Grafico de Control

Control Estadístico de la
Calidad y los Procesos
1
¿Qué es calidad?
 Calidad de diseño: corresponde a la

medida en que el producto satisface las
necesidades del cliente.
 Calidad de conformidad: se refiere al

grado en que el producto o servicio
concuerda con los requerimientos de
diseño.
2
¿Qué es calidad? (cont)
 Normalmente la calidad se asocia con una
característica medible del producto, la cual se
denomina característica de calidad. Así, la
calidad de diseño se tranforma en
especificaciones adecuadas.
 Frecuentemente no se diferencia entre la
calidad de diseño y la de conformidad, sin
embargo el área de producción suele centrarse
en la segunda.
3
El papel de la estadística en
el aseguramiento de calidad
 Para mejorar es necesario hacer cambios.

 Nos gustaría tener buenos datos sobre los
cuales realizar los cambios.
 Necesitamos herramientas que nos permitan
convertir datos en información (es decir, que
nos permitan responder preguntas).
 La estadística es la ciencia que soluciona
ambos problemas.
4
Herramientas para el
aseguramiento de calidad
Se trata de herramientas estadísticas y analíticas
de uso general
 Diagramas causa-efecto.
 Diagramas de flujo de procesos.
 Plantillas para recolección de datos.
 Histogramas y diagramas de Pareto.
 Diagramas bivariantes.
 Control estadístico de procesos.
5
Diagramas de causa-efecto
Los pasos para su construcción son:
 Determinar claramente el efecto a estudiar.
 Reunir a las personas que conocen del
problema y realizar una lluvia de ideas.
 Seleccionar las causas aportadas, eliminando
repeticiones y errores.
 Dibujar el diagrama. Lo debe hacer una
persona que conozca del problema.
6
 En muchos casos se resuelven los problemas sin
atacar las causas de los mismos, lo cual es una
práctica perjudicial.
 En estos diagramas las causas que
potencialmente pueden generan un determinado
efecto se presentan en forma jerarquizada.
 Por su forma, también se denominan diagramas
de espina de pescado.
7
(cont)
MANO DE OBRA MAQUINARIA
Fatiga Abrasión
Salud Concentración Herramientas

Enfermedad Moral Deformación
Habilidad Mantenimiento
Variabilidad en
Forma la dimensión
Posición
Componente Diámetro
Ajuste
Calidad Puesta a Ángulo
Almacenamiento punto
Velocidad
MATERIALES MÉTODO
Diagrama causa-efecto para estudiar las causas de

la variabilidad en la dimensión de una pieza.
8
Diagramas de Pareto
 Son representaciones de la densidad y la
distribución de variables aleatorias nominales
(usualmente causas de falla en sistemas o
defectos en productos).
 Las causas se ordenan de modo de distinguir
cuales son las más importantes.
 Usualmente opera la regla del 80-20, el 80% de
los problemas se deben al 20% de las causas.
9
Diagramas de Pareto (cont)
Número de Paradas Tiempo de Parada
Turno 1 Turno 2 Total Turno 1 Turno 2 Total
(A) Rotura de hilo 18 24 42 20 31 51
Número y tiempos (B) Cinta 15 10 25 12 10 22
de parada en una (C) Vibrador 92 88 180 62 68 130
línea de envasado (D) Tornillo sin fin 1 6 7 2 8 10
(E) Apelmazamiento 0 1 1 0 1 1
(F) Rotura de saco 2 1 3 4 1 5
(G) Otros 1 0 1 8 0 8
1.0 225 1.0
250
0.9 0.9
225 200
0.8 0.8
200 175
0.7 0.7
175
Numero de Paradas
150
Tiempo de Parada
0.6 0.6
150
125
125 0.5 0.5
100
100 0.4 0.4
75
75 0.3 0.3
50 0.2 50
0.2
25 0.1 25 0.1
0 0.0 0 0.0
C A B D F E G C A B D G F E
Causas Causas
10
Diagramas bivariantes
 Son una forma sencilla de evaluar la

