ESQUEMA DE GRÁFICOS DE CONTROL

1. GRÁFICOS DE VARIABLES (medir la característica de calidad en una escala

continua y podemos aplicar decimales) entornos manufactureros

G. Variables, se van a medir a partir de la varianza del proceso de

denominamos sigma

1.1. Sigma desconocida (no tenemos información de la varianza del proceso)

1.1.1. Sigma no estimable: Gráficos X y R ( no la puedo estimar cuando solo me

dan las medias de cada muestra)

(caso más frecuente y donde tenemos menos información del proceso)

1.1.2. Sigma estimable: Gráficos X y S (se puede estimar cuando me da los

valores individuales de cada una de las unidades que conforma cada muestra)

1.2. Sigma conocida (tenemos información de la varianza del proceso) (caso

poco frecuente)

1.2.1Gráficos µ y σ

2. GRÁFICOS DE ATRIBUTOS (si no podemos medir la característica de calidad en

una escala continua) entornos de servicios (+ fácil de construirse, pero menos
precisos)

2.1. Gráfico P (% de productos no conformes o defectuosos se mueve dentro

de unos márgenes tolerables) clasificar los productos en dos categorías
valido o defectuoso conforme o no conforme) Se utiliza variable aleatoria
binomial (modeliza situaciones dicotómicas)
- Ventaja: fácil de emplear
- Restricción; me proporciona menos información, por ello son más
caros porque se necesitan un mayor tamaño muestral

2.2. Gráfico C (mide atributos, mide el número de defectos que contiene un

determinado item o artículo) mediremos si el número promedio de
defectos que tiene un artículo se mueve en unos niveles tolerables.
Subyace la distribución de Poisson
-Ventaja:
-da un poco más de información que los Gráficos P
Gráficos de Variables y de Atributos se diferencian en el tipo de información que van a
recoger esos gráficos
Decidir si es un gráfico de variables o un gráfico de atributos depende de la forma de
medición de la característica de calidad
Variable: Determinada característica de calidad que se mide en escala numérica
Orden en función de grado de precisión: Gráficos de variables> Gráficos de atributos
(Gráfico P)> Gráfico de atributos (Gráfico c). Por ello gráficos de atributos necesitan
muchas mas muestras (tamaños muéstrales (n) mayores)
Tamaño de la muestra pequeño gráficos X y R
Tamaño de la muestra grande gráficos X y S
TEMA 5. CONTROL ESTADÍSTICO DE LA CALIDAD: CONTROL DE
PROCESOS

1. INTRODUCCIÓN
 En todo proceso productivo, sin importar lo bien diseñado que esté, existe
cierta variabilidad inherente o natural.
 Esta variabilidad natural (o “ruido de fondo”) es el efecto acumulado de
muchas pequeñas causas, esencialmente inevitables, que son parte inherente
del proceso.
 En el marco del Control Estadístico de la Calidad, esta variabilidad natural se
denomina “sistema estable de causas aleatorias”.
 Si un proceso productivo opera únicamente con causas de variación aleatorias,
se dice que está bajo control estadístico.
 Sin embargo, pueden existir otras causas de variación en un proceso, que
suelen provenir de tres fuentes:
 Maquinaria mal ajustada o controlada
 Errores de lo operarios, o
 Materias primas defectuosas.
 Esa variabilidad es generalmente mucho mayor comparada con el “ruido de
fondo”, y normalmente genera un rendimiento del proceso inaceptable. Las
fuentes de variabilidad diferente de las causas aleatorias se denominan causas
asignables de variabilidad.
 Un proceso que opera con causas asignables de variabilidad se dice que está
fuera de control estadístico.
 Uno de los principales objetivos del Control Estadístico de la Calidad es detectar
rápidamente la ocurrencia de causas asignables, para poder tomar acciones
correctivas.
 La principal herramienta del Control de Procesos son los gráficos de control:
 Se trata de una técnica de monitorización en tiempo real que
proporciona información útil para la mejora del proceso

2. PRINCIPIOS BÁSICOS DE LOS GRÁFICOS DE CONTROL

 Un gráfico de control recoge en el eje de ordenadas información de una cierta
característica de calidad que está siendo medida o recopilada de una muestra,
y en el eje de abscisas se sitúa el número de la muestra.
 El gráfico contiene una línea central (Center Line, CL) que representa el valor medio
de la característica estudiada correspondiente al estado del proceso bajo control (es
decir, cuando sólo están presentes causas aleatorias de variación)
  Contiene asimismo dos líneas horizontales: el límite de control superior (Upper
Control Limit, UCL) y el límite de control inferior (Lower Control Limit, LCL). Estos
límites se eligen de manera que, si el proceso está bajo control, casi todos los puntos
muestrales estarán entre ellos.

