:

18
1. - El tamaño de muestra.
2.- La frecuencia de muestreo.

Más adelante estos temas serán desarrollados con detalle, particularizando


para los diferentes tipos de gráficos de control existentes..

3.4. Tipos de gráficos de control.

La clasificación de los gráficos de control viene dada por el tipo de


característica a controlar. Anteriormente se dividió a las características de calidad
en dos grandes grupos: VARIABLES y ATRIBUTOS. Las primeras corresponden
a las características medibles (pesos, dimensiones, ...) y las segundas a
características cuantitativas resultado de recuentos de defectos en productos o
de unidades defectuosas en muestras de varias unidades.

Así pues, en virtud de los dos tipos de característica a controlar, tendremos

 gráfico de control de control por variables

 gráfico de control de control por atributos

La naturaleza estadística de esos grupos de características son


esencialmente distintas, y en consecuencia lo son también los cálculos que
deberemos hacer, pero con todo, la estructura esencial del gráfico de control es la
misma en ambos casos (línea central, límites, etc.) y la interpretación es
semejante. Salvada esta unidad esencial de ambos tipos de gráfico de control,
veamos sus diferencias.

3.4.1. Gráficos de Control por Variables.

Cuando la característica a emplear es medible de un modo


conceptualmente continuo, deberemos tratarla como variable. En una variable
son dos los aspectos que deberemos controlar:

 POSICIÓN: es decir, el orden de magnitud, el valor que toma la variable


estudiada.

 DISPERSIÓN: es decir, el grado de heterogeneidad del resultado de


nuestro proceso.

19
Piénsese que en prácticamente todas las variables, la situación ideal sería
obtener un resultado constante en el proceso e igual a un cierto valor nominal de
diseño, es decir posición adecuada y dispersión o heterogeneidad nula. Admitida
la imposibilidad física de tal resultado, ambos son pues los elementos que
controlamos con un gráfico de control para variables.

3.4.1.1. Control de la posición.

En una variable, la posición se controla a través de la media o de la


mediana de la muestra tomada. La media es más frecuentemente utilizada por
presentar un comportamiento estadístico mejor, siempre que la característica
controlada sea normal o aproximadamente normal (permitiendo así que las
medias muestrales sean efectivamente normales, por el teorema central del límite)
Para poblaciones muy anormales, que presenten fuertes asimetrías, puede ser
preferible utilizar la mediana, que en esos casos es un mejor indicador de
posición. También puede usarse en ocasiones para facilitar la introducción de los
gráficos en la empresa, al no requerir la realización de ninguna operación de
cálculo.

3.4.1.2. Control de la dispersión.

En características tipo variable controlaremos la dispersión mediante uno


de los dos siguientes procedimientos: Si el control es llevado de un modo manual,
las más de las veces emplearemos el rango o recorrido. Si el control es llevado
por medios informáticos, se preferirá normalmente emplear la desviación típica.
Siendo ambos métodos correctos, el segundo hace un mejor uso de la
información disponible, a costa de una mayor complejidad operativa que en la
práctica lo inhabilita como herramienta de manejo manual. Si el tamaño de
muestra es grande, por encima de 15 unidades, el uso del recorrido está
fuertemente desaconsejado, siendo en tal caso preferible emplear la desviación
típica aunque sea más engorroso su cálculo.

3.4.2. Gráficos de Control por Atributos.

Cuando la característica controlada conlleva una valoración cualitativa


(indicación de correcto/defectuoso o identificación de defectos) y un recuento del
número de veces que se produce una determinada circunstancia (número de
piezas defectuosas o de defectos en una muestra), diremos que el dato manejado
es un atributo. Hay dos tipos de atributos que corresponden a las situaciones
denominadas:

20
3.4.2.1 Control por defectuosas.

Control por defectuosas, si cada pieza o producto es clasificado como bueno o


malo, realizándose el recuento del número de tales piezas o productos que son
defectuosos en cada muestra. Conlleva la utilización del modelo estadístico
denominado Binomial, descrito en detalle en cualquier texto de Estadística,en el
capítulo de Modelos de Probabilidad Discretos. Si la población de la que procede
la muestra fuera muy reducida (menos de diez veces el tamaño de la muestra o
que la fracción de muestreo “n/N” > 0.1) debería emplearse el modelo
Hipergeométrico, también descrito previamente.

3.4.2.2 Control por defectos.

control por defectos, si en una misma pieza o producto puede haber más de un
defecto, realizándose el recuento del número de tales defectos presentes en una
muestra. Conlleva la utilización del modelo estadístico denominado de Poisson,
descrito en detalle en el capítulo de Modelos de Probabilidad Discretos de Textos
de Estadística.

Cada una de esas situaciones admite dos tipos de gráficos de control:

 Control por defectuosas.


 Gráfico np: Control mediante el número de defectuosas en la muestra.
Requiere que el tamaño de muestra se mantenga constante.
 Gráfico p: Control mediante la proporción de defectuosas en la muestra.
Adecuado cuando el tamaño de muestra varía de una muestra a otra.

 Control por defectos.


 Gráfico c: Control mediante el número de defectos por muestra.
Requiere muestras de tamaño constante.
 Gráfico u: Control mediante el número de defectos por unidad. Permite
trabajar con muestras de tamaño variable.

Conviene aquí comentar que el “tamaño de muestra” se mide, tanto en


gráficos por variables como en gráficos pos atributos para el control por
defectuosas (gráficos np y p), en número de unidades (piezas, productos,
impresos, ...), mientras que en los gráficos para control por defectos, el tamaño
de muestra puede además medirse en unidades diferentes: metros cuadrados de
un tejido en el que se cuentan defectos, litros de un liquido en el que se cuentan
impurezas, etc..

21
3.4.3. Resumen.

Resumiendo los tipos de gráficos de control y sus condiciones de uso


podemos elaborar el siguiente esquema:

GRÁFICO DE
CONTROL DE
MEDIAS
LA POSICIÓN
GRÁFICO DE
CONTROL POR
MEDIANAS
VARIABLES
GRÁFICO DE
CARACTERÍSTICA
MEDIBLE CONTROL DE
RANGO
LA DISPERSIÓN
CONTROL DE GRÁFICO DE
PROCESOS DES. TÍPICA

CARACTERÍSTICA
DE RECUENTO
CONTROL POR GRÁFICO np
DEFECTUOSAS
CONTROL POR GRÁFICO p
ATRIBUTOS
GRÁFICO c
CONTROL POR
DEFECTOS
GRÁFICO u

22
4. Gráficos de control clásicos (I): Control por variables.
4.1. Construcción.

Conocidos ya los elementos que integran un gráfico de control y antes de


pasar a estudiar como se calcula cada uno de ellos en los distintos tipos de
gráficos existentes, veamos ahora cómo debe ser el documento en que se recojan
estos elementos una vez calculados y en el que se vaya llevando el control del
proceso.

Hay multitud de tipos de impresos para control estadístico de procesos, de


los cuales se presentan algunos ejemplos, pero algunas de sus características
generalmente deseables serían:

 Claridad: el gráfico de control en una herramienta gráfica, que como todas las
de este tipo persigue que el usuario aprecia en un golpe de vista aquello que se
controla. Hojas confusas que impidan esta apreciación fácil y rápida deben ser
evitadas.
 Presentación de datos numéricos y gráficos en la misma página, evitando al
usuario trasiegos incómodos de papel, que únicamente facilitan el error. En el
caso de control por variables, en el que se llevarán simultáneamente dos
gráficos de control, ambos deberán estar también en la misma página.
 Presencia de un pautado o cuadrícula que facilite el trazado de los gráficos a
escala.
 Espacio para anotación de incidencias, fundamental para la comprensión del
comportamiento del gráfico y para la investigación de las causas especiales
detectadas.
 Espacio para la completa identificación de pieza o concepto, característica
controlada, departamento, fechas de elaboración , responsable del gráfico y en
general cuantos datos se estime oportuno.

Con frecuencia se ve que en las hojas empleadas en las empresas aparecen


fórmulas y tablas de constantes de las empleadas en la definición de los distintos
elementos del gráfico (especialmente de los límites de control). Realmente tal
información es sólo rara vez utilizada y, si bien a efectos de aprendizaje en el uso
de la herramienta es muy útil, no es ni mucho menos imprescindible.

También con relativa frecuencia, en el caso de control por variables, se


incluye en el gráfico espacio para la elaboración de un histograma, que siempre
debe construirse en base a las mediciones obtenidas y no con las medias
calculadas. Puede ser un útil complemento del gráfico de control, a condición de
que no suponga una sobre carga de trabajo para la persona encargada de llevarlo.
Una posibilidad es elaborar el histograma cuando se ha completado la hoja, por

23
persona distinta y sin la presión de la producción (por ejemplo en la oficina de
línea o del departamento), pero entonces ya no es necesario que figure en la
misma hoja que el gráfico de control.

Un posible modelo de impreso para gráfico de control por variables sería el


que se presenta en la figura siguiente, si bien como antes se ha dicho existen
multitud de variantes adaptadas a las necesidades (y muchas veces a los gustos)
de cada empresa o departamento.

EMPRESA S.A. xR  x  S2



xS  ~
xR

PIEZA: CARACTERÍSTICA: OPERACIÓN: Especificación:

Muestra: Frecuencia: Máquina: L.central: LCS: LCI: Responsable:

ID.

x1
x2
x3
x4
x5
suma
med.
R/s/s2

Otro tema que no por sencillo debe ignorarse es el del trazado de las líneas
básicas del gráfico (línea central y límites de control) en el documento, es decir,
fundamentalmente la selección de la escala en la que se realiza el dibujo. A nivel
de recomendación, pues en buena parte es simplemente una cuestión de

24
presentación, podríamos decir que la anchura de los límites de control debe estar
entre 1/2 y los 2/3 del espacio disponible:

POSICION DEL LCS

2/3 L ½L ZONA DE DIBUJO = L

POSICION DEL LCI

Seleccionaremos así la posición aproximada del límite inferior de control. A


partir de él buscaremos una escala cómoda que permita que el límite superior que
correctamente situado. No debe preocuparnos el hecho de que línea central y
límites no ocupen precisamente las líneas del pautado. Antes bien lo más habitual
es que no coincidan, pues tales líneas del gráfico toman valores no enteros y sería
incomodo apoyar en ellos ninguna escala.

4.2. Tamaño de muestra y frecuencia de muestreo.

La definición del tamaño de muestra requerido en la elaboración de un


gráfico de control pasa por la definición de los errores de primera y segunda
especie que se desean cometer en la detección de cambios en proceso. Pese a que
existe un procedimiento de cálculo de esa tamaño de muestra, lo más habitual es
emplear un tamaño estándar, que suele ser de cinco unidades, dejando de lado
consideraciones teóricamente más correctas. Veremos a continuación cómo se
realiza ese cálculo en el caso del control de la media (supuesta normal) de una
característica.

4.2.1. Tamaño de muestra requerido para el gráfico de la media.

Definir el tamaño de muestra requiere disponer de la siguiente información:

 nivel de significación  deseado.


 media m0 que se considera normal o correcta (que será la x , media de las
medias).
 probabilidad del error de segunda especie .
 valor m1 de una descorrección respecto a esa media correcta que deseamos
detectar con probabilidad 1-.

25
 la desviación típica .

Llamamos además descentrado relativo de una media “m” respecto a “ m0 “ al


cociente:

m  m0
d

con lo que el descentrado relativo asociado a la media m1 será d1.

Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
 z / 2  z1  
n 
 d1 

En el caso más frecuente,  valdrá el 0.27%, con lo cual z será 3, diciéndose en
tal caso que se trabaja con criterio 3.
Los valores de Z/2 y Z1 -  se obtienen de una tabla de Distribución Normal, una
vez que los riesgos y  han sido definidos.

4.2.2. Tamaños de muestra empleados habitualmente.

A pesar de que existe, como se ha visto arriba, la posibilidad de calcular de


modo exacto el tamaño de muestra requerido para la realización de un gráfico de
control, tal expresión no es usada con la frecuencia con que debiera. A ello
contribuyen varias razones, a demás de una obvia que sería el desconocimiento
de su uso. Podríamos citar que los tamaños resultantes de aplicar la fórmula
anterior pueden ser grandes, con lo que el aspecto práctico de la realización del
control se vería comprometido. También se da en ocasiones el hecho de que la
información requerida no sea evidente ni esté disponible, en especial la que
define el punto del comprador (descorrección y probabilidad de error de segunda
especie ).

El propio Shewhart, creador de estos gráficos de control, proponía el uso


del tamaño de muestra 4, mientras que el más empleado hoy día es el tamaño 5.
Entre las razones que nos llevan usar estos tamaños tenemos:

 el tamaño de muestra debe ser lo más bajo posible por razones de coste y de
homogeneidad (subgrupo racional) de la muestra.
 si la población de la que proceden los datos no es muy anormal, las media
muestrales obtenidas con muestras de tamaño igual o superior a 4 o 5 se

26
pueden considerar ya aceptablemente normales (en virtud del teorema central
del límite).
 el tamaño muestral 5 simplifica la operativa del cálculo de la media.

Respecto a esta última condición, no debe, en absoluto, ser menospreciada.


Es el mismo motivo que hace que se emplee más el gráfico del rango que el de la
desviación típica para el control de la dispersión. Piénsese que normalmente la
realización del gráfico de control suele quedar en manos del personal de
producción, que dispondrá de poco tiempo y de una preparación sólo básica en
cálculos matemáticos, con lo que todo lo que se haga por facilitar el uso de estos
será una garantía de que los datos reflejados son fiables y de que el gráfico se
lleva correctamente.

El uso de tamaños muestrales mayores suele justificarse por dos vías:

 La necesidad de un control más preciso sobre la media, que requiere el uso de


tamaños de muestra mayores de 15 unidades. En tal caso el control de la
dispersión necesariamente pasaría a llevarse mediante la desviación típica (el
rango sólo es apto para muestras inferiores a diez unidades).
 La existencia de características en el proceso que aconsejen otro valor de n.
Por ejemplo, en un proceso de inyección de plásticos, si un molde tiene ocho
cavidades se podría trabajar con n=8 tomando una unidad de cada cavidad.

4.2.3. Tamaños de muestra en procesos continuos.

Mención aparte merece el caso de los procesos continuos. En ellos el


material producido en cada instante suele ser altamente homogéneo, hasta el
punto de hacer que si tomáramos simultáneamente varias muestras de material,
las diferencias entre ellas serían debidas, más que a heterogeneidad del producto,
a la variabilidad propia del sistema de medida, que es incapaz de apreciar
variaciones en el proceso. Este tipo de procesos entrega datos que se encuentran
muy correlacionados entre sí , lo que hace que el principio de independencia
generalemte no sea cumpla, por lo que ameritan un tratamiento especial,el que se
verá en capítulos posteriores.

Por ello, en estos casos bastaría con emplear un tamaño de muestra uno: la
posición quedaría adecuadamente controlada con ese valor, y la dispersión
instantánea no existe por la propia naturaleza del proceso, por lo que no requiere
ser calculada. Caso de tomarse varias medidas, ello se justificaría por mejorar la
precisión de la estimación, pero no para valorar la variabilidad inexistente en el
proceso. Esta variabilidad, entendida ahora como evolución en el tiempo, aparece
aquí como la diferencia entre muestras consecutivas, pero no como diferencias
dentro de una misma muestra.

27
Por todo ello el tipo de gráfico de control a emplear sería de los llamados
de medidas individuales y rangos móviles, y no de los gráficos de Shewhart
estándar que a continuación estudiaremos (ver Capítulo 7).

4.2.4. Frecuencia de muestreo.

Respecto a la frecuencia de muestreo, sólo se pueden dar orientaciones


basadas en la práctica y en el sentido común, pues no hay ningún procedimiento
específico para su cálculo. Parece razonable, y así se hace habitualmente, que al
inicial el control de una característica de calidad se emplee un muestreo
frecuente, y que tal frecuencia vaya disminuyéndose conforme el proceso va
siendo más estable.

Como valores orientativos podríamos hablar de frecuencias que vas desde


una toma de n piezas cada 15 minutos hasta una por turno. Reducir el control por
debajo de esta cifra sería en la práctica casi lo mismo que eliminar ese control.
Aumentarla por encima de las cuatro tomas por hora sería, probablemente,
entorpecer demasiado la producción (salvo que la medición fuera automática sin
afectar al funcionamiento del proceso, en cuyo caso la frecuencia podría ser
incluso mucho mayor, llegándose a un control al 100%).

Siempre al nivel de recomendaciones, se suele citar que en producciones


rápidas (más de mil unidades por hora) se debiera muestrear entre un 2 y un 5%
de la producción, mientras que en producciones menos rápidas (por debajo de
esas mil unidades por hora) la fracción de muestreo subiría al 5 o al 10%.

En general, como elementos que deban ser tenidos en cuenta al fijar la


frecuencia de muestreo, tenemos:
 estabilidad de la característica controlada, pues en características muy
estables podemos espaciar más la toma de muestras, mientras que en procesos
con frecuentes cambios el control debe ser más frecuente.
 coste del muestreo, así como la complejidad del mismo y el tiempo que
requieran los análisis o mediciones asociados al control, ya que cuanto más
caro, difícil o lento sea el control, más deberemos espaciar las tomas, y al
revés (siempre a igualdad del resto de factores a considerar, por supuesto).
 coste que nos suponga que el proceso se salga de control, teniendo en cuenta
posibles problemas que se generen en operaciones posteriores con ese mismo
producto o pieza así como el coste de las acciones que se tomen a partir de una
señal de falta de control (retención de materiales, inspección al 100%, etc.).
 probabilidad y coste de llegar a producir unidades fuera de especificaciones,
la primera de las cuales dependerá de la capacidad del proceso, debiendo
considerar en el segundo la posible generación de chatarras, la necesidad de

28
retrabajos para recuperar unidades no conformes, posibles costes de garantís
por unidades defectuosas que llegan al cliente, etc..