dependencia entre variables, por lo que
puede ser utilizada por cualquiera
 Los modelos (lineales o de otro tipo) son
una forma más refinada de evaluar
dependencia.
 Recuerde que correlación y causalidad no
son la misma cosa.
11
Control de procesos
Históricamente ha evolucionado en dos
vertientes:
 Control automático de procesos (APC) empresas
de producción continua (empresas químicas)
 Control estadístico de procesos (SPC) en
sistemas de producción en serie (empresas
metalmecánicas).
Vamos a concentrarnos en el SPC.
12
Control estadístico de
procesos
Los objetivos son:
 Monitorear y vigilar el desempeño del proceso en
cuanto a las características de calidad críticas del
producto, para así minimizar la producción defectuosa
 Gráficos de Control.
 Estimar los parámetros del proceso para comparar la
producción con las especificaciones  Estudios de
Capacidad.
En ambos casos, se trata de herramientas por y
para la mejora continua.
13
Causas de la variabilidad en
un proceso
Causas Comunes Causas Asignables
 Suelen ser muchas y cada  Suelen ser pocas pero con
una produce pequeñas efectos importantes en la
variaciones. variabilidad.
 Son parte permanente del  Aparecen esporádicamente.
proceso  Son relativamente fáciles
 Son difíciles de eliminar y de eliminar
forman parte del sistema.  Por lo general su efecto
está localizado en una(s)
 Afectan a todo el conjunto
máquina(s) u operario(s).
de máquinas y operarios
14
Definición de proceso bajo
control estadístico
 Se dice que un proceso está bajo control
estadístico cuando solo está afectado por
causas comunes de variabilidad. Esto significa
que podemos predecir lo que va a suceder con
el proceso y sus productos.
 A diferencia del APC, en el SPC el significado
de “control” está más vinculado con el
monitoreo del sistema que con la actuación
sobre el mismo.
15
Gráficos de control
 Se trata de diagramas en los que se representa
el comportamiento de un proceso en el tiempo
a través de los valores de un estadístico
asociado con una característica de calidad del
producto.
 Desde el punto de vista estadístico, estos
gráficos permiten realizar continuamente
pruebas de hipótesis sobre una de las
característica del proceso.
16
Gráficos de control (cont)
 El objetivo de los gráficos de control es facilitar
la vigilancia del proceso para así detectar
rápidamente la presencia de causas asignables
y minimizar la producción defectuosa.
 Los diagramas de control están pensados para
ser usados directamente por los propios
operadores, de modo que las acciones se
tomen rápidamente.
17
 Un gráfico de control se construye a partir
de muestras tomadas regularmente en el
tiempo, para cada una de las cuales se
calcula un estadístico W asociado con un
parámetro de la distribución de la
característica de calidad. Estos valores se
grafican junto con una línea central y un par
de líneas de control (superior e inferior).
18
3.5
LSC
3.3
C a ra c te ris tic a d e c a lid a d
3.1
2.9
2.7
LIC
2.5
Tiempo
19
 Para poder considerar al proceso bajo
control, los puntos del gráfico deben estar
dentro de los límites de control y presentar
comportamiento aleatorio.
 Por simplicidad, las líneas suelen escogerse
en base a una aproximación normal de W:
LC  E (W ) LIC  E (W )  3  V (W )
LSC  E (W )  3  V (W ) 20
 Los valores de E(W) y V(W) pueden

estimarse de la muestra u obtenerse de
registros históricos. En el segundo caso,
es importante recordar que los límites se
refieren al proceso (lo que realmente
sucede en planta) y no a las
especificaciones de producción (lo que
debería suceder en la planta).
21
 Las muestras que se obtienen en cada punto de
observación deben ser subgrupos racionales.
 La selección de la frecuencia de muestreo y del
tamaño de los subgrupos debe estar basada en
los conocimientos que se tengan sobre proceso.
Usualmente se recomienda tomar al menos 20
muestras para construir los límites de control.
22
 Diagramas para control de variables: se utiliza
cuando la característica de calidad puede
expresarse como una medida numérica
(diámetro de un cojinete, longitud de un eje,
etc.)
 Diagramas para control de atributos: se utiliza
cuando la característica de calidad corresponde
a una variable binaria (presencia o no de
defectos, etc.)
23
Gráficos de control para
variables
 Se supone que la distribución de la
característica de calidad es normal(,), al
menos aproximadamente. De aquí que se
requieran dos gráficos, uno para cada
parámetro de la distribución.
 Los pares más comunes son los de medias y
desviaciones estándar, los de medias y rangos,
y los gráficos para observaciones individuales y
rangos móviles.
24
Gráficos de medias y rangos
(X  R)
 Se construye un gráfico para la evolución de las
medias de los grupos (asociado con la ubicación
de la característica ) y otro para la evolución
de los rangos (asociado con la dispersión de la
característica ).
 Se utilizan los rangos para medir la variabilidad
ya que son fáciles de calcular y tienen una
eficiencia similar a la desviación estándar para
subgrupos pequeños.
25
Pasos para la construcción
de gráficos X  R
 Se toman k muestras de tamaño n
(usualmente constante y menor a 7).
 Se calcula la media y el rango de cada
muestra:
1 n
X i   xij Ri  max xij  min xij
n j 1 j j
 Se estiman los promedios poblacionales