Modelo general de un Gráfico de Control: Sea w un estadístico muestral que mide

alguna característica de interés de un proceso. Supongamos que la media de w es µw ,
y su desviación típica  w . Entonces, la línea central y los límites de control superior e

inferior son:

 Elección de los Límites de Control

 Si los límites de control están lejos de la línea central, nos aseguramos
de que un punto fuera de los límites realmente genera que el proceso
está fuera de control (Error de Tipo I), pero corremos el riesgo de creer
que el proceso está bajo control si los puntos están dentro de los límites
cuando en realidad el proceso está fuera de control (Error de Tipo II).
 Si los límites están cerca de la línea central, el efecto es el contrario: un
punto fuera de los límites de control no garantiza que el proceso esté
fuera de control (es decir, aumenta el Error de Tipo I), pero en cambio si
los puntos están dentro de los límites, es muy probable que el proceso
esté controlado (disminuye el Error de Tipo II).
 Por tanto, especificar los límites de control adecuados es una decisión crítica en
el diseño de los gráficos de control
 Dado que el error que se considera más grave es el Error de Tipo I,
normalmente es el que se busca minimizar. Generalmente, se tolera un
riesgo de cometer Error de Tipo I muy bajo, el estándar es el 0,01%, lo
 que implica que, si un punto está fuera de los límites de control,
estamos seguros al 99,99% de que el proceso está fuera de control
La práctica estándar es fijar los límites de control a 3 veces la desviación típica respecto
a la línea central. Esta práctica suele dar buenos resultados. No obstante, algunos
analistas sugieren utilizar dos conjuntos de límites de control:

 Los límites exteriores (a 3 sigma) habituales son los denominados límites de

acción: si un punto se sitúa por fuera de estos límites, hay que buscar la causa
asignable y eventualmente corregirla.
 Los límites interiores (normalmente a 2 sigma) se denominan límites de aviso: si
uno o más puntos se sitúan en la franja entre los límites de acción y los de
aviso, debemos sospechar que el proceso no se está comportando
adecuadamente.
 Si un gráfico presenta puntos fuera de los límites de control, esto se interpreta
como evidencia de que el proceso está fuera de control, por lo que se requiere
una investigación y acciones correctivas para encontrar y eliminar la(s) causa(s)
de variación asignable responsable(s) de este comportamiento.
 Sin embargo, aunque todos los puntos del gráfico estén dentro de los límites de
control, si estos puntos presentan un patrón sistemático de comportamiento
que no pueda considerarse aleatorio, esto puede ser una indicación también de
que el proceso está fuera de control.
 Para facilitar la detección de patrones inusuales, se han desarrollado ciertos
conjuntos de reglas en la práctica. Una de las más utilizadas se debe a la
compañía Western Electric, y se basa en dividir el gráfico de control en tres
zonas (A, B y C) a cada lado de la línea central.
 Reglas de la Western Electric para determinación de procesos fuera de control:
1. Uno o más puntos fuera de los límites de control.
2. Dos o más puntos consecutivos en la zona A.
3. Cuatro o más puntos consecutivos por fuera de la zona C.
4. Un conjunto de ocho puntos consecutivos en el mismo lado de la línea
central.
5. Seis puntos formando tendencia creciente o decreciente.
6. Quince puntos en la zona C.
7. Catorce puntos alternativamente por encima y por debajo de la línea
central.
8. Ocho puntos seguidos por encima o por debajo de la línea central, pero
ninguno en la zona C.
9. Un patrón inusual o no aleatorio.
10. Uno o más puntos cerca de los límites de control.

