Unidad 2 Graficas de control

2.1 Conceptos Principios del Cep :

2.1.1 Tamao y Frecuencia de Muestreo
Distribucin normal Binomial Hipergeomtrica Poisson Distribuciones Muestrales Prueba
de Normalidad Estimacin por intervalos Pruebas de Hiptesis
2.1.2 Patrones de Comportamiento
2.1.3 Pre Control
2.2 El Plan de Control control plan
grficos de variables
2.2.1 Grafico XR
2.2.2 Grafico XS
2.2.3 Grafico de Individuales
2.2.4 Capacidad del Proceso

2.3 Graficos de Atributos

2.3.1 Grafico P
2.3.2 Grafico NP
2.3.3 Grafico U
2.3.4 Grafico C
2.3.5 Capacidad del proceso

2.1 Conceptos Principios del Cep :

Graficas de control
que es ? Una grfica de control es una comparacin grfica de los datos de
desempeo de proceso con los lmites de control estadstico calculados,
dibujados como rectas limitantes sobre la grfica. Los datos de desempeo de
proceso por lo general consisten en grupos de mediciones que vienen de la
secuencia normal de produccin y preservan el orden de los datos.

Para que se utilizan? Las graficas de control se utilizan en la industria como

tcnica de diagnsticos para
supervisar procesos de produccin e identificar inestabilidad y circunstancias
anormales
Las graficas de control constituyen un mecanismo para detectar situaciones
donde las causas asignables pueden estar afectando de manera adversa la
calidad de un producto. Cuando una grafica indica una situacin fuera de
control, se puede iniciar una investigacin para identificar causas y tomar
medidas correctivas.
Nos permiten determinar cundo deben emprenderse acciones para ajustar un
proceso que ha sido afectado por una causa especial. Nos dicen cuando dejar
que un proceso trabaje por s mismo, y no malinterpretar las variaciones
debidas a causas comunes. Las causas especiales se deben contrarrestar con

acciones correctivas. Las causas comunes son el centro de atencin de las

actividades permanentes para mejorar el proceso.
Las variaciones del proceso se pueden rastrear por dos tipos de cusas
1) Comn o (aleatoria), que es inherente al proceso
2) Especial (o atribuible), que causa una variacin excesiva.
El objetivo de una grfica control no es lograr un estado de control estadstico
como un
fin, sino reducir la variacin.
Un elemento bsico de las grficas de control es que las muestras del proceso
de inters se han seleccionado a lo largo de una secuencia de puntos en el
tiempo. Dependiendo de la etapa del proceso bajo investigacin, se
seleccionara la estadstica mas adecuada.
Adems de los puntos trazados la grafica tiene una lnea central y dos limites
de control.

2.2.1Tamao y Frecuencia de Muestreo

Frecuencia y muestreo
En cualquier peridico que leamos, nos encontramos algn escrutinio
o recuento de datos, con porcentajes y comentarios. Pero son fiables
estos escrutinios? Vamos a ver las nociones en que se basan
(frecuencia y simulacin) y a especificar las limitaciones de sus
resultados.
I. Tener la distribucin de frecuencias de una serie de datos
Comenzamos con una serie de datos, cuyos valores y frecuencias absolutas,
f, aparecen recogidos en una tabla similar a la siguiente:

Para cada valor xi, calculamos su frecuencia relativa hi.

Se halla dividiendo la frecuencia absoluta f de ese valor entre el nmero total
de datos n de la poblacin estudiada, es decir:
.
Construimos una tabla con los valores de la serie de datos y sus frecuencias
relativas, similar a la siguiente:

Lo que habitualmente manejamos es la frecuencia relativa acumulada, que

para un determinado valor de X se obtiene sumando su frecuencia relativa con
las frecuencias relativas de todos los valores anteriores a l. Dicha frecuencia
relativa acumulada la expresamos en valor decimal o en tanto por ciento. La
frecuencia relativa acumulada del ltimo valor de la serie debe ser igual a 1,

que equivale al 100%.