1 k
1 k
X   Xi R   Ri
k i 1 k i 1 26
(X  R)
 Para construir los límites de control, recordemos
que bajo la suposición de normalidad y control
estadístico se tiene
E ( X i )   SD( X i ) 

n

E X 
 constantes
E ( Rdi )ydd 2son
donde SD( Ri )  dque E R   dsolo
3 dependen 2 de
2 3
n y pueden encontrarse en tablas como la que se
presenta a continuación.
27
( X  R)
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
 La tabla de la derecha 3
4
1,693
2,059
1,023
0,729
0,888
0,880
0,000
0,000
2,575
2,282
muestra el valor de las 5
6
2,326
2,534
0,577
0,483
0,864
0,848
0,000
0,000
2,115
2,004
constantes d2, d3, A2, D3 7

8
2,704
2,847
0,419
0,373
0,833
0,820
0,076
0,136
1,924
1,864
9 2,970 0,337 0,808 0,187 1,816
y D4 para distintos 10
11
3,078
3,173
0,308
0,285
0,797
0,787
0,223
0,256
1,777
1,744
tamaños de los 12
13
3,258
3,336
0,266
0,249
0,778
0,770
0,284
0,308
1,716
1,692
14 3,407 0,235 0,763 0,329 1,671
subgrupos racionales. 15
16
3,472
3,532
0,223
0,212
0,756
0,750
0,348
0,640
1,652
1,636
17 3,588 0,203 0,744 0,379 1,621
18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
28
(X  R)
 Si se conocen  y , estos se pueden
usarse para calcular los límites de control:
 Medias
LSC    A LC   LIC    A
 Rangos
LSC  D2 R LC  d 2  LIC  D1 R
donde
3
A D1  d 2  3d 3 D2  d 2  3d 3
n
29
(X  R)
 Si no se conocen  y  (lo más común)
deben estimarse a partir de los datos.
 Para las medias
LSC  X  A2 R LC  X LIC  X  A2 R
 Para los rangos
LSC  D4 R LC  R LIC  D3 R
donde
3 d3 d3
A2  D3  1  3 D2  1  3
d2 n d2 d2
30
(X  R)
 ¿Puede justificar estas selecciones para

los límites de control?
 Lo más común es trabajar con n fijo para
todos los subgrupos, sin embargo en
algunos casos esto no es posible. ¿Cómo
quedarían los límites de control en ese
caso?
31
(cont)
Muestra Observaciones en la muestra Media Rango
Ejemplo 1.- Se 1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
muestran datos 3
4
35.00 37.00 33.00 34.00 36.00
30.00 31.00 33.00 34.00 33.00
35.00
32.20
4.00
4.00
correspondientes a la 5
6
33.00 34.00 35.00 33.00 34.00
38.00 37.00 39.00 40.00 38.00
33.80
38.40
2.00
3.00
apertura del alabe (en 7
8
30.00 31.00 32.00 34.00 31.00
29.00 39.00 38.00 39.00 39.00
31.60
36.80
4.00
10.00
milímetros) para un 9
10
28.00 33.00 35.00 36.00 43.00
38.00 33.00 32.00 35.00 32.00
35.00
34.00
15.00
6.00
componente de la 11
12
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
29.80
34.00
4.00
4.00
turbina de un avión. 13
14
27.00 32.00 34.00 35.00 37.00
33.00 33.00 35.00 37.00 36.00
33.00
34.80
10.00
4.00
Se pueden ver los

15 35.00 37.00 32.00 35.00 39.00 35.60 7.00
16 33.00 33.00 27.00 31.00 30.00 30.80 6.00
17 35.00 34.00 34.00 30.00 32.00 33.00 5.00
cálculos preliminares 18 32.00 33.00 30.00 30.00 33.00 31.60 3.00
19 25.00 27.00 34.00 27.00 28.00 28.20 9.00
en la misma tabla. 20 35.00 35.00 36.00 33.00 30.00
Promedios:
33.80
33.32
6.00
5.80
32
(cont)
Los límites de control son, en este caso,
 Para el gráfico de medias:
LIC  X  A2 R  33,32  0,577  5,8  29,95
LSC  X  A2 R  33,32  0,577  5,8  36,65
LC  33,32
 Para el gráfico de rangos
LIC  D3 R  2,115  5,8  12,27
LSC  D4 R  0  5,8  0
LC  5,8
33
(cont)
A p e rtu ra p r o m e d io d e l a la b e
40
38
LSC=36.67
36
34
LC=33.32
32
30
LIC=29.98
28
5 10 15 20
Muestra
R a n g o d e a p e r tu ra d e l a la b e
15
LSC=12.27
10
LC=5.80
5
0
5 10 15 20 34
Muestra
(cont)
 Las muestras 6, 8, 11 y 19 están fuera de
control en gráfico de medias y la 9 lo esta
en el gráfico de rangos.
 Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el área de moldeo. Los límites deben ser
recalculados excluyendo estas observaciones
atípicas, obteniéndose así un nuevo gráfico.
35
(cont)
A p e rtu ra p ro m e d io d e l a la b e
40
38
36
LSC=36.10
34
LC=33.21
32
30
LIC=30.33
28
5 10 15 20
Muestra
R a n g o d e a p e r tu r a d e l a la b e
15
10
LSC=10.57
5
LC=5.00
0
5 10 15 20 36
Muestra
Gráficos de medias y
desviaciones estándar ( X  s)
 El utiliza el mismo gráfico de medias anterior,
pero ahora se estudia la dispersión usando un
gráfico de las desviaciones standard de cada
subgrupo.
 La desviación muestral es un mejor estimador
de la variabilidad, pero más difícil de calcular.
Se prefiere en procesos con subgrupos
racionales grandes (10 o más) o en procesos
automatizados.
37
de gráficos X  s
 Se toman k muestras de tamaño n.
 Se calcula la media y la desviación
standard de cada muestra:
2
 