3. ALGUNOS PATRONES COMUNES EN GRÁFICOS DE CONTROL

 Antes se ha hecho énfasis en que un gráfico de control puede indicar un
comportamiento fuera de control incluso aunque todos los puntos estén
dentro de los límites de control, si el patrón de los puntos dibujados muestra
un comportamiento sistemático o no aleatorio. A continuación, se muestran
algunos:
 Patrones cíclicos: suelen ser resultado de cambios ambientales
sistemáticos (temperatura, fatiga del operario, rotación regular de
operarios y/o máquinas, etc.)
 Mezclas: Cuando los puntos caen cerca o ligeramente por fuera de los
límites de control, con relativamente pocos puntos cerca de la línea
central.
- Generalmente responden a la existencia de dos o más
distribuciones solapadas que generan el output del proceso.
- Otras veces se generan por un “sobrecontrol”, donde los
operarios hacen ajustes demasiado a menudo, respondiendo a
variaciones aleatorias en lugar de asignables.
- También se producen cuando el output se produce de varias
fuentes (varias máquinas diferentes) cuyos outputs se
muestrean juntos.
 Cambios en el nivel del proceso: suelen ser resultado de la introducción
de nuevos trabajadores, o de cambios en los métodos, materias primas,
o máquinas
- También responden a cambios en los métodos de inspección o
los estándares
- O a cambios en las destrezas o en la motivación de los
trabajadores (a veces la mera introducción de un programa de
control de la calidad)
 Tendencias: son movimientos continuos tanto ascendentes como
descendentes.
- Suelen deberse a deterioros o desajustes graduales de una
máquina o herramienta.
- Pueden obedecer a causas de tipo humano, como la fatiga o a la
presencia de un supervisor.
- Por último, pueden deberse a causas ambientales, como la
temperatura.
 Estratificación: es una tendencia de los puntos a agruparse
artificialmente en torno a la línea central. A pesar de que esto puede
parecer bueno a simple vista, hay que remarcar que se trata de una
carencia de variación natural.
- Una causa potencial es el cálculo incorrecto de los límites de
control.
- Otra posible causa es el obtener muestras que provienen de
máquinas diferentes, lo que puede ocasionar una variabilidad
excesiva.
4. GRÁFICOS DE CONTROL DE VARIABLES
 Una determinada característica de calidad que se mide en escala numérica se
denomina variable. Ejemplos son dimensiones como longitud, anchura, peso,
temperatura, volumen, etc.
 Cuando se hace el control de la calidad de una variable, es necesario controlar
tanto el valor medio de esa característica como su variabilidad.
 Entonces, los instrumentos para el control de calidad de las variables son los
gráficos de control para la media (Gráfico x) y para la desviación típica (Gráfico
s).
 En esta sección se presentan los principales tipos de gráficos de variables, en
especial los más comúnmente utilizados gráficos x y R.

Caso general: Gráficos x y R

 Supongamos una característica de calidad distribuida como una Normal con
media µ y desviación típica  desconocidas pero estimables.
 Supongamos un número de muestras m (número de veces que extraigo una
muestra) suele estar entre 20 y 25, cada una de ellas con un tamaño n (número
de elementos que extraigo para cada una de las muestras) habitualmente de 4
a 6 elementos.
Se calcula X1 ,X2,……, Xm
(longitud media de cada
muestra, media de las
medidas de los 5 tornillos) , la
media de cada muestra. El
mejor estimador de la media
del proceso µ es:

Ejemplo: Saco 5 tornillos y los mido y hago la media de todas las mediciones
Media de las medias (X):Media de todas las medias muestrales, es decir,
promedio de los tornillos que yo estoy fabricando

 Para construir los límites de control, necesitamos un estimador de la desviación

típica  (estimación de la variabilidad, me indica si los tronillos tienen mucha o
poca dispersión)
 En los Gráficos X y R, no tengo datos suficientes para estimar la desviación
típica, tenemos un problema por que necesito una estimación, pero no la
puedo obtener. Solución: Existe una solución, se puede estimar la desviación
típica, dispersión o variabilidad del proceso a través del Rango
  En el caso más general, es posible obtener un estimador a través de los rangos
muestrales: si X1, X2,….., Xn
es una muestra de tamaño n, el rango de esa muestra es:

SIGMA DESCONOCIDA, NO ESTIMABLE

Con los datos anteriores, los límites de control para los gráficos X y R quedan:

Las constantes A2, D3 y D4 están tabuladas para varios tamaños de muestra n

 Nota: construir gráficos de control significa conocer que valor tiene la línea
central, que valor tiene el límite superior y que valor tiene el límite inferior
 Gráfico X: gráfico para la media. Se construye:
 Límite superior: Valor central (media de las medias) + una cierta
distancia del rango (valor * Rango medio)
 Center line: media de las medias
 Límite inferior: Valor central (media de las medias) - una cierta distancia
del rango (valor * Rango medio)
 Dibujare puntitos, cada puntito será la media de la muestra 1, la media
de la muestra 2, la media de la muestra n.
 Si todos los puntos quedan dentro de los límites de control y no
hay tendencias ni anomalías, entonces el proceso se encuentra
bajo control.
  Si alguno de los puntos se salen de los límites de control o
encontramos alguna anomalía, entonces el proceso no está bajo
control
Nota: Para poder definir una variable aleatoria continua (por ejemplo, en este caso, la
Normal), necesitas dos valores (la media y la desviación típica) si solo analizo la media,
no es correcto
Por tanto, si estoy haciendo un gráfico de control de variables no puedo hacer solo el
gráfico X (solo me da información sobre la media) necesito un gráfico R (que me de
información sobre la dispersión).

 Gráfico R: gráfico para la desviación típica. Se construye igual que el gráfico x

 Límite superior: (valor * Rango medio)
 Center line: Rango medio
 Límite inferior: (valor * Rango medio)
 Dibujare puntitos de los Rangos, rango 1, rango 2 y rango n.
 Si todos los puntos se encuentran dentro de los límites, proceso
bajo control.
 Si algún punto se encuentra fuer de los límites, proceso fuera de
control
o Nota: rango es un buen estimador de la desviación típica del proceso, pero
requiere pocos elementos muéstrales
El proceso está bajo control si y solo si el proceso está bajo control en los dos gráficos,
es decir, los puntos deben estar entre los límites de control en el Gráfico X y en el
Gráfico R
Esta tabla me da los valores de las constantes A 2, D3 y D4 necesarios para calcular los
gráficos de control X y R

SIGMA DESCONOCIDO, ESTIMABLE

Cuando se estima el valor de σ, al gráfico de desviaciones se denomina Gráfico S

Con los datos anteriores, los límites de control para los gráficos X y S quedan:

Las constantes A3, B3 y B4 están tabuladas para varios tamaños de muestra n

A veces es deseable estimar la desviación típica del proceso directamente, en lugar de
indirectamente a través del rango:

 Cuando el tamaño muestral n es moderadamente grande (n>10 o 12),

porque el rengo pierde eficiencia estadística para muestras de
moderadas a grandes
 Cuando el tamaño muestral n es variable
SIGMA CONOCIDA: GRÁFICOS Μ Y Σ

Caso de µ y σ conocidas: cuando es posible especificar valores estándar conocidos para

la media y la desviación estándar del proceso

Las constantes A, D1, D2, d2 están tabuladas para varios tamaños de muestra n
Aquí no hay que calcular nada, todos los datos te los dan y las constantes las buscas en
las tablas y listo

ESTIMACIÓN DE LA CAPACIDAD DEL PROCESO (SITUACIÓN IDEAL: PROCESO

BAJO CONTROL Y PROCESO CAPAZ, SITUACIÓN ÓPTIMA)
 Aunque un proceso esté bajo control, es posible que genere productos que no se
ajusten a las especificaciones de los clientes, de manera que se considere como no
conformidades
 Lo primero es que el proceso este bajo control, pero el hecho de que un proceso
productivo este bajo control, no garantiza que este fabricando productos que mi
cliente no me los devuelva, puedo estar fabricando bajo control, pero que los clientes
me los devuelvan porque el producto no entre dentro de sus especificaciones
 En un proceso productivo me interesa que el proceso este bajo control y que los
productos que fabrico estén dentro de las especificaciones de mi cliente, es decir, que
el proceso sea capaz
 Proceso capaz: cuando los productos que fabrica no son devueltos por el cliente
 Suelen definirse unos límites máximo y mínimo en las especificaciones de los
productos generados por el proceso: USL (Upper Specification Limit) y LSL (Lower
Specification Limit). A ls diferencia USL-LSL se le denomina Banda de Tolerancia
Representación gráfica de cómo se interpreta el índice de capacidad de un proceso.
Si un proceso es capaz tiene que cumplir dos condiciones:
1. Tiene que estar bajo control
2. Estar dentro de los límites de tolerancia del cliente
CASOS ESPECIALES: ESTIMACIÓN DIRECTA DE SIGMA