II. Fluctuacin de las muestras

Cuando queremos conocer la proporcin p de una caracterstica en una
poblacin numerosa, supervisar uno a uno cada individuo de la poblacin es un
proceso largo y costoso, as que tomamos una muestra.
Tomar una muestra de tamao n de la poblacin significa tomar n individuos, o
repetir el experimento n veces bajo las mismas condiciones en las que
medimos la caracterstica que estamos estudiando.
La serie de datos formada por los n resultados obtenidos es una muestra de
tamao n.
Este mtodo no puede proporcionar el valor exacto de p, ya que diferentes
muestras pueden dar diferentes proporciones.
Si tenemos varias muestras, podemos observar estas diferencias en la
distribucin de frecuencias. Esto es lo que llamamos fluctuacin y para
observarla, basta con tomar dos muestras.
III. Interpretacin de un escrutinio de datos
Como acabamos de ver, con una nica muestra no podemos saber la
proporcin exacta p de una caracterstica en una poblacin completa.
No obstante, si respetamos ciertas condiciones, la proporcin observada pe
para esa muestra es un buen valor aproximado de la proporcin p.
Estas condiciones son las siguientes:
los individuos de la muestra deben ser elegidos aleatoriamente;
los individuos se deben devolver a la poblacin (o repetir el experimento en
idnticas condiciones);
el tamao n de la muestra debe ser bastante grande; se tiene que cumplir
que
.
Cumplindose estas condiciones, podemos asegurar que en el 93% de los
casos (de las muestras observadas) se cumple que:

, lo que significa que pe es un valor aproximado de p con

una imprecisin o error absoluto de

IV. Simulacin de un experimento

Un experimento aleatorio es un experimento cuyo resultado es impredecible a
priori, depende de la suerte.
Simular un experimento aleatorio significa sustituir el experimento real por otro
tambin aleatorio que nos proporcione resultados similares a los del real.
Simulamos un experimento cuando el experimento original es difcil de
reproducir, bien porque sea demasiado costoso, bien porque llevara
demasiado tiempo o bien porque sera muy difcil de observar.
Simulando varias veces un experimento (por ejemplo, tomando varias
muestras), podremos sacar conclusiones de la distribucin de frecuencias y de
la fluctuacin.
Para simular un experimento podemos usar la tecla de una calculadora o una
hoja de clculo (Excel, por ejemplo, tiene la funcin RAND).
En una calculadora, esta tecla o funcin proporciona un nmero aleatorio con
unas 10 cifras decimales.
Ejemplo:
Hemos metido 35 prendas rojas y 65 verdes en una caja. El experimento
consiste en extraer 10 prendas de la caja, reemplazando cada vez la prenda
extrada. Cmo podemos simular este experimento? Usando una calculadora,
activamos 10 veces la funcin obteniendo 10 nmeros decimales. Observamos
las dos primeras cifras de la parte decimal de cada nmero. Si el nmero que
forman esas dos cifras est comprendido entre 1 y 35, consideramos que
hemos extrado una prenda roja, de lo contrario consideramos que la prenda
extrada ha sido verde. De esta manera podemos simular nuestro experimento
tantas veces como queramos.
Recuerda
La frecuencia relativa hi de un valor perteneciente a una serie de datos viene
dada por el cociente entre la frecuencia absoluta f de dicho valor y el tamao
n de la poblacin:
.
La proporcin observada pe de una caracterstica en una muestra de tamao
n es un valor aproximado de la proporcin p de dicha caracterstica en la
poblacin total, y cuya imprecisin es
.
Si nuestra calculadora tiene la tecla }, pulsndola podemos simular
experimentos aleatorios.

