Control Estadístico Procesos

CONTROL ESTADSTICO DE PROCESOS
1.
APUNTES DE CLASE
Profesor: Arturo Ruiz-Falc Rojas

Madrid, Marzo 2006
------------------------------------------------------------------------------------------------------------------------------------------
Control Estadstico de Procesos
INDICE DE CONTENIDOS
1.
INTRODUCCIN AL CONTROL ESTADSTICO DE PROCESOS.........................4
2.
POR QU VARAN LOS PROCESOS?................................................................5
3.
FUNDAMENTOS ESTADSTICOS..........................................................................7
4.
CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9
5.
QU CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL
GRFICO DE CONTROL? .............................................................................................10
6.
CAPACIDAD DE PROCESO.................................................................................13
6.1.
6.2.
6.3.
6.4.
6.5.
CONCEPTO DE CAPACIDAD DE PROCESO..............................................13

NDICES CP Y CPK ..........................................................................................13
VARIABILIDAD A CORTO Y LARGO PLAZO ...............................................16
POTENCIALIDAD DEL PROCESO. NDICES PP Y PPK .................................17
CONCEPTO DE GRUPO HOMOGNEO RACIONAL ..................................18
7.
GRFICOS DE CONTROL POR VARIABLES: GRFICOS DE SHEWHART ....18
8.
CURVAS DE OPERACIN DEL GRFICO DE CONTROL .................................32

8.1.
8.2.
CURVA DE OPERACIN DEL GRFICO DE MEDIAS...................................................32

CURVA DE OPERACIN DEL GRFICO DE DISPERSIN. ...........................................34
9.
INTERPRETACIN DE LAS INDICACIONES DEL GRFICO DE CONTROL....36
10.
ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39
10.1.
10.2.
QU ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39

CMO SE REALIZA UN ESTUDIO DE CAPACIDAD DE PROCESO? ......39
10.2.1.
Comprender los fenmenos fsicos y tecnolgicos importantes
para el proceso ..........................................................................................40
10.2.2.
Definicin de la estratificacin de las medidas a tomar ...........40
10.2.3.
Estabilizar del proceso..............................................................41
10.2.4.
Toma de los datos ....................................................................41
10.2.5.
Identificacin del patrn de variabilidad ...................................41
10.2.6.
Comprobacin de la normalidad de los datos ..........................42
10.2.7.
Anlisis e interpretacin de los datos .......................................43
10.2.8.
Construccin de un intervalo de confianza de los ndices .......46
11.
CASO DE PROCESOS NO NORMALES..............................................................47
11.1.
11.2.
11.3.
12.
ES LA NORMALIDAD LO NORMAL? .......................................................47

CONSECUENCIAS QUE TIENE EN EL ANLISIS.......................................48
TCNICAS DE NORMALIZACIN DE LOS DATOS. ...................................49
GRFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54
12.1. GRFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54

12.2. GRFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD
SIMULTNEAMENTE (I-MR-R/S) ..............................................................................56
13.
GRFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57
Pg. 2
Control Estadstico de Procesos (Apuntes)
14.
OTROS GRFICOS DE CONTROL POR VARIABLES....................................... 60
14.1.
14.2.
15.
GRFICOS DE CONTROL POR ATRIBUTOS .................................................... 65
15.1.
15.2.
16.
GRFICO CUSUM........................................................................................... 60
GRFICO EWMA............................................................................................. 63
GRFICOS DE CONTROL BASADOS EN LA DISTRIBUCIN BINOMIAL ......................... 65

GRFICOS DE CONTROL BASADOS EN LA DISTRIBUCIN DE POISSON ..................... 69
IMPLANTACIN DEL SPC EN UNA EMPRESA................................................. 71
16.1.
16.2.
16.3.
16.4.
FASE 1: PREPARACIN Y SELECCIN DEL PROCESO PILOTO ................................. 71

FASE 2: IMPLANTACIN DEL GRFICO DE CONTROL PILOTO ................................. 72
FASE 3: ANLISIS DE LOS PRIMEROS RESULTADOS .............................................. 73
FASE 4: EXTENSIN A OTROS PROCESOS ........................................................... 73
Pg. 3
Objetivos de este tema

En este tema se pretende que alcances los siguientes objetivos:
a) Entender el concepto de variabilidad natural de un proceso.

b) Aprender a realizar estudios de capacidad de procesos.
c) Aprender a aplicar los grficos de control, conocer sus limitaciones
y adaptarlos en situaciones especiales (series cortas, datos no
normales, etc.)
1.
INTRODUCCIN AL CONTROL ESTADSTICO

DE PROCESOS
El Control Estadstico de Procesos naci a finales de los aos 20 en los Bell

Laboratories. Su creador fue W. A. Shewhart, quien en su libro Economic
Control of Quality of Manufactured Products (1931) marc la pauta que
seguiran otros discpulos distinguidos (Joseph Juran, W.E. Deming, etc.).
Sobre este libro han pasado ms de 70 aos y sigue sorprendiendo por su
frescura y actualidad. Resulta admirable el ingenio con el que plantea la
resolucin de problemas numricos pese a las evidentes limitaciones de los
medios de clculo disponibles en su poca.
Lamentablemente, a Shewhart se le recuerda solo por las grficos de control
(X-R, etc.). Por si fuera poco, a menudo se emplean estos grficos de modo
incorrecto o se desconoce las limitaciones de los mismos. Normalmente, la
utilizacin incorrecta de los grficos de control dimana del desconocimiento de
los fundamentos estadsticos que los sustentan. Por est razn se ha
considerado conveniente hacer hincapi en los fundamentos estadsticos
(prrafos 3 y 5), el problema del sobre ajuste del proceso (ver prrafo 6) y las
limitaciones que presentan para la deteccin de derivas en los procesos y
aumentos en la variabilidad en los mismos (ver prrafo 8).
Pg. 4
2.
POR QU VARAN LOS PROCESOS?
Un proceso industrial est sometido a una serie de factores de carcter

aleatorio que hacen imposible fabricar dos productos exactamente iguales.
Dicho de otra manera, las caractersticas del producto fabricado no son
uniformes y presentan una variabilidad. Esta variabilidad es claramente
indeseable y el objetivo ha de ser reducirla lo ms posible o al menos
mantenerla dentro de unos lmites. El Control Estadstico de Procesos es una
herramienta til para alcanzar este segundo objetivo. Dado que su aplicacin es
en el momento de la fabricacin, puede decirse que esta herramienta
contribuye a la mejora de la calidad de la fabricacin. Permite tambin
aumentar el conocimiento del proceso (puesto que se le est tomando el
pulso de manera habitual) lo cual en algunos casos puede dar lugar a la
mejora del mismo.
QU ES UN PROCESO?
INPUT
OUTPUT
Figura 1
Pg. 5
POR QU HAY VARIACIN EN LOS

RESULTADOS DEL PROCESO?
??
OK OK
OK OK
Figura 2
PORQUE EST AFECTADO

POR FACTORES QUE VARAN
INPUT
OUTPUT
Mano de Obra
Mquinas
Material
Mtodo
Ambiente
Mantenimiento
Figura 3
Pg. 6
3.
FUNDAMENTOS ESTADSTICOS.
Para el entendimiento del Control Estadstico de Procesos no es necesario ser

un experto en estadstica, pero es preciso recordar al menos los puntos que se
describen a continuacin.
a) Distribucin Normal o Campana de Gauss.

La distribucin normal es desde luego la funcin de
densidad de probabilidad estrella en estadstica.
Depende de dos parmetros y , que son la media y la
desviacin tpica respectivamente. Tiene una forma
acampanada (de ah su nombre) y es simtrica respecto a
. Llevando mltiplos de a ambos lados de , nos
encontramos con que el 68% de la poblacin est
contenido en un entorno 1 alrededor de , el 95% de la
poblacin est contenido en un entorno 2 alrededor de
y que el 99,73% est comprendido en 3 alrededor de .
FUNCIN DE DENSIDAD DE PROBABILIDAD NORMAL
0.4
0.3
0.2
0.1
68 %
0.0
-3
-2
-1
95%
99,73%
Figura 4 Funcin de densidad de probabilidad normal
Pg. 7
b) Teorema del Lmite Central.

El teorema del lmite central (TLC) establece que si una variable aleatoria (v.
a.) se obtiene como una suma de muchas causas independientes, siendo
cada una de ellas de poca importancia respecto al conjunto, entonces su
distribucin es asintticamente normal. Es decir:
Si
X = x1 + x 2 + L + xn donde las xi son v.a de media i y varianza i 2
Entonces :
n
X N i ,
i =1
i =1
c) Distribucin de las medias muestrales

Si X es una v.a. N(, ) de la que se extraen muestras de tamao n, entonces
las medias muestrales se distribuyen segn otra ley normal:

xm N ,
Obsrvese que como consecuencia del TLC, la distribucin de las medias

muestrales tiende a ser normal an en el caso que la poblacin base no lo sea,
siempre que el tamao de la muestra sea suficientemente grande n25, si bien
este nmero depende de la asimetra de la distribucin.
Pg. 8
2
DISTRIBUCIN DE LAS MEDIAS
DISTRIBUCIN DE LOS
VALORES INDIVIDUALES
0
-4
-3
-2
-1
Figura 5: Funcin de densidad de las medias maestrales
4.
CAUSAS COMUNES Y CAUSAS ASIGNABLES

O ESPECIALES
De acuerdo con lo dicho en la introduccin, el proceso est afectado por un

gran nmero de factores sometidos a una variabilidad (por ejemplo oscilaciones
de las caractersticas del material utilizado, variaciones de temperatura y
humedad ambiental, variabilidad introducida por el operario, repetibilidad propia
de la maquinaria utilizada, etc.), que inciden en l y que inducen una
variabilidad de las caractersticas del producto fabricado. Si el proceso est
operando de manera que existen pequeas oscilaciones de todos estos
factores, pero de modo que ninguno de ellos tienen un efecto preponderante
frente a los dems, entonces en virtud del TLC es esperable que la
caracterstica de calidad del producto fabricado se distribuya de acuerdo con
una ley normal. Al conjunto de esta multitud de factores se denominan causas
comunes. Por el contrario, si circunstancialmente incide un factor con un efecto
preponderante, entonces la distribucin de la caracterstica de calidad no tiene
por qu seguir una ley normal y se dice que est presente una causa especial
o asignable. Por ejemplo, si en un proceso industrial se est utilizando
materias primas procedentes de un lote homogneo y se contina la fabricacin
con materias primas procedentes de otro lote, cuyas caractersticas son muy
diferentes de las anteriores, es muy posible que las caractersticas de los
productos fabricados sean significativamente distintas a partir de la utilizacin
del nuevo lote.
Pg. 9
Por definicin, se dice que un proceso est bajo control estadstico cuando
no hay causas asignables presentes. El Control Estadstico de Procesos se
basa en analizar la informacin aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construccin grfica denominada Grfico de Control.
Si el proceso se encuentra bajo control estadstico es posible realizar una
prediccin del intervalo en el que se encontrarn las caractersticas de la pieza
fabricada.
5.
QU CONDICIONES HACEN FALTA PARA