4.2.2. Gráfico Media - Rango.

Este es con diferencia el tipo de gráfico de control por variable más


empleado, por combinar unas buenas cualidades estadísticas con una razonable
sencillez. Permite llevar simultáneamente el control de posición y de dispersión
mediante muestreo. Con los valores integrantes de cada muestra de la
característica considerada, deberemos calcular su media y su rango, mediante las
conocidas expresiones:

n
 xi R  x max  x min
x  i 1
n

donde x y R : son la media y el rango de la muestra,


xi : es el dato i-esimo de la muestra,
n : es el tamaño de muestra y
x max y x min : son los valores máximo y mínimo de la muestra

Serán esta media y este rango, y no los datos individuales, los que
emplearemos en el control de la posición y de la dispersión respectivamente.

Para construir el gráfico de control necesitamos los elementos que arriba se


comentaron: la línea central y los límites de control, y eso para cada uno de los
dos gráficos que se van a emplear. Para obtenerlos necesitamos disponer de una
cierta cantidad de información anterior en la forma de muestras del mismo
tamaño al que vamos a emplear en el control (más adelante se detallará el
procedimiento para obtener esos datos, que ahora consideramos ya en nuestro
poder). Con las medias de las muestras anteriores calcularemos la línea central,
obteniendo un valor que se suele llamar “media de las medias” o “gran media”:
k
 xi
x  i 1
k
donde k es el número de muestras que constituyen la información histórica y x i
es la media de la muestra i-esima de entre esas k muestras. La media de las
medias es, pues, un indicador del nivel en torno al que se está moviendo la
característica controlada.

Con esa información histórica calcularemos también el “rango o recorrido


medio”, que hará el papel de línea central del gráfico del rango, mediante:

29
k
 Ri
R  i 1
k
donde Ri es el recorrido o rango de la muestra i-esima
k es el número de muestras disponibles.

Con la media de las medias y el recorrido medio podremos calcular los


límites de control para ambos gráficos, media y rango, con las siguientes
expresiones:

Gráfico de la Media:

Limite Superior de Control : LCS x  x  A 2 R


Límite Inferior de Control: LCI x  x  A 2 R

Gráfico del Rango:

Límite superior de control: LCS R  D 4 R


Límite inferior de control: LCI R  D 3 R

donde A2, D3 y D4 son constantes leídas en tablas , adjuntas al final del Texto , en
función del tamaño de muestra.

El cálculo de los límites no tiene especial dificultad ni presenta


peculiaridades, salvo quizás para el gráfico del rango, en el que para tamaños de
muestra inferiores a siete la constante D3, empleada en el cálculo del límite
inferior de control, es nula, siéndolo también en consecuencia el propio límite de
control.

El siguiente paso para llevar un control estadístico de calidad con un


gráfico de la media es trazar en el impreso adecuado (por ejemplo el anterior) las
tres líneas así obtenidas. Una vez hecho esto se podrá iniciar la toma de muestras.
Tras cada muestra se calculará la media de la misma, valor que se representará en
el gráfico, sirviéndonos de comprobación de si el proceso sigue estable (por
ejemplo, si el punto está entre los límites de control. Ver señales de falta de
control más adelante).

4.2.3. Gráfico Media - Desviación Típica.

30
Si, para el control de la dispersión, el rango aportaba como gran ventaja
para su empleo la sencillez de su cálculo, la desviación típica tiene unas mejores
características que se basan en un mejor aprovechamiento de la información, pues
mientras el rango se calcula en base a sólo los dos valores extremos de la
muestra, la desviación típica hace uso de todos los datos disponibles.

Esta ventaja en favor de la desviación típica es más evidente, lógicamente,


en tamaños de muestra grandes. Con los tamaños habitualmente empleados en
control de calidad por variables (en torno a cinco unidades), la ventaja no es aún
decisiva, y pesa más la indudable complejidad en el cálculo de s, haciendo que el
rango sea, como antes se comentó, mucho más empleado.

La situación se invertirá fundamentalmente en dos casos: cuando el tamaño


de muestra sea grande (por encima de diez unidades) y cuando el control se lleve
por ordenador (con lo que las operaciones complejas no son problema).

En tales casos se preferirá el control de la dispersión a través de la


desviación típica, mientras que la posición puede seguir siendo controlada por la
media. Las expresiones de cálculo de las líneas centrales y los límites (salvo la de
la media de las medias) se verán modificadas, pues cambia la información que
obtenemos de cada muestra.

Gráfico de la Media:
k

Línea central: x i
x i 1

k
Limite Superior de Control : LCS x  x  A1s
Límite Inferior de Control: LCI x  x  A1 s

Gráfico de la Desviación Típica:

Valor a controlar
n

Si = 
( x ij  x ) 2
j1 i, i=1...k
n 1

Línea central:  si
i 1
s
k

31
Límite Superior de Control LCS s  B4 s

Límite Inferior de Control LCI s  B3 s

donde: x i es la media de la muestra i-sima


si es la desviación típica estimada de la muestra i-sima
xi es cada uno de los valores medidos en cada muestra
n es el tamaño de muestra
s es la desviación típica media, que actúa como línea central del
gráfico
k es el número de muestras empleadas en la construcción del gráfico,
y
A1, B3 y B4 son constantes leídas en tablas (final del texto), en
función del tamaño de muestra

El empleo del gráfico de control de la desviación típica es igual al de la


media, la mediana o el rango, debiendo prestarse atención en primer lugar a la
presencia de puntos fuera de los límites de control, y en segundo lugar al resto de
señales de falta de control.

4.2.4. Gráfico Mediana - Rango.

Como arriba se comentó, la mediana presenta ventajas como instrumento


de control de la posición para aquellos casos en que la población controlada no
sea normal y presente una fuerte asimetría. Además de esta ventaja, que
podríamos denominar técnica, tiene también una ventaja en facilidad de uso que
puede ser interesante en algunas ocasiones. En efecto, la mediana, definida
como el valor central de una muestra de “n” elementos,los cuales se ordenan de
menor a mayor (o viceversa).En el caso de que el tamaño de la muestra sea un
número “par” de datos,la mediana será el promedio de los dos valores centrales;y
cuando el tamaño de la muestra es un número impar de datos, la mediana es el
valor central. Esto significa que la medianal deja el mismo número de valores por
debajo que por arriba , no requiere la realización de ningún cálculo para su
obtención y en muestras de pequeño tamaño (como lo son habitualmente) se
obtiene por simple inspección de la muestra: por ejemplo, en una muestra de
tamaño cinco la mediana es el valor tercero, tanto yendo de menor a mayor como
viceversa.

32
Para el control de la dispersión la mediana se acompaña normalmente del
rango, lo que permite aprovechar plenamente la ventaja de la sencillez de manejo
del gráfico.

Existen varias versiones del gráfico de la mediana - rango, estando la que


aquí se presenta tomada de Trocóniz (Aplicaciones de la Estadística) y basada en
la mediana general de los datos que formal las muestras tomadas en cuenta para
la elaboración del gráfico y en la mediana de los rangos de esas muestras.

Los elementos constitutivos del gráfico control de mediana - rango son:

Gráfico de la Mediana:
~
~
Línea Central: x  mediana de todos los datos
~ ~ ~
Límite Superior de Control: LCS ~x  ~
x  A2R
~ ~ ~
Límite Inferior de Control: LCS ~  ~
x xA R 2

Gráfico del Rango:


~
Línea central: R  mediana ( R i )
~ ~
Límite superior de control: LCS R  D 4 R
~ ~
Límite inferior de control: LCI R  D 3 R

~
donde x i es la mediana de la muestra i-sima,

Ri es el rango de la muestra i-sima, y


~ ~ ~
A 2 , D 3 y D 4 son constantes leídas en tablas, en función del tamaño de
muestra

Las constantes requeridas para la construcción del gráfico de la mediana -


rango y la constante de proporcionalidad entre rango mediano y desviación típi
aparecen recogidas en la siguiente tabla.
~ ~ ~ ~
n A2 D3 D4 d2
2 2.224 0 3.865 0.954
3 1.265 0 2.745 1.588
4 0.829 0 2.375 1.978
5 0.712 0 2.179 2.257
6 0.562 0 2.055 2.472
7 0.520 0.078 1.967 2.645
8 0.441 0.139 1.901 2.791
9 0.419 0.187 1.850 2.916
10 0.369 0.227 1.809 3.024

33
4.2.5. Señales de falta de control.

Visto ya como se prepara un gráfico de control por variables, veamos ahora


cuál es el modo de interpretar la información que nos suministran, en el sentido
de poder reconocer cuándo el gráfico indica la presencia de señales de falta de
control.

Todas la señales que a continuación veremos son consecuencia de que los


datos siguen una distribución normal, y por tanto también sus medias la siguen. Si
los resultados muestrales se ajustaran exactamente a esa distribución, los puntos
se repartirían en torno a la media de acuerdo con unas proporciones que se
recogen en la figura adjunta (los valores de los porcentajes son aproximados):

Distribución normal

68 %

2.5% 13% 13% 2.5%


-3 -2 -1 m 1 2 3
68%
95%
99.7%

Vemos que entre la media menos una desviación típica y la media más una
desviación típica se sitúa el 68% (algo más de los dos tercios) de la población; en
la franja comprendida entre la media menos dos y más dos desviaciones típicas
está el 95% de los valores; quedando ya la casi totalidad de la población dentro
de la banda definida entre menos tres y más tres desviaciones típicas. A la zona
situada en torno a la media entre -1 y +1 se le llama zona C; las zonas
intermedias entre 1 y 2 y entre -1 y -2 se denomina zona B; y la zona

34
exterior situada a ambos lados de la media entre 2 y 3 (-3 y -2
desviaciones típicas se llama zona A (o zona de atención).

Todas las señales de falta de control que a continuación se estudiarán son


consecuencia de la anterior distribución, siendo en realidad incumplimientos de la
misma. Si bien la primera señal es de común aplicación a todos los gráficos
comentados, el tipo de gráfico en que mejor interpretación y justificación tienen
el segundo grupo de señales de falta de control, las denominadas señales
adicionales, es el gráfico de la media, debiendo aplicarse con alguna reserva al
gráfico de recorrido, sobre todo en lo que se refiere a la señal b.2.

a) Puntos fuera de límites.

La primera y más evidente señal de falta de control es la presencia de uno o más


puntos fuera de los límites de control. Recordemos que esos límites están
situados de modo que la probabilidad de que sin motivo, por azar, un punto se
salga fuera es muy pequeña (del 2.7 por mil es el criterio más habitual). Por tanto,
la presencia de un punto fuera de los límites indica casi con seguridad la
presencia de alguna causa especial de variación, que deberemos investigar y
eliminar.

b) Señales adicionales de falta de control.

Aunque no lleguen a implicar la salida de puntos fuera de los límites, hay una
serie de comportamientos anormales del gráfico que son también empleados
como indicio de la presencia de causas especiales. Que esa circunstancia se de
por azar es muy poco probable, y por un razonamiento similar al que hacíamos
con los puntos fuera de límites, su aparición es signo de la existencia de alguna
causa especial de variación.

b.1) Racha ascendente o descendente de 7 o más puntos.

La primera de esas señales adicionales se da cuando un número alto de puntos


consecutivos observan una misma tendencia (creciente o decreciente). Este
comportamiento es frecuentemente consecuencia de algo que se desgasta
lentamente, de una sujeción que se va aflojando, de una acumulación de suciedad,
etc., aunque la variedad de situaciones posibles es muy grande.

b.2.) Racha de 8 o más puntos a un mismo lado de la línea central.

En una situación estable la probabilidad que tiene un punto de caer a uno u otro
lado de la línea central, supongamos que por encima, es ½. Según eso la
probabilidad de que dos puntos consecutivos cayeran a ese mismo lado sería

35
(½)2; la de que lo hicieran 3 sería (½)3, ... , y la de que 8 consecutivos cayeran al
mismo lado sería (½)8, que es un valor inferior al 1 por mil. Así pues, si tal
circunstancia se diera, es casi imposible que sea por azar, y más bien habrá que
pensar que se ha presentado alguna causa especial. Como causas de este
comportamiento podemos citar: un cambio en las características del producto
(por ejemplo por cambio de proveedor, de partida, ...), la realización de un ajuste
o reparación en el equipo; etc.

b.3) Otras secuencias anormales.

Hay una gran número de otras señales de falta de control, que no es este el lugar
más adecuado para analizar. Citaremos para terminar sólo una se ellas: dos de
tres puntos sucesivos en el tercio exterior del gráfico (zona A). Si es a un mismo
lado de la línea central deduciremos que se ha producido un cambio de nivel. Si
los puntos están en lados contrarios de la línea central, cabe concluir que ha
aumentado la dispersión.

S EÑA L ES A DIC IO NA L ES DE FA L T A DE C O NT RO L
LCS

b3 b3
b1 b2 b4
LCI

1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2

b.4) Comportamiento errático.

También llamado por aspecto “dientes de sierra”, se caracteriza por fuertes


oscilaciones en el valor del estadístico empleado de una muestra a otra. Puede ser
debido a una mezcla de poblaciones (líneas diferentes del mismo proceso) o a
una mala interpretación de los gráficos, que provoca el llamado sobrecontrol
(respuesta con acción sobre la máquina a la mínima oscilación de la característica
controlada, dando lugar a una situación innecesariamente inestable.

b.5) Demasiados puntos en la zona central.

Cuando la situación es estable y la distribución de la característica controlada es


normal, en el tercio central del gráfico deben situarse aproximadamente 2/3 (más
exactamente el 68%) de los puntos. Cuando la concentración de puntos en torno a
la línea central supera significativamente ese nivel, debemos pensar que algo
anormal está ocurriendo. Causas posibles de este comportamiento son: el error en
el cálculo de los límites de control (posibilidad que nunca debe olvidarse); el
hecho de ser unos límites antiguos que no se han actualizado conforme el proceso
mejoraba y se volvía más homogéneo; la mezcla de dos poblaciones (líneas
diferentes del mismo proceso), situada simétricamente en torno a la línea central

36
y las dos muy homogéneas, con un plan de muestreo que mezcla ambas
poblaciones en cada muestra; la mejora real del proceso, que reduce su
variabilidad; etc.

SEÑALES ADICIONALES DE FALTA DE CONTROL


LCS

b5 b6 b7
LCI

12 345 67 890 123 45 678 901 23 456 789 01 234 56

b.6) Pocos puntos en la zona central.

Si es anormal la presencia de demasiados puntos en el tercio central, también lo


es la presencia de pocos, es decir de menos (significativamente) de 2/3 de los
puntos junto a la línea central. Entre sus posibles causas podemos citar: error en
el cálculo de los límites; empeoramiento real del proceso, con aumento de su
dispersión; mezcla de poblaciones, con un plan de muestreo que tome cada
muestra de una u otra población alternativamente; etc.

SEÑALES ADICIONALES DE FALTA DE CONTROL


LCS

b8 (tendencia) b8 (cambio de nivel)


LCI

12 345 67 890 123 45 678 901 23 456 789 01 234 56

b.7) Ciclos.

Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, turno de trabajo , de procedimientos de mantenimiento, etc.
La identificación de las causas que los provocan requiere que se preste una

37
especial atención a la duración del ciclo (diario, semanal, ...) y al momento en
que se detectó su inicio.

b.8) Cambios de nivel. Tendencias.

En ocasiones la línea que representa la evolución de la característica considerada


presenta un evidente cambio en su nivel de oscilación o una tendencia ascendente
o descendente, sin que lleguen a presentarse ninguna de las anteriores señales de
falta de control. Cambios de proveedor, desgaste de herramientas, agotamiento de
componentes, son alguna de las posibles causas de este comportamiento.

4.7. Establecimiento de los gráficos de control.

Se va a describir a continuación el procedimiento empleado para la


construcción de los gráficos de control, la primera vez que se van a usar en una
cierta operación. El procedimiento requiere que el proceso esté “sensiblemente
estable”, es decir que las fuentes más evidentes de heterogeneidad hayan sido
eliminadas, ya que no cabe otra comprobación de estabilidad por no existir aún el
control. Se pretende así mismo que la información recogida con este fin nos
permita establecer los límites preliminares, salvo que sea evidente la inestabilidad
del proceso.

El proceso comienza con la toma de unas 25 muestras del tamaño que se


vaya a usar en el control, de modo que dispongamos de, al menos, cien valores. A
partir de aquí se sigue el procedimiento explicado en el diagrama de flujo de la
figura adjunta. Como en ella se aprecia sólo cuando el número de muestras fuera
de control es alto, superior a cinco, se repite la toma de muestras, y en caso
contrario se dan por buenos los límites calculados para iniciar el control.

38
1

TOMA DE
MUESTRAS

2
CALCULAR
MEDIAS Y
RANGOS CON
MUESTRAS
EXISTENTES

3
CÁLCULO DE
LÍMITES PARA
EL RANGO

6 13
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA DE
LÍMITES

7 12
¿SE HA
¿QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?

8
CALCULAR
LÍMITES PARA
LA MEDIA

15 9
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA

14 10
¿SE HA
?QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?

11
ACEPTAR
LÍMITES E
INICIAR
CONTROL

39
Anexo al Capítulo 4.

Diseño de gráficos de la media.

En aquellas ocasiones en que el criterio 3 no es el mas adecuado, se


puede obtener un plan de control ajustado exactamente a nuestras necesidades.

Supongamos que se va a controlar una cierta característica x, que sigue una


distribución normal:
x = N(m, )

y si tomamos muestras de tamaño n:

x  N ( m,  / n)

Las hipótesis que se contrastan en un gráfico de control son las siguientes:


H0: m=m0 frente a H1: mm1. Si se establecen unos errores de primera y segunda
especie  y , asociado este último a una cierta descorrección en la media m1,
disponemos de dos puntos de la curva característica del plan de muestreo que nos
interesa: (m0, 1-) y (m1, ).