Estudios para determinar parmetros

Con estos estudios pretendemos hacer inferencias a valores poblacionales
(proporciones, medias) a partir de una muestra.
A.1. Estimar una proporcin:
Si deseamos estimar una proporcin, debemos saber:
a. El nivel de confianza o seguridad (1-a ). El nivel de confianza prefijado da lugar a
un coeficiente (Za ). Para una seguridad del 95% = 1.96, para una seguridad del
99% = 2.58.
b. La precisin que deseamos para nuestro estudio.
c. Una idea del valor aproximado del parmetro que queremos medir (en este caso
una proporcin). Esta idea se puede obtener revisando la literatura, por estudio
pilotos previos. En caso de no tener dicha informacin utilizaremos el valor p = 0.5
(50%).
Ejemplo: A cuantas personas tendramos que estudiar para conocer la
prevalencia de diabetes?
Seguridad = 95%; Precisin = 3%: Proporcin esperada = asumamos que puede
ser prxima al 5%; si no tuvisemos ninguna idea de dicha proporcin utilizaramos el
valor p = 0,5 (50%) que maximiza el tamao muestral:

donde:
Za 2 = 1.962 (ya que la seguridad es del 95%)
p = proporcin esperada (en este caso 5% = 0.05)
q = 1 p (en este caso 1 0.05 = 0.95)
d = precisin (en este caso deseamos un 3%)

Si la poblacin es finita, es decir conocemos el total de la poblacin y desesemos

saber cuntos del total tendremos que estudiar la respuesta seria:

donde:
N = Total de la poblacin
Za2 = 1.962 (si la seguridad es del 95%)
p = proporcin esperada (en este caso 5% = 0.05)
q = 1 p (en este caso 1-0.05 = 0.95)
d = precisin (en este caso deseamos un 3%).
A cuntas personas tendra que estudiar de una poblacin de 15.000 habitantes
para conocer la prevalencia de diabetes?
Seguridad = 95%; Precisin = 3%; proporcin esperada = asumamos que puede
ser prxima al 5% ; si no tuviese ninguna idea de dicha proporcin utilizaramos el valor p
= 0.5 (50%) que maximiza el tamao muestral.

Segn diferentes seguridades el coeficiente de Za vara, as:

Si la seguridad Za fuese del 90% el coeficiente sera 1.645
Si la seguridad Za fuese del 95% el coeficiente sera 1.96
Si la seguridad Za fuese del 97.5% el coeficiente sera 2.24
Si la seguridad Za fuese del 99% el coeficiente sera 2.576

2.1.2 Patrones de Comportamiento y Pre Control

Grficos de Control
Los grficos de control o cartas de control son una importante herramienta utilizada en
control de calidad de procesos. Bsicamente, una Carta de Control es un grfico en el
cual se representan los valores de algn tipo de
medicin realizada durante el funcionamiento de
un proceso contnuo, y que sirve para controlar
dicho proceso.

Vamos a tratar de entenderlo con un ejemplo.

Supongamos que tenemos una mquina inyectora que produce piezas de plstico, por
ejemplo de PVC. Una caracterstica de calidad importante es el peso de la pieza de
plstico, porque indica la cantidad de PVC que la mquina inyect en la matriz. Si la
cantidad de PVC es poca la pieza de plstico ser deficiente; si la cantidad es excesiva, la
produccin se encarece porque se consume ms materia prima.

Entonces, en el lugar de salida de las piezas, hay un operario que cada 30 minutos toma
una, la pesa en una balanza y registra la observacin:

etc...

Supongamos que estos datos se registran en un grfico de lneas en funcin del tiempo:

Observamos una lnea quebrada irregular, que nos muestra las fluctuaciones del peso de
las piezas a lo largo del tiempo. Esta es la fluctuacin esperable y natural del proceso. Los
valores se mueven alrededor de un valor central (El promedio de los datos), la mayor
parte del tiempo cerca del mismo. Pero en algn momento puede ocurrir que aparezca
uno o ms valores demasiado alejados del promedio.
Cmo podemos distinguir si esto se produce por la fluctuacin natural del proceso o
porque el mismo ya no est funcionando bien?

Esta es la respuesta que provee el control estadstico de procesos, y a continuacin

veremos como lo hace.
Todo proceso de fabricacin funciona bajo ciertas condiciones o variables que son
establecidas por las personas que lo manejan para lograr una produccin satisfactoria.