QUE SE PUEDA APLICAR EL GRFICO DE
CONTROL?
Para que tenga sentido la aplicacin de los grficos de control, el proceso ha de

tener una estabilidad suficiente que, an siendo aleatorio, permita un cierto
grado de prediccin. En general, un proceso catico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el grfico de
control ni tiene sentido hablar de capacidad. Un proceso de este tipo debe ser
estudiado mediante herramientas estadsticas avanzadas hasta que el grado de
conocimiento emprico obtenido sobre el mismo permita conocer las causas de
la estabilidad y se eliminen.
En lo sucesivo, se supondr que los procesos tienen un cierto grado de
estabilidad. Podemos distinguir dos casos:
El proceso est regido por una funcin de probabilidad cuyos

parmetros permanecen constantes a lo largo del tiempo. Este sera
el caso de un proceso normal de media constante y desviacin tpica
constante. Este es el caso ideal y al que se pueden aplicar los
grficos de control para detectar la presencia de causas asignables.
El proceso est regido por una funcin de probabilidad alguno de

cuyos parmetros vara ligeramente a lo largo del tiempo. Este sera
el caso de un proceso normal cuya media vara a lo largo del tiempo
(por ejemplo, una herramienta de corte que va desgastando la
cuchilla de corte). Estrictamente hablando, este desgaste de la
herramienta sera una causa especial; sin embargo si puede
conocerse la velocidad de desgaste, podra compensarse resultando
un proceso anlogo al caso anterior.
Puede ocurrir que las caractersticas propias del proceso hagan que alguno de
los factores de variabilidad intrnsecos al mismo, tenga un efecto
preponderante, de modo que en este caso la distribucin no sea normal. Un
Pg. 10
ejemplo puede ser la distribucin de los dimetros de un proceso de taladrado,

cuyo valor inferior est limitado por el propio dimetro de la broca, mientras que
la distribucin presenta una cola hacia dimetros mayores debido a posibles
incidencias oblicuas de la broca. En este caso, se dice que el proceso est
bajo control estadstico cuando no hay otras causas asignables
presentes. Esto es equivalente a decir que el proceso permanezca estable, es
decir que los parmetros de la distribucin permanezcan invariables y por lo
tanto puede realizarse una prediccin del intervalo en el que se encontrarn los
valores de la caracterstica de respuesta.
Por lo tanto, debe tratar de conocerse todo lo que sea posible de los
fundamentos tecnolgicos del proceso, ya que puede dar pistas sobre el tipo de
distribucin que seguirn los datos. En ningn caso debe darse la normalidad
por supuesta. Debe comprobarse y en caso de que los datos no sean
normales, deben aplicarse mtodos especiales.
EJEMPLO- 1:
ILUSTRACIN DE CAUSAS COMUNES EN
UN PROCESO
Un proceso de fabricacin consiste en lanzar 10 monedas al aire. Se supone
que las monedas son perfectas de manera que en el lanzamiento de cada una
se tiene un 50% de probabilidades de obtener cara, y un 50% de obtener cruz.
La calidad de cada lanzamiento de 10 monedas se mide segn el nmero de
caras obtenidas. Podramos asimilar lo anterior a un proceso industrial sometido
a 10 causas de variabilidad no normales (binomiales en este caso). Al ser
iguales, todas ellas tienen el mismo efecto sobre la variabilidad de la
produccin, por lo que las podremos considerar como causas comunes.
Si tiramos 10 monedas...
....
50%
50%
50%
50%
50%
50%
50%
50%
Figura 6: Simulacin de un proceso sometido a causas comunes no

normales
Pg. 11
La teora estadstica nos ensea que la probabilidad de obtener exactamente x

caras (0 x 10) se calcula por la distribucin binomial:
n
(n x ) )
P( x ) = p x (1 p )
x
donde n es el nmero de monedas lanzadas (10 en este caso) y p la
probabilidad de sacar cara con una moneda (0.5 en este caso). Si se
representa grficamente, se obtiene un funcin acampanada que recuerda a
una gaussiana (ver Figura 7). Este hecho es una consecuencia del TLC. Si
aumentara el nmero de monedas, la convergencia hacia la distribucin normal
sera an mayor.
FUNCIN DE PROBABILIDAD BINOMIAL (N, P)
0.25
Probabilidad
0.20
0.15
0.10
0.05
0.00
0
10
x
Nmero de intentos N= 10 Probabilidad de xito P= 0.5
Figura 7: Funcin de probabilidad de la obtencin de x caras

lanzando 10 monedas
Pg. 12
6.
CAPACIDAD DE PROCESO
6.1.
CONCEPTO DE CAPACIDAD DE PROCESO
Como consecuencia de todo lo anterior, si un proceso normal est en control

estadstico, la caracterstica de calidad del 99,73% de los elementos fabricados
estar comprendida entre - 3 y + 3. El parmetro depende del punto
en el que centremos el proceso. Sin embargo depende del nmero y
variabilidad de las causas comunes del proceso y por lo tanto es intrnseca a l.
Por lo tanto 6 es la Variabilidad Natural del Proceso o Capacidad del
Proceso. Por definicin:
CAPACIDAD DEL PROCESO = 6
Es esencial resaltar que la variabilidad natural del proceso, 6, es intrnseca a

l e independiente de las tolerancias que se asignen. Por lo tanto si 6 es
menor que el intervalo de las tolerancias a cumplir, necesariamente algunos
productos fabricados estarn fuera de tolerancia y sern no conformes. Si no se
tiene en cuenta este hecho y se pretende corregir a base de reajustar el
proceso, es decir modificar el centrado, lo nico que se consigue es aumentar
la variabilidad del mismo.
6.2.
NDICES CP Y CPK
Con objeto de comparar la capacidad del proceso y la amplitud de las

tolerancias a satisfacer, se define el ndice de capacidad de proceso:
Cp =
Ts Ti
6
Si se pretende que la produccin est dentro de tolerancia, es necesario que Cp

> 1.
Si el proceso no estuviese centrado, el valor de este ndice falseara el grado de
cobertura con respecto a fabricar piezas fuera de tolerancias. En estos casos es
ms significativo el ndice Cpk que se define:
Ts Ti
Cpk = min
,
3
3
Pg. 13
De este modo se define un proceso capaz como aquel que Cpk > 1.
Aplicando estos mismos conceptos a la variabilidad atribuible de una mquina
de las que integran el proceso de fabricacin, podemos definir la capacidad de
mquina, el ndice de capacidad de mquina CM y CMk.
ndice de capacidad cp:
Cp =
Intervalo de tolerancias Ts Ti
=
Capacidad del proceso 6
0.4
Probabilidad
0.3
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3
-2
-1
0
1
2
VARIABILIDAD PROCESO
3 Tsup4
Figura 8: ndice Cp
ndice de capacidad cpk:

Cpk =
Dist. de la media al limite de tol. mas ajustado

semicapacidad del proceso
0.4
Probabilidad
0.3
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3
-2
-1
0
1
2
VARIABILIDAD PROCESO
3 Tsup4
Figura 9: ndice Cpk
Pg. 14
EJEMPLO- 2:
LA MTRICA 6 SIGMA
En 1.988 Motorola alcanz el prestigioso Malcom Baldrige National Quality

Award. Una de las bases fundamentales de su estrategia de calidad era el
Programa 6. El objetivo de este programa fue reducir la variacin de los
procesos de manera que el intervalo de tolerancia fuera igual a 12 (6 a cada
lado). De acuerdo con la definicin del ndice de capacidad de proceso:
12
=2
6
cp =
Suponiendo que se desplazase el proceso 1.5 , ver Figura 10, los

coeficientes pasaran a ser:
cp =
12
=2
6
c pk =
4,5
= 1,5
3
An estas circunstancias, la cantidad de producto fuera de tolerancia sera tan

solo de 3.4 ppm.
Por qu calidad Six Sigma = 3,400 ppm?

C A L ID A D S IX S IG M A
6 S IG M A C p = 2 , p p m = 0 . 0 0 2
D E S P L A Z A D A 1 , 5 S IG M A C p k =
4 ,5 /3 = 1 ,5 ; p p m = 3 .4 0 1
-7
-6
-5
-4
-3
-2
-1
Figura 10
Pg. 15
6.3.
VARIABILIDAD A CORTO Y LARGO PLAZO
Un proceso productivo tiene habitualmente dos tipos de variabilidad:
Variabilidad inherente del proceso. Aquella componente de la

variabilidad debida a causas comunes solamente y representa la
variabilidad que puede estar presente entre elementos fabricados en
intervalos prximos (variabilidad en el corto plazo, ver Figura 11).
Algunos autores denominan a este componente de la variabilidad
como ruido blanco.
Variabilidad total del proceso. Es la variacin resultante de todas las

causas de variabilidad (causas comunes y especiales), en la que se
tienen en cuenta factores como el desgaste, cambios de lote de
materia prima, etc. Representa la variabilidad que puede afectar al
conjunto de los elementos fabricados recibidos por el cliente
(variabilidad en el largo plazo, ver
Figura 11). Algunos autores
denominan a este componente de la variabilidad como ruido negro.
Pg. 16
Variabilidad total del proceso

(largo plazo)
Variabilidad inherente del proceso

(corto plazo)
10
Nm ero de m uestra
Figura 11 Descomposicin de la variabilidad de un proceso
6.4.
POTENCIALIDAD DEL PROCESO. NDICES PP Y

PPK
Durante mucho tiempo, ha existido la confusin sobre qu estimacin de la

variabilidad se debe utilizar para el clculo de Cp, Cpk. Precisamente para poner
un poco de orden en todo esto, se introdujeron los ndices Pp, Ppk, de acuerdo
con los siguientes criterios:
Cp y Cpk se calculan con la variabilidad inherente del proceso

(variabilidad en el corto plazo). En este caso se considera la
variabilidad entre los elementos de la misma muestra o muestras
prximas.
Pp y Ppk se calculan con la variabilidad total del proceso

(variabilidad en el largo plazo). En este caso se tiene en cuenta la
variabilidad introducida por la deriva del centrado del proceso y la
inestabilidad del mismo.
De manera general, se verifica que Cp > Pp y Cpk > Ppk
Pg. 17
Las ecuaciones de los ndices quedan:
Cp =
Ts Ti
6 CP
Pp =
Ts Ti
6 LP
Ts Ti
,
Cpk = min
3 CP 3 CP
Ts Ti
Ppk = min
,
3 LP 3 LP
Los smbolos circunflejos ^ representan una estimacin de la desviacin tpica

considerada.
Es preciso resaltar que la utilizacin de los coeficientes Pp y Ppk no tiene todava
una aceptacin unnime. Tiene una aceptacin muy amplia en entornos de
automocin (QS 9000 / TS 16949, etc.) pero no as en otras reas.
6.5.
CONCEPTO
RACIONAL
DE
GRUPO
HOMOGNEO
A la hora de planificar la toma de muestras para realizar un estudio de

capacidad de proceso o la implantacin de un grfico de control, resulta muy
importante tener en cuenta el concepto de grupo homogneo racional (GHR).
Veamos un ejemplo. Supongamos una mquina de inyeccin de piezas de
plstico de 16 cabezales. En la definicin del grfico de control se establece
una toma de muestra horaria de 16 unidades (un racimo de inyeccin).
Obviamente el diferente tamao de los cabezales es una fuente de variabilidad
que muy probablemente puede hacerse presente. Por esta razn en la toma de
muestras debe estudiarse no solo la variabilidad entre las inyecciones, sino
tambin la variabilidad entre cabezales.
En el prrafo 10.2.2 se dan algunas indicaciones para la definicin del GHR.
7.
GRFICOS DE CONTROL POR VARIABLES:

GRFICOS DE SHEWHART
Supongamos que un proceso se encuentra bajo control estadstico y por lo

tanto su distribucin es N(, ). Si se extrae una muestra de tamao n y su
media muestral se encuentra comprendida fuera del intervalo comprendido
entre
3 / n
Pg. 18
+ 3 / n
(llamados lmites de control inferior y
superior respectivamente), podemos justificar este hecho de dos modos

distintos:
a) De acuerdo con el modelo terico supuesto sabemos que
el 0,27% de las muestras (es decir 27 muestras de cada
10.000) tendrn una media fuera de este intervalo y la
muestra que hemos extrado es una de ellas.
b) Es muy improbable obtener una muestra de estas
caractersticas si realmente el modelo es el supuesto, de
modo que parece ms verosmil pensar que el proceso no
est bajo control estadstico y por lo tanto la hiptesis de
que se distribuye en ese momento segn una N(
, ) es
falsa.
Por el contrario, si la media muestral est comprendida dentro del intervalo

anterior, no tendremos ninguna razn de peso para pensar que el proceso no
se encuentra bajo control estadstico (el resultado es coherente con el modelo
supuesto). Lo anterior no quiere decir que podamos estar absolutamente
seguros de que el proceso se encuentre bajo control estadstico, sino que no
tenemos la evidencia de que no lo est.
El Control Estadstico de Procesos se basa en repetir esta toma de muestras de
manera peridica, calcular la media muestral y representar un grfico de una
manera similar a la Figura 12, de modo que si la media cae fuera de los lmites
de control existe la evidencia de que hay una causa asignable presente
(proceso fuera de control). A este grfico se le denomina Grfico de Medias o
simplemente Grfico X .
Pg. 19
En qu se basa el grfico de medias?