Cuando hay muchos elementos muéstrales el rango pierde precisión y se vuelve un

peor estimador de la desviación típica

 Cuando se estima el valor de σ, al gráfico de desviaciones se denomina Gráfico

S
 Con los datos anteriores, los límites de control para los gráficos x y s quedan:

Las constantes A3, B3 y B4 están tabuladas para varios tamaños de muestra n

5. GRÁFICOS DE CONTROL DE ATRIBUTOS
 Aquí n puede ser mucho más grande que m
 Distribución Binomial, para poder aproximar una Binomial a una Normal (a
través del Teorema Central del Limite), necesito tamaños de muestra muy
grandes porque tengo mucha menos información.
 Lo que gano en facilidad lo pierdo en precisión
 A pesar de que los gráficos de variables son ampliamente utilizados, no siempre
pueden aplicarse debido a que no todas las características de calidad pueden
expresarse con datos de variables, es decir, no siempre pueden ser
representadas numéricamente.
 Por ejemplo, considérese un proceso que produce un recipiente de vidrio para
un producto líquido. Suponga que examinamos los recipientes y los
clasificamos en dos categorías: conforme o no conforme (o no defectuoso y
defectuoso), dependiendo si satisfacen los requerimientos en una o más
características de calidad. Esto es un ejemplo de lo que se denomina datos de
atributos.
 Los gráficos de atributos proporcionan generalmente menos información que
los de variables (porque hay más información en las medidas de tipo numérico
que en la mera clasificación de conforme o no conforme).
 Sin embargo, los gráficos de atributos tienen importantes aplicaciones,
especialmente en los sectores de servicios y en los entornos no
manufactureros, porque muchas de las características de calidad que se
encuentran en esos sectores no pueden medirse fácilmente en escalas
numéricas.
 En este tema veremos dos tipos de gráficos de control de atributos:
 El gráfico de control para el porcentaje de no conformes (Gráfico p).
Representa la fracción de productos no conformes (o defectuosos)
producidos por un proceso.
 El gráfico de control de no conformidades (Gráfico c). Cuenta el número
de no conformidades o defectos que presentan los productos
producidos por el proceso.

Gráfico P
 La fracción o porcentaje de no conformes se define como la atinó del número
de unidades no conformes en la población de unidades de un proceso
 Las unidades analizadas pueden tener varias características que son
examinadas simultáneamente: si el item no es conforme al estándar en una o
varias de esas características, se clasifica como “no conforme”
 Normalmente la fracción de defectuosos se expresa en tanto por uno, si bien es
más intuitivo utilizar valores porcentuales, sobre todo cuando se muestran los
resultados de los gráficos de control a los trabajadores
  La fracción muestral de no conformes se define como el cociente entre el
número de no conformes D de la muestra y el tamaño muestral n:

 Si la fracción de no conformes es conocida o se especifica un valor estándar, los

límites de control del gráfico P son:

Es posible que en ocasiones (dependiendo de los valores de p y n) obtengamos

LCL<0. En esos casos, se toma LCL=0
Como p es la fracción de no conformes o defectuosos, no es posible que sea negativo (como
mucho, tendremos cero defectos en una muestra de tamaño n, luego nunca tendremos puntos
en el gráfico por debajo de cero)

 Cuando la fracción de no conformes p no se conoce, entonces debe estimarse a partir

de datos observados.
 El procedimiento habitual es seleccionar m (generalmente entre 20 o 25) muestras
preliminares, cada una de ellas con tamaño n. Tendremos así D i unidades no
conformes en la muestra i, y podemos construir la fracción de no conformes de la
muestra i, y podemos construir la fracción de no conformes de la muestra i-ésima
como