Cada uno de estos factores est sujeto a variaciones que realizan aportes ms o menos
significativos a la fluctuacin de las caractersticas del producto, durante el proceso de
fabricacin. Los responsables del funcionamiento del proceso de fabricacin fijan los
valores de algunas de estas variables, que se denominan variables controlables. Por
ejemplo, en el caso de la inyectora se fija la temperatura de fusin del plstico, la
velocidad de trabajo, la presin del pistn, la materia prima que se utiliza (Proveedor del
plstico), etc.
Pero un proceso de fabricacin es una suma compleja de eventos grandes y pequeos.
Hay una gran cantidad de variables que sera imposible o muy difcil controlar. Estas se
denominan variables no controlables. Por ejemplo, pequeas variaciones de calidad del
plstico, pequeos cambios en la velocidad del pistn, ligeras fluctuaciones de la corriente
elctrica que alimenta la mquina, etc.

Los efectos que producen las variables no controlables son aleatorios. Adems, la
contribucin de cada una de las variables no controlables a la variabilidad total es
cuantitativamente pequea. Son las variables no controlables las responsables de la
variabilidad de las caractersticas de calidad del producto.
Los cambios en las variables controlables se denominan Causas Asignables de variacin
del proceso, porque es posible identificarlas. Las fluctuaciones al azar de las variables no
controlables se denominan Causas No Asignables de variacin del proceso, porque no
son pasibles de ser identificadas.
Causas Asignables: Son causas que pueden ser identificadas y que conviene descubrir y
eliminar, por ejemplo, una falla de la mquina por desgaste de una pieza, un cambio muy
notorio en la calidad del plstico, etc. Estas causas provocan que el proceso no funcione
como se desea y por lo tanto es necesario eliminar la causa, y retornar el proceso a un
funcionamiento correcto.
Causas No Asignables: Son una multitud de causas no identificadas, ya sea por falta de
medios tcnicos o porque no es econmico hacerlo, cada una de las cuales ejerce un
pequeo efecto en la variacin total. Son inherentes al proceso mismo y no pueden ser
reducidas o eliminadas a menos que se modifique el proceso.
Cuando el proceso trabaja afectado solamente por un sistema constante de variables
aleatorias no controlables (Causas no asignables) se dice que est funcionando bajo
Control Estadstico. Cuando, adems de las causas no asignables, aparece una o varias
causas asignables, se dice que el proceso est fuera de control.
El uso del control estadstico de procesos lleva implcitas algunas hiptesis que
describiremos a continuacin:
1) Una vez que el proceso est en funcionamiento bajo condiciones establecidas, se
supone que la variabilidad de los resultados en la medicin de una caracterstica de
calidad del producto se debe slo a un sistema de causas aleatorias, que es inherente a
cada proceso en particular.
2) El sistema de causas aleatorias que acta sobre el proceso genera un universo
hipottico de observaciones (mediciones) que tiene una Distribucin Normal.

3) Cuando aparece alguna causa asignable provocando desviaciones adicionales en los

resultados del proceso, se dice que el proceso est fuera de control.
La funcin del control estadstico de procesos es comprobar en forma permanente si los
resultados que van surgiendo de las mediciones estn de acuerdo con las dos primeras
hiptesis. Si aparecen uno o varios resultados que contradicen o se oponen a las mismas,
es necesario detener el proceso, encontrar las causas por las cuales el proceso se apart
de su funcionamiento habitual y corregirlas.
Control Estadstico...Cmo ponerlo en marcha?

La puesta en marcha de un programa de control estadstico para un proceso en particular

implica dos etapas:

Antes de pasar a la segunda etapa, se verifica si el proceso est ajustado. En caso

contrario, se retorna a la primera etapa:

En la 1a etapa se recogen unas 100-200 mediciones, con las cuales se calcula el

promedio y la desviacin standard:

Luego se calculan los Lmites de Control de la siguiente manera:

Estos lmites surgen de la hiptesis de que la distribucin de las observaciones es normal.