LCS = media + 3
MEDIA DEL PROCESO
LCI = media 3
Media de las muestras
Figura 12: Fundamento del grfico de medias
Proceso fuera de control

LCS = media + 3
ALTO
MEDIA DEL PROCESO
LCI = media 3
Identificar y eliminar la causa especial!
Figura 13: Los grficos de control no sirven para nada si no se

investigan las causas asignables!!
Pg. 20
El anlisis de las muestras no se debe detener simplemente construyendo un

Grfico de Medias ya que an pueden proporcionar ms informacin del
comportamiento del proceso. En efecto, la dispersin de los valores muestrales
nos puede proporcionar una estimacin de la dispersin del proceso y realizar
un seguimiento de su evolucin. Es sabido que la dispersin de los valores de
una poblacin se mide por su desviacin tpica y los estimadores muestrales
utilizados ms frecuentemente son el recorrido R (que en nuestro caso dar
lugar al Grfico de Rangos o Recorridos o simplemente Grfico R) y la
desviacin tpica muestral S (que dar lugar al Grfico de desviaciones tpicas o
simplemente Grfico S). Antes de seguir adelante es conveniente recordar
algunas propiedades de estos estadsticos con objeto de alcanzar un mejor
entendimiento de la construccin de estos grficos.
a) Rango o recorrido muestral.

Se define como la diferencia entre el mayor valor presente en la
muestra y el menor valor. Por su propia construccin, este
estadstico da una estimacin de la dispersin de la poblacin
de la que procede. Presenta la ventaja de que se calcula muy
fcilmente y para valores muestrales pequeos n8 se
comporta bien. Para valores mayores da una estimacin
sobrevalorada de la dispersin de la poblacin. Existen tablas
aplicables a procesos normales que, en funcin del tamao de
la muestra, proporcionan la funcin de distribucin del
estadstico w = R/, denominado recorrido relativo y tambin
la E(w) = d2 y w = d3.
b) Desviacin tpica muestral.

Es conveniente recordar que en los textos se utilizan dos
estadsticos distintos. El primero de ellos se define:
n
s=
(x
i 1
x)
Para procesos normales, la esperanza matemtica de la

varianza muestral es:
E (s 2 ) =
n 1 2
Pg. 21
Por lo que es un estimador sesgado de la varianza poblacional

2. Por esta razn algunas veces se toma como varianza
muestral al estimador insesgado definido:
n
s* =
(x
i 1
x)
n 1
Este estimador de la varianza 2 es insesgado y adems n 1

son los grados de libertad de la muestra. Por estas razones, en
ingeniera de calidad es ms frecuente emplear s*.
Las varianzas de ambos estadsticos son, para procesos normales:
Var (s 2 ) =
2(n 1) 4
n2
Var (s *2 ) =
2
4
n 1
Puede comprobarse que el error cuadrtico medio de s2es inferior al de s*2. En

Control Estadstico de Procesos es habitual operar con desviaciones tpicas en
lugar de con varianzas, por lo que es necesario conocer E(s), E(s*), s, *s.
E ( s) =
2 (n / 2 )
= c 2
n [( n 1) / 2]
E( s * ) =
2
(n / 2 )
= c 4
n 1 [( n 1) / 2]
En este caso ambos estadsticos son estimadores segados de .
s = 1 c22
Pg. 22
1
n
s ' = 1 c42
CONSTRUCCIN DEL GRFICO X -R

i) Caso , conocidos.
Si y son conocidos entonces la construccin del grfico de
medias es inmediata a partir de su definicin:
LCS = +
3
= + A
n
LC =
LCI =
3
= A
n
El clculo de los lmites del grfico de recorridos se hace de la

manera siguiente:
LCS = (d 2 + 3d 3 ) = D2
LC = d 2
LCS = (d 2 3d 3 ) = D1
ii) Caso , desconocidos.
Si alguno de los dos fuera conocido sera un hbrido de los dos
casos i) y ii). Puesto que en este caso no se tiene ningn
conocimiento previo, es preciso estimar a partir de la media
( )
de las medias x y a partir del recorrido medio

(por ejemplo k= 25) muestras iniciales.
(R ) de k
A partir de x y R se trazaran los lmites provisionales de la

manera siguiente. En el grfico de medias:
Pg. 23
LCS = X + 3
R 1
= X + A2 R
d2 n
LC = X
LCI = X 3
R 1
= X A2 R
d2 n
y los lmites del grfico de recorridos seran:
d
LSC = 1 + 3 3 R = D4 R
d2
LC = R
d
LCI = 1 3 3 R = D3 R
d2
Una vez establecidos los lmites de control provisionales para ambos grficos,
se comprobara si alguna de las muestras est fuera de los lmites. En caso
afirmativo se procedera a buscar la causa asignable que pudiera explicar esa
anormalidad y se recalcularan los lmites. Estos lmites deben recalcularse
peridicamente, por ejemplo cada 25 muestras.
CONSTRUCCIN DEL GRFICO X -S

i) Caso , conocidos.
Si y son conocidos la construccin del grfico de medias es
anloga al caso anterior.
LCS = +
3
= + A
n
LC =
LCI =
3
= A
n
Cuando se utiliza s, el grfico S se construye:
Pg. 24
1
2
LSC = c2 + 3 1 c2 = B2
n
LC = c2
1
2
LIC = c2 3 1 c2 = B1
n
Cuando se utiliza s*, el grfico S se construye:

2
LSC = c4 + 3 1 c4 = B6
LC = c4
2
LIC = c4 3 1 c4 = B5
ii) Caso , desconocidos.

(Si alguno de los dos fuera conocido sera un hbrido de los dos
casos i) y ii)). Se estimara a partir de la media de las medias
(x ) y a partir de la desviacin tpica muestral media ( s
o s )
de k muestras iniciales.
*
A partir de x y s o s se trazaran los lmites provisionales de

la manera siguiente. En el grfico de medias si se utiliza s :
LCS = X +
3 1
S = X + A1 S
c2 n
LC = X
LCI = X
3 1
S = X A1 S
c2 n
Si se utiliza s :
Pg. 25
LCS = X +
3 1 *
S = X + A3 S *
c4 n
LC = X
LCI = X
3 1 *
S = X A3 S *
c4 n
En el grfico de desviaciones tpicas, si se utiliza s :
1S
2
LSC = c2 + 3 1 c2 = B4 S
n c2
LC = S
1S
2
LSI = c2 3 1 c2 = B3 S
n c2
Si se utiliza s :
3
2
LCS = 1 +
1 c4 S * = B4 S *
c4
*
LC = S
3
2
LCI = 1
1 c4 S * = B3 S *
c4
Una vez trazados los lmites provisionales, se estudiaran los puntos fuera de
control y se recalcularan los lmites de manera anloga al caso anterior.
En las tablas siguientes se resume lo anterior:
Pg. 26
GRFICOS DE MEDIAS
DATOS
CONOCIDOS
y
LCS
LC
LCI
+A
-A
X +A
X -A
+A1 S
-A1 S
+A2 R
-A2 R
+A3 S *
-A3 S *
X +A1 S
X +A2 R
X
X
X -A1 S
X -A2 R
X +A3 S *
X -A3 S *
NINGUNO
Tabla 1
GRFICOS DE DISPERSIN
DATOS
CONOCIDOS
S
R
*
S
NINGUNO
R
*
LCS
LC
LCI
B2
D2
c2
B1
D1
d2
B6
B4 S
c4
D4 R
B4 S *
S
S
B5
B3 S
D3 R
B3 S *
Tabla 2
Pg. 27
TABLA DE COEFICIENTES
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
>25
2.121
1.732
1.500
1.342
1.225
1.134
1.061
1.000
0.949
0.905
0.866
0.832
0.802
0.775
0.750
0.728
0.707
0.688
0.671
0.655
0.640
0.626
0.612
0.600
3/n
A1
3.760
2.394
1.880
1.596
1.410
1.277
1.175
1.094
1.028
0.973
0.925
0.884
0.848
0.816
0.788
0.762
0.738
0.717
0.697
0.679
0.662
0.647
0.632
0.619
3/n
A2
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
0.212
0.203
0.194
0.187
0.180
0.173
0.167
0.162
0.157
0.153
....
A3
2.659
1.954
1.628
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.850
0.817
0.789
0.763
0.739
0.718
0.698
0.680
0.663
0.647
0.633
0.619
0.606
....
c2
0.5642
0.7236
0.7979
0.8407
0.8686
0.8882
0.9027
0.9139
0.9227
0.9300
0.9359
0.9410
0.9453
0.9490
0.9523
0.9551
0.9576
0.9599
0.9619
0.9630
0.9655
0.9670
0.9684
0.9696
....
c4
0.7979
0.8862
0.9213
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
....
B1
0
0
0
0
0.026
0.105
0.167
0.219
0.262
0.299
0.332
0.359
0.384
0.406
0.427
0.445
0.461
0.477
0.491
0.504
0.516
0.527
0.538
0.548
B2
1.943
1.858
1.808
1.756
1.711
1.672
1.638
1.609
1.584
1.561
1.541
1.523
1.507
1.492
1.478
1.465
1.454
1.443
1.433
1.424
1.415
1.407
1.399
1.392
0
0
0
0
0.030
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.510
0.523
0.534
0.545
0.555
0.565
B4
3.267
2.568
2.266
2.089
1.970
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.490
1.477
1.466
1.455
1.445
1.435
1-3/2n
1+3/2n
1-3/2n
1+3/2n
Tabla 3
3
n
3
A1 =
c2 n
A=
A2 =
A3 =
3
d2 n
3
c4 n
Pg. 28
c2 =
d2 =
c4 = c2
n
n 1
d3 = w
B3
B5
0
0
0
0
0.029
0.113
0.179
.232
0.276
0.313
0.346
0.374
0.399
0.421
0.440
0.458
0.475
0.490
0.504
0.516
0.528
0.539
0.549
0.559
....
B6
2.606
2.276
2.088
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.610
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.470
1.459
1.448
1.438
1.429
1.420
....
d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
....
d3
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
....
B1 = c2 B3
D1 = d 2 3d 3
B2 = c2 B4
D2 = d 2 + 3d 3
B3 = 1
3
c4
(1 c )
D3 = 1
3d 3
d2
B4 = 1 +
3
c4
(1 c )
D4 = 1 +
3d 3
d2
2
4
2
4
B5 = c4 3 (1 c42 )
B6 = c4 + 3 (1 c42 )
D1
0
0
0
0
0
0.205
0.387
0.546
0.687
0.812
0.924
1.026
1.121
1.207
1.285
1.359
1.426
1.490
1.548
1.606
1.659
1.710
1.759
1.804
....
D2
3.686
4.358
4.698
4.918
5.078
5.203
5.307
5.394
5.469
5.534
5.592
5.646
5.693
5.737
5.779
5.817
5.854
5.888
5.922
5.950
5.979
6.006
6.031
6.058
....
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
0.459
....
D4
3.267
2.575
2.282
2.115
2.004
1.925
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
....
EJEMPLO- 3:
CONSTRUCCIN DE UN GRFICO DE
SHEWHART
La galga de los platinos es una caracterstica clave para su buen
funcionamiento. La tabla siguiente recoge medidas de 20 muestras de tamao
5. Construir los grficos de control X R , X S y X S
0,0061
0,0088
0,0080
0,0067
0,0087
0,0071
0,0078
0,0087
0,0074
0,0081
0,0078
0,0089
0,0087
0,0084
0,0074
0,0069
0,0077
0,0089
0,0081
0,0074
0,0084
0,0083
0,0080
0,0076
0,0084
0,0052
0,0089
0,0094
0,0081
0,0065
0,0098
0,0090
0,0075
0,0083
0,0091
0,0093
0,0089
0,0081
0,0090
0,0084
0,0076
0,0076
0,0094
0,0064
0,0088
0,0072
0,0087
0,0086
0,0086
0,0075
0,0081
0,0079
0,0089
0,0072
0,0083
0,0064
0,0091
0,0073
0,0086
0,0092
0,0076
0,0074
0,0075
0,0071
0,0094
0,0088
0,0065
0,0073
0,0083
0,0089
0,0062
0,0087
0,0076
0,0100
0,0078
0,0060
0,0068
0,0091
0,0087
0,0074
0,0044
0,0059
0,0070
0,0088
0,0086
0,0052
0,0068
0,0071
0,0087
0,0097
0,0084
0,0090
0,0081
0,0069
0,0077
0,0064
0,0094
0,0079
0,0080
0,0103
Tabla 4
SOLUCIN:
Dispongamos los clculos en la tabla siguiente:

MUES
TRA
Media
s*
1
2
3
4
5
0,006
0,009
0,008
0,007
0,009
0,008
0,008
0,008
0,008
0,008
0,008
0,008
0,009
0,006
0,009
0,008
0,007
0,008
0,007
0,009
0,004
0,006
0,007
0,009
0,009
0,007
0,008
0,008
0,007
0,009
0,004
0,003
0,002
0,002
0,001
0,0016
0,0011
0,0009
0,0009
0,0004
0,0014
0,0010
0,0008
0,0008
0,0003
Pg. 29
MUES
TRA
Media
s*
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,007
0,008
0,009
0,007
0,008
0,008
0,009
0,009
0,008
0,007
0,007
0,008
0,009
0,008
0,007
0,005
0,009
0,009
0,008
0,007
0,010
0,009
0,008
0,008
0,009
0,009
0,009
0,008
0,009
0,008
0,007
0,009
0,009
0,009
0,008
0,008
0,008
0,009
0,007
0,008
0,006
0,009
0,007
0,009
0,009
0,009
0,007
0,007
0,008
0,009
0,006
0,009
0,008
0,010
0,008
0,006
0,007
0,009
0,009
0,007
0,005
0,007
0,007
0,009
0,010
0,008
0,009
0,008
0,007
0,008
0,006
0,009
0,008
0,008
0,010
Media
0,007
0,008
0,008
0,008
0,008
0,008
0,009
0,008
0,008
0,008
0,007
0,008
0,008
0,008
0,009
0,008
0,004
0,002
0,002
0,001
0,003
0,004
0,001
0,001
0,003
0,002
0,003
0,003
0,002
0,001
0,003
0,002
0,0015
0,0011
0,0010
0,0005
0,0012
0,0013
0,0005
0,0006
0,0012
0,0007
0,0013
0,0011
0,0007
0,0004
0,0012
0,0010
0,0014
0,0010
0,0009
0,0005
0,0011
0,0012
0,0004
0,0006
0,0011
0,0006
0,0012
0,0010
0,0007
0,0004
0,0011
0,0009
Tabla 5
Mtodo recorridos:
A2=
0,577 D3=
D4=
2,115
Grfico de medias:
LCS= 0,008
+ 0,577x0,002 = 0,0094
LC= 0,008
LCI= 0,008
- 0,577 x0,002 = 0,0066
Grfico de recorridos:
LCS= 2,115x0,002
= 0,005
LC= 0,002
LCI= 0,000x0,008
= 0,000
En las figuras siguientes se representan el grfico de medias y el de recorridos.
Pg. 30
GRFICO X-R
Media Muestral
0.0095
3.0SL=0.00935
0.0085
X=0.007970
0.0075
-3.0SL=0.0065
0.0065
Recorrido Muestral
Subgroup
10
20
3.0SL=0.00507
0.005
0.004
0.003
R=0.002400
0.002
0.001
0.000
-3.0SL=0.00E+
Figura 14: Grfico X-R

Mtodo s* A3= 1,427
B3= 0 B4= 2,089
Grfico de medias:
LCS= 0,008 + 1,427x0,0024 = 0,0114
LC= 0,008
LCI= 0,008 - 1,427x0,0024 = 0,0045
Grfico s*
LCS= 2,089x0,0010 = 0,0020
LC= 0,0010
LCI= 0,000x0,0010 = 0,0000
Mtodo s
A1= 1,596
B3= 0 B4= 2,089
Grfico de medias:
LCS= 0,008 + 1,596x0,0009 = 0,0093
LC= 0,008
LCI= 0,008 - 1,596x0,0009= 0,0066
Grfico s
LCS= 2,089x0,0009 = 0,0018
LC= 0,0009
LCI= 0,000x0,0009 = 0,0000
Pg. 31
8.
CURVAS DE OPERACIN DEL GRFICO DE

CONTROL
Las curvas de operacin son tiles para evaluar a priori la sensibilidad del
grfico de control frente a desplazamiento del proceso o al cambio de su
variabilidad. De estas curvas se deduce que el hecho de que los puntos estn
dentro de los lmites proporciona muy poca seguridad de que el proceso se
encuentre realmente bajo control estadstico y pone de manifiesto las
limitaciones de esta tcnica. La aplicacin de grficos de control debe
continuarse con tcnicas estadsticas avanzadas encaminadas al conocimiento
de los parmetros que influyen en el proceso (CTP en terminologa 6 Sigma) y
a la reduccin de la variabilidad (o lo que es lo mismo, al aumento de los
ndices de capacidad).
8.1.
CURVA DE OPERACIN DEL GRFICO DE

MEDIAS.
Si se mide el desplazamiento del proceso en unidades de la desviacin tpica y

la deformacin mediante la relacin existente entre la desviacin tpica final y
la inicial, es decir:
d=
1 0
0
1
0
La probabilidad de que la media muestral caiga dentro de los lmites de control

en funcin de (d , ) es:
( d + 3) n x 0 d 0 (3 d ) n
LCI
x 1
LCS 1
= P
P( d , ) = P 1
0 / n
1 / n
1 / n
1 / n
Si analizamos ahora los dos efectos por separado y dibujamos las curvas para
distintos tamaos de muestras, vemos que el grfico de medias es sensible al
desplazamiento y muy poco sensible al cambio de la variabilidad (ver Figura
15 y Figura 16).
Pg. 32
SENSIBILIDAD DEL GRFICO DE MEDIAS
1.0
0.9
0.8
0.7
2
n=
0.6
3
n= 4
n= 5
n= =6
n 8
n=
0.5
0.4
0.3
0.2
12
n= 16
n= 0
2
n=
Prob. media muestral dentro de LC
DESPLAZAMIENTO DEL PROCESO Y DESVIACIN TPICA INALTERADA
0.1
0.0
0.0
0.5
1.0
1.5
2.0
2.5
desplazamiento en mltiplos de sigma
Figura 15: Curva de operacin del Grfico R al desplazamiento de

la media
CURVA CARACTERSTICA DEL GRFICO DE MEDIAS

(AUMENTOS DE VARIABILIDAD)
1.0
Probabilidad
0.9
0.8
0.7
0.6
0.5
0.4
1
Aumento de variabilidad
Figura 16: Curva de operacin del Grfico X al aumento de la

variabilidad
Pg. 33
8.2.
CURVA DE OPERACIN DEL GRFICO DE

DISPERSIN.
La construccin de la curva de operacin del grfico de recorridos se hace

aprovechando el estadstico w = R/. La ecuacin de la curva ser:
P ( ) = P (D1 0 w 0 D2 0 )
Para el caso del grfico S, la probabilidad de que una muestra caiga dentro de
los lmites de control puede hacerse utilizando el estadstico:
ns 2
= n21
Entonces la ecuacin de la curva de operacin es:
B 2 2
B 2 2
s2
P( ) = P 1 2 0 n 2 n 2 2 0
1
1
1
B2
s2
B2
n = P 12 n 2 2 n 22 n
0

Se puede comprobar que el comportamiento es similar para muestras

pequeas. Sin embargo para muestras n>6 es ms eficaz el grfico S.
Pg. 34
SENSIBILIDAD DEL GRFICO "R" AL AUMENTO DE LA VARIABILIDAD

CENTRADO INALTERADO
Probabilidad R dentro LC
1.0
n=2
n=3
0.5
n=4
n=5
n=10 n=6
n=7
n=12 n=8
0.0
1
Aumento de la variabilidad en mltiplos de sigma

Figura 17: Curva de operacin del Grfico R al aumento de la variabilidad
SENSIBILIDAD DEL GRFICO "S" AL AUMENTO DE LA VARIABILIDAD
CENTRADO INALTERADO
Probabilidad S dentro LC
1.0
n=2
0.5
n=3
n=10
n=12
n=18
n=20
0.0
1
n=6
n=7
n=8
n=4
n=5
Aumento de la variabilidad en mltiplos de sigma
Figura 18: Curva de operacin del Grfico S al aumento

de la variabilidad
Pg. 35
9.
INTERPRETACIN DE LAS INDICACIONES DEL

GRFICO DE CONTROL
La indicacin ms clara de que el proceso est fuera de control es que alguno

de los puntos est fuera de los lmites. Adems el aspecto de los grficos
pueden indicar anomalas en el proceso. En efecto, si dividimos el grfico en
zonas A, B y C, ver Figura 19, el porcentaje de puntos contenidos en cada una
de ellas deber acercarse sensiblemente al rea relativa de la campana de
Gauss cubierta por cada una de ellas.
Cmo deben distribuirse los puntos?

A (2,5%)
B (13,5%)
C (34%)
C (34%)
B (13,5%)
A (2,5%)
Figura 19: Distribucin de los puntos procedentes de una

distribucin normal
En la Tabla 6 se incluyen algunas reglas utilizadas frecuentemente para
analizar el grfico de medias y establecer si el proceso se encuentra fuera de
control. En la columna de la derecha se indica la probabilidad de que se diera
esta circunstancia en el caso de un proceso normal, centrado (lo que dara
lugar a una decisin errnea). En general, un procedimiento de SPC debe
explicitar qu indicaciones deben considerarse como sntoma de proceso fuera
de control.
Pg. 36
Regla
1
2
2
3
Descripcin
Probabi
lidad
0,27%
0,15%
Un punto est fuera de los lmites de control

De tres puntos consecutivos, dos o ms estn en una de las
zonas A (la misma).
Dos puntos consecutivos estn en una de las zonas A (la
misma).
Racha de cinco puntos en la que cuatro estn en la misma
zona A o B.
0,05%
0,27%
Racha de cuatro puntos consecutivos que estn en la misma

zona A o B.
0,06%
Racha de siete puntos consecutivos por encima de la lnea

central.
Racha de seis puntos consecutivos por encima de la lnea
central.
Racha de ocho puntos consecutivos por encima de la lnea
central.
Racha de seis puntos consecutivos se presentan de manera
montona creciente.
De diez puntos consecutivos, existe una racha de 8 que se
presentan de manera montona creciente.
De nueve puntos consecutivos, existe una racha de 8 que se
De nueve puntos consecutivos, existe una racha de 7 que se
Dados dos puntos consecutivos, el segundo est al menos
cuatro desviaciones tpicas por encima del primero (por
ejemplo, el primero est en la zona A inferior y el segundo en
la B A superior).
Racha de quince puntos en la zona C
Racha de catorce puntos alternativos ascendente descendente
0,78%
4
4
5
6
6
6
7
8
9
1,56%
0,39%
0,14%
0,07%
0,02%
0,42%
0,23%
0,30%
?
Tabla 6
A continuacin veamos cmo se pueden interpretar estas indicaciones:

a) Reglas 1, 2, 3, 3, 4, 4, 4 y 7. Si el grfico de medias
presenta alguna de estas indicaciones y el grfico S o R no
presenta anomalas, lo ms probable es que el proceso se
encuentre desplazado. Si el grfico S o R presenta tambin
indicaciones, entonces es proceso ha aumentado la variabilidad
y posiblemente tambin se ha desplazado.
Pg. 37
b) Reglas 5, 6, 6, 6. Lo ms probable es que el proceso est

desplazndose.
c) Regla 7. Si el grfico S o R no presenta anomalas, lo ms
probable es que el proceso sea muy inestable en cuanto a su
centrado. Si el grfico S o R presenta tambin indicaciones,
entonces es probable que el proceso haya aumentado la
variabilidad.
d) Regla 8. que Puede ser sntoma de que se ha reducido la
variabilidad del proceso si el grfico S o R tambin muestra una
reduccin de la variabilidad muestral. Si el grfico S o R no
muestra una reduccin de la variabilidad muestral, puede
ocurrir que se estn mezclando dos poblaciones distintas,
siendo la distribucin resultante bimodal (dos jorobas).
e) Regla 9. Es sntoma de inestabilidad del proceso.
Cmo lo interpreta?
Racha en una mitad
Racha creciente o
decreciente
Figura 20: Tendencias que indican causas especiales