n
1 n  xij  X i
X i   xij Si  j 1
n 1
n j 1
 Se calculan los parámetros poblacionales.
1 k
1 k
X   Xi S   Si
k i 1 k i 1
38
 Para calcular los límites de control

necesitamos conocer la esperanza y la
varianza de estos estimadores:
E( X i )   SD( X i ) 

n

E X 
E ( S i )  c 4  SD( S i )  1  c 4  E S   c 4 
2
donde de nuevo c4 depende solo de n puede

obtenerse de tablas.
39
 Si se conocen  y  el cálculo de los
límites de control es muy sencillo:
 Para las medias:
LSC    A LC   LIC    A
 Para las desviaciones estándar:
LSC  B6 R LC  c 4  LIC  B5 R
3
A B5  c4  3 1  c42 B6  c4  3 1  c42
n
40
 Cuando no se conocen los valores de  y 
los mismos se calculan a partir de los
datos para obtener los límites de control
LSC  X  A3 S LC  X LIC  X  A3 S
 Para el gráfico de desviaciones estándar:
LSC  B4 S LC  S LIC  B3 S
3 1  c4 1  c4
A3  B3  1  3 B4  1  3
c4 n c4 c4
41
n c4 A3 B3 B4
 Tabla 2.- La tabla de la 2 0,7979 2,6590 0,0000 3,2670
3 0,8862 1,9540 0,0000 2,5680
derecha muestra el valor 4
5
0,9213
0,9400
1,6280
1,4270
0,0000
0,0000
2,2660
2,0890
de las constantes c4, A3, B3 6

7
0,9515
0,9594
1,2870
1,1820
0,0300
0,1180
1,9700
1,8820
8 0,9650 1,0990 0,1850 1,8150
y B4 para distintos 9
10
0,9693
0,9727
1,0320
0,9750
0,2390
0,2840
1,7610
1,7160
tamaños de los subgrupos 11

12
0,9754
0,9776
0,9270
0,8860
0,3210
0,3540
1,6790
1,6460
13 0,9794 0,8500 0,3820 1,6180
racionales. 14 0,9810 0,8170 0,4000 1,5940
15 0,9823 0,7890 0,4280 1,5720
16 0,9835 0,7630 0,4480 1,5520
17 0,9845 0,7390 0,4660 1,5340
18 0,9854 0,7180 0,4820 1,5180
19 0,9862 0,6980 0,4970 1,5030
20 0,9869 0,6800 0,5100 1,4900
21 0,9876 0,6630 0,5230 1,4770
22 0,9882 0,6470 0,5340 1,4660
23 0,9887 0,6330 0,5450 1,4550
24 0,9892 0,6190 0,5550 1,4450
25 0,9896 0,6060 0,5650 1,4350
42
Gráficos para observaciones
individuales (I)
 En general, es preferible utilizar más de
una observaciones para estimar el estado
del proceso en cada instante de tiempo.
Probabilidad de detectar un cambio de k varianzas en la media
1.0
k=1.0
k=1.5
0.8
k=2.0
0.6
0.4
0.2
0.0
1 2 3 4 5 6
Numero de elementos en el supgrupo racional
43
individuales (I) (cont)
 Sin embargo, en algunos procesos no es
posible obtener más de una observación:
 Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
 Donde se quiere comparar cada producto con la
especificación (se producen pocos artículos y son
muy caros).
 En procesos continuos, donde no hay individuos.
44
individuales (I) (cont)
 Cuando solo se dispone de una observación en
cada instante es necesario modificar los
diagramas anteriores ya que ni podemos
promediar en cada punto ni es posible obtener
estimaciones de la variabilidad en cada instante.
 Así, el gráfico de medias se sustituye por el
gráfico de las observaciones y el de rangos por
el de rangos móviles.
45
individuales I (cont)
 El rango móvil utiliza la información de las últimas
w observaciones para estimar la variabilidad.
 