En general se utilizan lmites de 2 sigmas de 3 sigmas alrededor del promedio. En la
distribucin normal, el intervalo de 3,09 sigmas alrededor del promedio corresponde a una
probabilidad de 0,998.

Entonces, se construye un grfico de prueba y se traza una lnea recta a lo largo del eje
de ordenadas (Eje Y), a la altura del promedio (Valor central de las observaciones) y otras
dos lneas rectas a la altura de los lmites de control:

En este grfico se representan los puntos correspondientes a las observaciones con las
que se calcularon los lmites de control:

Este grfico de prueba se analiza detenidamente para verificar si est de acuerdo con la
hiptesis de que la variabilidad del proceso se debe slo a un sistema de causas
aleatorias o si, por el contrario, existen causas asignables de variacin. Esto se puede
establecer porque cuando la fluctuacin de las mediciones se debe a un sistema
constante de causas aleatorias la distribucin de las observaciones es normal:

Cuando las observaciones sucesivas tienen una distribucin normal, la mayor parte de los
puntos se sita muy cerca del promedio, algunos pocos se alejan algo ms y
prcticamente no hay ninguno en las zonas ms alejadas:

Es difcil decir como es el grfico de un conjunto de puntos que siguen un patrn aleatorio
de distribucin normal, pero s es fcil darse cuenta cuando no lo es.

Veamos algunos ejemplos de patrones No Aleatorios:

Una sucesin de puntos por encima ...

... o por debajo de la lnea central.

Una serie creciente de 6 7 observaciones...

.. o una serie decreciente.

Si no se descubren causas asignables entonces se adoptan los lmites de control

calculados como definitivos, y se construyen cartas de control con esos lmites:

Si slo hay pocos puntos fuera de control (2 3), estos se eliminan, se recalculan la
media, desviacin standard y lmites de control con los restantes, y se construye un nuevo
grfico de prueba. Cuando las observaciones no siguen un patrn aleatorio, indicando la
existencia de causas asignables, se hace necesario investigar para descubrirlas y
eliminarlas. Una vez hecho esto, se debern recoger nuevas observaciones y calcular
nuevos lmites de control de prueba, comenzando otra vez con la primera etapa.
En la 2a etapa, las nuevas observaciones que van surgiendo del proceso se representan
en el grfico, y se controlan verificando que estn dentro de los lmites, y que no se
produzcan patrones no aleatorios:

Como hemos visto, el 99,8 % de las observaciones deben estar dentro de los lmites de
3,09 sigmas alrededor de la media. Esto significa que slo 1 observacin en 500 puede
estar por causas aleatorias fuera de los lmites de control. Entonces, cuando se encuentra
ms de 1 punto en 500 fuera de los lmites de control, esto indica que el sistema de
causas aleatorias que provocaba la variabilidad
habitual de las observaciones ha sido alterado por la
aparicin de una causa asignable que es necesario
descubrir y eliminar.
En ese caso, el supervisor del proceso debe detener la
marcha del mismo e investigar con los que operan el
proceso hasta descubrir la o las causas que desviaron
al proceso de su comportamiento habitual. Una vez
eliminadas las causas del problema, se puede continuar con la produccin normal.

2.2 El Plan de Control control plan

LA PLANIFICACIN

La importancia de la planificacin es capital, tanto que la profesionalidad y la competencia de los

gestores en cualquier mbito se puede medir en funcin de los planes que son capaces de
establecer, y sobre todo por la eficacia alcanzada en su ejecucin. De entre las diversas
tipologas de planes, los planes de control ocupan un lugar preferente, al igual que el Plan
Estratgico y los Planes de Emergencia. Respecto a los planes, deca un gur de la gestin que
prefera un mal plan bien ejecutado, que un magnfico plan psimamente ejecutado.
Por otro lado, es intil negar que es posible no utilizar ningn tipo de herramienta de gestin,
desconocer por completo qu es un modelo de gestin y qu herramientas de gestin se han
desarrollado y funcionan con xito, y sin embargo hacer crecer un proyecto empresarial. En
estos casos, por otro lado muy frecuentes, estamos ante free riders, organizaciones que luchan
solas, sin referencias exteriores. La organizacin aprende sola y sobre la marcha, descubriendo
la rueda (algo ya conocido) a cada paso. De entre stas, algunas aprenden rpido la importancia
de los planes, de pensar antes las cosas, y casi al mismo tiempo la importancia de comunicar
dicho plan a toda la organizacin, la necesidad de ponerlo por escrito. Ven claro tambin que lo
importante y lo ms difcil de los planes es ejecutarlos con eficacia, de lo cual surge la necesidad
de determinar los recursos apropiados (RRHH, Infraestructura, y Ambiente de trabajo, si
atendemos a la estructuracin de ISO 9001:2000).
RE-INVENTANDO LA RUEDA