Para el caso del grfico S o R se puede establecer un conjunto de reglas
parecidas, pero es necesario tener en cuenta lo siguiente:
a) La interpretacin de la indicacin ha de hacerse en funcin a la
naturaleza del grfico S o R, es decir, no indican derivas en la
Pg. 38
media del proceso sino aumento o disminucin en la

variabilidad del mismo.
b) La distribucin de S o R no es normal (aunque lo sea el
proceso) ni tampoco es simtrica, por lo que las probabilidades
indicadas en la columna de la derecha no son de aplicacin a
este caso.
10.
ESTUDIO DE CAPACIDAD DE PROCESOS
10.1. QU ES UN ESTUDIO DE CAPACIDAD DE
PROCESO?
Un estudio de capacidad de proceso tiene por objeto de conocer:
Distribucin estadstica que lo describe (normal o no

normal)
El patrn de variabilidad del proceso y principales factores
relacionados con la variabilidad.
Comprender los fenmenos fsicos y tecnolgicos
importantes para el proceso
Se realiza tomando muestras de la produccin. A partir de aqu existen muchas

diferencias en cuanto al modo de tomar las muestras. En particular es frecuente
que se requiera que el proceso est en control estadstico. Este requisito es
lgico cuando se pretende calcular los ndices cp y cpk de variabilidad a corto
plazo. En general, cuando se desee estimar la variabilidad total del proceso
(conocida tambin como variabilidad a largo plazo), las muestras deben ser
representativas de la produccin, por ejemplo debe incluir producciones con
lotes distintos de materia prima, realizada por operarios diferentes, en varios
turnos, etc.
Obviamente, segn sea el modo en el que se tomen las muestras los
resultados sern muy diferentes. En los prrafos siguientes se dan algunas
directrices que pueden ayudar a disear un estudio de capacidad de proceso y
a interpretar sus resultados.
10.2. CMO
SE REALIZA UN
CAPACIDAD DE PROCESO?
ESTUDIO
DE
En la realizacin de un estudio de capacidad de proceso es importante realizar

los siguientes pasos.
Pg. 39
10.2.1. Comprender los fenmenos fsicos y tecnolgicos importantes para el

proceso
Naturalmente de un proceso no se conoce todo, ya que si fuera as no tendra
sentido realizar otro estudio sobre l. Sin embargo normalmente se saben
algunos aspectos que deben tenerse en cuenta, ya que influirn en los datos.
Por ejemplo, si se trata de un proceso de mecanizado, es esperable que el
desgaste de la herramienta produzca un desplazamiento de la media, etc.
Como resultado de la revisin de los conocimientos disponibles se puede llegar
a lo siguiente:
Establecimiento de las posibles fuentes de variabilidad del

proceso (por ejemplo una deriva temporal en el caso del
mecanizado,
variabilidad
entre
lotes,
variabilidad
posicional en la pieza, etc.).
Verosimilitud de esperar una distribucin normal de los
datos o si por el contrario existe alguna razn (por ejemplo
asimetras) que sugieren otro tipo de distribucin.
10.2.2. Definicin de la estratificacin de las medidas a tomar

En funcin de las consideraciones anteriores, se debe definir el Grupo
Homogneo Racional (GHR) del que se tomarn las muestras y que se espera
que estn libres de causas especiales, de manera que la variacin dentro de
estos grupos pueda ser representativa de la variacin del proceso cuando se
eliminen todas las causas especiales. Por ejemplo, si se han identificado como
posibles fuentes de variabilidad de un proceso de mecanizado de un vstago
cilndrico:
El desgaste de la herramienta (asociado al tiempo de

trabajo).
El proveedor de la materia prima.
El lote suministrado por el proveedor.
Si el dimetro medido corresponde a la primera cara o a la
segunda (posicin en la pieza).
En este caso cuando se mida la muestra es necesario identificar la hora en la

que se fabric la pieza, qu proveedor y qu lote de materia prima se emple y
a qu cara corresponde la medida, ya que de otro modo ser imposible
cuantificar las fuentes de variabilidad.
En todos los casos debe pensarse que la propia medida puede ser una fuente
de variabilidad ms, por lo que deben tomarse las siguientes precauciones:
Pg. 40
Debe definirse el procedimiento de medida con todo

detalle. En un caso simple como este, podra bastar con
indicar a un tcnico de taller que la medida debe tomarse

con un micrmetro calibrado y medirse dos dimetros a
90 y calcular la media. Si la medida fuese ms compleja,
sera necesario establecer un procedimiento escrito.
Si no se conoce la repetibilidad y reproducibilidad del
mtodo de medida a emplear, debe realizarse un estudio
R&R (repetibilidad y reproducibilidad). Los estudios R&R
tambin se conocen como estudios MSA (Measurement
System Analysis)
Como resultado de esta fase debe prepararse al menos una plantilla de

recogida de datos que evite que se produzcan errores en la recogida o registro
de los mismos.
10.2.3. Estabilizar del proceso
Para tomar los datos, el proceso debe operar de manera que el GRH se
encuentre libre de otras posibles causas especiales.
Para que tenga sentido la aplicacin de los grficos de control, el proceso ha de
tener una estabilidad suficiente que, an siendo aleatorio, permita un cierto
grado de prediccin. En general, un proceso catico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el grfico de
control ni tiene sentido hablar de un estudio de capacidad. Un proceso de este
tipo debe ser estudiado mediante herramientas estadsticas avanzadas hasta
que el grado de conocimiento emprico obtenido sobre el mismo permita
estabilizarlo.
10.2.4. Toma de los datos
Generalmente la toma de los datos se extiende en el tiempo y se toman a
travs de un operario. Este intervalo de tiempo puede ser largo si se pretende
capturar fuentes de variabilidad cclica. Consecuentemente las posibilidades de
errores por malos entendidos son altas. Por esta razn es muy importante
definir una plantilla de toma de datos lo ms explcita posible y no esperar a
que estn todos los datos tomados para echar un vistazo. Debe evitarse la
situacin de descubrir que los datos que se han ido tomando durante
semanas...no valen para nada.
10.2.5. Identificacin del patrn de variabilidad
Uno de los objetivos del estudio establecidos en el prrafo 10.1 es identificar el
patrn de la variabilidad y los principales factores relacionados con la
variabilidad. Para ello resultan de la mxima utilidad herramientas como el
grfico Multivari y la tcnica de anlisis de componentes de la varianza.
Pg. 41
10.2.6. Comprobacin de la normalidad de los datos

Una vez obtenidos los datos se debe comprobarse la normalidad. Al menos
deben ser normales los datos correspondientes al mismo GHR (en caso de que
los datos en su conjunto no sean normales, pero si lo sean los datos de los
GHR, quiere decir que alguno de los criterios seguidos en la estratificacin de
las muestras es una causa especial).
En caso de que por consideraciones tecnolgicas (vase 10.2.1) o el anlisis
de los datos indique que no son normales, debe realizarse una transformacin
normalizadora (vase prrafo 11.3).
Es preciso tener en cuenta que, si los datos no son normales, no son vlidas
las predicciones de fraccin defectuosa realizadas en el estudio. En el prrafo
11 se indica cmo proceder en casos en los que los datos no sean normales.
Para comprobar la normalidad se pueden emplear los contrastes de ajuste
habituales (2, Kolmogorov-Smirnov, etc.). La prueba de normalidad ms
sencilla y utilizada en ingeniera de calidad es la que se basa en el papel
probabilstico normal. Este papel tiene la escala de ordenadas modificada de
manera que las probabilidades acumuladas de datos de una muestra
procedente de una distribucin normal, resulten alineados.
APLICACIN MINITAB
Dentro del men Graph->Probability_Plot, Minitab cuenta con
contrastes grficos de ajuste para varias distribuciones.
Si se selecciona la distribucin normal y se representan
los datos del Ejemplo 3 (ver Figura 21) se observa que alguno
de los valores de los extremos est fuera de las bandas de
confianza del 95%, lo que es un indicio de falta de
normalidad.
Pg. 42
Normal Probability Plot for Valor

ML Estimates - 95% CI
ML Estimates
Mean
99
0.007966
StDev 0.0010901
Percent
95
90
Goodness of Fit
80
70
60
50
40
30
20
AD*
10
5
1
0.004
0.005
0.006
0.007
0.008
0.009
0.010
0.011
0.012
Data
Figura 21: Graph->Probability-Plot->Normal
10.2.7. Anlisis e interpretacin de los datos

A continuacin debe comprobarse la estabilidad del proceso para lo que debe
realizarse un grfico de control a las medias de los Grupos Homogneos
Racionales comprobando que no existen puntos fuera de control. En caso de
que exista algn punto fuera de control, debe estudiarse la causa para su
eliminacin.
Una vez hecho esto, debe realizarse la estimacin de la desviacin tpica. En
general deben seguirse los siguientes criterios:
Si el tamao de los grupos es igual o mayor que 10, no se

emplear nunca el mtodo del recorrido medio.
Si se sospecha que la desviacin tpica es sensiblemente
constante, se puede emplear el mtodo de la desviacin
tpica promediada (pooled standard deviation).
Pg. 43
0.827
s =
2
P
(n1 1)2 s12 + L + (nk 1)2 s k2

n1 + L nk k
APLICACIN MINITAB
Dentro del men Stat->Control Charts-> Xbar-R, Si
se selecciona la columna en la que estn los
datos y se indican el tamao del lote = 5, se
obtiene la Figura 22. En ella puede apreciarse
dos puntos fuera de control, lo que indica que la
variabilidad a corto plazo, representada por los
ndices cp y cpk no debe utilizarse para
cuantificar la variabilidad total del proceso.
COMPROBACIN ESTABILIDAD
Sample Mean
10
UCL=7.948
7
Mean=6.429
6
5
4
Subgroup
1
3
10
Sample Range
LCL=4.909
UCL=5.569
5
4
3
R=2.634
2
1
0
LCL=0
Figura 22 Stat->Control Charts-> Xbar-R
Pg. 44
EJEMPLO- 4:
MTODOS DE ESTIMACIN DE LA
VARIABILIDAD. CLCULO DE LOS NDICES
La variabilidad inherente del proceso (CP) puede estimarse a travs del
recorrido muestral medio R , (para tamaos de muestra n<10), y tambin
puede hacerse a travs de la media ponderada de las desviaciones tpicas
muestrales. Veamos un ejemplo con los datos de la Tabla 7).
Tolerancia superior: 10.00
Tolerancia superior: 5.00
Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra
1
2
3
4
5
6
7
8
9
10
Pieza 1
5.35
4.55
5.05
7.41
9.23
8.92
9.08
7.18
5.35
4.45
Pieza 2
3.96
5.85
5.41
8.02
6.99
11.53
6.95
6.75
5.98
4.57
Pieza 3
4.70
4.13
6.18
7.19
9.17
9.37
7.13
6.66
5.03
4.88
Pieza 4
4.40
3.59
6.54
7.11
8.58
9.37
9.81
5.24
7.32
3.54
Pieza 5
3.07
3.66
4.68
5.51
8.11
7.68
5.78
7.32
6.59
6.49
MEDIA
4.30
4.36
5.57
7.05
8.42
9.38
7.75
6.63
6.05
4.78
RANGO
2.27
2.26
1.87
2.51
2.23
3.85
4.03
2.08
2.29
2.95
Sm
0.85
0.92
0.78
0.93
0.92
1.39
1.65
0.83
0.93
1.08
Tabla 7
x = 6.43
R=
2.27 + 2.26 + 1.87 + 2.51 + 2.23 + 3.85 + 4.03 + 2.08 + 2.29 + 2.95
= 2.63
10
sM =
0.85 + 0.92 + 0.78 + 0.93 + 0.92 + 1.39 + 1.65 + 0.83 + 0.93 + 1.08
= 1.03
10
A partir de estos estadsticos se puede estimar la CP:
R
2.63
=
= 1.11
d 2 ( n = 5) 2.3626
sM
1.03
=
=
= 1.09
c4 ( n = 5) 0.9400
CP =
CP
Pg. 45
Donde d2 y c4 son dos coeficientes tabulados, funcin del tamao de la