 Estos gráficos son más Para w = 2a

susceptibles
  
alteraciones en la hipótesis de normalidad de la
característica de calidad. ¿Puede explicar por
qué?
46
de gráficos I
 Se toma una observación para cada uno de
k puntos en el tiempo.
 Para cada instante se calcula el rango móvil
basado en w observaciones, definido por
Ri  max x j  min x j , 1  i  k  w  1
i  j i  w 1 i  j i  w 1
 Se estiman los parámetros poblacionales

1 k 1 k  w 1
X   xi R  Ri
k i 1 k  w  1 i 1
47
de gráficos I (cont)
 Los límites de control y línea central son:
LSC  X  3 R d 2 LC  X LIC  X  3 R d 2
 Para el gráfico de rangos:
LSC  D4 R LC  R LIC  D3 R
 Para obtener d2, D3, D4 y se utiliza la tabla 1
con n = w. Usualmente se escoge w = 2 por
simplicidad.
48
Otros gráficos para control
de variables
 Diagramas de sumas acumulativas

(CUSUM), los cuales permiten detectar
más rápidamente cambios en la media de
una variable.
 Gráficos de medias móviles pesadas
exponencialmente (EWMA), para procesos
donde las observaciones no son
independientes (procesos continuos).
49
Gráficos de control para
atributos
 Se consideran dos situaciones:
 Nos interesa la presencia o ausencia del
atributo en el individuo, o se trata de un
atributo que solo puede presentarse una vez
(un fusible está quemado o no)  Diagrama p.
 Nos interesa contar el número de veces que se
presenta el atributo en cada individuo (poros
en una superficie plástica extruida) 
Diagramas u.
50
Gráficos para control de
proporciones (p)
 Se utiliza para atributos binarios, y por
tanto el número de ocurrencias del mismo
en un lote puede modelarse por una v.a.
Binomial. Así, basta con un gráfico que
corresponde a la proporción p de
defectuosos en la muestra.
 El otro parámetro de la distribución (n),
puede ser constante o no y es conocido.
51
de gráficos p
 Se toman k muestras cada una de tamaño ni (ni
suele escogerse de manera que se presenten
por lo menos tres o cuatro defectos).
 Se calcula la fracción de individuos con el
atributo en la muestra pi.
ei Número de artículos defectuoso s en el grupo

pi grafican
 Se   los valores de p en el tiempo.
ni Número de artículos
i en el grupo
52
de gráficos p (cont)
 Se estima el parámetro poblacional
k
 ni p i Total de artículos defectuos
i 1
p k

Total de artículos muestreados
 ni
i 1
 Se obtienen y grafican los límites de
control y la línea central.
 p (1  p )   p (1  p ) 
LSC  min  p  3 ,1 LIC  max  p  3 ,0
 ni   ni 
LC  p
53
Gráficos para control para
cantidades (u)
 El interés se centra ahora en ci,el número de
veces que el atributo se presenta en cada
individuo (no solo su presencia).
 Si se supone que la tasa de ocurrencia de los
eventos que generan el atributo es constante
entonces es razonable asumir que la v.a.
sigue una distribución de Poisson, y por tanto,
hay que monitorear un solo parámetro ().
54
de gráficos u
 Se toman ni individuos (con ni tal que se
presente el atributo alrededor de 10 veces)
en cada uno de k puntos en el tiempo.
 Se calcula el número promedio de defectos
en cada instante:
ci Veces en que se presenta el atributo en el grupo

i  
 Se grafican
ni losNúmero
valores de i enenelel tiempo.
de artículos grupo
55
de gráficos u (cont)
 Se estima el parámetro poblacional
k
 ci Total de defectos
i 1
 k

Total de artículos muestreados
 ni
i 1
 Se obtienen y grafican los límites de
control y la línea central.
 
LSC    3 LC   LIC    3
ni ni
56
Ejemplo de gráficos u
 Ejemplo 2: En una línea de estampado
de telas, se toman rollos de 50 metros de
tela y se cuenta en cada uno de ellos el
número de manchas de pintura que se
presentan. Los resultados para 10
muestras se muestran a continuación:
Muestra 1 2 3 4 5 6 7 8 9 10 Total
Defectos 14 12 20 11 7 10 21 16 19 23 153
Num de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
 1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84 1,42
57
Ejemplo de gráficos u (cont)
3 .0
Ta s a d e d e fe c to s p o r ro llo
2 .5
2 .0
1 .5
1 .0
0 .5
1 2 3 4 5 6 7 8 9 10
Tiempo
El gráfico muestra un proceso claramente bajo

control.
58
Ejemplo de gráficos u (cont)
 En este caso una “unidad” corresponde a