Respecto a la re-invencin de la rueda, podramos decir que ello ocurre constantemente, a da

de hoy, en uno u otro grado en todas las organizaciones. As como en otras disciplinas tcnicas
existe un soporte cientfico estructurado y orientado, en la gestin no podemos encontrar una
figura conexa. Una de las razones es que la gestin tiene un alcance enorme, incluyendo nuestra
vida personal. El este sentido, ISO 9001, en el mbito de la gestin de las organizaciones como
vehculo para satisfacer a los clientes, est sentando unos cimientos de incalculable relevancia.
Ahora estamos en la fase de que algunos gerentes atinen a decir: aqu tenemos una gestin
ISO, como me dijo recientemente el dueo de una empresa.
Volviendo al tema central:
CMO SE HACE UN PLAN DE CONTROL DE CALIDAD?
Lo primero que debemos saber es que un Plan de Control de Calidad es un resultado final de un
proceso ms grande, el proceso del DISEO DEL PROCESO. Por ejemplo, si una empresa ha de
fabricar un nuevo producto, el Plan de Control de Calidad de dicha fabricacin se establece en
base a las actividades de transformacin de las materias primas en dicho producto. El Plan de
Control de Calidad puede y debe incluso determinar la forma de realizar el producto. El diseo de
la forma de realizar el producto, y la forma de controlar la calidad del producto realizado
(definida en el Plan de Control de Calidad), es el DISEO DEL PROCESO de realizacin del
producto. Al resultado del DISEO DEL PROCESO de realizacin del producto lo llama ISO
9000:2000 (Norma que contiene el vocabulario) PLAN DE CALIDAD de un producto.
Centrndonos exclusivamente en la elaboracin del Plan de Control de Calidad, inscrito como
hemos dicho dentro del proceso de DISEO DEL PROCESO, las etapas bsicas que conducen a
su obtencin son:
1. Definir completamente qu etapas comprende la fabricacin (o prestacin de servicio), qu
medios productivos se van a utilizar (mquinas y herramientas), qu materias primas, cuntas
personas y qu competencia deben tener, qu procedimientos de trabajo se van a utilizar, qu
aspectos legales y reglamentarios afectan, cules son los requisitos del producto, etc.
En la prctica, buena parte de esta informacin se suele plasmar grficamente o relacionar en un
documento denominado SINPTICO del proceso. El sinptico del proceso estructura el campo de
trabajo en etapas, que sern utilizadas en todo el proceso de diseo del plan de control. Como
se ha indicado anteriormente, el diseo del plan puede modificar la forma de trabajar y/o
enriquecerla. Con lo cual modificar y/o aadir nuevos elementos al sinptico.
2. Analizar los riesgos asociados a la realizacin de cada una de las etapas determinadas.
Comnmente conocido como AMFE (Anlisis del Modo de Fallo y sus Efectos) en castellano,
AMDEC en francs, o FMEA en ingls, este anlisis evala y punta cada uno de los riesgos
asociados a la fabricacin o prestacin de servicio segn su gravedad, ocurrencia (la probabilidad
de que ocurra), y deteccin (probabilidad de que el problema sea detectado cuando aparezca),
para obtener, producto de los tres, un ndice denominado ndice de Prioridad del Riesgo (NPR en
ingls).
Un Plan de Control de la Calidad pretende garantizar que el producto resultante cumpla los
requisitos. Para conseguir este fin, parece lgico que analicemos primero qu puede ir mal, qu
puede fallar. AMFE no es ms que una tcnica estructurada que pretende obtener como
resultado los puntos dbiles del proceso de realizacin del producto as como una ponderacin de
estos riesgos.
El AMFE se realiza tomando como base el proceso de realizacin del producto diseado, incluidos
los controles de calidad que puedan ya existir. Esta tcnica no slo se aplica sobre procesos,
tambin es corriente aplicarla sobre los medios productivos y el diseo de productos.
En un AMFE, debemos valorar cada riesgo identificado asignando una nota en los 3 factores que
ms relevancia tienen: Gravedad, Ocurrencia, y Deteccin. La asignacin de la nota debe ser lo
ms objetiva posible, para ello con anterioridad se fijan unos criterios para asignar puntuaciones.
Los factores sometidos a valoracin son complementarios entre s, y tienen la misma