muestra, que corrigen el sesgo del estimador.
Si lo que se pretende es estimar la variabilidad total del proceso (LP) ha de
hacerse a travs de la desviacin tpica de todas las piezas medidas con
independencia de la muestra a la que pertenezcan. En los datos anteriores:
n
LP =
( x i x )2
i =1
n 1
50
(x
i =1
6.43)
50 1
= 1.92
Como conclusin:
Las dos estimaciones realizadas de la variabilidad

inherente del proceso (CP) son bastante prximas (por
ser el tamao de la muestra pequeo, n=5).
Como era de esperar, la estimacin de la variabilidad
total LP > CP.
Los valores de los ndices de capacidad son:

Cp(mtodo R)= 0.75

Cpk(mtodo R)= 0.53
Cp(mtodo S)= 0.76
Cpk(mtodo S)= 0.55
Pp= 0.43
Ppk= 0.31
Como ya se anticip a la vista de la Figura 22, la variabilidad entre lotes es muy

importante, lo que hace que la variabilidad a largo plazo sea muy superior a la
variabilidad a corto plazo.
10.2.8. Construccin de un intervalo de confianza de los ndices

Es preciso tener siempre presente que estos ndices, al ser funcin de una
variable aleatoria y estar calculados a travs de estadsticos (valores numricos
calculados a partir de los datos muestrales), estn sometidos a una variacin
aleatoria. Por esta razn la buena prctica estadstica aconseja construir un
intervalo de confianza. Este intervalo podra basarse en la conocida relacin:
Pg. 46
(n 1)s 2
n21
que llevara a los siguientes lmites del intervalo de confianza para la varianza.
(n 1)s 2
n21 (1 / 2)
(n 1)s 2
n21 ( / 2)
y para el ndice cp:
n21 (1 / 2 )
n 1
cp
n21 ( / 2 )
n 1
Sin embargo, para que esto sea cierto, es necesario una buena normalidad de
los datos, hecho que no siempre se cumple. Por esta razn resulta ms
apropiado recurrir a mtodos de estimacin no paramtricos (por ejemplo,
mtodo de bootstrap).
11.
CASO DE PROCESOS NO NORMALES
11.1. ES LA NORMALIDAD LO NORMAL?

Existen procesos que incorporan a su naturaleza alguna causa especial que
hace que su distribucin no sea normal y consecuentemente no tiene sentido
esperar su normalidad ni iniciar acciones correctoras para meter el proceso en
control estadstico.
Un caso tpico son aquellos procesos que tienen alguna barrera que impide
que la variable aleatoria pueda tomar valores desde - a +. Por ejemplo, un
proceso de taladrado en el que el dimetro de la broca es el lmite inferior del
posible taladro, procesos qumicos en el que se va aadiendo espesos de
capas, etc.
Pg. 47
Por ejemplo, en este caso hay que

sospechar a priori no normalidad
ESPESOR
Figura 23 Si la variabilidad es grande en relacin con el espesor

medio, es de esperar una distribucin asimtrica
11.2. CONSECUENCIAS
QUE
TIENE
EN
EL
ANLISIS.
Cuando el proceso no sigue una distribucin normal debido a causas
intrnsecas a su propia naturaleza, lo expuesto anteriormente se ve afectado de
la siguiente manera:
a) La interpretacin de los ndices y en cuanto a la fraccin de
producto fuera de tolerancia ha de hacerse para la distribucin
que siga el proceso. Si no se conoce la distribucin, utilizando la
desigualdad de Tchebichef, slo se puede asegurar que la cola
situada ms all de 3 de la media no es superior a 1/9=11%
(frente a 0,135% en el caso de un proceso normal).
b) Los coeficientes utilizados para estimar S y R no son vlidos y
por lo tanto tampoco lo son los lmites de control calculados para
el grfico de medias y recorridos.
c) Es posible que la distribucin del grfico de medias sea a pesar de
todo normal en virtud del TLC. No obstante si la distribucin del
proceso tiene un grado elevado de asimetra sera necesario que el
tamao de la muestra fuese superior a 25 o 30 (en lugar de 4 5
como es habitual) para que se pudiera considerar normal a la
distribucin de las medias.
Pg. 48
En estos casos, lo ms recomendable es proceder como sigue:

Puesto que la causa de no normalidad es intrnseca al
proceso, se toma una muestra de al menos 25 o 30
unidades, de manera que la distribucin de la muestra sea
lo ms prxima a la normal posible. De esta manera se
puede mantener el control de las derivas en el proceso.
Estudiar la distribucin (calcular media, desviacin tpica y
coeficiente de asimetra). En el caso de que la distribucin
no se encuentre contenida en el intervalo de tolerancias, ya
se puede anticipar la incapacidad del proceso. Si se
encuentra contenida en el intervalo de tolerancias de
manera muy ajustada, es posible que el resto de las causas
de variacin presentes en la operacin habitual del proceso
haga que parte de la produccin est fuera de tolerancia.
Realizar una transformacin de normalizacin de los datos.
En general resultan eficaces la transformaciones de BoxCox (ver 11.3).
Una vez determinada la transformacin numrica de
normalizacin, si se codifican los valores tomados en las
muestras, se puede tratar como los procesos vistos hasta
ahora. Naturalmente para interpretar los valores de los
lmites de control, fraccin fuera de tolerancia, etc. es
preciso deshacer la transformacin.
11.3. TCNICAS
DE
NORMALIZACIN
DE
LOS
DATOS.
La tcnica de normalizacin de datos ms eficaz es la transformacin de BoxCox. Esta transformacin es la siguiente:
Pg. 49
( )
(x + m ) 1)
ln ( x + m )
( 0) (x x > m )
( = 0) (m > 0)
Es continua en , puesto que:
lim x ( ) = ln ( x + m )
0
La
funcin
de
verosimilitud
de
los
datos
normalizados
es:
n
1 )
L( ) = ln ( 2 ( ) ) + ( 1) ln( xi )
n
i =1
Donde:
2 ( ) =
2
1 n ( )
(
x x ( ) )
n i =1
La tcnica consiste en hallar el valor de que maximiza la verosimilitud (ver

Figura 24).
Pg. 50
TRANSFORMACIN DE BOX-COX
SELECCIN DEL LAMBDA PTIMO
Verosimilitud
-100
-200
-300
-2
-1
0.37
lambda
lambda
-2.00
-1.50
-1.00
-0.50
0.00
0.25
0.50
1.00
1.50
2.00
Verosimilitud
-304.427
-221.758
-153.238
-105.654
-81.808
-77.440
-77.475
-86.631
-105.244
-131.009
Figura 24: Transformacin de Box-Cox para normalizar los datos
Segn sea el origen de los datos, en algunos casos se puede esperar

heterocedasticidad de los mismos (varianza no constante). Segn est
relacionada la varianza y la media, resultan apropiadas las transformaciones
indicadas en la Tabla 8 .
Relacin
mediavarianza
Transformacin
estabilizadora de la
varianza
Inversa
2
1,5

-1/2
0
Inversa de
cuadrada
Logaritmo
0,5
Raz cuadrada
const
No se transforma
-1
la
Ejemplos tpicos de
aplicacin
raz
Anlisis
de
varianzas
muestrales, grficos de control
de series cortas en el que se
conjuguen familias de varios
espesores.
Datos procedentes de una
distribucin de Poisson.
Tabla 8: Transformaciones de datos para eliminar la

heterocedasticidad
Pg. 51
EJEMPLO- 5:
NORMALIZACIN DE DATOS DE UN
PROCESO NO NORMAL
En la Figura 25 se ha representado el histograma de un proceso de proteccin
superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformacin que los normalice.
APLICACIN MINITAB
Men
Stat->Control
Charts->Box-Cox
Transformation. Los datos corresponden a muestras
de
tamao
5
de
25
lotes.
La
respuesta
proporcionada por MINITAB es la indicada en la
Figura 26, en la que se indica
=0.113 como el
valor ptimo. Una vez transformados los datos, se
puede
comprobar
su
normalidad
mediante
un
histograma
(ver
Figura
27)
o
un
papel
probabilstico,
de
modo
anlogo
al
hecho
anteriormente (ver Figura 28).
HISTOGRAMA DE DATOS NO NORMALES
Frecuencia
30
20
10
0
2
10 12 14 16 18 20
22
Espesores
Pg. 52
Figura 25: Histograma de datos de un proceso no normal
Box-Cox Plot for Skewed

95% Confidence Interval
Last Iteration Info
60
50
StDev
40
Lambda
StDev
Low 0.056
2.784
Est 0.113
2.782
Up
2.783
0.170
30
20
10
0
-5
-4
-3
-2
-1
Lambda
Figura 26: Transformacin de Box-Cox (Stat->Control Charts->BoxCox Transformation)
HISTOGRAMA DE DATOS TRANSFORMADOS
Frecuencia
20
10
0
1.0
1.1
1.2
1.3
1.4
Espesores
Pg. 53
Figura 27: Histograma de los datos transformados (Graph>Histogram)

COMPROBACIN DE LA NORMALIDAD DE LOS DATOS TRANSFORMADOS
ML Estimates - 95% CI
ML Estimates
Mean
99
1.18537
StDev 0.0832140
Percent
95
90
Goodness of Fit
80
70
60
50
40
30
20
AD*
0.291
10
5
1
0.88
0.98
1.08
1.18
1.28
1.38
1.48
Data
Figura 28: Comprobacin de la normalidad de los datos

transformados
12.
GRFICOS
DE
CONTROL
APLICACIONES ESPECIALES
PARA
12.1. GRFICOS PARA MUESTRAS UNITARIAS (I-
MR)
En ocasiones interesa realizar grficos de control a valores individuales, es
decir, es la particularizacin a muestras de tamao = 1. Al ser la muestra
unitaria no resulta posible calcular la variabilidad dentro de la misma. Para
resolver esto, se hace una agrupacin artificial de cada elemento con el
siguiente, de manera que se asocia la variacin entre dos unidades
consecutivas a la variacin intermuestral. Esta variacin se estima a travs del
recorrido mvil (moving range MR), que se calcula mediante la diferencia de
dos valores consecutivos.
EJEMPLO- 6:
APLICACIN AL ANLISIS DE DATOS DE
VISCOSIDAD DE UN PROCESO QUMICO
Pg. 54
Los datos proceden del libro Implementing Six Sigma. Smarter Solution Using
Statistical Methods de Forrest W. Breyfogle III.. Corresponden a la medida de
la viscosidad en cP de 20 lotes de un compuesto qumico.
APLICACIN MINITAB
Men Stat->Control Charts->I -MR. La respuesta
Figura 29.
Individual Value
VISCOSIDAD DE UN COMPUESTO QUMICO
75
Mean=74.2
70
LCL=68.17
Subgroup
Secuencia
Moving Range
UCL=80.23
80
10
20
10
20
8
7
6
5
4
3
2
1
0
UCL=7.406
R=2.267
LCL=0
Figura 29 Grfico I-MR de los valores de la viscosidad
Pg. 55
12.2. GRFICOS QUE PERMITEN CONTROLAR DOS
TIPOS DE VARIABILIDAD SIMULTNEAMENTE