Podemos entonces establecer un sistema de ecuaciones que nos permita


fijar la posición de los límites de control (que serán simétricos por serlo la
distribución normal) y el tamaño de muestra:
 LCS  m 0 
P( x  LCS / m  m 0 )     1  / 2
 / n 

 LCS  m1 
P( x  LCS / m  m1 )    
 / n 

Resolviendo el sistema y teniendo en cuenta la simetría de los límites de


control respecto a la línea central m0, tendremos:

 
LCS = m0 + z/2 n
; LCI = m0 - z/2 n

 
LCS = m1 + z 1- n
; LCI = m1 + z 1- n

2
 z / 2  z1  
n 
 d1 

40
siendo d1 el descentrado relativo asociado a la media m1 (como antes se vio):
m1  m 0
d

Obsérvese que la probabilidad de error de primera especie  fija la


posición de los límites de control, que no está influida por la probabilidad de
error de segunda especie . El tamaño de muestra viene fijado por ambas
probabilidades.

41
5. Gráficos de control por atributos.

Cuando la característica de calidad que se controla es del tipo que antes


denominábamos atributos, es decir que es el resultado de un recuento de
unidades defectuosas o de defectos en las unidades, emplearemos unos
gráficos similares a los anteriores, pero adaptados a las características que ahora
se manejan.

Como ya se adelantó, tendremos unos gráficos para control por defectuosas y


otros para control por defectos. También se habla en ocasiones de control por
unidades no conformes y control por disconformidades, respectivamente. En
todos los casos supondremos que las características del proceso estudiado
permiten hacer la aproximación a la normal: la condición requerida que consiste
en que el promedio de defectos o defectuosas en la muestra se sitúe por encima
de 5.

El tipo de impreso empleado en los gráficos por atributos es el que se presenta en


la página siguiente, pues el tipo de información que se recoge es similar en todos
los casos: tamaño de muestra, número de observaciones (defectos o defectuosas,
según el tipo de gráfico) y, en su caso, el cociente de ambas cantidades para
obtener la proporción. El modelo siguiente puede servir de guía.

p  c 
EMPRESA S.A. np  u 
PIEZA: CARACTERÍSTICA: OPERACIÓN: Responsable:

Lote nº: Media: LCS: LCI: Tamaño muestra:

42
Frecuencia muestreo:

ID.
muestra
cant.def
propor.

5.1. Control por defectuosas.

Este tipo de control se aplica cuando las unidades se clasifican como correctas o
defectuosas. Podemos encontrar multitud de ejemplos, tanto en la industria como
en los servicios: pieza correcta/defectuosa, operación realizada/no realizada,
identificación correcta/incorrecta, teléfono presente/ausente, etc.

Los dos gráficos que se manejan son el p y el np. El primero lleva en control a
través de la proporción de defectuosas y el segundo directamente por el número
de defectuosas. Como es fácil comprender, el uso del segundo tipo de gráfico, np,
requiere que el tamaño de muestra se mantenga constante para que los valores
que se obtienen sean comparables.

5.1.1. Tamaños de muestra requeridos para los gráficos de control


por defectuosas.

Si se dan las condiciones que nos permiten realizar la aproximación de la


distribución binomial a la normal, es decir el producto np es suficientemente
grande (habitualmente se considera que mayor de 15, aunque a efectos de los
gráficos de control podemos considerar la aproximación válida a partir de
np = 5), podemos calcular el tamaño de muestra requerido de un modo análogo a
como se hizo para el gráfico de control de la media.

43
Así pues, para los gráficos np ó p, definir el tamaño de muestra requiere
disponer de la siguiente información:

 nivel de significación  deseado.


 una proporción de defectuosas p0 que se considera normal o aceptable.
Corresponde al promedio histórico de un periodo en el que el proceso haya
sido estable.
 probabilidad del error de segunda especie .
 una proporción de defectuosas p1, que representa una descorrección respecto a
ese nivel normal de defectuosas, que deseamos detectar con probabilidad 1-.

Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
 z /2 p 0q 0  z p1q1 
n   

 p1  p0 

Lo que realmente sería más grave desde el punto de vista de la calidad


sería un aumento en la proporción de defectuosas (es decir, p 1>p0), este tamaño
de muestra está calculado en base a un test bilateral (que es lo que en realidad es
un gráfico de control), puesto que además de “empeoramientos” interesa detectar
“cambios” en cualquier sentido. Como es lógico, el modo de reaccionar ante
cambios de distinto sentido será diferente: se tomarán acciones más drásticas
cuando se detecte un empeoramiento que cuando se detecte una mejora. En
cualquier caso, se impone detectar los cambios.

5.1.2. Gráfico np : Cantidad de defectuosas

5.1.2.1 Tamaño muestral fijo

De los dos gráficos, este es el de más sencillo uso, pues no requiere


prácticamente la realización de ninguna operación matemática para el uso en
línea del gráfico. El cálculo de los distintos elementos del gráfico de control se
realiza mediante:
k

Línea central:  np i
np  i 1
k

Límite inferior: LCI = np - 3 np(1 - p)


Límite superior: LCS = np + 3 np(1 - p)

44
donde: npi es la observación asociada a la muestra i-sima consistente en el
número de unidades no conformes detectadas,
k es el número de muestras empleadas para la construcción del gráfico
(habitualmente de 20 a 25 muestras) ,
n es el tamaño de la muestra (fijo) , y
p es la proporción media observada de unidades no conformes.
p = np / n

Puede ocurrir que al emplear la fórmula del LCI se obtenga un valor negativo. En
tal caso, puesto que no pueden aparecer menos de cero defectuosas por muestra,
se tomará como tal límite inferior de control al cero (lo cual es casi equivalente a
decir que no hay límite inferior de control).

5.1.2.2 Tamaño muestral Variable

En algunas oportunidades es posible que el gráfico de control para cantidad de


defectusas necesite de un tamaño muestral variable , debido a variadas razones :
La muestra sea un 100% de lo producido; se decidió tomar como muestra un %
de todo lo producido en un turno ,etc.
Para construir los gráficos de control bajo esta condición, podemos utilizar dos
métodos o criterios:

a) Primer Método : determinar para cada muestra , límites de control


basados en el tamaño muestral específico.

El cálculo de los distintos elementos del gráfico de control se realiza mediante:


i k
 i1 Di
Línea central: ni p ; donde p = -------------
i k
 ni
i 1

Di son las defectuosas en muestra i

Límite inferior: ni p - 3 [ni p (1 - p )  1/2

Límite superior: ni p + 3 [ni p (1 - p )  1/2

45
Es decir los límites de control son variables , segun sea el tamaño muestral
utilizado.

b) Segundo Método : contruir el gráfico de control utilizando un


tamaño muestral promedio .Esto supone que futuros tamaños
muestrales no serán muy diferentes de los observados
anteriormente. Se suele considerar correcto este
planteamiento cuando las oscilaciones del tamaño muestral son menores del 10%
del tamaño muestral medio. O bien que al comparar los diferentes tamaños
muestrales, estos no llegan a ser tan significativamente
diferentes. Los límites de control del gráfico, serán constantes.

i k
Línea central = n p donde n =[  ni / k  y p como ya se definió
i 1

Límite inferior: n p - 3 [n p (1 - p )  1/2

Límite superior: n p + 3 [n p (1 - p )  1/2

5.1.3. Gráfico p : Proporción o fracción defectuosa.

El gráfico de la proporción de no conformes, p, requiere conocer o calcular para


cada muestra recogida la proporción o fracción de defectuosas .Para ello se debe
dividir el número de defectuosas en la muestra por el tamaño muestral respectivo
y de esa manera obtener un valor “ pi “. Al igual que el anterior,puede que el
tamaño muestral sea constante o variable.

5.1.3.1 Tamaño muestral fijo

Las expresiones para el cálculo de las líneas del gráfico son:


i k i k

=  = 
Di pi
Línea central: p
i 1 i 1
kn k

p (1 - p)
Límite inferior: LCI = p -3
n
p (1 - p)
Límite superior: LCS = p3
n

46
donde pi es la observación asociada a la muestra i-esima consistente en la
proporción de unidades no conformes detectadas, k es el número de muestras
empleadas para la construcción del gráfico (habitualmente de 20 a 25 muestras) y
p es la proporción media observada de unidades no conformes.

5.1.3.2 Tamaño muestral Variable

En algunas oportunidades es posible que el gráfico de control para la fracción


defectuosa pueda requerir que el tamaño de muestra no sea constante.
Piénsese por ejemplo en un control realizado a base de contar el número de
piezas defectuosas en una caja, cuyo contenido no siempre es exactamente igual.
El precio que se paga por esa mayor flexibilidad es una pequeña complejidad en
los cálculos requeridos para su uso en línea: en cada muestra deberá calcularse la
proporción de no conformes para representarla gráficamente.
Para construir los gráficos de control bajo esta condición, podemos utilizar dos
métodos o criterios:

a) Primer Método : determinar para cada muestra , límites de control


basados en el tamaño muestral específico.

Las expresiones para el cálculo de las líneas del gráfico son:


i k
 Di
i 1
Línea central: p =.
i k
 ni
i 1

Límite inferior: LCI = p - 3 [ p (1 - p ) / n i  1/2

Límite superior: LCS = p + 3 [ p (1 - p ) / n i  1/2

Si se observa la fórmula de los límites de control, se puede apreciar que la


posición de ambos límites depende el valor del tamaño de muestra “ni”,
ampliándose los límites cuando ni disminuye y estrechándose cuando el tamaño
de muestra ni aumenta. Ello obligaría en ciertos casos a un continuo recálculo de
los límites, haciendo muy engorroso el uso de estos gráficos.

b) Segundo Método : construir el gráfico de control utilizando un


tamaño muestral promedio .Esto supone que futuros tamaños
muestrales no serán muy diferentes de los observados
anteriormente. Se suele considerar correcto este

47
planteamiento cuando las oscilaciones del tamaño muestral son menores del 10%
del tamaño muestral medio. O bien que al comparar los diferentes tamaños
muestrales, estos no llegan a ser tan significativamente
diferentes, por lo que se suele aceptar que si las oscilaciones
de ni son inferiores al diez por cien del tamaño medio de la
muestra, no se modifique el valor LCI y LCS. Esto se
consigue remplazando el valor de “ni “ en las fórmulas de los
los límites de control superior e inferior anteriores por “ n ”
i k
n= [  ni / k 
i 1

De este modo los valores de LCI y LCS serán constantes

En los gráficos de esta sección, si al calcular el límite de control inferior (LCI) se


obtuviera un valor negativo, debería tomarse como tal límite inferior el cero, pues
nunca pueden darse valores de “p” negativos.
Para evitar que el L.C.I fuese negativo, se podría escoger un tamaño muestral
“n” de manera que la probabilidad de hallar por lo menos un artículo defectuoso
o no conforme por muestra se al menos igual a “  “.
Por ejemplo, supóngase de que p= 0.02 , y que se desea que la probabilidad de
encontrar por lo menos un artículo defectuoso en la muestra sea de por lo menos
0.95. Sea “D” el número de unidades disconformes, y entonces se desea
determinar el valor de “n” de modo que P{D1} 0.95. Haciendo uso de la
aproximación de Poisson a la Binomial, se encuentra que el valor de  = 3.0 .
Por lo tanto como  = np , entonces n = 3.0/0.02 = 150.
Duncan (1974) ha sugerido que el tamaño de la muestra tendría que ser
suficientemente grande para tener una probabilidad aproximada de 50% de
detectar un cambio de alguna cantidad especificada en el proceso.Por ejemplo
supóngase de que p = 0.01 y que se desea una probabilidad de 0.50 para
detectar un cambio hacia p = 0.04. Al suponer que se puede aplicar la
aproximación normal a la distribución binomial, habría que elegir “n“ de manera
que el límite superior de control coincida exactamente con la fracción no
conforme en el estado fuera de control (Para una “p” aproximadamente normal,
la probabilidad de que este valor exceda el LCS es 0.5 si el LSC es igual a la
fracción defectuosa “p”, debido a la simetría de la distribución normal. Veáse
Sección 2.4.3 del Texto Control Estadístico de la Calidad de Douglas
Montgomery).
Si ““ es la magnitud del cambio en el proceso, entonces “n” tendrá que
satisfacer
 = k p(1  p) / n  n = (k/)2 p (1 - p)

Usando límites de tres sigmas , para el ejemplo anterior tenemos

48
n = (3/ 0.03)2 (0.01) (0.99) = 99

Si el valor de la fracción defectuosa es pequeño,otro criterio útil es escoger el


valor de n lo suficientemente grande para que el Gráfico de Control tenga un
límite de control inferior positivo.Esto asegura una mecanismo que obliga a
investigar una o más muestras que contienen un número anormalmente pequeño
de artículos defectuosos. Se desea que:

(1  p )
L.C.I = p - k p(1  p ) / n > 0  n> p
k2
Por ejemplo si p = 0.03 y se usan límites de tres sigmas , el tamaño muestral
sería de
n > (0.97/0.03) (3)2 = 291

y de este manera el Gráfico de Control tendrá un Límite de Control Inferior


positivo.

5.2. Control por defectos.

Este tipo de gráfico de control se aplica en aquellas circunstancias en que cada


unidad de control (por ejemplo, cada pieza) puede tener más de un defecto del o
los tipos controlados. Tal ocurre por ejemplo cuando se controlan defectos
superficiales, como en el control del esmaltado en las puertas de frigoríficos,
control del pintado en techos de coches, el número de defectos en 100 mts de
soldadura de un oleoducto, etc. A diferencia de el resto de situaciones ya
comentadas, ahora la unidad de control no necesariamente será la pieza o la
unidad física de producto, sino que podremos encontrarnos con partes de un
elemento continuo, como un metro cuadrado de tejido en el que se controlan
defectos, o un litro de un liquido en que se controlan impurezas, o cien líneas de
texto en las que se controlan errores de mecanografiado, el número de defectos
en 100 mts de soldadura de un oleoducto etc. Es decir , se contaran la cantidad de
defectos existentes en una unidad de longitud , área, espacio, volumen, etc.-

Según que el tamaño de muestra sea constante a lo largo del control o no lo sea,
consideraremos dos tipos de gráficos: El primero, para tamaño de muestra normal
es el gráfico del número de defectos por muestra, “c”; el segundo es el gráfico
del número de defectos por unidad, “ u” , que se emplea con muestras de
tamaño variable.

49
5.2.1. Tamaños de muestra requeridos para los gráficos de control
por defectos.

Si se dan las condiciones que nos permiten realizar la aproximación de la


distribución de Poisson a la normal, es decir el promedio  es suficientemente
grande (habitualmente se considera que mayor de 15, aunque a efectos de los
gráficos de control podemos considerar la aproximación válida a partir de =5),
podemos calcular el tamaño de muestra requerido de un modo análogo a como se
hizo para el gráfico de control de la media.

Así pues, para los gráficos c (número de defectos por muestra) o para los
gráficos u (número de defectos por unidad) , definir el tamaño de muestra
requiere disponer de la siguiente información:

 nivel de significación  deseado.


 un nivel de defectos 0 que se considera normal o aceptable. Este 0 es el
promedio de defectos que tendría cada unidad de la muestra. Corresponde en
los gráficos de control al promedio histórico del un periodo estable.
 probabilidad del error de segunda especie .
 un nivel de defectos  1, que representa una descorrección respecto a ese nivel
normal de defectos, que deseamos detectar con probabilidad 1-. Este
promedio de defectos 1 es el que tendría cada unidad de la muestra.

Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
 z /2  0  z 1 
n   

 1   0 

Igual que ocurría con los gráficos p y np de control por defectuosas, a


pesar de que lo que realmente sería preocupante desde el punto de vista de la
calidad es el aumento en el numero de defectos (es decir, 1>0), se aplica en los
gráficos de control un test bilateral, puesto que además de “empeoramientos”
interesa detectar “cambios” en cualquier sentido. Obviamente el modo de
reaccionar ante cambios de distinto sentido será diferente, pero en cualquiera se
impone detectarlos. En el anexo al presente Capítulo se comenta en más detalle la
obtención de este valor del tamaño de muestra.

5.2.2. Gráfico c :Número de defectos por muestra.

50
Formalmente es uno de los gráficos más sencillos que se emplean, dada la
sencillez de las expresiones que nos permiten obtener los distintos elementos del
gráfico:
k

Línea central: c i
c i 1
k

Límite inferior: LCI = c-3 c

Límite superior: LCS = c3 c

donde: ci , es la observación asociada a la muestra i-esima consistente en el


número de disconformidades detectadas,
k , es el número de muestras empleadas para la construcción del gráfico
(habitualmente de 20 a 25 muestras) y
c , es la cantidad media observada de disconformidades por muestra.

Si el resultado de calcular el límite inferior fuera negativo, se tomaría como límite


de trabajo el cero, ya que valores negativos de “c” carecen de sentido.

Se debe usar este gráfico sólo cuando el tamaño de muestra sea fijo.

5.2.3. Gráfico u : Número de defectos por unidad.

5.2.3.1 Tamaño muestral constante.

Si encontramos un total de “c i “ defectos donde se inspeccionan muestras que


tienen exactamente “n” unidades de inspección ,entonces el número promedio de
defectos por unidad de inspección será :

ci
ui =
n
Por ejemplo , un fabricante de circuitos integrados para ordenadores desea
establecer un Gráfico de Control del número de defectos antes de iniciar el
montaje de ellos y decide que cada muestra debera contener 5 de tales circuitos.
Es decir la “unidad de inspección” está formada por 5 circuitos.
Realiza una campaña para colectar 25 de tales muestras

El estadístico empleado en el control es el número de defectos o


disconformidades por unidad, u, y las expresiones para el cálculo de las líneas
del gráfico son:

51
k

Línea central: u i
u i 1
k

u
Límite inferior: LCI = u-3
n

u
Límite superior: LCS = u3
n

donde : ui ,es la observación asociada a la muestra i-sima consistente en el


número de disconformidades por unidad detectadas,
k , es el número de muestras empleadas para la construcción del gráfico
(habitualmente de 20 a 25 muestras) y
u , es la cantidad media observada de defectos por unidad de
inspección.