Y entonces la media de las muestras (que es un estimador de la p desconocida) es

 En la práctica, rara vez se conoce el verdadero valor de la fracción de no
conformes p, pero a veces es conveniente trabajar con un valor estándar de p
que represente un valor deseado u objetivo
 En ese caso, hay que tener en cuenta que el proceso puede estar fuera de
control para el valor objetivo p pero puede estar bajo control a algún otro valor
de p
- Por ejemplo, supongamos un valor objetivo de p=0.01, pero el proceso
está bajo control para el valor de p=0.05
- Si usamos los límites de control para p=0.01, el proceso tendrá muchos
puntos por encima de UCL
 A veces es posible mejorar la calidad de un proceso usando un valor objetivo
para p, especialmente en procesos donde sea posible controlar la fracción de
no conformes fácilmente mediante ajustes en el proceso
 Un problema es este tipo de gráficos es fijar los límites de control de manera
que no generen demasiadas “falsas alarmas”
- Si los límites de control son demasiado estrechos, puede interpretarse
como un esfuerzo para mejorar la calidad
- pero se corre el riesgo de generar muchas “falsas alarmas”, lo cual
puede hacer perder la confianza de los trabajadores en este tipo de
gráficos
 La determinación de los límites de control está estrechamente ligada al tamaño
de la muestra, de manera que elegir el tamaño muestral se convierte en una
cuestión clave
 Una regla práctica habitual (especialmente cuando trabajamos con bajos
valores de p) es elegir un tamaño muestral que garantice un LCL positivo: en la
expresión general

 Por ejemplo, si p= 0.05 y usamos límites a 3 sigma (L=3), el tamaño muestral

debe ser
Gráfico C
 Un item no conforme es una unidad de producto que no satisface una o más de
las especificaciones. Cada especificación no satisfecha genera un defecto o no
conformidad
- Consecuentemente, un item no conforme contendrá al menos
una no conformidad
 Sin embargo, dependiendo del producto que se trate, es posible que una
unidad contenga varias no conformidades, pero no sea clasificada como no
conforme
 Por tanto, en ocasiones, es preferible trabajar directamente con el número de
defectos o no conformidades en vez de con la fracción de no conformes
 El gráfico c recoge el número de disconformidades presentes en una muestra
 El valor medio de las disconformidades (o defectos) se representa por c
 Si disponemos de un valor estándar para c, los límites de control quedan de la
siguiente manera:

De forma similar a los gráficos p, dado que c representa el nº medio de defectos, no

puede ser negativo, luego si el valor de LCL es negativo, se considera LCL=0
 Si no se conoce un valor estándar para c, entonces debe ser estimado con una o
varias muestras preliminares
 En este caso, si el valor estimado para c es c, los límites de control quedan:
6. ¿VARIABLES O ATRIBUTOS?
(Depende de muchas cosas) gráficos de variables más caros

 En ocasiones, el analista debe elegir entre realizar el control de calidad a través

de variables o de atributos.
 En algunos casos la elección está clara: cuando la característica de calidad que
quiere controlarse no es posible medirla de forma numérica, entonces hay que
utilizar gráficos de atributos.
 Por ejemplo, si estamos controlando el color de unas prendas de ropa,
la utilización de gráficos de atributos es preferible a cualquier intento de
cuantificar la característica “color”.
 No obstante, cuando la elección entre variables o atributos no es tan obvia, hay
que tener en cuenta las ventajas e inconvenientes relativos de ambos tipos de
gráficos.
 Los gráficos de atributos:
 Tienen como principal ventaja la simplicidad de cálculo, dado que
pueden considerar simultáneamente varias características de calidad, y
clasificar la unidad como no conforme si falla en cualquiera de esas
características.
 Sin embargo, requieren de un tamaño muestral considerablemente
mayor que los gráficos de variables, lo cual puede ser determinante si la
prueba es destructiva.
 En cambio, los gráficos de variables
 Proporcionan mucha más información sobre el rendimiento del proceso
y sobre las potenciales causas de descontrol.
 La principal ventaja, no obstante, es que detectan problemas antes de
que éstos generen productos defectuosos, permitiendo al personal
realizar acciones correctivas.