importancia en el resultado final, ya que al final se calcula el producto de los 3. Lo ms comn

es asignar puntuaciones de 1 a 10 en cada factor, con lo cual el ndice calculado es un nmero
entre 1 y 1000.
Donde realmente se disea el Plan de Control es durante la realizacin del AMFE. La organizacin
puede fijar el nivel de riesgo a partir del cual introducir controles o modificar elementos de
proceso que lo reduzcan. Como ya se habr advertido, para disminuir el nivel de un riesgo,
nuestras acciones pueden tener como efecto:

Disminuir la gravedad del riesgo.

Disminuir la probabilidad de que ocurra, o

Aumentar la capacidad de deteccin.

Actuar sobre cualquiera de estos factores disminuye el nivel de riesgo. En automocin una
prctica bastante extendida es fijar el nivel de riesgo aceptado en 100. Cualquier riesgo que
obtenga una nota superior debe ser disminuido introduciendo algn cambio o control adicional
en el proceso.
3 Documentar el Plan de Control. Si hemos hecho correctamente las etapas anteriores,
dispondremos de toda la informacin necesaria para hacerlo. Se trata de documentar como
mnimo lo siguiente:

especificar etapa por etapa de la realizacin del producto qu caractersticas debe

cumplir el producto, con qu medios productivos se transforma, y qu variables se
controlan y cmo.

especificar los controles de calidad realizados por laboratorios. Ensayos sobre materias
primas, productos semi-procesados, o sobre el producto final.

especificar las auditoras de producto o de proceso que se vayan a realizar.

El plan de control puede contener directamente esta informacin, o bien hacer referencia a los
documentos que la contienen: planos, fichas tcnicas de materia prima, instrucciones de trabajo,
paneles de defectos, pautas de autocontrol etc

2.2.1 Grafico XR:

Los grficos X-R se utilizan cuando la caracterstica de calidad que se desea controlar
es una variable continua.

Para entender los grficos X-R, es necesario conocer el concepto de Subgrupos (o

Subgrupos racionales). Trabajar con subgrupos significa agrupar las mediciones que se
obtienen de un proceso, de acuerdo a algn criterio. Los subgrupos se realizan
agrupando las mediciones de tal modo que haya la mxima variabilidad entre
subgrupos y la mnima variabilidad dentro de cada subgrupo.
Por ejemplo, si hay cuatro turnos de trabajo en un da, las mediciones de cada turno
podran constituir un subgrupo.
Supongamos una fbrica que produce piezas cilndricas para la industria automotriz.
La caracterstica de calidad que se desea controlar es el dimetro de las piezas.

Hay dos maneras de obtener los subgrupos. Una de ellas es retirar varias piezas juntas
a intervalos regulares, por ejemplo cada hora:

La otra forma es retirar piezas individuales a lo largo del intervalo de tiempo

correspondiente al subgrupo:

.....Etc.
Por cualquiera de los dos caminos, obtenemos grupos de igual nmero de mediciones.
Para cada subgrupo calculamos el Promedio y el Rango (Diferencia entre el valor
mximo y el valor mnimo).