un rollo de tela de 50 metros cuadrados.
Otra elección adecuada para la unidad
sería simplemente los metros cuadrados.
¿Cómo quedaría el gráfico de control en
ese caso? ¿Proveen la misma información
ambos gráficos?
59
Gráficos u y el sistema de
deméritos
 En algunos casos no todos los tipos de
defectos que pueden presentar las piezas
tienen la misma gravedad. En ese caso
hay dos opciones:
 Construir un gráfico u para cada uno de los
tipos de defectos.
 Asignar un “puntaje” a cada tipo de defecto
dependiendo de su gravedad y luego graficar
un índice promediado de los defectos.
60
Gráficos p y el sistema de
deméritos (cont)
Defecto Grave Normal Leve
Deméritos 10 5 1
#/unidad x3 x2 x1
 En este caso se construye un gráfico muy

similar al gráfico u, pero donde la variable
de interés no es el número de defectos
sino el total de deméritos por unidad:
d  x1  5 x2  10 x3
¿cómo hallar la esperanza y la varianza de

d?
61
Otros gráficos para control
de atributos
 Gráficos np para control del número de
defectuosos. Se utilizan en las mismas
circunstancias que los gráficos p, pero
necesitan que el número de individuos
muestreados sea constante en el tiempo.
 Gráficos c para control de la cantidad de
defectos, que son un caso particular de
los gráficos u. También suponen un
número de individuos fijo en el tiempo
62
Variaciones sobre los
gráficos de control
 Construcción de límites de control en base

a valores históricos de los parámetros.
 Construcción probabilística de los límites
de control. Aunque en la mayor parte de
los casos los límites son aproximadamente
iguales a los limites probabilísticos, para
muestras pequeñas es posible mejorar.
63
Interpretación de los
gráficos de control
 Necesitamos determinar si el proceso está bajo
control, lo cual se traduce en que los puntos
mostrados estén dentro de los límites de
control y presenten un comportamiento
aleatorio.
 Para esto se utilizan una serie de reglas
empíricas, cuya presentación se facilita si el
área dentro de los límites de control se divide
en regiones iguales.
64
gráficos de control (cont) 1 0 .5
C a ra c te rís tic a d e C a lid a d
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
65
gráficos de control (cont)
 A las reglas empíricas que se utilizan para
determinar si un proceso está bajo control
se les suele denominar reglas de parada.
 Corresponden a sucesos que tienen muy
baja probabilidad de ocurrir si el proceso
está bajo control.
 Cada una de ellas provee información
sobre el tipo de causa asignable que
puede estar afectando al proceso.
66
Reglas de parada
 Un punto fuera de la zona A.

Corresponde a un cambio repentino en la media
o la dispersión del proceso.
C a r a c t e r í s t ic a d e C a l id a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
67
Reglas de parada
 Siete puntos en fila, todos crecientes
o decrecientes. Se presenta cuando hay
cambios paulatinos en la media, debida a
desgastes en herramientas o personal.
C a r a c te r ís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
68
Reglas de parada (cont)
 Catorce puntos en fila alternando
arriba y abajo. Indica correlación negativa
entre los datos (cuando hay excesos en una, a
la siguiente pieza es muy reducida y viceversa).
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
69
 Quince puntos en fila en la zona C. El
proceso ha reducido su varianza (hay
sobreestabilidad en el sistema). Es importante
investigar la fuente de la mejora.
C a r a c t e r í s t ic a d e C a l id a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
70
 Dos de tres puntos consecutivos en
la zona A o más allá. Indican un
incremento en la varianza del proceso.
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
71
 Estructuras periódicas. Estas están
asociadas normalmente con cambios de turnos,
operarios, días de la semana, etc.
C a ra c te rís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
72
 Nunca trate de explicar la influencia de

todos y cada uno de los eventos que
ocurren en la planta a través de gráficos
de control. El procedimiento correcto es
detectar ALARMAS y luego usar los
registros de eventos para determinar si
corresponden a causas asignables o a
causas comunes.
73
gráficos de control (cont)
 El calculo del nivel de significancia para las
reglas de parada que se establezcan es
importante para un correcto análisis. Un
punto que incumple una regla de parada es
una ALARMA pero no necesariamente
significa que nuestro proceso está fuera de
control, ya que si no podemos ligarlo a una
causa asignable puede tratarse del azar.
74
Ejemplos adicionales
 Ejemplo 3.- Dentro de Día Defectos Día Defectos
un proceso de moldeo de 1
2
9
16
16
17
9
5
PVC las piezas elaboradas 3 5 18 6
pueden presentar o no 4
5
6
7
19
20
4
11
defectos superficiales. 6
7
9
3
21
22
3
1
Cada día se toman 100 8 9 23 3
piezas al azar de la línea 9