Como en el resto de gráficos por atributos, si el límite inferior de control


calculado resultara negativo, debería sutituirse el valor obtenido por el cero, dado
que no tiene sentido un número negativo de disconformidades por unidad.

5.2.3.1 Tamaño muestral variable.

Esto ocurre cuando las unidades de inspección ni , tinen un tamaño varible.Las


razones de ello , ya fueron descritas en puntos anteriores cuando se analizaron
los gráficos de “defectuosas”.
i=k
 ci
i=1
u = i=k
 ni
i=1
donde : ci , es el número de defectos encontrados en la unidad inspeccionada.
ni , es el número de elementos en la unidad inspeccionada.
k , es el número de unidades inspeccionadas para la construcción del
gráfico (habitualmente de 20 a 25 muestras)

Las expresiones para el cálculo de las líneas del gráfico son:


i=k
 ci
i=1
Línea central: u = i=k
 ni
i=1

52
Límite inferior: LCI = u - 3 [ u / ni  1/2

Límite superior: LCS = u + 3 [ u / ni 1/2

Obsérvese que la posición de los límites de control depende del tamaño de


muestra n, y por tanto si éste varía los limites lo harán en consecuencia,
ampliándose si el tamaño disminuye y estrechándose si el tamaño de muestra
aumenta.
Al igual que en el gráfico p, si las oscilaciones del tamaño de muestra son
inferiores al diez por cien del tamaño medio de muestra, se acepta que se
mantenga constante la posición de los límites. Ello se consigue remplazando en
las expresiones de LCI y LCS el valor “ni” por un valor “ n ” con
i k
n= [  ni / k 
i 1

5.3. Señales de falta de control.

Una vez se ha elaborado el gráfico adecuado a cada situación concreta, se plantea


el tema de cómo controlar el comportamiento del gráfico o, lo que es lo mismo,
de qué comportamientos del gráfico debemos identificar como anormales,
indicativos por tanto de la presencia de alguna causa especial.

Las señales de falta de control son básicamente las mismas que arriba se
comentaron para los gráficos por variables, con alguna pequeña salvedad que
ahora se comentará.

a) Puntos fuera de límites.

Los límites de control están situados de modo que si el proceso es estable la


probabilidad de que un punto del gráfico se salga de límites es muy pequeña (del
orden del 3 por mil). En consecuencia, si observamos un punto fuera de los
límites deberemos deducir que probablemente se ha presentado alguna causa de
variación de las que llamábamos especiales (es decir, no aceptable).

Por la naturaleza de los estadísticos empleados en control por atributos, existe un


clara diferencia en la valoración que se hace de una salida según sea por el límite
superior o por el inferior: En efecto, si se sobrepasa el LCS estamos teniendo más
defectos o defectuosas de los admisible en una situación normal, lo cual es
claramente un problema, pero si estamos por debajo del LCI lo que tenemos es

53
menos defectos o defectuosas de lo normal, lo cual ya no está claro que deba
preocuparnos.

El considerar que en ambos casos se da una señal de falta de control obedece al


objetivo, antes explicitado, de los gráficos de control: controlar la estabilidad del
proceso. Para esa estabilidad, tan anormal es un caso como el otro,
independientemente de las valoraciones que se hagan. Debe además pensarse que
la presencia de señales de falta de control es una ocasión de mejorar el proceso,
bien por la eliminación de problemas, bien por la identificación de mejores
condiciones de trabajo que pueden haberse dado fortuitamente.

b) Señales adicionales de falta de control.

Son las mismas que se citaron en el apartado correspondiente al control por


variables, y salvo que incorporen algún cambio respecto a lo que allí se dijo sólo
vamos a citarlas.

b.1) Racha ascendente o descendente de 7 o más puntos.

La primera de esas señales adicionales se da cuando un número elevado de


puntos consecutivos observan una misma tendencia (creciente o decreciente).
Este comportamiento está frecuentemente asociado a situaciones que se van
degradando lentamente, fatiga de operarios en operaciones manuales,
acumulaciones de suciedad, etc., aunque la variedad de situaciones posibles es
muy grande.

b.2.) Racha de 8 o más puntos a un mismo lado de la línea central.

Si se presenta esta circunstancia, es casi imposible que sea por azar, y más bien
habrá que pensar que se ha presentado alguna causa especial. Como causas
posibles de este comportamiento podemos citar: cambio en las características del
producto (por ejemplo por cambio de proveedor, de partida, ...); realización de un
ajuste o reparación en el equipo; cambio de operario; etc.

S EÑA L ES A DIC IO NA L ES DE FA L T A DE C O NT RO L
LCS

b3 b3
b1 b2 b4
LCI

1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2

b.3) Otras secuencias anormales.

54
Hay un gran número de otras señales de falta de control no teniendo excesivo
sentido analizarlas exhaustivamente. Citaremos para terminar sólo una de ellas:
dos de tres puntos sucesivos en el tercio exterior del gráfico (zona A). Si es a un
mismo lado de la línea central deduciremos que se ha producido un cambio de
nivel. Si los puntos están en lados contrarios de la línea central, cabe concluir que
ha aumentado la dispersión.

b.4) Comportamiento errático.

También llamado por aspecto “dientes de sierra”, se caracteriza por fuertes


oscilaciones en el valor del estadístico empleado de una muestra a otra. Puede ser
debido a una mezcla de poblaciones o a una mala interpretación de los gráficos,
que provoca el llamado sobrecontrol (respuesta con acción sobre la máquina a la
mínima oscilación de la característica controlada, dando lugar a una situación
innecesariamente inestable.

b.5) Demasiados puntos en la zona central.

Cuando la situación es estable y la distribución de la característica controlada es


normal, en el tercio central del gráfico deben situarse aproximadamente 2/3 de los
puntos. Cuando la concentración de puntos en torno la la línea central supera
significativamente ese nivel, debemos pensar que algo anormal está ocurriendo.
Causas posibles de este comportamiento son: el error en el cálculo de los límites
de control (posibilidad que nunca debe olvidarse); el hecho de ser unos límites
antiguos que no se han actualizado conforme el proceso mejoraba y se volvía más
homogéneo; la mezcla de dos poblaciones, situada simétricamente en torno a la
línea central y las dos muy homogéneas, con un plan de muestreo que mezcla
ambas poblaciones en cada muestra; la mejora real del proceso, que reduce su
variabilidad; etc.

SEÑALES ADICIONALES DE FALTA DE CONTROL


LCS

b5 b6 b7
LCI

12 345 67 890 123 45 678 901 23 456 789 01 234 56

b.6) Pocos puntos en la zona central.

55
Si es anormal la presencia de demasiados puntos en el tercio central, también lo
es la presencia de pocos, es decir de menos (significativamente) de 2/3 de los
puntos junto a la línea central. Entre sus posibles causas podemos citar: error en
el cálculo de los límites; empeoramiento real del proceso, con aumento de su
dispersión; mezcla de poblaciones, con un plan de muestreo que tome cada
muestra de una u otra población alternativamente; etc.

b.7) Ciclos.

Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, de procedimientos de mantenimiento, etc. La identificación
de las causas que los provocan requiere que se preste una especial atención a la
duración del ciclo (diario, semanal, ...) y al momento en que se detectó su inicio.

SEÑALES ADICIONALES DE FALTA DE CONTROL


LCS

b7 (tendencia) b7 (cambio de nivel)


LCI

1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6

b.8) Cambios de nivel. Tendencias.

En ocasiones la línea que representa la evolución de la característica considerada


presenta un evidente cambio en su nivel de oscilación o una tendencia ascendente
o descendente, sin que lleguen a presentarse ninguna de las anteriores señales de
falta de control. Cambios de proveedor, desgaste de herramientas, agotamiento de
componentes, son alguna de las posibles causas de este comportamiento.

56
Anexo al Capítulo 5.

Diseño de Gráficos de Control y cálculo de los tamaños de muestra


requeridos para gráficos de control por atributos.

En anteriores apartados se han presentado las expresiones que nos permitía


calcular los tamaños de muestra requeridos para los gráficos de control por
defectuosas o por defectos. Veremos a continuación cómo se obtienen tales
expresiones.

Diseño de gráficos de control y tamaño de muestra requerido en gráficos de


control por defectuosas.

La distribución con la que se trabaja en este tipo de situaciones es


básicamente la distribución binomial. Como se sabe, esta distribución suele
considerarse que se aproxima a la normal o gaussiana cuando el producto del
tamaño de muestra, n, y de la probabilidad del suceso considerado, p, es mayor
que 5. (En realidad serían preferibles valores aún mayores para que la
aproximación fuera más precisa).

Si llamamos x a la variable número de unidades defectuosas en una


muestra de tamaño n, cada una de cuyas unidades tiene una probabilidad p de ser
defectuosa, esta variable sigue una distribución binomial B(n, p). Si la
aproximación comentada es posible, se tiene que:

x = B(n, p)  N(np, npq )

Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0: np = np0 frente a H1: np  np0, y debemos además definir
una calidad baja, np1, que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (np0, ) y (np1, ).

Resolveremos a continuación el sistema de ecuaciones formado por las


probabilidades de aceptar la estabilidad del proceso asociadas a ambos puntos:

 LCS  np 0 
P( x  LCS / np  np 0 )     1   / 2
 np 0 (1  p 0 ) 

 LCS  np1 
P( x  LCS / np  np1 )     
 np1 (1  p1 ) 

57
Por ser la normal una distribución simétrica, se ha tomado sólo el límite
superior de control, para el que la probabilidad de ser excedido bajo control será
/2.

La resolución de este sistema nos permite obtener tanto los límites de


control que servirían para tener una protección 1- frente al error de primera
especie, como el tamaño de muestra requerido para satisfacer simultáneamente
los requisitos en cuanto a errores de primera y segunda especie (a través de sus
probabilidades  y ):

LCS  np 0  z1  / 2 np 0 q 0

2
 z  / 2 p 0 q 0  z  np1q 1 
n 
 p1  p 0 
 

el límite de control inferior estaría, como podemos deducir por simple simetría o
analíticamente, situado en:

LCI  np 0  z1  / 2 np 0 q 0

Diseño de gráficos de control y tamaño de muestra requerido en gráficos de


control por defectos.

En este caso, la distribución con la que se trabaja es la distribución de


Poisson. Como se sabe, esta distribución suele considerarse que se aproxima a la
normal o gaussiana cuando su promedio, , es mayor que 5 (aunque en realidad
serían preferibles valores aún mayores para que la aproximación fuera más
precisa).

Si llamamos x a la variable número de defectos que presenta cada unidad,


esta variable sigue una distribución de Poisson, Ps(). Si la aproximación
comentada es posible, se tiene que:

x = Ps()  N(,  )

Si consideramos ahora una muestra aleatoria de tamaño n, el número total y


de unidades defectuosas en la muestra será también una Poisson (por ser suma de
variables de Poisson independientes), tal como la siguiente:

y = Ps(n)  N(n, n )

58
Puesto que las muestras estarán habitualmente formadas por más de una
unidad, la comprobación de la condición para aproximar a la normal deberá
hacerse sobre esta última distribución, viendo si n>5.

Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0:  = 0 frente a H1:   0, y debemos además definir una
calidad baja, 1 (1>0) que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (0, ) y (1, ). (0 y 1 son los números
medios de defectuosas en una unidad).

Resolveremos a continuación el sistema de ecuaciones formado por las


probabilidades de aceptar la estabilidad del proceso asociadas a ambos puntos:

 LCS  n 0 
P( y  LCS /    0 )     1  / 2
 n 0 

 LCS  n 1 
P( y  LCS /    1 )    
 n 1 

La resolución de este sistema nos permite obtener tanto los límites de


control que servirían para tener una protección 1- frente al error de primera
especie, como el tamaño de muestra requerido para satisfacer simultáneamente
los requisitos en cuanto a errores de primera y segunda especie (a través de sus
probabilidades  y ):

LCS  n 0  z1 / 2 n 0

2
 z  /2  0  z  1 
n   

 1   0 

y el límite de control inferior estaría situado en:

LCI  n 0  z1 / 2 n 0

(recuérdese que 0 representa el número medio de defectos por pieza).

59
6. Estudios de Capacidad.
6.1. Generalidades.

Un complemento esencial de los gráficos de control por variables lo


constituyen los estudios de Capacidad del proceso o de la máquina. Su objetivo
es ver si, en una situación estable, el proceso o la máquina son capaces de
producir dentro de las especificaciones de diseño del producto. Estos estudios
vienen a ser la valoración conjunta de los datos de un periodo de estabilidad,
mientras el gráfico de control es la monitorización de la evolución de esa
situación a lo largo del periodo de tiempo estudiado.

Distinguiremos dos tipos de estudio de capacidad, en función de si la


característica estudiada es el resultado de la acción de una máquina o de un
proceso más complejo, hablándose de capacidad de máquina y de capacidad
de procesos, respectivamente.

Antes de analizarlos por separado debemos definir o aclarar algunos


conceptos que se manejan a continuación. Llamaremos límites de especificación
a los valores extremos, superior e inferior, que puede presentar una cierta
característica de un producto para que, en lo relativo a esa característica, ese
producto sea considerado correcto. Con frecuencia se les llama también límites
de tolerancia o simplemente tolerancias. Entenderemos que valor nominal es
aquel que idealmente, según diseño, debiera presentar una cierta característica de
un producto. En la industria y en los servicios podemos encontrarnos con una
amplia variedad de situaciones relativas de esos tres parámetros: lo habitual y
más sencillo es que tengamos ambas tolerancias, superior e inferior, y que el
valor nominal esté centrado entre ambas. Esta será la situación que aquí más
estudiemos. Otros casos menos frecuentes incluyen la posición descentrada del
nominal respecto a las tolerancias, la existencia de sólo una de las dos
tolerancias, la inexistencia de valor nominal, etc. El conjunto de tolerancias y
valor nominal representan el “como debe ser” la característica estudiada.

Otro concepto a definir es el de variabilidad natural. Por tal se entiende


que es un intervalo de valores que comprende a la “casi” totalidad de los
observados en una característica de un producto en las unidades producidas,
teniendo en cuenta la distribución estadística de esa característica. Precisamente
la diferencia entre los dos tipos de estudio de capacidad radica en la definición de
esa “casi” totalidad. Lo más habitual, teniendo en cuenta que la distribución más
frecuente es la normal, es que el intervalo que define la variabilidad natural sea
un intervalo centrado en torno a la media de la característica en el periodo
estudiado. Esta variabilidad natural viene a ser el “cómo es realmente” la
característica estudiada.

60
Para que esa variabilidad natural que acabamos de definir tenga sentido y
sea representativa de la situación a todo lo largo del periodo analizado, deberá
haber habido en éste una situación de estabilidad en la característica, es decir la
situación que llamábamos en un capítulo anterior “proceso bajo control
estadístico”. Si ese estado no se ha conseguido, los valores que nos den los
estudios de capacidad serán inconsistentes y poco representativos.

Los resultados de análisis de Capacidad de Proceso proporcionan una


valiosa información. Deleryd (1996) desarrolló una lista de 13 utilizaciones de los
resultados de los estudios de capacidad de proceso:

1) Como un elemento básico, esencial, a tener en cuenta en la mejora de


procesos.
2) Como una “alarma” permanente.
3) Como especificaciones para la inversión. Para dar especificaciones de los
niveles de los índices de capacidad de proceso que se espera alcanzar por
nuevas maquinarias, orientando los procesos de compra
4) Como un a certificación para clientes. El proveedor (productor) es capaz de
incorporar el resultado de sus estudios de capacidad de proceso en la
fabricación de sus productos, cuando ellos son enviados al mercado.
5) Como una base para nuevos diseños. Por el conocimiento de la
capacidad de los procesos productivos, el diseñador (I + D) conocerá un
conjunto razonable de especificaciones en orden a hacer manufacturable un
producto.
6) Para controlar los esfuerzos de mantenimiento. Por el continuo estudio de la
capacidad de los procesos es posible ver el deterioro gradual de algunas
máquinas.
7) Como especificaciones para introducir nuevos productos.
8) Para asegurar las razonables demandas de clientes.
9) Para motivación del trabajo en equipo.
10) Para decisiones priorizadas en la mejora de procesos
11)Como una base para las actividades de inspección y de auditorias
12) Como un compromiso para mejorar
13) Para la formulación de Programas de Mejora de la Calidad

6.2. Indices de Capacidad de procesos, bajo supuesto de


Normalidad Estadística

61
6.2.1. Capacidad potencial.

Puesto que deseamos comparar variabilidad natural de proceso con las


especificaciones o tolerancias, una forma sencilla de abordar el tema es calcular
el cociente entre la anchura de esas especificaciones y la variabilidad natural,
obteniendo un ratio que indica si el proceso es suficientemente homogéneo como
para caber dentro de las especificaciones. Definiremos ahora la variabilidad
natural como la anchura del intervalo comprendido entre la media menos tres
desviaciones típicas y la media más tres desviaciones típicas, es decir, 6. A ese
ratio (anchura de esas especificaciones / variabilidad natural ) se le llama Cp,
capacidad potencial:

Este índice Cp se interpreta del siguiente modo:

Cp < 1 ............................... proceso potencialmente no capaz (anchura


de tolerancias pequeña frente a la
variabilidad de proceso)
Cp = 1 ............................... proceso potencialmente justamente capaz
(anchura de tolerancias y variabilidad
natural iguales)
Cp > 1 ............................... proceso potencialmente sobradamente
capaz (variabilidad pequeña frente a la
anchura de tolerancias).