(I-MR-R/S)
En los ejemplos anteriores se intuy la necesidad de tener que controlar tanto
la variabilidad dentro del lote como la variabilidad entre lotes. Para solucionar
esto se emplea el I-MR-R/S. Integra simultneamente tres grficos:
Un grfico de valores individuales, en el que se dibujan las

medias muestrales y los lmites de control se estiman a
travs de MR medio. Permite controlar el desplazamiento
de la media de los lotes.
Un grfico de recorrido mvil en el que se dibujan los MR y
los lmites de control se estiman a travs de MR medio.
Permite controlar la variabilidad entre los lotes.
Un grfico R o S. Permite controlar la variabilidad dentro
de los lotes.
EJEMPLO- 7:
APLICACIN DEL GRFICO I-MR-R/S AL
ESTUDIO DE CAPACIDAD DE PROCESOS DEL EJEMPLO
4
Como las muestras tienen tamao 5, se puede emplear el grfico R.
APLICACIN MINITAB
Men
Stat->Control
Charts->I
MR-R/S.
respuesta
proporcionada
por
MINITAB
es
indicada en la Figura 30.
Pg. 56
La
la
ESTUDIO DE LA CAPACIDAD DE PROCESO
Moving Range
Individual Value
Individuals Chart of Subgroup Means

10
9
8
7
6
5
4
3
UCL=9.287
Mean=6.429
LCL=3.570
Moving Range Chart of Subgroup Means

4
UCL=3.511
3
2
1
R=1.075
LCL=0
Sample Range
Range Chart of All Data

6
5
4
3
2
1
0
UCL=5.569
R=2.634
LCL=0
Subgroup
Subscripts
1
ra
st
2
ra
st
3
ra
st
4
ra
st
5
ra
st
6
ra
st
7
ra
st
8
ra
st
9
ra
st
10
tra
10
Figura 30 Grfico I-MR-R/S del estudio de capacidad de proceso

Se puede observar que en este grfica tambin se detecta el desplazamiento
de la media fuera de control que se puso de manifiesto en el grfico X-R de la
Figura 22.
13.
GRFICOS DE CONTROL PARA EL CASO DE

SERIES CORTAS.
De acuerdo con lo expuesto, resulta obvio que el grfico de control es muy til y
se aplica fcilmente al caso de la fabricacin masiva de productos iguales. Sin
embargo, la tendencia industrial actual es:
Reducir al mximo el inventario de productos.

Reducir al mximo la fabricacin en curso.
Aumentar la variedad de productos.
Pg. 57
Es aplicable en estas circunstancias el grfico de control? Es til? En estos

casos se puede optar por alguna o algunas de las siguientes opciones:
Utilizar grficos de control ms sensibles (es decir que detecten

antes si el proceso se sale de control), como son el CUSUM o el
EWMA (vase 14).
Referir las medidas de las piezas a desviaciones del valor

nominal de modo que resulten comparables las desviaciones
producidas en piezas distintas fabricadas por la misma mquina.
De este modo se puede utilizar el mismo grfico de control para
piezas distintas de la misma familia. Esta opcin es recomendable
siempre que se registren las circunstancias en las que se tomaron
cada uno de los datos (de modo que no se violen los conceptos de
Grupos Homogneos Racionales) y que se puedan estratificar
cuando se considere necesario realizar un estudio sobre la posible
contribucin de cada uno de los grupos a la variabilidad.
Empleo de Grfico Z-MR. Este grfico estima por separado la

media de cada tipo de pieza y se representan las desviaciones con
respecto a esa media. Para estimar la variabilidad existen cuatro
alternativas:
3.1.
Considerar que la desviacin tpica es la misma para todas

las familias de piezas. Se calcula la S pooled de todas
ellas.
3.2.
La varianza es proporcional a la media. En este caso debe

realizarse una transformacin logartmica de los datos para
corregir esta heterocedasticidad. Una vez realizada la
transformacin, es anlogo al caso anterior.
3.3.
Las piezas del mismo tipo tienen la misma variabilidad. Se

calcula la S pooled para cada tipo de pieza.
3.4.
Cada fabricacin tiene una variabilidad distinta. Se estima

S para cada fabricacin.
Estudiar la relacin que existe los parmetros del proceso en lugar

de a las caractersticas de calidad resultantes de las piezas
fabricadas. Aplicar el grfico de control a estos parmetros que
son comunes a la fabricacin de toda la familia de piezas. Esto
requiere un conocimiento emprico de las relaciones existentes
Pg. 58
entre los valores de los parmetros del proceso y los valores

esperados en las caractersticas de calidad de las piezas
producidas. Para alcanzar este conocimiento son muy tiles las
tcnicas estadsticas avanzadas (Diseo de Experimentos, etc.).
EJEMPLO- 8:
APLICACIN DEL GRFICO Z-MR
Se pretende aplicar un grfico Z-MR a la fabricacin de una familia de tres tipos

de piezas A, B y C. Por datos existentes, se sabe que la variabilidad de la
fabricacin es proporcional al espesor de la pieza.
APLICACIN MINITAB
Men Stat->Control Charts->ZMR. Los datos
encuentran en el fichero Ejemplo13.MTW.
respuesta
proporcionada
por
MINITAB
es
indicada en la Figura 31.
se
La
la
Pg. 59
Standardized Log(data)
EJEMPLO DE GRFICO Z-MR
UCL=3
Mean=0
LCL=-3
Subgroup
10
Moving Range
15
UCL=3.686
3
2
1
R=1.128
LCL=0
Figura 31: Aplicacin de un grfico Z-MR a una familia de piezas
14.
OTROS GRFICOS
VARIABLES
DE
CONTROL
POR
14.1. GRFICO CUSUM

El grfico CUSUM tiene la ventaja de ser ms sensible a las variaciones en la
media del proceso. Para que se pueda aplicar se requiere que la desviacin
tpica del proceso sea muy estable y se disponga de una buena estimacin de
ella.
Si 0 es el valor medio supuesto al proceso, el grfico CUSUM se basa en
computar las desviaciones entre las media muestral y 0 acumuladas por las
muestras extradas:
Pg. 60
(x1 0 )
(x1 0 ) + (x2 0 )
(x1 0 ) + (x2 0 ) + (x3 0 )
M
(x1 0 ) + (x2 0 ) + (x3 0 ) + L + (xt 0 )

Resulta intuitivo ver que mientras 0 no vare las sumas acumuladas andarn
oscilando entorno a 0, mientras que si 0 vara estas sumas crecern
rpidamente en esa direccin.
Para construir el grfico es preciso fijar los parmetros siguientes:
Mnima desviacin d de 0 que se quiere detectar. Esto

requiere el establecimiento de un valor de referencia k (de
manera emprica se fija el valor de k=0,5d) de modo que se
construyan dos conjuntos de sumas acumuladas:
CUSUM U (0) = CUSUM L (0 ) = 0
CUSUM U (i ) = max[0, CUSUM U (i 1) + xi ( 0 + k )]
CUSUM L (i ) = max[0, CUSUM L (i 1) xi + ( 0 k )]
Fijar un valor h, de modo que cuando las sumas

acumuladas superen ese valor se concluya que la media ha
superado el valor 0d prefijado. Obviamente la seleccin
de este parmetro est relacionada con los riesgos que se
desee correr. Lo ms frecuente es seleccionar h entre 4.5
y 5.
Adicionalmente se puede construir una plantilla en V, como la de la Figura 32,
de modo que el punto P se coloca sobre el ltimo punto de la serie, si con la
plantilla horizontal no quedan todos los puntos dentro de la V debe concluirse
que la media ha cambiado.
Pg. 61
SUMAS ACUMULADAS
Grfico CUSUM
d=
h
k
Figura 32 Mscara V del grfico CUSUM
EJEMPLO- 9:
APLICACIN DEL GRFICO CUSUM
Estos datos corresponden con la tabla 7.3 del libro Statistical Quality Control
and Improvement de Nicholas R. Farnum. Son 75 datos de concentracin de
nquel tomados a lo largo de 25 das y distribuidos en 3 turnos diarios.
APLICACIN MINITAB
Men Stat->Control Charts->CUSUM.La respuesta
Figura 33. El valor nominal es 4.5 y se conoce
que = 0.203066. Se ha tomado h = 5 y k = 0.5.
En este grfico puede observarse que el proceso
se sale de control en la muestra nmero 49.
Pg. 62
CONCENTRACIN DE NIQUEL
Cumulative Sum
10
10
20
30
40
50
60
70
80
Subgroup Number
Figura 33: Ejemplo de Grfico CUSUM
14.2. GRFICO EWMA

Los grficos EWMA (exponentially weighted moving average) tambin tienen
una sensibilidad mayor que el grfico de Shewhart. Para que se puedan aplicar
se requiere que la desviacin tpica del proceso sea muy estable. Su aplicacin
consta de los siguientes pasos:
1) De manera habitual se extraen k muestras y se calculan sus

medias.
x1 , x2 , x3 ,L xk ,
2) Se estima la media y desviacin tpica del proceso a partir
de los datos anteriores.
Pg. 63
3) Se calculan los puntos a dibujar en el grfico EWMA de la

siguiente forma:
)
)
xi = xi + (1 )xi 1
La aplicacin de esta frmula recurrente requiere fijar un
)
)
primer valor a x0 (normalmente x0 x ) y al parmetro .
Este parmetro representa el mayor o menor peso que tienen
los datos anteriores. De manera emprica se le da un valor
comprendido entre 0,10 y 0,30. Esta indefinicin de es
probablemente la mayor limitacin del grafico EWMA.
)
4) Se dibujan los puntos xi sobre el grfico y se fijan los
siguientes lmites de control (son variables para cada
punto).
LCS = x 0 +
3
2i
1 (1 )
n 1
LCI = x 0
3
2i
1 (1 )
1
5) Si alguno de los puntos queda fuera de los lmites, el

proceso no est en control.
EJEMPLO- 10: APLICACIN DEL GRFICO EWMA A LOS

DATOS DE CONCENTRACIN DE NIQUEL DEL
EJEMPLO 9
APLICACIN MINITAB
Men Stat->Control Charts->EWMA. La respuesta proporcionada por
MINITAB es la indicada en la Figura 34. El valor nominal es 4.5 y se conoce
que = 0.203066 y se toma = 0.2. En el grfico puede apreciarse que el
proceso est fuera de control antes de la muestra nmero 50.
Pg. 64
EWMA Chart for Conc. Ni

4.9
4.8
UCL=4.703
EWMA
4.7
4.6
4.5
Mean=4.5
4.4
4.3
LCL=4.297
0
10
20
30
40
50
60
70
80
Sample Number
Figura 34: Ejemplo de Grfico EWMA
15.
GRFICOS DE CONTROL POR ATRIBUTOS
Las ideas sobre las que se fundamenta el Control Estadstico de Procesos se

pueden extender al control de caractersticas de calidad de tipo atributo o
discreto. Como se recordar, las primeras se rigen por la distribucin binomial y
las segundas por la de Poisson.
15.1. GRFICOS DE CONTROL BASADOS EN LA
DISTRIBUCIN BINOMIAL
Como se recordar si x es una variable aleatoria binomial B(n,p), E(x) = np y
x2= npq. Adems se verifica que:
Si npq > 5 entonces B(n, p) N np, npq
Pg. 65
Dentro de este grupo existen dos grficos fundamentales:
a) Grfico np
Sirve para controlar el nmero de unidades defectuosas en

la muestra. Los lmites de control son:
LCS = np + 3 np (1 p )
LC = np
LCI = np 3 np (1 p )
donde p es la fraccin defectuosa media. Dado que lo
normal es que p sea un valor muy bajo, los tamaos de
muestra requeridos son muy altos. Por esta razn se
aplican frecuentemente al anlisis de datos de inspecciones
100%. Si el valor calculado para el LCI, se toma 0.
b) Grfico p
Sirve para controlar la fraccin defectuosa . Los lmites de
control son:
LCS = p + 3
p (1 p )
n
LC = p
LCI = p 3
p (1 p )
n
Si el valor calculado para el LCI, se toma 0.
Pg. 66
EJEMPLO- 11: APLICACIN A UN GRFICO P