10
10
4
24
25
0
4
de producción y se cuenta 11
12
7
10
26
27
6
1
el número de piezas 13 6 28 6
defectuosas. 14
15
6
7
29
30
5
4
75
Ejemplos adicionales (cont)
También se dispone de un registro de
eventos en la línea, que puede resumirse
como:
Día Evento
5 Reemplazo de la mezcladora.
10 Nuevo empleado asume la operación del
proceso.
18 Se comenzó a utilizar resina (materia
prima) de otro proveedor.
22 Sustitución del sistema de enfriamiento, lo
que permitió un incremento en la
temperatura de inyección de PVC.
76
El gráfico p correspondiente a estos datos
es el siguiente
P ro p o rc io n d e p ie z a s c o n d e fe c to s s u p e rfic ia le s
0 .2 0
0 .1 5
LSC=0.1323
0 .1 0
LC=0.0606
0 .0 5
0 .0
LIC=0.0000
0 5 10 15 20 25 30
Dia
77
 Si bien el punto 2 aparece fuera de los
límites, no existe en el registro ningún
evento que nos haga creer que el proceso
se encontraba fuera de control.
 Al llegar al punto 29 se presenta una racha
de 9 puntos bajo la línea central (lo cual
tiene una probabilidad de 0,00195 en un
proceso bajo control). Esto se puede
relacionar con el cambio en el sistema de
enfriamiento (día 22). El 30 es similar. 78
 Nuestra conclusión es que la temperatura de
inyección influye sobre la frecuencia en que
aparecen defectos superficiales. El cambio del
sistema de enfriamiento permitió elevar la
temperatura, lo cual redujo el número de
defectos.
 Para avalar nuestra observación se podría
haber realizado una prueba de igualdad de
proporciones.
79
Tolerancias y capacidad
 La literatura suele distinguir entre dos tipos
de tolerancias:
 Tolerancias de diseño: las cuales son fijadas
por el departamento de ingeniería. Están
relacionadas con el concepto de calidad en el
diseño.
 Tolerancias de naturales: que vienen dadas
por las características de la máquina o
proceso.
80
(cont)
 Si las tolerancias naturales de un proceso son
más estrictas que las tolerancias de diseño
entonces es fácil obtener calidad de
conformidad.
 Sin embargo, si las tolerancias de diseño se
vuelven incompatibles con las tolerancias
naturales de nuestro proceso, muy difícilmente
lograremos elaborar productos que las
satisfagan.
81
(cont)
Mercado Tolerancias naturales
Tolerancias de diseño
 Las tolerancias de diseño deben ser realistas:

deben representar un compromiso entre el
mercado y nuestro sistema de producción.
82
Estudios de capacidad
 Su objetivo es cuantificar la variabilidad
inherente a un proceso o a una parte del
mismo (determinar tolerancias naturales) y
analizar dicha variabilidad en relación con las
especificaciones del producto (tolerancias de
diseño).
 No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado de
control.
83
Estudios de capacidad (cont)
 Los objetivos que se pueden perseguir a la hora
de realizar un estudio de capacidad pueden ser
diversas:
 Determinar si nuestros procesos son capaces de
elaborar productos con la calidad que requiere el
mercado. Esto permite detectar la necesidad de
acciones drásticas.
 Determinar valores “razonables” para las
especificaciones de un producto nuevo.
 Elegir entre diversos proveedores.
84
 En la industria a veces se habla de dos tipos
de capacidad
 Capacidad de las máquinas (u operarios) o
capacidad a corto plazo.
 Capacidad del proceso o capacidad a largo plazo.
 Los requisitos de capacidad a corto plazo
suelen ser más exigentes que los de largo
plazo, ¿puede decir por qué?
85
 Se dice que un proceso es capaz para
producir un determinado artículo a un
nivel de calidad  si la probabilidad de
que los productos que se elaboran
correspondan con las especificaciones es
al menos .
 Está concepción está ligada a una función
de utilizada 0-1.
86
 El resultado de un estudio de capacidad suele
presentarse en la forma de un histograma al
cual se le añaden indicaciones sobre el valor
objetivo de la característica de calidad y los
límites de especificación de la misma. También
pueden utilizarse los diagramas de control.
 Además, suelen utilizarse algunos índices para
facilitar el análisis.
87
Indices de capacidad
 Si los procesos están centrados:
 Capacidad de máquinas LST  LIT
Cm 
8
 Capacidad de procesos LST  LIT
Cp 
6
 Los valores de 6 y 8 se han fijado de modo
que la conformidad sea de al menos 99.865%
y 99.997% si los datos provienen de una
distribución normal.
88
Indices de capacidad (cont)
 Ciertas industrias (aviación, automóviles)
utilizan otros valores como 10 y 12.
 Se desea que el índice de capacidad sea tan
grande como sea posible:
 Si Cp < 1 se dice que el proceso no es capaz.
 Si 1 < Cp < 1.33 el proceso es capaz, pero cualquier
pequeño cambio en las condiciones puede hacer que
pierda esta cualidad.
 Si Cp > 1.33 el proceso es capaz y robusto.
89
 Cuando el proceso no está centrado se