Aunque en principio a partir de que C p vale 1 el proceso ya es capaz, la


situación es tan crítica en las proximidades de C p=1 (donde la menor
descorrección de media o varianza provoca disminución de la capacidad por
debajo de 1) que se suele exigir un valor mínimo de Cp de 1.33 o 1.67.

El coeficiente de capacidad potencial tiene como gran limitación el no


tener encuentra el centrado o descentrado que realmente tenga la característica
estudiada. Así, procesos con la misma variabilidad y distintas medias darían, para
unas mismas tolerancias, el mismo valor de C p, situación que evidencia la
necesidad de contar con otros indicadores de capacidad que complementen la
información suministrada por la capacidad potencial.

Este índice fue diseñado para ser usado sólo bajo las siguientes condiciones:
1.- Procesos con datos normalmente distribuidos [ N (  , 2 )  .
2.- Independencia entre un dato y otro.
3.- Datos colectados de un proceso bajo control estadístico (estable).

T+-T- T+-T-

62
m1 m2

6 6
Proceso centrado Proceso descentrado

donde , T+ : Es el límite de especificación superior (L.E.S)


T - : Es el límite de especificación inferior (L.E.I)

Así pues, la capacidad potencial queda como la mejor capacidad que


puede llegar a tener el proceso en caso de que esté perfectamente centrado
entre tolerancias, sin que cambie su variabilidad actual.

6.2.1.1 Intervalos de confianza para Cp


Una estimación de la capacidad de proceso, a partir de los datos colectados,
está dada por
i n
 =
Cp ( T+ - T- )/ 6 S donde S = [  (Xi - X)
2
/ (n-1)1/2
i 1

Kane (1986) demostro que


 =
Cp Cp / [2n - 1 / (n-1) 1/2

donde 2n - 1 es la distribución Chi-cuadrado con n-1 grados de libertad.

Entonces el intervalo de confianza 100(1 -  ) está dado por:

[ (n - 1) S2 / 2n - 1, 1- /2   C p  [ (n - 1) S2 / 2n - 1, /2 

y dado que  = ( T+ - T- )/ 6 S este intervalo de confianza también puede


Cp
quedar expresado como:

o bien [ (2n - 1, /2 / ( n  1)  Cp


  Cp  [ (2n - 1, 1- /2/ ( n  1)  Cp

6.2.1.2. Prueba de Hipótesis para C p

En el Análisis de Capacidad de Proceso , puede resultar de interés probar la


Hipótesis Ho : El proceso no es capaz v/s H1 : El proceso es capaz .

63
Es decir , Ho : C p  C 0 v/s H1 : C p  C 0 con un nivel de 100(1 - ) de
confianza , donde C0 es el valor mínimo para Cp de una organización en
particular.Utilizando la expresión desarrollada por Kane


Cp = Cp [ (n -1)/ 2n - 1 ,  1/2

Remplazando C p por C 0 , es decir el estadístico de prueba bajo H0 ,


comparamos el valor de C0 [ (n -1)/ 2n - 1 ,  1/2 con Cp 

Si el valor de Cp   C0 [ (n -1)/ 2n - 1 ,  1/2 entonces se rechaza la hipótesis


H0 para aceptar H1 (El proceso es capaz ) . Caso contrario decimos que en
virtud de los datos obtenidos , el proceso no es capaz.

6.2.2. Capacidad real.

Una posibilidad para solventar la anterior carencia del índice de capacidad


potencial consiste en emplear el llamado índice de capacidad real, o simplemente
de capacidad, que se define como:

Cpk = min [Cpu, Cpl = ( d -  - M ) / 3 

donde: Cpu = ( T+ -  )  3 Cpl = (  - T- )  3

d = (T+ - T- )  2 es la mitad del intervalo especificación

 , es la media del proceso ; M = (T+ + T- )  2

Esto lleva a decir que si:


Cpk  Cpu implica que T+   + (3) Cpk
Cpk  Cpl implica que T-   - (3) Cpk
Según se ve en las expresiones anteriores, ahora la media del proceso si
que es tenida en cuenta para la valoración de la capacidad, influyendo, como lo
hace en la realidad, el la capacidad del proceso. La siguiente gráfica muestra los
elementos que intervienen en el cálculo
- T-
de Cpu y Cpl Tpara
+
-
un proceso que presenta
un descentrado negativo.

T- T+

64
3 3
Para este índice Cpk la interpretación es similar a la que se hacía antes con
el índice de capacidad potencial:

Cpk < 1 ............................... proceso no capaz (anchura de tolerancias


pequeña frente a la variabilidad de proceso
y/o descentrado excesivo)
Cpk = 1 ............................... proceso justamente capaz (anchura de
tolerancias y variabilidad natural iguales
y/o descentrado)
Cpk > 1 ............................... proceso sobradamente capaz (variabilidad
pequeña frente a la anchura de tolerancias
y/o poco descentrado).

65
Tabla 6.1. Probabilidades de defectuosas asociados a valores de CPU y CPL.

CPU 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
PU 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
CPL PL
0 0,50 * 0,88209 0,77425 0,68406 0,61507 0,56681 0,53593 0,51786 0,50820 0,50347 0,50135 0,50048 0,50016 0,50005 0,50001 0,50 0,50 0,50
0,1 0,38209 0,88209 0,76418 0,65634 0,56615 0,49716 0,44890 0,41802 0,39995 0,39029 0,38556 0,38344 0,38257 0,38225 0,38214 0,38210 0,38209 0,38209 0,38209
0,2 0,27425 0,77425 0,65634 0,54851 0,45831 0,38932 0,34106 0,31018 0,29212 0,28245 0,27772 0,27560 0,27474 0,27441 0,27430 0,27427 0,27426 0,27425 0,27425
0,3 0,18406 0,68406 0,56615 0,45831 0,36812 0,29913 0,25087 0,21999 0,20192 0,19226 0,18753 0,18541 0,18454 0,18422 0,18411 0,18407 0,18406 0,18406 0,18406
0,4 0,11507 0,61507 0,49716 0,38932 0,29913 0,23014 0,18188 0,1510 0,13293 0,12327 0,11854 0,11642 0,11555 0,11523 0,11512 0,11508 0,11507 0,11507 0,11507
0,5 0,06681 0,56681 0,44890 0,34106 0,25087 0,18188 0,13361 0,10274 0,08467 0,0750 0,07027 0,06816 0,06729 0,06697 0,06686 0,06682 0,06681 0,06681 0,06681
0,6 0,03593 0,53593 0,41802 0,31018 0,21999 0,1510 0,10274 0,07186 0,05379 0,04413 0,03940 0,03728 0,03641 0,03609 0,03598 0,03594 0,03593 0,03593 0,03593
0,7 0,01786 0,51786 0,39995 0,29212 0,20192 0,13293 0,08467 0,05379 0,03573 0,02606 0,02133 0,01921 0,01835 0,01802 0,01791 0,01788 0,01787 0,01787 0,01786
0,8 0,00820 0,50820 0,39029 0,28245 0,19226 0,12327 0,0750 0,04413 0,02606 0,01640 0,01166 0,00955 0,00868 0,00836 0,00825 0,00821 0,00820 0,00820 0,00820
0,9 0,00347 0,50347 0,38556 0,27772 0,18753 0,11854 0,07027 0,03940 0,02133 0,01166 0,00693 0,00482 0,00395 0,00363 0,00352 0,00348 0,00347 0,00347 0,00347
1 0,00135 0,50135 0,38344 0,27560 0,18541 0,11642 0,06816 0,03728 0,01921 0,00955 0,00482 0,00270 0,00183 0,00151 0,00140 0,00136 0,00135 0,00135 0,00135
1,1 0,00048 0,50048 0,38257 0,27474 0,18454 0,11555 0,06729 0,03641 0,01835 0,00868 0,00395 0,00183 0,00097 0,00064 0,00053 0,00050 0,00049 0,00048 0,00048
1,2 0,00016 0,50016 0,38225 0,27441 0,18422 0,11523 0,06697 0,03609 0,01802 0,00836 0,00363 0,00151 0,00064 0,00032 0,00021 0,00017 0,00016 0,00016 0,00016
1,3 0,00005 0,50005 0,38214 0,27430 0,18411 0,11512 0,06686 0,03598 0,01791 0,00825 0,00352 0,00140 0,00053 0,00021 0,00010 0,00006 0,00005 0,00005 0,00005
1,4 0,00001 0,50001 0,38210 0,27427 0,18407 0,11508 0,06682 0,03594 0,01788 0,00821 0,00348 0,00136 0,00050 0,00017 0,00006 0,00003 0,00002 0,00001 0,00001
1,5 0,0 0,50 0,38209 0,27426 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00049 0,00016 0,00005 0,00002 0,00001 0,0 0,0
1,6 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
1,7 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
* Los valores de CPU y CPL no pueden ser cero simultáneamente.
Pu: Probabilidades de defectuosos por la Tolerancia Inferior; Pu: Probabilidades de defectuosos por la Tolerancia Superior

Tabla 6.2. Probabilidades mínimas de defectuosas asociados a valores de CP.

CP 0.05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
pmin 0.88076 0,76418 0,54851 0,36812 0,23014 0,13361 0,07186 0,03573 0,01640 0,00693 0,00270 0,00097 0,00032 0,00010 0,00003 0,00001 0,0 0,0
Pmin: Probabilidad mínima de defectuosas
6.2.2.1. Un estimador de Cpk

El índice Cpk contiene dos parámetros los cuales deben ser estimados:
 y .
Un estimador de C pk = [ d -  X - 0.5 ( T+ + T- )  / 3 S

 pk = min { C
C  pu , C
 pl }

donde :  pu = ( T + - X ) / 3  ;
C  pl = ( X - T- ) / 3 S
C

6.2.2.2. Intervalo de Confianza para Cpk


Dovich (1992) propone la siguiente expresión para construir un intervalo
de confianza de nivel 100( 1 -  ) % para Cpk

 pk [ 1  Z1 - /2  / [ ( 2n - 2)1/2 
C

Nagata y Nagahata (1994) proponen la siguiente expresión para construir


el intervalo de confianza

Límite Inferior : [ 1 - (2/5f) 1/2 C  pk2 / 2f ) + (1 / 9n ) 1/2


 pk - Z /2 [ ( C

Límite Superior : [ 1 - (2/5f) 1/2 C  pk2 / 2f ) + (1 / 9n ) 1/2


 pk + Z /2 [ ( C

6.2.3. Indice K.

Este índice describe la capacidad de un proceso sólo en términos de su


ubicación, y proporciona una medida cuantificada de la “cantidad de
descentrado del proceso”. Este índice está definido como:

K =  M -    0.5( T+ - T- )  = 2  - 0.5( T+ +T- ) / (T+ -T- )

Cuando el valor nominal (Target) no es el punto medio de los límites de


especificación , entonces el índice “K” es remplazado por:

K =  M -   min (M - T- ; T+ - M)

Cuando K = 0 , el proceso está centrado en el valor nominal.


Cuando K = 1 , la media del proceso está localizada en uno de de los límites de
especificación.

Cuando 0 < K < 1 , la media del proceso está localizada entre el valor nominal
y un límite de especificación.

 =  X - 0.5( T+ +T- ) / d
Una estimación del índice K

Los índices Cp , Cpk y K están directamente relacionados , a partir de sus


definiciones iniciales:

Cpk = (1 - K )Cp

6.2.4. Capacidad modificada.

6.2.4.1. Valor nominal situado en el centro de las tolerancias o


especificaciones.

Se puede definir un índice que en una sola expresión haga una valoración
conjunta de variabilidad y descentrado. Tal es el denominado Cpm, cuya definición
es la siguiente:
T  T
C pm 
6  '

n ( x i  M )2
donde:  '   n 1
i 1

M es el valor nominal

En este coeficiente Cpm se calcula la varianza no respecto a la media de la


muestra, sino respecto al valor nominal de la característica, con lo cual en el
denominados se está teniendo en cuenta el posible descentrado del proceso. Este
indicador viene así a ser como un Cp modificado.

Al analizar el denominador del índice Cpm veremos que mientras más cerca
estén las observaciones “xi” del valor nominal “M” , el valor del índice tenderá
a umentar. Por el contrario, mientras más alejadas estén las observaciones “xi”
del valor nominal “M” el valor del índice tenderá a cero.

68
Cuando “M” está en el centro de las tolerancias , el valor de la media del
proceso “ x ” tienda a coincidir con “M” y el valor de las observaciones “x i”
estén dentro de tolerancias , entonces el valor de Cpm estará alrededor del “1” .
6.2.4.2. Valor nominal situado entre las tolerancias o
especificaciones.

Cpm =  T+ - T-  / 6 

Donde 2 = E ( X - M )2 . Es decir que  es la raíz cuadrada del


error cuadrático medio respecto del valor nominal.

Esta definición incorpora en su denominador la función de pérdida


ideada por Hsiang y Taguchi (1985), para mejorar la calidad, la cual está
focalizada en reducir la variación en torno al valor nominal.

Se puede demostrar que E ( X - M )2 = 2 + ( - M )2 , con lo cual

Cpm =  T+ - T-  / 6 =  T+ - T-  / 6 2 + ( - M )2 1/2

= Cp /  1+( - M )2 / 2 1/2 = Cpk /  1 - - M /d  1+(+M)21/2

Parlar y Wesolowsky (1998) relacionaron los índices Cp , Cpk y Cpm de la


siguiente manera:

1 cp
Cpk = Cp -  ( )2 - 1 1/2 o también
3
cpm
cp
Cpm = consecuentemente
1  9( cp  cpk ) 2

Cp  máx (Cpk , Cpm )

Una estimación de este índice con datos estraidos del proceso es

Cpm =  T+ - T-  / 6 S2 + ( X - M )2 1/2

6.2.4.3 El índice Cpmk

69
Este índice fue propuesto por Pearn (1992) .Tiene la ventaja de ser más
sensible a las desviaciones respecto del valor nominal , que los índices Cp , Cpk ,
Cpm .

Cpmk = min { (T+ -  ) , ( - T- ) }/ 3 2 + ( - M )2 1/2

6.3. Indices de Capacidad de procesos, bajo supuesto de no


cumplimiento de Normalidad Estadística.

6.3.1. Indice C

Este índice fue propuesto por Pearn (1992). Es tal vez el primer índice de
capacidad para datos no-normales.

( T  T )
C = = d / (0.5   )

donde “ “ es una constante elegida tal que la probabilidad

Pr  -   < X <  +    esté cerca de la unidad e independiente de

la distribución de X .

Una estimación adecuada del índice es  


C = (T+- T- )/  S

Cuantifica el límite de el rango de capacidad, para cualquier combinación de


sesgo - curtosis. Además es un índice relativamente insensible , o robusto, a la
no-normalidad. El parámetro  tiene una notable estabilidad utilizando las
distribuciones de probabilidad 2 y log 2 . Pearn recomineda usar  = 5.15.

Dada la robustez de éste índice, también pude ser aplicado para calcular el índice
Cpk .

Cpk( = 5.15) =  d -  - 0.5(T+ + T- )  / 2.57 


6.3.2. Indice CS

Wright (1995) ,tomó el índice Cpmk y le incorporó una expresión que permite
“penalizar” el sesgo de la distribución de los datos , en el caso unimodal y de
no-normalidad .

70
C s = d -  - M  / 32 + ( - M)2 + 3 /  1/2

Este índice mantiene las características del Cpmk y la aplicabilidad a procesos


que no están centrados entre especificaciones y tampoco están centrados en el
valor nominal.
Un estimador natural de este índice se consigue haciendo los remplazos ya vistos,
en los parámetros  , . El parámetro 3 debe estimarse mediante m3 ,donde
n 3
(x i  X )
m3 = 
i 1
n

6.3.3. Indice Cpc

Este índice fue introducido por Luceño (1996) ,y fue diseñado para considerar las
tendencias de posicionamiento y de dispersión del proceso , proporcionando a su
vez intervalos de confianza insensibles al no cumplimiento de normalidad
estadística de los datos .

Cpc = (T+ - T- ) / 6   E X - M / 21/2


n
1
Donde c =  xi  M
n i 1

Un estimador de este índice

 pc
C = (T+- T-) / 6  c/ 21/2

Un intervalo de confianza de 100(1-)% para E X - M  está dado por

  t , n - 1
c
sc
n

1 n 1 n 2
2
 x i M
2
donde s c = ( n  1)  ( xi  M  c) 2 =
( n  1)
( nc )
i 1 I 1

Entonces un intervalo de confianza 100(1-)% para Cpc es

 pc
C / {1 t , n - 1  Sc / ( c n ) }

71
El autor usa el factor 6  / 2 = 7.52 en el denominador ,que es igual a 6
cuando la distribución es N (, 2 ). También señala que el intervalo de
confianza es insensible al incumplimiento de normalidad, pues está basado en el
Teorema Central del Límite.
Dado que se tiene la distribución del estimador, también es posible realizar
pruebas de hipótesis,a un nivel de confianza prestablecido.