Como ya se ha visto, para calcular los Lmites de Control es necesario obtener un gran
nmero de mediciones, divididas en subgrupos. En nuestro ejemplo, podramos
obtener 30 subgrupos de 6 datos cada uno:

Despus de calcular el Promedio y el Rango de cada subgrupo, tendramos una tabla

como la siguiente:

A partir de esta tabla, se calculan el promedio general de promedios de subgrupo y el

promedio de rangos de subgrupo:

La desviacin standard del proceso se puede calcular a partir del rango promedio,
utilizando el coeficiente d2, que depende del nmero de mediciones en el subgrupo:

Con esto podemos calcular los Lmites de Control para el grfico de X:

La desviacin standard del rango se puede calcular utilizando el coeficiente d3, que
tambin depende del nmero de mediciones en el subgrupo:

Y as podemos calcular los Lmites de Control para el Grfico de R:

La tabla siguiente muestra los coeficientes d2 y d3 para subgrupos de hasta 10

mediciones:

Construmos entonces un Grfico X de prueba y representamos los promedios de los

subgrupos:

Y un Grfico R de prueba, donde representamos los rangos de los subgrupos:

Si no hay puntos fuera de los lmites de control y no se encuentran patrones no

aleatorios, se adoptan los lmites calculados para controlar la produccin futura.

2.2.2 Grafico XS

Esta grfica es el instrumento estadstico que sirve para estudiar el comportamiento de un

proceso de manufactura, considerando como indicador la desviacin estndar. La estructura
general, esta constituida por dos porciones, una se destina al registro de los promedios de la
caracterstica de calidad en consideracin y otra para controlar la variabilidad del proceso.
La ventaja de usar esta grfica es que para estos valores de n la desviacin estndar es ms
sensible a cambios pequeos que el rango. Dentro del procedimiento de construccin para
dicha grafica incluye clculos de lmites de control para las dos partes que constituyen la
grfica y la graficacin de los promedios y desviaciones estndar obtenidos en cada
subgrupo. Es importante la variabilidad del proceso de control, al iniciar la construccin de
la grfica, si el proceso no muestra estabilidad estadstica, entonces la parte correspondiente
a los promedios no ser confiable dado que los lmites de control de X dependen del valor
medio de s.
Ahora veremos un ejemplo de una combinacin de estos grficos de control XBarra-S.
En la siguiente figura tenemos los datos de 40 subgrupos de tamao 5.

Figura 1
Como recordaremos de un post anterior que habamos comentado que usted puede encontrar
aqu, las ecuaciones del grfico de control de medias vienen dados por las siguientes frmulas:

Figura 2
Mientras que las frmulas para el grfico de control de desviacin estndar vienen dadas por:

Figura 3
Ahora bien segn la tabla de constantes que usted puede encontrar aqu, los valores de las
contantes A3, B3 y B4, para tamaos de subgrupos de 5, resultan ser: A3 = 1.427, B3 = 0 y B4 =
2.089
Graficaremos en el grfico control de medias, el promedio de cada subgrupo, as que tendremos
que realizar este clculo para cada subgrupo. Por otra parte, en el grfico de desviacin estndar
graficaremos el valor de la desviacin estndar de cada subgrupo, la cual se calcula como:

Figura 4
La media de los promedios de subgrupos ser XDoble Barra y la media de desviaciones estndar
de los subgrupos ser SBarra. Con todos estos elementos y los valores de las constantes antes
mencionadas podemos calcular los lmites de control de los grficos XBarra-S.
Los valores para el clculo del grfico de control de medias (XBarra) nos quedaran entonces:

Figura 5
Los valores para el clculo del grfico de control de desviaciones estndar, nos quedara:

Figura 6
Ya con estos rangos de datos podemos construir los grficos de control, como se coment
anteriormente, hay un video que nos muestra como hacer esto, se encuentra aqu.
Una vez hechos los grficos de control, estos nos quedan as:

Figura 7

2.2.3 Grafico de Individuales