hace necesario redefinir los índices.
 Para máquinas:
 LST  X X  LIT 
C mk  min  , 
 4  4 
 Para procesos:
 LST  X X  LIT 
C pk  min  , 
 3 3 
90
 Puede comprobarse fácilmente que
C mk  C m y C pk  C p
y que la igualdad se cumple si y solo si el
proceso está centrado. Además, entre mayor
es la diferencia, mayor es el descentramiento
 Los índices Cmk y Cpk pueden interpretarse
como la capacidad hasta la tolerancia más
próxima.
91
 De hecho, la misma idea sobre la que se

basan estos índices puede utilizarse en el
caso de especificaciones unilaterales.
¿Cómo podría hacerlo?
 En algunos casos se estudia la evolución
de la capacidad del proceso en el tiempo
mediante gráficos de control.
92
Capacidad y falta de
normalidad
 Si la distribución de los datos no es normal, es
posible que aparezcan más defectos de los
que se esperan bajo un índice de normalidad.
 Una forma de corregir el problema es hallar
límites universales (desigualdad de
Chebyshev), pero estos tenderán a ser
demasiado amplios.
 Otra forma es ajustar una distribución.
93
Ejemplos
 Ejemplo 5: Se tienen datos sobre la
resistencia a la presión interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los gráficos de
control correspondientes pueden verse a
continuación. Las especificaciones para el
proceso establecen que la resistencia debe ser
superior a 200, y no se establecen valores
máximos.
94
Ejemplos (cont)
350
300
Medias
250
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
200
Rangos
100
0
-100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
95
Ejemplos (cont)
 De las gráficas es claro que el proceso
está bajo control. Por tanto podemos
estimar la variabilidad natural del proceso
debida a causas comunes como:
R 77,3
   33,23
d 2 2,326
y la localización del proceso como
  X  264,06
96
Ejemplos (cont)
 Nótese que el límite de especificación es
unilateral (botellas con mucha resistencia no
son de ningún modo defectuosas). Así pues:
  LIT 264,06  200

C pkl    0,64
3 muy bajo,
Lo cual es un valor 3  33,especialmente
23 si
consideramos que se trata de un parámetro
relacionado con la seguridad.
97
Ejemplos (cont)
35
LIE
28
F re c u e n c ia a b s o lu ta
21
14
7
0
160 180 200 220 240 260 280 300 320 340 360
Resistencia interna
 La muestra presenta un 3% de observaciones fuera de

especificación, en línea con el 2,6% que se espera de la
aproximación normal. ¿Cómo se obtiene este último número?
98
Ejemplos (cont)
 Este es un ejemplo de un proceso bajo control
(estable) pero que funciona a un nivel de
calidad inaceptable (capacidad insuficiente).
 La producción de artículos defectuosos en
este caso no puede ser controlada por el
operario ya que solo están presentes causas
comunes. Es necesaria la intervención de la
gerencia.
99
Ejemplos (cont)
 De hecho, es fácil calcular el nivel de

variabilidad aceptable para el proceso. Si
se desea un índice de capacidad de 1,33
entonces
  LIT 264,06  200
   16,055
3  1,33 3  1,33
es decir, se hace necesario cortar la
dispersión a menos de la mitad.
100

Grafico de Control

Cargado por

Copyright:

Formatos disponibles

Grafico de Control

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Grafico de Control

Cargado por

Copyright:

Formatos disponibles

Control Estadístico de la

Calidad y los Procesos

 Calidad de diseño: corresponde a la

 Calidad de conformidad: se refiere al

 Para mejorar es necesario hacer cambios.

Salud Concentración Herramientas

Diagrama causa-efecto para estudiar las causas de

 Son una forma sencilla de evaluar la

 Los valores de E(W) y V(W) pueden

 Se estiman los promedios poblacionales

constantes d2, d3, A2, D3 7

 ¿Puede justificar estas selecciones para

Se pueden ver los

 Para calcular los límites de control

donde de nuevo c4 depende solo de n puede

de las constantes c4, A3, B3 6

tamaños de los subgrupos 11

 Estos gráficos son más Para w = 2a

 Se estiman los parámetros poblacionales

 Diagramas de sumas acumulativas

ei Número de artículos defectuoso s en el grupo

ci Veces en que se presenta el atributo en el grupo

El gráfico muestra un proceso claramente bajo

 En este caso una “unidad” corresponde a

 En este caso se construye un gráfico muy

¿cómo hallar la esperanza y la varianza de

 Construcción de límites de control en base

 Un punto fuera de la zona A.

 Nunca trate de explicar la influencia de

piezas al azar de la línea 9

Mercado Tolerancias naturales

 Las tolerancias de diseño deben ser realistas:

 Cuando el proceso no está centrado se

 De hecho, la misma idea sobre la que se

  LIT 264,06  200

 La muestra presenta un 3% de observaciones fuera de

 De hecho, es fácil calcular el nivel de

También podría gustarte