H0 : Cpc = Cpc0 v/s H1 : Cpc < Cpc0 a nivel (1-)

El estadístico de prueba resulta ser :

C pc  1  c n 
( ) < t , n-1 para rechazar H0
Cpc 0 sc

6.4 Indices de Capacidad para datos correlacionados.

Existen muchos procesos, particularmente en la industria química, donde los


datos por naturaleza están inherentemente correlacionados. Wallgren (1996)
desarrolló un índice para esta situación basado en el modelo auto regresivo
AR(1), definido como

Xt -  =  ( Xt-1 -  ) + t
donde E(t ) = 0 , Var (t ) = 2 , E (t * t ) = 0 para t  t
 es el parámetro de autrorregresión del modelo

La varianza de Xt está dada por :

E (Xt -  )2 = 2 E (Xt-1 -  )2 + E (t )2 tal que para “n grande” (tamaño


muestral) , la varianza de Xt es aproximadamente :

2
Var (Xt ) 

2
1 

Wallgren (1996) usó la aproximación de la varianza anterior para definir el índice


de capacidad para datos AR(1)

72

T  T 
2
2
Cpmr = 2 donde  = 2
6 
2
r  (  M ) r
1 

Un estimador natural de éste índice es

n
2
 pmr
C
+
= (T - T ) / 6  -
donde  =  (x i  M ) /n
i 1
El valor esperado de  2 es

2
E (  2 ) = r (1+2 ) donde 2 = (  - M) / r 2

La varianza de  2 puede ser aproximada por

2
1 
Var (  2 ) =
2
( r )2 {
2
2
+ 22 11   }
n
1 

7. Otros Gráficos de Control.

Además de los gráficos clásicos o de Shewhart existen otros gráficos de


control adaptados a situaciones concretas que presentan, en cada uno de esos
casos, indudables ventajas frente a los primeros, o bien resuelven problemas que
los de Shewhart no pueden tratar. En los párrafos siguientes se van a estudiar
algunos de ellos.

7.1. Gráfico de medidas individuales y rangos móviles.

73
En determinadas circunstancias nos podemos encontrar con una
imposibilidad de disponer de más de una medida de la característica estudiada
por cada toma, lo cual en la terminología de los gráficos de Shewhart equivaldría
a decir que se trabaja con tamaño de muestra uno. Ello ocurre típicamente cuando
los ritmos de producción son muy lentos (menos de una unidad por turno) con lo
que la espera para disponer de una muestra significativa sería inaceptablemente
larga o si el análisis a que debe someter la pieza es muy costoso. En tales casos
se puede usar el llamado gráfico de medidas individuales.

Debe resaltarse que este gráfico de medidas individuales no es una


alternativa a los gráficos de Shewhart, sino una solución para casos en los que
éstos no son de aplicación. Evidentemente corresponde a una situación de
control por variables.

El control de la posición se realizará a través de la propia medida obtenida


en cada toma, pero para la dispersión no podemos apoyarnos en esa única
medida, por lo que deberemos considerar la variabilidad entre varias tomas
consecutivas a través de lo que denomina un rango móvil, que más adelante
definiremos con precisión.

El formato del gráfico es por entero similar a los ya vistos, por ejemplo el
media-recorrido. Los límites de control en este gráfico vienen dados por las
siguientes expresiones:

Control de posición: LCS: x  E2 R


LCI: x  E2 R

Control de dispersión: LCS: D4 R


LCI: D 3R

donde E2, D3 y D4 son constante que aparecen tabuladas. Estas ultimas son las
mismas que las empleadas para el gráfico de Shewhart del rango.

La fórmulas de los límites de control de la posición, y en consecuencia la


de la constante E2, se basan el criterio 3. En efecto, según ese criterio los
límites de control serían: para el control de posición:

LCS: x  3 sx
LCI: x  3 sx

y como se recordará se cumple que:

R
sx 
d2

74
3
y por tanto: E2 
d2

El recorrido móvil se calcula tomando la máxima diferencia que se observa


entre varias medidas consecutivas (habitualmente de 2 a 4 medidas), tal como se
observa en Tabla 6.1, en la que se han construido los recorridos móviles de orden
tres:

nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
rango 3 4 5 7 2 5 4
Tabla 6.1.

Según puede apreciarse, el primer recorrido móvil se ha obtenido a partir


de la medidas (15, 12, 13), el segundo a partir de (12, 13, 9), ... y así
sucesivamente. Sobre tales datos se tiene:

x  13.22 R  4.29 n=3

LCS x  20.82 LCI x  5.62

LCSR = 11.03 LCIR = 0

M E D ID A S IN D IV ID U A L E S

2 2

2 0

1 8

1 6

1 4

1 2

1 0

R A N G O S M O V IL E S

1 2

1 0

0
1 2 3 4 5 6 7 8 9

Figura 6.1.

La Figura 6.1 muestra los gráficos correspondientes a los datos de la Tabla


6.1.

75
Si el tiempo entre datos sucesivos es muy elevado, sólo las
descorrecciones muy grandes podrían ser detectadas rápidamente, mientras
que para las de menor magnitud transcurriría un tiempo inaceptable. Una
posible solución a este problema consiste en trabajar con criterio 2, bien es
cierto que sacrificando al hacerlo el error de primera especie, que sube a un 5%
(desde el 0.027% del criterio 3).

Los criterios de análisis y vigilancia de estos gráficos son los mismos que
los expuestos para los gráficos de media-rango, siendo también de aplicación las
mismas señales de falta de control (supuesto que se mantiene el criterio 3).

7.2. Gráfico de medias móviles y rangos móviles.

En procesos continuos, tales como los que se dan en plantas químicas, es


conveniente aprovechar el efecto de suavizado que las medias móviles producen
sobre la serie de datos, de modo semejante a la mezcla de productos que se va
produciendo en el proceso.

Si construimos un gráfico de control para vigilar esa característica


suavizada, emplearemos los mismos criterios de análisis que se emplean en los
gráficos de media-rango. También las constantes empleadas en el cálculo de los
límites de control son las mismas que las de éste gráfico. El tamaño de muestra
con el que se buscará el valor de las constantes A2, D3 y D4 es la longitud u orden
de suavizado: si las medias y los rangos móviles se calculan en base a grupos de
tres datos consecutivos, será tres nuestro tamaño de muestra efectivo.

nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
media 13.3 11.3 12 13 14.7 13.7 13.3
rango 3 4 5 7 2 5 4
Tabla 6.2.

La Tabla 6.2 muestra los cálculos realizados para obtener las medias
móviles y los rangos sobre los mismos datos del apartado anterior. En base a ellos
se obtienen los siguientes valores para el gráfico de control:

x  13.04 R  4.29 n=3

LCS x  17.42 LCI x  8.66

LCSR = 11.03 LCIR = 0

La figura 6.2 muestra el comportamiento de las medias móviles y los


valores individuales. Se puede apreciar el efecto de suavizado que se presenta en

76
las primeras respecto a las segundas. Así mismo obsérvese que los límites de
control son más estrechos para este gráfico que para el anterior, debido a dos
motivos: en primer lugar ahora se trabaja con tamaño de muestra tres, mientras
antes se hacía con tamaño 1. En segundo lugar las oscilaciones que presenta la
serie de datos suavizada son menores, y en consecuencia deben ser más
estrechos los límites de oscilación permitida.

El gráfico del rango es exactamente el mismo que el del gráfico de medidas


individuales, por lo que no volvemos a representarlo aquí.

M E D ID A S IN D IV ID U A L E S Y M E D IA S M Ó V IL E S

20

18

16

14

12

10

6
m e d id a
4
m e d ia
2

0
1 2 3 4 5 6 7 8 9

Figura 6.2.

7.3. Gráficos de Sumas Acumuladas (CUSUM).

En determinadas situaciones, con características tipo variable, puede ser


necesario un control muy sensible de la media, más allá de lo que los gráficos
estándar pueden darnos. Para tales casos una de las soluciones posibles es el
empleo de gráficos de sumas acumuladas, llamados CUSUM por su
denominación inglesa.

De los gráficos CUSUM existen varias versiones, en una búsqueda por


conseguir una mayor comodidad de uso. Presentaremos aquí dos de ellas, una la
que podríamos llamar clásica y otra la que a nuestro juicio resulta de manejo más
cómodo por su mayor semejanza con los gráficos de Shewhart..

En cualquier caso la ventaja del gráfico CUSUM radica en que es mucho


más sensible que los gráficos de Shewhart para pequeñas descorrecciones de
la media, por la vía de una detección más precoz del cambio (es decir, un ARL
menor). La aplicación de estos gráficos requiere una situación inicial de
control estadístico, es decir de estabilidad del proceso. En cualquier caso, se
trata de un control exclusivamente de la posición, por lo que se recomienda

77
periódicamente complementar estos gráficos con algún tipo de control de la
dispersión.

7.3.1. Gráfico CUSUM clásico o de máscara.

En él se representa y controla la suma acumulada de las desviaciones


respecto a un nivel considerado como normal o de referencia. Como veremos más
adelante resultan especialmente útiles en la detección de desviaciones de 0.5 a 2
desviaciones típicas respecto a la media de referencia.

La comprobación que aquí se realiza, que adopta la forma de un test de


hipótesis bilateral, emplea las hipótesis siguientes :

H0 : m = m0
H1 : m  m0

Para el comienzo de la construcción de los gráficos CUSUM suponemos


que el proceso es estable (está bajo control), lo cual puede haberse constatado,
por ejemplo, mediante el uso de gráficos de Shewhart. El gráfico se lleva
mediante el cálculo de la media de cada una de las muestras (por ejemplo de
tamaño cinco) que se van obteniendo y la consiguiente computación del
estadístico St, que es la suma acumulada (de ahí el nombre del gráfico) de las
desviaciones observadas respecto a la media de referencia. Ese carácter de suma
acumulada hace que cada dato representado, cada St, contenga información no
sólo de la última muestra, sino de todas las anteriores. Veamos las expresiones
involucradas.

Si llamamos x i a la media de la muestra i-sima, m 0 a la media de


referencia, se tiene que :
t
S t   ( x i  m0 )  S t 1  ( x t  m 0 )
i0

siendo este el estadístico que es representado gráficamente y controlado.

Si la media del proceso es verdaderamente la de referencia m 0 , las


desviaciones en torno a ella estarán distribuidas al azar en torno al cero, y su
suma, St, será en promedio nula, manteniéndose en la práctica muy pequeña al
tender a anularse las desviaciones positivas con las negativas.

Por contra, cuando la media real del proceso esté, por ejemplo, por
encima de la referencia m 0 , las desviaciones empezarán a ser todas positivas y
su suma acumulada St empezará a crecer, tanto más de prisa cuanto mayor sea la
desviación entre la media del proceso y m 0 . Si la media del proceso estuviera por

78
debajo de la referencia, ocurriría justamente lo contrario y la suma acumulada
decrecería de modo más claro cuanto mayor fuera la descorrección.

Así pues, es la velocidad con que crezca (o decrezca) la suma acumulada


lo que nos da una idea de la magnitud de la descorrección que ha sufrido el
proceso, y será esa velocidad de variación lo que en realidad controlemos,
como ahora se verá.

Para definir el control deberemos definir una cierta descorrección que


deseamos detectar con una alta probabilidad. A partir de ese y de otros datos
que más adelante veremos, se define una máscara o carátula que será superpuesta
al gráfico de la St para controlar la evolución del estadístico y de la media del
proceso.

79
St


4k

3k

2k d

Figura 6.3.

El funcionamiento del gráfico es el siguiente : sobre el último punto


representado de St se coloca la máscara del modo que se ve en la Figura 6.3. Si la
máscara tapa algún punto de la gráfica de St ello indica que el proceso a
experimentado un cambio superior al admisible. Si, como ocurre en la figura, no
tapa ninguno se interpreta que el proceso es estable.

Los parámetros de diseño del gráfico son los tres que aparecen en la Figura
6.3 :

 : es el ángulo que forma la carátula y que se relaciona con la velocidad de


crecimiento de St y por tanto con la amplitud de la descorrección.
d : es lo que podríamos llamar la “distancia de truncamiento” del ángulo central
de la carátula.
k : es un factor de escala para que el dibujo tenga sentido y todos sus elementos
(incluido el ángulo ) sean homogéneos.

El diseño del gráfico, es decir la fijación de los valores de “d” y 


fundamentalmente, se basa en las probabilidades de los errores de primera y
segunda especie,  y . El procedimiento práctico de elaboración es el
siguiente :

1. Obtener una estimación de la desviación típica de la media, bien partiendo de


los datos del recorrido en el gráfico de Shewhart que sirvió para demostrar la
estabilidad del proceso, o bien haciendo un cálculo específico para ello :

80
R s
sx  y de aquí sx  x
d2 n

2. Determinar la menor magnitud del cambio D que deseamos detectar con


probabilidad (1-, siendo D = m1 - m0 y calcular la desviación relativa  :

D

sx

3. Decidir el riesgo de primera especie que aceptamos correr (), que con
frecuencia se sitúa en el 0.0027, por similitud con los gráficos estándar de
Shewhart.

4. Determinar el factor de escala “k”. El gráfico se dibujará de modo que el


incremento gráfico que en el eje de abcisas corresponde a una unidad, en el eje
de ordenadas corresponde a k unidades. Se recomienda que k oscile entre 1 s x y
2 s x , y con frecuencia se usa éste último.

5. Obtener la distancia de truncamiento “d” , según la expresión :

 2  1  2 ln 
d   2  ln y si  es pequeño queda d
   2

6. Calcular el valor del ángulo  de la carátula, mediante :

 D
  arctg 
 2k 

7. Iniciar el control mediante la plantilla así construida.

Con gráficos construidos según estos principios, las descorrecciones de


una magnitud entre 0.5 y 2 desviaciones típicas son detectadas más o menos en la
mitad de tiempo que con una gráfico estándar. En términos de ARL diríamos que
este se reduce a la mitad.

7.3.1.1. Tamaño de muestra y frecuencia de muestreo.

81
En líneas generales son válidas las consideraciones que se hicieron sobre
estos dos temas para los gráficos por variables de Shewhart. Algún autor (Ewan,
1963) sugiere emplear el siguiente tamaño de muestra :

2.25 s2x
n
D

En lo relativo a la frecuencia de muestreo, y dentro del ámbito de la


recomendación, se suele considerar que si T es el tiempo admisible en detectar
una descorrección D, el tiempo entre muestras debe ser T/6.

7.3.2. Gráficos CUSUM unilaterales.

Este gráfico utiliza como estadístico para controlar la posición de la


característica seleccionada una suma móvil de las desviaciones que la misma
experimenta respecto a un nivel de referencia, que indicaría la estabilidad del
proceso. La ventaja que se consigue respecto a los gráficos de Shewhart es una
mayor prontitud en la detección de los cambios que pueda experimentar el nivel
del proceso, lo cual se traduce en una ARL menor para una misma desviación
respecto a la referencia.

Los gráficos CUSUM unilaterales son dos gráficos que controlan cada uno
de ellos las desviaciones en un sentido u otro de la media del proceso. Tendremos
pues un gráfico para el control de los aumentos (Superior) de la media y otro
para el control de sus disminuciones ( Inferior).

7.3.2.1. Gráfico CUSUM superior.

Como se ha comentado en capítulos anteriores, un gráfico de control


equivale, en cada instante, a la realización de un contraste de hipótesis. En este
caso del gráfico CUSUM superior las hipótesis contrastadas son :

H0 : m = m0
H1 : m = m1 (con m1>m0)

Si llamamos x i a la media de la muestra i-esima, la desviación respecto a


la referencia en ese instante la estimamos mediante

zi  xi  m0

que, en el supuesto de que el proceso sea estable, tendrá media nula. La suma
acumulada de esas desviaciones sería St, definida por :

82
t t
S t   z i   ( x i  m0 )  S t 1  ( x t  m0 )  S t 1  z t
i 0 i0

Esta suma acumulada, mientras la media del proceso sea verdaderamente


m0 porque el proceso es estable, tenderá a mantenerse en tono al valor cero.

Ahora bien, si a esta desviación zt le restamos una cantidad d (d>0), la


nueva variable aleatoria así definida tendrá media negativa, con lo cual las nuevas
sumas acumuladas de estas desviaciones tenderán a descender mientras sea cierto
que la media es m0. Si llamamos

yi  z i  d  x i  m0  d
sus sumas acumuladas serán :
t
Yt   y i
i 1

Si se produjera un desajuste del proceso, y la media pasara a ser la de la


hipótesis alternativa H1, es decir fuera la media m1, el valor medio de las yi ya no
sería (-d), sino que pasaría a ser (m1-m0-d).

Con las hipótesis aquí consideradas, se podría encontrar un valor de “d”


que hiciera positiva esta media, por ejemplo el siguiente :

m1  m 0
d
2

y con esta opción para d, el valor medio de yi cuando la media es realmente m1


será igua a “d” (positivo), con lo cual la suma acumulada empezaría ahora a
crecer con la misma velocidad con que decrecía cuando la media del proceso era
m0 y el promedio de las yi era (-d). Si se toman valores de “d” ligeramente
superiores al anterior se consiguen resultados óptimos en desviaciones de la
media inferiores a 0.2 x .

En un gráfico CUSUM superior se traza la evolución del estadístico Y k,


que llevará una pauta decreciente mientras el proceso se mantenga estable.
Cuando el proceso experimente una desviación igual o superior a la considerada
en H1, comenzará a ascender, considerándose que se produce una señal de falta
de control cuando, respecto al nivel mínimo que ha llegado a alcanzar Yk se
produce una subida igual o mayor que una cierta cantidad C. La Figura 6.4
muestra estos comportamientos. La elección de C dependerá de los valores del
riesgo de primera especie  que admitamos, influyendo en el ARL para una cierta
desviación (que es la inversa de 1-, siendo  el riesgo de segunda especie).

83
min Yk + C

Yk

SEÑAL DE
FALTA DE
CONTROL

Figura 6.4.

7.3.2.2. Gráfico CUSUM inferior.

En este caso del gráfico CUSUM inferior las hipótesis contrastadas son :

H0 : m = m0
H1 : m = m1 (con m1<m0)

pudiendo desarrollarse un planteamiento análogo al descrito en el apartado


anterior. El estadístico a representar y controlar sería ahora Yt' , definido por :

t
Yt'   ( x i  m 0  d )
i 1
donde “d” es ahora un valor negativo, y como valor recomendado para d
tomaríamos también

m1  m 0
d
2

El comportamiento y uso del gráfico sería ahora el siguiente : En el gráfico


CUSUM inferior se traza la evolución del estadístico Yt' , que llevará una pauta
creciente mientras el proceso se mantenga estable. Cuando el proceso
experimente una desviación igual o superior a la considerada en H1, comenzará a
descender, considerándose que se produce una señal de falta de control cuando,
respecto al nivel máximo que ha llegado a alcanzar Yt' se produce una bajada
igual o mayor que una cierta cantidad C. La Figura 6.5 muestra estos
comportamientos.