Un fabricante de productos electrnicos dispone de un proceso de soldadura de
componentes por ola de estao. La tabla siguiente recoge los resultados de la
produccin de los ltimos 30 das. Analice este proceso.
DA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
RECHAZOS
14
22
9
19
21
18
16
16
21
14
15
16
21
9
25
15
14
13
10
21
19
23
15
12
19
17
15
13
19
12
PROBADOS
286
281
310
313
293
305
322
316
293
287
307
328
296
296
317
297
283
321
317
307
317
323
304
304
324
289
299
318
313
289
Tabla 9
SOLUCIN:
Disponiendo los clculos en forma tabular para un grfico tipo p.
Pg. 67
DA RECHAZOS PROBADOS FRACCIN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
14
22
9
19
21
18
16
16
21
14
15
16
21
9
25
15
14
13
10
21
19
23
15
12
19
17
15
13
19
12
286
281
310
313
293
305
322
316
293
287
307
328
296
296
317
297
283
321
317
307
317
323
304
304
324
289
299
318
313
289
Media=
0,049
0,078
0,029
0,061
0,072
0,059
0,050
0,051
0,072
0,049
0,049
0,049
0,071
0,030
0,079
0,051
0,049
0,040
0,032
0,068
0,060
0,071
0,049
0,039
0,059
0,059
0,050
0,041
0,061
0,042
0,054
LCS
LCI
0,094
0,094
0,092
0,092
0,093
0,093
0,092
0,092
0,093
0,094
0,093
0,091
0,093
0,093
0,092
0,093
0,094
0,092
0,092
0,093
0,092
0,092
0,093
0,093
0,092
0,094
0,093
0,092
0,092
0,094
0,014
0,013
0,015
0,016
0,014
0,015
0,016
0,016
0,014
0,014
0,015
0,017
0,015
0,015
0,016
0,015
0,014
0,016
0,016
0,015
0,016
0,016
0,015
0,015
0,016
0,014
0,015
0,016
0,016
0,014
Tabla 10
Obsrvese que los lmites de control no son constantes.
Pg. 68
GRFICO P
0.10
3.0SL=0.09368
P=0.05385
0.05
-3.0SL=0.01402
0.00
0
10
20
30
Muestra
Figura 35: Grfico por atributos tipo p.
15.2. GRFICOS DE CONTROL BASADOS EN LA
DISTRIBUCIN DE POISSON
Si x es una v.a de Poisson de constante , E(x) = y x2= . Adems se
verifica que Si > 5 entonces P( ) N
( , ) . Dentro de este grupo
existen dos grficos fundamentales:
a) Grfico c
Sirve para controlar el nmero de defectos en la unidad de
producto o en una muestra de tamao preestablecido. Los
lmites de control son:
LCS = c + 3 c
LC = c
LCI = c 3 c
Pg. 69
a) Grfico u
Sirve para controlar el nmero de medio de defectos en
una muestra de tamao n (por ej. nmero de unidades
inspeccionadas, longitud o superficie de producto, etc.).
Los lmites de control son:
LCS = u + 3
u
n
LC = u
LCI = u 3
u
n
Puesto que c = un, u =
c
n
c
un
=
=
n
n
u
n
EJEMPLO- 12: APLICACIN A UN GRFICO TIPO C

Una empresa de desarrollos de SW ha registrado las siguientes tasas de error
(medidas en errores por 1000 lneas de cdigo) en los ltimos 30 das. Analice
el procesos de desarrollo de SW.
DA
ERR.
DA
ERR.
1
6
16
3
2
7
17
2
3
7
18
0
4
6
19
0
5
8
20
1
6
6
21
2
7
5
22
5
8
8
23
1
9
1
24
7
10
6
25
7
11
2
26
1
12
5
27
5
Tabla 11
SOLUCIN:
Los lmites de control y lnea central para un grfico tipo c son:
Pg. 70
13
5
28
5
14
4
29
8
15
3
30
8
LCS = 4.467 + 3 4.467 = 10.807

LC = 4.467
LCI = 0
GRFICO C
3.0SL=10.81
Nmero de
errores
10
C=4.467
-3.0SL=0.00E+00
0
0
10
20
30
Sample Number
Figura 36: Grfico por atributos tipo c
16.
IMPLANTACIN DEL SPC EN UNA EMPRESA
Una vez tomada la decisin de implantar SPC por la gerencia de la empresa, es

conveniente trazar un plan de implantacin de acuerdo con las siguientes fases:
16.1. FASE 1: PREPARACIN Y SELECCIN DEL
PROCESO PILOTO
En esta etapa es necesario nombrar un grupo de trabajo interdisciplinar que
afronte este trabajo. Se deben realizar las siguientes tareas:
Preparar un diagrama de flujo del producto desde la
entrada de materia prima hasta la entrega del producto al
cliente.
Sobre el diagrama anterior seleccionar aquellos procesos
que resulten crticos (estn dando problemas en la
Pg. 71
actualidad) y que por otra parte se tenga un conocimiento

suficiente del mismo como para poder alcanzar un xito en
poco tiempo. Para la seleccin del proceso piloto e
identificacin de la caracterstica a controlar pueden ser
tiles las herramientas de Ishikawa.
Planificacin de la formacin del personal en SPC.
16.2. FASE 2: IMPLANTACIN DEL GRFICO DE
CONTROL PILOTO
Definicin de la caracterstica de calidad a controlar.
Seleccin del tipo del tipo de grfico a utilizar.
Definicin del procedimiento de toma de muestras
(consecutivas o distribuidas a lo largo del intervalo).
Definicin del tamao de muestras. Para grficos de
control por variables se suele tomar n =5 si la distribucin
del proceso es sensiblemente normal. Si no es normal, es
preciso aumentar n para normalizar la distribucin de las
medias muestrales.
Definicin de la periodicidad de toma de muestras. Ser
ms frecuente cuanto menor sea Cpk, ms inestable sea el
proceso y mayor sea el coste del producto.
Definicin del procedimiento de medicin y equipo
necesario.
Definicin del sistema de recogida de datos y preparacin
del grfico.
Formacin del personal afectado en SPC y en la medicin.
Puesta en marcha del grfico de control. y estudio de la
capacidad de mquina y proceso.
Eliminacin de causas asignables presentes.
Pg. 72
16.3. FASE
3: ANLISIS
RESULTADOS
DE
LOS
PRIMEROS
Tan pronto como se empiecen a recoger los primeros resultados, es

conveniente realizar un anlisis de la experiencia acumulada por si fuera
necesario redefinir el plan trazado (el proceso seleccionado no es adecuado, la
variable controlada tiene una incidencia real baja, la formacin dada al personal
no ha sido suficiente, etc.)
16.4. FASE 4: EXTENSIN A OTROS PROCESOS

Una vez conseguido el control estadstico del proceso, debe:
Evaluarse los resultados conseguidos, comunicndolos a
la gerencia (para que autorice la extensin del programa),
a los que han participado en este programa piloto (para su
propio estmulo) y a aquellas personas que estn
involucradas con los prximos procesos sobre los que se
va a implantar el SPC (para conseguir su apoyo de
antemano).
El proceso controlado debe entrar en una fase de mejora
continua para reducir la variabilidad debidas a las causas
comunes. Esto puede ser objeto de otro programa de
mejora.
Seleccin de los procesos sobre los que se seguir la implantacin. Repetir el

ciclo
Pg. 73
A C T IVID A D 1 :
R e a l i c e l o s e j e r c i c i o s i n c l u i d o s e n e l d o c u m e n to s Ej e r c i c i o s d e
C o n tr o l Es ta d s ti c o d e Pr o c e s o s
Tiempo estimado de desarrollo: Cada ejercicio debe resolverse en un tiempo
que oscila entre 15 y 30 minutos.
Recurso(s) Utilizado(s): EXCEL, MINITAB O CENTURION
A quin debe enviarse la actividad: En caso de dificultad, comentarse en el
foro
Formato de envo: Ficheros de EXCEL, MINITAB o CENTURION
Extensin: La menor posible
Respuesta del tutor: Foro y coloquio en clase.
Responde brevemente a la siguiente pregunta:
Qu nuevas posibilidades ves en los mtodos estadsticos en la mejora de la
calidad?
R ESU M EN
a) Las causas de variabilidad de un proceso se clasifican en comunes y en

b)
c)
d)
e)
especiales o asignables.
Las causas comunes son muchas y de poca importancia relativa. Son
responsables de la variabilidad natural del proceso.
Las causas especiales o asignables tiene una influencia mayor en la
variabilidad del proceso.
Un proceso est en control estadstico cuando no est afectado por causas
Los grficos de control sirven para detectar la presencia de causas
Pg. 74

Control Estadístico Procesos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Control Estadístico Procesos

Încărcat de

Drepturi de autor:

Formate disponibile

CONTROL ESTADSTICO DE PROCESOS

Profesor: Arturo Ruiz-Falc Rojas

Control Estadstico de Procesos

INTRODUCCIN AL CONTROL ESTADSTICO DE PROCESOS.........................4

POR QU VARAN LOS PROCESOS?................................................................5

CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9

CONCEPTO DE CAPACIDAD DE PROCESO..............................................13

GRFICOS DE CONTROL POR VARIABLES: GRFICOS DE SHEWHART ....18

CURVAS DE OPERACIN DEL GRFICO DE CONTROL .................................32

CURVA DE OPERACIN DEL GRFICO DE MEDIAS...................................................32

INTERPRETACIN DE LAS INDICACIONES DEL GRFICO DE CONTROL....36

ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39

QU ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39

CASO DE PROCESOS NO NORMALES..............................................................47

ES LA NORMALIDAD LO NORMAL? .......................................................47

GRFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54

12.1. GRFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54

GRFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

OTROS GRFICOS DE CONTROL POR VARIABLES....................................... 60

GRFICOS DE CONTROL POR ATRIBUTOS .................................................... 65

GRFICOS DE CONTROL BASADOS EN LA DISTRIBUCIN BINOMIAL ......................... 65

IMPLANTACIN DEL SPC EN UNA EMPRESA................................................. 71

FASE 1: PREPARACIN Y SELECCIN DEL PROCESO PILOTO ................................. 71

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

Objetivos de este tema

a) Entender el concepto de variabilidad natural de un proceso.

INTRODUCCIN AL CONTROL ESTADSTICO

El Control Estadstico de Procesos naci a finales de los aos 20 en los Bell

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

POR QU VARAN LOS PROCESOS?

Un proceso industrial est sometido a una serie de factores de carcter

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

POR QU HAY VARIACIN EN LOS

PORQUE EST AFECTADO

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

Para el entendimiento del Control Estadstico de Procesos no es necesario ser

a) Distribucin Normal o Campana de Gauss.

FUNCIN DE DENSIDAD DE PROBABILIDAD NORMAL

Figura 4 Funcin de densidad de probabilidad normal

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

b) Teorema del Lmite Central.

c) Distribucin de las medias muestrales

Obsrvese que como consecuencia del TLC, la distribucin de las medias

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

Figura 5: Funcin de densidad de las medias maestrales

CAUSAS COMUNES Y CAUSAS ASIGNABLES

De acuerdo con lo dicho en la introduccin, el proceso est afectado por un

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos

QU CONDICIONES HACEN FALTA PARA

Para que tenga sentido la aplicacin de los grficos de control, el proceso ha de

El proceso est regido por una funcin de probabilidad cuyos

El proceso est regido por una funcin de probabilidad alguno de

Control Estadstico de Procesos (Apuntes)

Control Estadstico de Procesos