84
También igual que antes, la elección de C dependerá de los valores del
riesgo de primera especie  que admitamos, influyendo así mismo en el ARL para
una cierta desviación (que es la inversa de 1-, siendo  el riesgo de segunda
especie).

SEÑAL DE
FALTA DE
Yk CONTROL

max Yk - C

Figura 6.5.

7.4. Gráficos EWMA.

Las siglas EWMA corresponde a Exponentially Weighted Moving Average,


es decir medias móviles ponderadas exponencialmente, y tal denominación hace
referencia al estadístico que es objeto de seguimiento como indicativo de la
evolución de la media de una característica de calidad tipo variable.

El gráfico EWMA debe entenderse, del mismo modo que el gráfico


CUSUM, como una alternativa a los gráficos de Shewhart en aquellas situaciones
en que se requiera una especial sensibilidad frente a pequeñas desviaciones en la
media de la variable. En este sentido, el rendimiento de ambos tipos de gráficos
(EWMA y CUSUM) son equivalentes.

Los gráficos EWMA se caracterizan por tener unos límites de control no


constantes, aunque, una vez pasadas las primeras muestras desde su inicio se
pueden aproximar a unos límites fijos sin cometer errores importantes y
obteniendo la ventaja de una mayor sencillez de manejo. A continuación veremos
un procedimiento sencillo para su elaboración.

85
El estadístico representado y controlado en la media móvil exponencial
calculada con las medias de las sucesivas muestras que se van obteniendo :

Z t   x t  (1   ) Z t 1

dónde  es una constante que toma valores entre cero y uno. Al tratarse de una
fórmula recurrente, el problema de la inicialización, es decir la fijación del valor
de Z0, debe ser resuelta antes de iniciar el uso de la expresión anterior.
Habitualmente se toma como valor de Z0 la media general estimada con las
muestras anteriores.

En la expresión de la media móvil anterior se puede apreciar el efecto que


hace el parámetro:

 si =0 los valores de Zt se repetirían de modo constante.


 si =1 los valores de Zt serían los de las sucesivas medias de las muestras que
se fueran tomando x t , con lo cual el gráfico EWMA coincidiría esencialmente
con el Shewhart para la media.

Con ello vemos que cuanto mayor sea  mayor es el peso que se otorga al
último resultado obtenido y menos a la información anterior, reduciendo por tanto
la inercia en el movimiento de Zt. Como caso extremos, si =1 estaríamos en el
caso del gráfico de la media. Esto será adecuado en procesos de por sí bastante
estables, que no estén afectados por demasiado ruido. En cambio, cuando el ruido
que afecta a nuestros datos es elevado, una valor bajo de  reduce su
importancia, permitiendo captar mejor el comportamiento de la variable
controlada. Valores de  bajos son idóneos para la detección de pequeñas
descorrecciones en la media del proceso.

Como en el caso de los gráficos de Shewhart, asumiremos que las muestras


son independientes, con lo cual la varianza del estadístico Zt puede ser calculada
mediante:

2 1 (1  )
2t
(1  )2 t 
Var( Z t )    2
  Var ( x )
 1 (1  ) t 2 

donde Var ( x ) = 2 / n

expresión que al aumentar t tiende a:



Var( Z t )  ( 2  ) Var ( x )

Los límites de control se sitúan, simétricamente en torno a la media del


proceso, en los valores m  k t. En esta expresión k es seleccionado por el

86
usuario en la fase de diseño del gráfico. Poniendo esta expresión en función de la
desviación típica de la variable original x, obtenemos las fórmulas habitualmente
empleadas:


LCS  x  k  x
(2   ) n


LCI  x  k  x
(2   ) n

Estas dos expresiones en realidad son válidas cuando t tiende a infinito, y


se aceptan como correctas excepto para los primeros valores de t, en los cuales
hay que hacer uso de la expresión completa de la varianza, quedando:

LCS  x  k  x

(2   ) n 
1  (1   ) 2 t 
LCI  x  k  x

(2   ) n 
1  (1   ) 2 t 
En el caso frecuente de que la desviación típica x no sea conocida la
estimaremos bien a través de la varianza muestral o bien a través del recorrido
muestral.

El diseño del gráfico EWMA requiere la fijación de la probabilidad de


error de primera especie  y el ARL deseado para una cierta descorrección, para
a partir de aquí obtener el  a emplear y el valor k del número de desviaciones
típica a qué se sitúan los límites de control con respecto a la media. Con
frecuencia se obtienen buenos resultados al tomar k el valor 3 y  situarse entre
0.05 y 0.25, aunque si  está por debajo de 0.10 entonces k puede reducirse a
2.75.

Algunos autores han presentado tablas en las que se puede realizar el


diseño en base al ARL deseado bajo control y el ARL deseado para una cierta
descorrección de la media (Lucas y Sacucci, 1990). De todos modos, esas tablas
son bastante incompletas con lo que su utilidad práctica es limitada. Por otro
lado, considerar que el valor de  debe fijarse por consideraciones externas a los
propios datos resulta un tanto contradictorio desde el punto de vista del análisis
de series temporales, según el cual debería elegirse el  que permitiera mejor
ajuste entre datos reales y previsiones del modelo.

87
7.5.- Observaciones autocorrelacionadas.

Es muy frecuente encontrar en la industria de procesos continuos, datos


obtenidos en mediciones en línea que están correlacionados entre sí. La
presencia de correlación serial o autocorrelación viola el supuesto de
independencia de los procedimientos habituales con que se construyen las cartas
de control anteriormente explicadas. Existe una creciente preocupación
focalizada al problema de encontrar técnicas de monitoreo efectivas en casos de
autocorrelación que resulten estadísticamente significativas. En la última década
recién pasada , una importante cantidad de connotados estadísticos publicaron
sendos artículos o trabajos de investigación , donde analizan los efectos de los
datos correlacionados sobre las cartas de control clásicas y proponen
modificaciones en sus límites de control, concluyendo que las cartas de control
aplicadas bajo el supuesto de independencia pueden ser engañosas si las
observaciones están correlacionadas. En particular, pudiesen haber falsas
alarmas más frecuentes cuando el proceso está efectivamente bajo control.
También puede ser que la detección de puntos fuera de control llegue a ser más
lenta que la esperada.

Una manera de abordar la situación descrita en párrafo anterior , sería utilizar


modelización de series de tiempo para la detección de causas especiales en
presencia de datos correlacionados. Una vez obtenido un modelo adecuado
autorregresivo de media móvil (ARMA) , utilizar tal modelo para filtrar los datos
correlacionados y producir residuos no correlaciondos, para lograr una carta de
control estadístico estándard con tales residuos, conocida como carta residual.
Esta carta está basada en el hecho de que los residuos son aleatorios y de modo
que se cumplen todos los supuestos de las cartas tradicionales, siempre que el
modelo se mantenga.

Ultimamente se ha investigado de forma extensa las propiedades de las cartas


residuales y se compara su desempeño en relación con las cartas tradicionales:
Wardell, Moskowitz y Plante (1992) analizaron cuatro cartas de control para
datos autocorrelacionados, la tradicional carta de Shewhart , la carta EWMA, la
de Shewhart para predicciones con límites agregados, la de Shewhart para los
residuos (Todas ellas con intervalos fijos de muestreo) . En este trabajo
comparan el desempeño de las cartas mediante simulación, cuando el proceso
puede describirse como un proceso ARMA (1, 1), demostrando que la carta
EWMA es muy buena para detectar pequeños cambios y su desempeño es
bueno para grandes cambios o descorrecciones cuando el parámetro
autorregresivo (AR) es negativo y el parámetro de media móvil (MA) es positivo.
Las cartas de Shewhart de las predicciones y la de los residuos tienen buen
desempeño para grandes cambios en la mayoría de los casos.

88
Kramer y Schmid (1997) concluyen que para un proceso AR(1) la carta de
Shewart de las observaciones es de mejor desempeño que la carta de Shewhart
de los residuos cuando la correlación es positiva.
Lin y Adams (1996) consideran cartas de control residules para cambios de salto
y de tendencia en modelos AR(1) y de media móvil integrado IMA (1,1), y
recomienda una combinación de cartas EWMA y de Shewhart para los residuos.
Montgomery y Friedman (1989) desarrollaron cartas de control para los
residuos basados sobre el hecho de que cambios en la media o dispersión de los
datos originales podrían causar los cambios correspondientes en los residuos y
estos cambios pudieran ser detectados por las cartas estándares de control. Sin
embargo, Wardell, Moskowitz y Plante (1992- 1994) , Schmid (1995) muestran
evidencias de que usar solamente la carta residual no es suficiente para detectar
algunas causas especiales. Los patrones de cambio en el proceso se alteran por el
modelo de serie de tiempo, por lo tanto es importante identificar los respectivos
patrones de cambios antes y después de que el modelo de series de tiempo se
haya aplicado .

89
8. Gráficos de control para series de fabricación cortas.

8.1. Las series de fabricación cortas.

Prácticamente la totalidad de las técnicas de control vistas más arriba


encuentran su utilización óptima cuando se aplican a productos producidos en
grandes cantidades mediante series de fabricación formadas por un gran número
de unidades. Ello es frecuente en muchos sectores industriales, como el del
automóvil, la electrónica de consumo, algunas industrias de transformados
metálicos y muchos otros.

Sin embargo es también frecuente encontrar empresas en que las series de


fabricación son cortas, produciéndose apenas unos pocos centenares de unidades
(o incluso menos), o bien produciendo miles de ellas, por ser producciones muy
rápidas, pero en las que el producto se mantiene vigente poco tiempo. Ello ocurre
en empresas de muebles, del sector de artes gráficas, algunas empresas del sector
metalmecánico, etc.

Aplicar en esas situaciones las técnicas estándar pueden no ser adecuadas


ya que podemos encontrarnos con que los tiempos medios de respuesta (ARL) de
la técnica empleada frente a una descorrección superan la duración de la
fabricación. Así mismo, la simple aplicación del procedimiento estándar para fijar
la posición de los límites de control puede requerir un muestreo cuya duración
supera la vigencia de la fabricación.

8.2. El control del proceso en series cortas.

Los buenos resultados obtenidos en general con los gráficos de control han
motivado que se realicen esfuerzos para extender su campo de aplicación a las
series de fabricación cortas. El propio desarrollo de los procesos productivos, al
hacerlos más flexibles y adaptables a las necesidades de los clientes, ha otorgado
un mayor peso a este tipo de fabricaciones y por ende ha aumentado la
importancia de su control.

Los enfoques que principalmente se han empleado en el control de series


cortas han sido:

 Usar gráficos del tipo CUSUM y EWMA, que por su mayor sensibilidad frente
a descorrecciones permiten un seguimiento más cercano del proceso.
 Usar gráficos de medidas individuales.
 Adaptar los gráficos estándar.

90
 Usar gráficos de la desviación del nominal (DNOM) cuando por un mismo
proceso circulan diferentes productos, en cantidades insuficientes cada uno de
ellos como para someterlo a un control estándar.

A continuación veremos algunas de las técnicas que se han empleado en el


control de series de fabricación cortas.

8.3. Gráfico de la desviación del nominal (DNOM).

Considérese, por ejemplo, el caso de una operación de taladrado que se


realiza en un entorno de fabricación de series cortas. Por la misma máquina pasan
series de piezas en las que deben hacerse taladros de distinto diámetro. Si esas
series son cortas, intentar controlar los diámetros o las profundidades de los
taladros obtenidos, en valor absoluto, sería inviable, pues estaríamos
continuamente recalculando límites con los pocos datos disponibles y estando en
disposición de aplicarlos cuando ya se produjera el cambio de producto. Si en
lugar de ello medimos el diámetro de las piezas de cada muestra y le restamos el
nominal correspondiente, con los cual controlamos las desviaciones respecto al
nominal, tendremos una variable centrada en el cero, sea cual sea la media
absoluta de la característica en cada momento, mientras el proceso funcione
correctamente.

En el gráfico así obtenido, que es un gráfico por variables, el estadístico a


controlar no es la media de los valores medidos en la muestra, sino la desviación
de esa media con respecto al nominal. Ello permite que en un mismo gráfico se
estén controlando características similares de varios productos distintos, cada uno
con su propio nominal. La restricción que hará que este tipo de gráfico sea
aplicable es que la variabilidad debe mantenerse constante aunque cambie la
media del proceso (por cambiar el nominal).

Si llamamos Ni al valor nominal vigente para la muestre i-sima, cuya media


es x i , el estadístico a controlar será:
y i  xi  N i

Asumiendo que los datos de partida siguen una distribución normal,


cuando el proceso funcione correctamente la distribución de yi será una N(0,
 / n ), donde n es el tamaño de muestra empleado. La dispersión sería
controlada a través del rango o de la desviación típica, y los criterios a emplear
para la fijación de los límites serían similares a los empleados en los gráficos de
Shewhart. En concreto:

91
 Gráfico de la desviación - Rango:
Gráfico de la desviación:
Línea central: y
Límite de Control Superior: LCS = y  A 2 R
Límite de Control Inferior: LCI = y  A 2 R
Gráfico del rango:
Línea central: R
Límite de Control Superior: LCS = D 4 R
Límite de Control Inferior: LCI = D 3 R

donde A2, D3 y D4 son constantes leídas en tablas (las mismas que se


emplean el los gráficos estándar).

92
 Gráfico de la desviación - Desviación típica:
Gráfico de la Desviación:
k
 yi
Línea central:
y  i 1
k
Limite Superior de Control : LCS y  y  A 1 s
Límite Inferior de Control: LCI y  y  A 1 s

Gráfico de la Desviación Típica:


n
Valor a controlar  ( yi  y ) 2
si  i 1
n1
k
 si
Línea central:
s  i 1
k

Límite Superior de Control LCS s  B 4 s


Límite Inferior de Control LCI s  B 3 s

donde: y i es la desviación de la media en la muestra i-sima (respecto


al nominal)
si es la desviación típica estimada de la muestra i-sima
yi es cada uno de los valores medidos en cada muestra
n es el tamaño de muestra
s es la desviación típica media, que actúa como línea central del
gráfico
k es el número de muestras empleadas en la construcción del gráfico,
y
A1, B3 y B4 son constantes leídas en tablas, en función del tamaño de
muestra

En el caso de que no exista un valor nominal a emplear como referencia,


por ejemplo cuando la tolerancia sea unilateral, se tomará como valor respecto al
que controlar la desviación a la media que corresponda el proceso estable y
aceptable.

8.4. Gráfico de la media estandarizada y de R.

Cuando la variabilidad que afecta a la dimensión controlada no es la misma


para las diferentes piezas que pasan por el proceso, una solución posible es la
estandarización de las medias, con lo cual se tiene en cuenta tanto el diferente

93
nominal con que se produce cada unidad (ya considerado en gráfico DNOM)
como la variabilidad que afecta a cada una.

Identifiquemos con el subíndice j a cada uno de los diferentes tipos de


pieza objeto de control en el mismo gráfico (j=1…J), y con i a cada una de las
muestras que se van obteniendo, que pertenecerá a alguno de los J tipos de piezas
controlados. Llamaremos así mismo Rj y Nj a los valores de rango y media
(nominal) que corresponden en condiciones normales a las características
estadísticas de la pieza j.

Se llama rango estandarizado RS a:

Ri
R si 
Rj

es decir, el cociente entre el rango observado en la muestra i-sima t que


corresponde a la pieza de tipo j en condiciones normales. Los límites de control
para este rango estandarizado son:

LCI = D3 LCS = D4

En lo que se refiere a la media, se manejará la media estandarizada,


calculada mediante:

xi  N j
x is 
Rj
Con ello los límites del gráfico de control de la posición a través de la
media estandarizada serán los siguientes:

LCI = -A2 LCS = +A2

Los valores de Rj y de Nj pueden ser calculados a partir de las


especificaciones y del nivel de capacidad requerido o, mejor aún, a partir de
información histórica correspondiente a un periodo en que el proceso haya estado
bajo control estadístico para esa pieza.

Así como el gráfico DNOM puede llevarse manualmente, pues no aporta


mayor complicación en su elaboración, este gráfico de la media estandarizada
requerirá, casi con seguridad, el uso de medios de calculo de ayuda a su
utilización.

94
8.5. Gráficos por atributos para series cortas.

El manejo de control por atributos en situaciones de series de fabricación


cortas resulta adecuadamente resuelto mediante el empleo de gráficos de control
estandarizados, con lo cual se elimina el problema de los diferentes niveles de
defectos o defectuosas que cada producto controlado puede tener y las
diferencias debidas al empleo de tamaños de muestra distintos con cada uno.

Inevitablemente ello conlleva una mayor complejidad en el uso de los


gráficos resultantes, que acaban requiriendo el uso de algún soporte de cálculo
para su elaboración y mantenimiento, de modo similar a lo que ocurría con el
gráfico de la media estandarizada en control por variables.

8.5.1. Gráficos de control por defectuosas en series cortas.

El modelo probabilístico que rige el comportamiento de la variable


“número de piezas defectuosas en una muestra” es el binomial, como se vio en
capítulos anteriores. Para proceder a la estandarización de los gráficos
correspondientes (gráficos np y p), deberá restarse al valor observado su media y
dividir la diferencia por la desviación típica. Con ello el estadístico a controlar en
cada caso será:

Gráfico np (número de defectuosas por muestra) estandarizado :


np i  np
zi 
np (1  p )

Gráfico p (proporción de defectuosas por muestra) estandarizado:


pi  p
zi 
p (1  p ) / n

Si se sigue el criterio tres sigma para la situación de los límites de control,


estos quedarían situados en los valores LCS = +3, LCI = -3, y la línea central
estaría en el cero. Recuérdese que emplear estos límites simétricos es totalmente
correcto sólo en el caso de que pueda hacerse la aproximación de la distribución
binomial a la normal.

8.5.2. Gráficos de control por defectos en series cortas.

El modelo seguido ahora por el número de defectos por muestra es el de


Poisson. Procediendo a estandarizar los estadísticos empleados en los gráficos c
y u, resulta:

95
Gráfico c (número de defectos por muestra) estandarizado:

c c
zi  i
c
Gráfico u (número de defectos por unidad) estandarizado:

u u
zi  i
u/n

Siguiendo el criterio tres sigma, los límites de control y la línea central


quedarán situados en:

LCS =+3
Línea Central = 0
LCI = -3

Cabe hacer aquí el mismo comentario que en el apartado anterior respecto


a la necesidad de que la variable de Poisson pueda aproximarse a la normal para
que esos límites sean totalmente correctos.

96
9. Precontrol.

9.1. Naturaleza y objetivos del precontrol.

En ocasiones se requiere disponer de una técnica sencilla que nos permita


aceptar, aunque sea de un modo aproximado y sin excesivo rigor estadístico, el
correcto funcionamiento de un proceso. Tal es planteamiento del que surge el
procedimiento denominado precontrol, cuyo propio nombre indica ya el carácter
que tiene con mucha frecuencia de herramienta de uso previo a la que realmente
será la que lleve el control.

El precontrol es una técnica no estadística que se emplea para comprobar


que un determinado proceso presenta un nivel adecuado de estabilidad, a partir
del cual puede bien comenzarse la producción en serie, bien iniciar el uso de los
gráficos de control estándar (recuérdese que el uso de los gráficos de control
exigía la existencia previa de una situación de estabilidad sensible en el proceso
controlado).

Se trata además de una técnica muy sencilla, en la que prácticamente sin


ninguna complicación numérica, sin realizar cálculos sobre los datos tomados y
con un número muy reducido de piezas, podemos llegar a decidir si el proceso es
estable o no.

Con es uso del precontrol se pretende asegurar que el proceso es estable o


que, al menos, las mayores fuentes de inestabilidad están ausentes del mismo.

9.2. Técnica de uso del precontrol.

La hipótesis en la que se basa el uso de esta técnica es que la variable


controlada sigue una distribución normal. Asumido esto, por otra parte de
cumplimiento bastante generalizado y, en cualquier caso, de sencilla
comprobación, se procede a suponer que el proceso se encuentra en la peor
situación admisible: centrado entre las especificaciones y con capacidad igual a
uno, con lo cual los límites de especificación y los de la variabilidad natural
coinciden.

Se divide a continuación el intervalo entre especificaciones en cuatro


tramos iguales, cada uno de los cuales tendrá una anchura de 1.5 desviaciones
típicas (por estar comprendidas entre las especificaciones las seis desviaciones
típicas de la variabilidad natural).

97
A esas zonas le llamamos, de izquierda a derecha (ver Figura 9.1): Zona I a
la comprendida entre el límite inferior de tolerancia y la línea de -1.5
desviaciones típicas; zona II a la comprendida entre -1.5 y +1.5 desviaciones
típicas; y zona III a la comprendida entre +1.5 desviaciones típicas y el límite
superior de especificación.

Zonas de Precontrol

T- T+

I II III

-3 -1.5 m 1.5 3

86.64%

99.73%

Figura 9.1.

Se procede a continuación de acuerdo con el siguiente esquema:

1. Se toma una pieza. Si esta fuera de especificaciones de se procede a corregir el


proceso y se vuelve a empezar. Si esta dentro de especificaciones se toma una
segunda pieza.
2. Si la primera estaba en la zona I y la segunda también, deducimos que el
proceso está descentrado hacia la tolerancia inferior y lo corregimos, volviendo
a comenzar de nuevo. Lo mismo cabe decir si las dos están en zona III
(respecto a la tolerancia superior).
3. Si la primera está en la zona I y la segunda en zona III (o al revés), deducimos
que el proceso tiene una excesiva variabilidad y procedemos a corregirlo, tras
lo cual comenzamos de nuevo.

98
4. El proceso se da por aceptado cuando cinco piezas consecutivas están en la
zona II. Si aparece antes de que eso ocurra alguna en zonas I o III, se vuelve al
paso 2. Si aparece alguna fuera de especificaciones se vuelve a comenzar.

La figura 9.2 muestra el diagrama de flujo correspondiente a este modo de


actuación.

La obtención de la probabilidad de error de primera especie por vía


analítica resulta complicada, por lo cual se ha calculado mediante simulación.
Para ello, en base al diagrama de bloques de la figura 9.2, se simularon 2.000.000
de ciclos (desde que se toma la primera pieza hasta que se decide iniciar la
producción o corregir el proceso), asumiendo que el proceso era justamente
capaz y estaba bien centrado entre especificaciones. La probabilidad de que el
proceso termine en una corrección (innecesaria) del proceso es de 0.127. Así
mismo, el número medio de unidades requeridas para decidir fue de 6.81 piezas.

TOMAR UNA
PIEZA

FUERA DE SI CORREGIR EL
TOLERANCIAS PROCESO

NO SI

SI DOS PIEZAS NO
EN ZONAS I/III
EN I/III

NO

7
CINCO NO
SEGUIDAS
OK

SI

COMENZAR
PRODUCCIÓN

99
Figura 9.2.

100
10. Prácticas de Control de Calidad I.

Práctica 1: Gráficos de Control por Variables.


10.1. Introducción.

En la presente práctica se van a aplicar los procedimientos de control de


calidad en proceso por variables que fueron estudiados en las clases de teoría.
Esa aplicación se hará mediante el programa GrafControl, del que se adjunta una
breve guía de utilización.

Se plantearán en primer lugar los ejercicios que deben realizarse y a


continuación una serie de orientaciones para su realización.

10.2. Ejercicio 1. Gráficos de media - rango.

Se está llevando el control de una cierta característica de calidad mediante


la toma de muestras de tamaño 5. Con la quince primeras de ellas se realiza el
cálculo de los límites de control, siendo los siguientes datos la base para el
cálculo de los límites de control en un gráfico de media - rango:

muestra x1 x2 x3 x4 x5
1 61.4 60.7 62.8 58.6 60.7
2 56.9 59.5 57.7 58.8 63.0
3 59.5 59.9 55.7 59.0 57.3
4 54.8 58.8 56.1 55.4 61.5
5 63.9 57.9 62.3 65.7 62.6
6 58.9 62.1 55.0 60.2 60.1
7 62.7 55.0 59.7 60.0 57.6
8 61.3 59.0 62.0 59.2 55.0
9 56.4 59.7 67.3 59.2 60.1
10 63.5 57.5 56.2 59.2 63.1
11 60.5 60.4 63.1 62.9 60.6
12 62.6 60.6 60.0 59.9 61.7
13 52.4 61.4 58.8 58.6 58.5
14 57.4 57.1 63.5 65.2 66.7
15 65.1 61.4 64.2 62.7 55.3

Una vez calculado esos límites, que consideraremos como definitivos, se


ha proseguido la toma de muestras para controlar el comportamiento de esta
característica. Así pues, se aplicarán ahora a los siguientes datos:

101
muest x1 x2 x3 x4 x5
ra
1 59.2 59.2 61.7 63.9 63.2
2 59.8 63.4 58.8 57.6 57.9
3 56.6 64.3 66.5 60.7 58.4
4 60.4 59.5 58.4 60.8 58.8
5 65.0 60.6 58.4 66.5 58.5
6 63.7 66.7 65.2 64.2 61.5
7 59.0 66.4 59.5 65.9 64.7
8 65.2 66.2 65.6 65.3 66.4
9 65.0 61.1 66.2 61.1 65.2
10 66.0 65.0 66.3 60.6 62.9
11 65.9 68.0 62.1 61.6 67.8
12 63.8 58.7 64.7 68.6 63.0
13 58.7 66.3 65.8 58.9 67.9
14 68.6 65.5 62.1 66.9 67.8
15 62.2 66.3 65.9 61.8 68.0
16 64.2 60.9 66.6 67.6 64.8
17 69.7 67.4 66.9 66.7 64.9
18 61.4 64.3 66.3 65.0 66.7
19 63.2 61.1 62.1 68.1 64.6
20 61.4 65.9 66.0 61.8 65.2

Deberán realizarse las siguientes comprobaciones:

 ¿Existen señales de falta de control?. En caso afirmativo, ¿cuáles?.


 ¿Sería necesario volver a calcular límites de control?. En caso afirmativo
hacerlo para los datos que corresponda.

10.3. Ejercicio 2. Estudios de capacidad.

La característica que se estaba controlando mediante gráficos de control en


el apartado anterior tiene por especificaciones 606. Se desea estudiar la
capacidad del proceso. Tal estudio se hará en base a aquellos datos del ejercicio
anterior que estén bajo control estadístico, eliminándose para ello aquellas
muestras que presenten comportamientos anormales. Los criterios de aceptación
de la capacidad serán Cp= 1.33 y Cpk= 1.0.

10.4. Comentarios al Ejercicio 1.

102
El estudio a realizar corresponde a control por variables, siendo esta la
opción que se deberá elegir al completar la pantalla de Configuración Básica a
la que se accede al entrar al programa. En esa pantalla se seleccionará el resto de
opciones según sea conveniente.

Una vez aceptada la pantalla de Configuración Básica se comenzará a


introducir datos, para lo cual se seleccionará en el menú Edición la opción Datos,
o bien se seleccionará en la barra de botones el botón correspondiente:

Una vez introducida y aceptada la primera muestra, se observará que se


activan los botones correspondientes a los diferentes tipos de gráficos, que hasta
ese momento estaban atenuados. Es aconsejable cerrar la ventana de introducción
de datos y elegir el gráfico a emplear para ver gráficamente como evoluciona la
característica elegida. Para ello se entrará en el menú Variables eligiendo la
opción Media-Rango. Alternativamente se accionará el botón adecuado:

También en este momento configuraremos el cálculo de los límites de


control, entrando en el menú Configurar, opción Límites de Control.
Definiremos en la ventana que se nos muestra el número de muestras que se
tomarán como base del cálculo los límites, que son quince, y la muestra en la que
se inicia ese periodo, la primera en este caso. Si después fuera necesario definir
un nuevo periodo de cálculo de límites sería también aquí donde se haría.

Podremos entonces seguir la introducción de los datos del primer bloque.


Completado este, podemos comprobar la presencia de señales de falta de control,
mediante el menú Variables, opción Falta de control, o mediante el botón
correspondiente de la barra de botones:

Si fuera necesario eliminar alguna muestra se hace desde la ventana de


introducción de datos, situándonos en la muestra elegida. Una vez se den por
buenos esos límites, se procede a la introducción del segundo bloque de datos.
Téngase presente que con cada nueva muestra se debe de ir comprobando la
presencia de señales de falta de control.
10.5. Comentarios al Ejercicio 2.

El cálculo de los índices de capacidad se va realizando de modo continuo


por el programa, por lo que únicamente deberemos seleccionar en el menú Ver la
opción Resultados de Capacidad. Esos resultados aparecerán en la parte inferior

103
de la pantalla, sobre la malla de datos. Si se desea ver también el histograma de
los datos, en el que se trazan también las especificaciones, seleccionaremos en el
menú Variables la opción Histograma. La misma opción puede activarse desde
la barra de botones mediante:

Antes de proceder al análisis de la capacidad, deberá comprobarse si el


gráfico estaba bajo control, eliminándose aquellos puntos que no lo estén.

104
11. Práctica 2: Gráficos de Control por Atributos.
11.1. Introducción.

La segunda práctica de Control de Calidad está dedicada a los gráficos de


control por atributos, en los que, como es sabido por las clases de teoría, el tipo
de característica controlado sigue una pauta de comportamiento diferente a las
variables, modelizada por variables aleatorias discretas (en concreto la Binomial
y la Poisson) y con un cierto carácter cualitativo que las variables no tenían.

Se realizarán ejercicios sobre dos tipos de gráficos, correspondientes a los


dos tipos de control por atributos existentes:

 Gráfico de control por defectuosas.


 Gráfico de control por defectos.

Queda para la práctica siguiente el uso de los gráficos de defectos


múltiples (que también son gráficos por atributos) y el del diagrama de Pareto.

11.2. Ejercicio 1. Gráfico de control por defectuosas.

Se ha estado controlando la calidad de un proceso de soldadura en una


empresa del sector electrónico mediante el recuento del número de soldaduras
defectuosas en una serie de muestras tomadas diariamente. Los resultados
obtenidos han sido los recogidos en la Tabla 1.

A partir de esos datos deberá:

1. Establecer el tipo de gráfico de control a emplear.


2. Construir dicho gráfico en base a las 20 primeras muestras.
3. Comprobar la estabilidad del proceso en esas primeras muestras.
4. Seguir llevando el control de las muestras siguientes mediante los límites
calculados, controlando la presencia de señales de falta de control.
5. Cambiar a criterio dos sigma y comprobar si aparecen nuevas señales de
falta de control. ¿Que problemas conlleva este cambio en el criterio de
fijación de los límites de control ?.

La Tabla 11.1 recoge datos de cuarenta tomas en los que se ha anotado el


tamaño de muestra empleado en cada una y el resultado obtenido en ella.

105
Tamaño de Número de Tamaño de Número de
muestra defectuosas muestra defectuosas
124 5 128 10
130 3 132 3
134 5 125 3
129 7 135 6
138 4 113 6
138 10 127 5
126 10 140 9
115 9 139 5
134 9 118 5
130 6 117 6
118 5 125 8
148 3 112 10
114 5 126 6
126 7 115 3
125 4 104 5
123 10 115 6
131 10 113 5
135 9 111 7
112 9 118 4
119 6 114 7

Tabla 11.1.

11.3. Ejercicio 2. Gráfico de control por defectos.

En un proceso de deposición electrolítica de material, se esta controlando


la aparición de defectos en la superficie resultante. Para ello se han tomado los
datos de la Tabla 11.2, correspondientes a 25 muestras. Se disponía ya de los
límites de control, calculados en un periodo anterior, para lo cual se tenía que el
tamaño muestral medio era de 20 unidades y el número medio de defectuosas por
muestra de 1.8.

Se pide:

1. Fijar la posición de los límites de control a emplear.


2. Llevar el control de las 25 muestras siguientes, prestando atención a la
aparición de señales de falta de control.
3. Plantearse si es necesaria una modificación de los límites de control, a la
vista del comportamiento del gráfico. En caso afirmativo, volver a
calcular esos límites para el periodo correspondiente.

106
La Tabla 11.2 recoge los resultados (número de defectos superficiales)
observados en veinticinco muestras consecutivas, todas ellas de tamaño 20. (Los
datos van en columnas).

6 1 2 3 1
2 5 1 2 0
5 1 1 1 0
3 0 2 1 1
2 3 3 0 2
Tabla 11.2.
11.4. Comentarios al Ejercicio 1.

Comenzaremos por seleccionar gráficos por atributos, bien en la pantalla


de configuración básica que aparece al acceder al programa, bien desde la
pantalla de trabajo entrando al menú Edición. Una vez hecho esto, podemos
comenzar con la introducción de los datos. Para cada una de las muestras se
introducirá tamaño de muestra y número de defectuosas detectadas (Figura 11.1).

Figura 11.1.

Una vez introducida la primera muestra, es aconsejable seleccionar ya el


tipo de gráfico que se va a emplear. Por tener tamaño de muestra variable, el
programa sólo activa los gráficos p y u (Figura 11.2).

Figura 11.2.

107
Deberá elegirse el correcto para este caso. También en ese momento se deben
configurar los límites de control, definiendo el periodo base para el cálculo de los
mismos. Para ello se empleará la opción Límites de control del menú
Configurar, definiendo en ella el periodo inicial y la duración del periodo base
(Figura 11.3).

Figura 11.3.

Completada la introducción de los 20 primeros valores, se comprobará si el


proceso es suficientemente estable, viendo si hay puntos fuera de los límites de
control.

A partir del momento en que estén introducidas las 20 muestras del periodo
base, con cada nueva muestra se debe ir comprobando la posible aparición de
cualquier señal de falta de control, haciendo uso, si se requiere, de la opción
correspondiente del programa, situada en el menú Atributos, opción Falta de
Control, o bien accionando el botón:

11.5. Comentarios al Ejercicio 2.

Teniendo seleccionado el tipo de gráficos de atributos (como en el ejercicio


anterior), deberemos ahora en primer lugar introducir los valores que nos
permiten calcular los límites de control iniciales, que en este caso se
suponen prefijados. Para ello haremos uso de la opción Límites de Control del
menú Configurar. Accederíamos así a la ventana de la Figura 11.3, en la que
seleccionaremos la opción de introducir valores para los límites, debiendo
rellenar los datos solicitados en la ventana de la Figura 11.4.

108
Figura 11.4.

Si ahora comenzamos la introducción de los datos, se activarán los botones


de los gráficos de control disponibles, debiendo seleccionar el adecuado después
de haber introducido el primer dato, a fin de que podamos ver, en tiempo real,
como va evolucionando el estadístico estudiado según se van obteniendo nuevos
datos.

Caso de que el comportamiento del proceso sugiera la necesidad de


introducir nuevos límites en algún momento, deberemos hacer uso de la opción
antes comentada, definiendo un nuevo periodo base para el cálculo de los límites.
Seleccionaremos en la ventana de la Figura 3 la opción Siguiente, y en la ventana
a la que accedemos se define ese nuevo periodo base (Figura 11.5).

Figura 11.5.

Cómo se aprecia en la Figura 11.5, los datos a introducir son la longitud del
periodo base (número de muestras que emplearemos para el cálculo de los
diferentes límites) y la muestra inicial de ese grupo. Esta ventana es similar a la
de la Figura 11.3.

109