Está en la página 1de 35

1. Diagramas de Causa-Efecto 2. Planillas de Inspeccin 3. Grficos de Control 4. Diagramas de Flujo 5. Histogramas 6.

Diagramas de Dispersin
Introduccin Todo proceso productivo es un sistema formado por personas, equipos y procedimientos de trabajo. El proceso genera una salida (output), que es elproducto que se quiere fabricar. La calidad del producto fabricado est determinada por sus caractersticas de calidad, es decir, por sus propiedades fsicas, qumicas, mecnicas, estticas, durabilidad, funcionamiento, etc. que en conjunto determinan el aspecto y el comportamiento del mismo. Elcliente quedar satisfecho con el producto si esas caractersticas se ajustan a lo que esperaba, es decir, a sus expectativas previas. Por lo general, existen algunas caractersticas que son crticas para establecer la calidad del producto. Normalmente se realizan mediciones de estas caractersticas y se obtienen datos numricos. Si se mide cualquier caracterstica de calidad de un producto, se observar que los valores numricos presentan una fluctuacin o variabilidad entre las distintas unidades del producto fabricado. Por ejemplo, si la salida del proceso son frascos de mayonesa y la caracterstica de calidad fuera el peso del frasco y su contenido, veramos que a medida que se fabrica el producto las mediciones de peso varan al azar, aunque mantenindose cerca de un valor central.

El peso de los frascos llenos flucta alrededor de los 250 grs. Si la caracterstica de calidad fuera otra, como el contenido de aceite, el color de la mayonesa o el aspecto de la etiqueta tambin observaramos que las sucesivas mediciones fluctan alrededor de un valor central. El valor de una caracterstica de calidad es un resultado que depende de una combinacin de variables y factores que condicionan el proceso productivo. Por ejemplo, en el caso de la produccin de mayonesa es necesario establecer que cantidades de aceite, huevos y otras materias primas se van a usar. Hay que establecer a que velocidad se va a agitar la mezcla y cuanto tiempo. Se debe fijar el tipo y tamao de equipo que se va a utilizar, y latemperatura de trabajo. Y como stas se deben fijar muchas otras variables del proceso. La variabilidad o fluctuacin de las mediciones es una consecuencia de la fluctuacin de todos los factores y variables que afectan el proceso. Por ejemplo, cada vez que se hace un lote de mayonesa hay que pesar el aceite segn lo que indica la frmula. Es imposible que la cantidad pesada sea exactamente igual para todos los lotes. Tambin se producirn fluctuaciones en la velocidad de agitacin, porque la corriente elctrica de la lnea que alimenta el agitador tambin flucta. Y de la misma manera, de lote a lote cambiar la cantidad pesada de los dems componentes, el tiempo de agitacin, la temperatura, etc. Todos estos factores y muchos otros condicionan y determinan las caractersticas de calidad del producto. En el proceso de fabricacin de mayonesa intervienen equipos donde hacer la mezcla, materias primas (aceite, huevos, condimentos, etc.), procedimientos de trabajo, personas que operan los equipos, equipos de medicin, etc.:

Para qu se miden las caractersticas de calidad? El anlisis de los datos medidos permite obtener informacin sobre la calidad del producto, estudiar y corregir el funcionamiento del proceso y aceptar o rechazar lotes de producto. En todos estos casos es necesario tomar decisiones y estas decisiones dependen del anlisis de los datos. Como hemos visto, los valores numricos presentan una fluctuacin aleatoria y por lo tanto para analizarlos es necesario recurrir a tcnicas estadsticas que permitan visualizar y tener en cuenta la variabilidad a la hora de tomar las decisiones. Siguiendo el pensamiento del Dr. Kaoru Ishikawa, en los mdulos siguientes vamos a explicar algunas de estas tcnicas, que se conocen como Las 7Herramientas de la Calidad. Estas son: 1. 2. Diagramas de Causa-Efecto 3. Planillas de Inspeccin 4. Grficos de Control 5. Diagramas de Flujo 6. Histogramas 7. Grficos de Pareto Diagramas de Causa-Efecto

Hemos visto en la introduccin como el valor de una caracterstica de calidad depende de una combinacin de variables y factores que condicionan el proceso productivo. Vamos a continuar con el ejemplo de fabricacin de mayonesa para explicar los Diagramas de Causa-Efecto:

La variabilidad de las caractersticas de calidad es un efecto observado que tiene mltiples causas. Cuando ocurre algn problema con la calidad del producto, debemos investigar para identificar las causas del mismo. Para ello nos sirven los Diagramas de Causa - Efecto, conocidos tambin como Diagramas de Espina de Pescado por la forma que tienen. Estos diagramas fueron utilizados por primera vez por Kaoru Ishikawa. Para hacer un Diagrama de Causa-Efecto seguimos estos pasos: 8.Diagramas de Dispersin Trazamos un flecha gruesa que representa el proceso y a la derecha escribimos la caracterstica de calidad:

Indicamos los factores causales ms importantes y generales que puedan generar la fluctuacin de la caracterstica de calidad, trazando flechas secundarias hacia la principal. Por ejemplo, Materias Primas, Equipos, Operarios, Mtodo de Medicin, etc.:

Incorporamos en cada rama factores ms detallados que se puedan considerar causas de fluctuacin. Para hacer esto, podemos formularnos estas preguntas:

9. Decidimos cual va a ser la caracterstica de calidad que vamos a analizar. Por ejemplo, en el caso de la mayonesa podra ser el peso del frasco lleno, la densidad del producto, el porcentaje de aceite, etc.
a. Por qu hay fluctuacin o dispersin en los valores de la caracterstica de calidad? Por la fluctuacin de las Materias Primas. Se anota Materias Primas como una de las ramas principales. b. Qu Materias Primas producen fluctuacin o dispersin en los valores de la caracterstica de calidad? Aceite, Huevos, sal, otros condimentos. Se agrega Aceite como rama menor de la rama principal Materias Primas.

c. Por qu hay fluctuacin o dispersin en el aceite? Por la fluctuacin de la cantidad agregada a la mezcla. Agregamos a Aceite la rama ms pequea Cantidad. d.Por qu hay variacin en la cantidad agregada de aceite? Por funcionamiento irregular de la balanza. Se registra la rama Balanza. As seguimos ampliando el Diagrama de Causa-Efecto hasta que contenga todas las causas posibles de dispersin.

e. Por qu la balanza funciona en forma irregular? Por que necesita mantenimiento. En la rama Balanza colocamos la rama Mantenimiento. a. Finalmente verificamos que todos los factores que puedan causar dispersin hayan sido incorporados al diagrama. Las relaciones Causa-Efecto deben quedar claramente establecidas y en ese caso, el diagrama est terminado.
Veamos un ejemplo de la Gua de Control de Calidad de Kaoru Ishikawa, publicada por UNIPUB (N. York). Se trata de una mquina en la cual se produce un defecto de rotacin oscilante. La caracterstica de calidad es la oscilacin de un eje durante la rotacin: Un diagrama de Causa-Efecto es de por si educativo, sirve para que la gente conozca en profundidad el proceso con que trabaja, visualizando con claridad las relaciones entre los Efectos y sus Causas. Sirve tambin para guiar las discusiones, al exponer con claridad los orgenes de un problema de calidad. Y permite encontrar ms rpidamente las causas asignables cuando el proceso se aparta de su funcionamiento habitual. Un diagrama de Causa-Efecto es de por si educativo, sirve para que la gente conozca en profundidad el proceso con que trabaja, visualizando con claridad las relaciones entre los Efectos y sus Causas. Sirve tambin para guiar las discusiones, al exponer con claridad los orgenes de un problema de calidad. Y permite encontrar ms rpidamente las causas asignables cuando el proceso se aparta de su funcionamiento habitual.

Un diagrama de Causa-Efecto es de por si educativo, sirve para que la gente conozca en profundidad el proceso con que trabaja, visualizando con claridad las relaciones entre los Efectos y sus Causas. Sirve tambin para guiar las discusiones, al exponer con claridad los orgenes de un problema de calidad. Y permite encontrar ms rpidamente las causas asignables cuando el proceso se aparta de su funcionamiento habitual. Planillas de Inspeccin Los datos que se obtienen al medir una caracterstica de calidad pueden recolectarse utilizando Planillas de Inspeccin. Las Planillas de Inspeccin sirven para anotar los resultados a medida que se obtienen y al mismo tiempo observar cual es la tendencia central y la dispersin de los mismos. Es decir, no es necesario esperar a recoger todos los datos para disponer de informacin estadstica.

Cmo realizamos las anotaciones? En lugar de anotar los nmeros, hacemos una marca de algn tipo (*, +, raya, etc.) en la columna correspondiente al resultado que obtuvimos. Vamos a suponer que tenemos un lote de artculos y realizamos algn tipo de medicin. En primer lugar, registramos en el encabezado de la planilla la informacin general: N de Planilla, Nombre del Producto, Fecha, Nombre del Inspector, N de Lote, etc. Esto es muy importante porque permitir identificar nuestro trabajo de medicin en el futuro. Luego realizamos las mediciones y las vamos anotando en la Planilla. Por ejemplo, si obtuvimos los tres valores siguientes 1.8, 2.6, 2.6 y los registramos con un signo + quedara as:

Despus de muchas mediciones, nuestra planilla quedara como sigue:

Para cada columna contamos el total de resultados obtenidos y lo anotamos al pi. Esta es la Frecuencia de cada resultado, que nos dice cules mediciones se repitieron ms veces. Para ver el grafico seleccione la opcin "Descargar" del men superior Qu informacin nos brinda la Planilla de Inspeccin? Al mismo tiempo que medimos y registramos los resultados, nos va mostrando cual es la Tendencia Central de las mediciones. En nuestro caso, vemos que las mismas estn agrupadas alrededor de 2.3 aproximadamente, con un pico en 2.1 y otro en 2.5 . Habra que investigar por que la distribucin de los datos tiene esa forma. Adems podemos ver la Dispersin de los datos. En este caso vemos que los datos estn dentro de un rango que comienza en 1.5 y termina en 3.3 . Nos muestra entonces una informacin acerca de nuestros datos que no sera fcil de ver si slo tuvieramos una larga lista con los resultados de las mediciones.

Y adems, si marcamos en la planilla los valores mnimo y mximo especificados para la caracterstica de calidad que estamos midiendo (LIE y LSE) podemos ver que porcentaje de nuestro producto cumple con las especificaciones. Grficos de Control Un grfico de control es una carta o diagrama especialmente preparado donde se van anotando los valores sucesivos de la caracterstica de calidad que se est controlando. Los datos se registran durante el funcionamiento del proceso de fabricacin y a medida que se obtienen. El grfico de control tiene una Lnea Central que representa el promedio histrico de la caracterstica que se est controlando y Lmites Superior eInferior que tambin se calculan con datos histricos.

Por ejemplo, supongamos que se tiene un proceso de fabricacin de anillos de pistn para motor de automvil y a la salida del proceso se toman las piezas y se mide el dimetro. Las mediciones sucesivas del dimetro de los anillos se pueden anotar en una carta como la siguiente: Por ejemplo, si las 15 ltimas mediciones fueron las siguientes: Entonces tendramos un Grfico de Control como este:

Podemos observar en este grfico que los valores fluctan al azar alrededor del valor central (Promedio histrico) y dentro de los lmites de control superior e inferior. A medida que se fabrican, se toman muestras de los anillos, se mide el dimetro y el resultado se anota en el grfico, por ejemplo, cada media hora. Pero Qu ocurre cuando un punto se va fuera de los lmites? Eso es lo que ocurre con el ltimo valor en el siguiente grfico:

Esa circunstancia puede ser un indicio de que algo anda mal en el proceso. Entonces, es necesario investigar para encontrar el problema (Causa Asignable) y corregirla. Si no se hace esto el proceso estar funcionando a un nivel de calidad menor que originalmente. Existen diferentes tipos de Grficos de Control: Grficos X-R, Grficos C, Grficos np, Grficos Cusum, y otros. Cuando se mide una caracterstica de calidad que es una variable continua se utilizan en general los Grficos X-R. Estos en realidad son dos grficos que se utilizan juntos, el de X (promedio del subgrupo) y el de R (rango del subgrupo). En este caso se toman muestras de varias piezas, por ejemplo 5 y esto es un subgrupo. En cada subgrupo se calcula el promedio X y el rango R (Diferencia entre el mximo y el mnimo). A continuacin podemos observar un tpico grfico de X:

Y lo que sigue es un grfico de R: Diagramas de Flujo Diagrama de Flujo es una representacin grfica de la secuencia de etapas, operaciones, movimientos, decisiones y otros eventos que ocurren en un proceso. Esta representacin se efecta a travs de formas y smbolos grficos utilizados usualmente:

Los smbolos grficos para dibujar un diagrama de flujo estn ms o menos normalizados:

Existen otros smbolos que se pueden utilizar. Lo importante es que su significado se entienda claramente a primera vista. En el ejemplo siguiente, vemos un diagrama de flujo para representar el proceso de fabricacin de una resina (Reaccin de Polimerizacin):

Algunas recomendaciones para construir Diagramas de Flujo son las siguientes:

Conviene realizar un Diagrama de Flujo que describa el proceso real y no lo que est escrito sobre el mismo (lo que se supone debera ser el proceso). Si hay operaciones que no siempre se realizan como est en el diagrama, anotar las excepciones en el diagrama. Probar el Diagrama de Flujo tratando de realizar el proceso como est descripto en el mismo, para verificar que todas las operaciones son posibles tal cual figuran en el diagrama. Si se piensa en realizar cambios al proceso, entonces se debe hacer un diagrama adicional con los cambios propuestos. Histogramas Un histograma es un grfico o diagrama que muestra el nmero de veces que se repiten cada uno de los resultados cuando se realizan mediciones sucesivas. Esto permite ver alrededor de que valor se agrupan las mediciones (Tendencia central) y cual es la dispersin alrededor de ese valor central. Supongamos que un mdico dietista desea estudiar el peso de personas adultas de sexo masculino y recopila una gran cantidad de datos midiendo el peso en kilogramos de sus pacientes varones:
74.6 74.6 81.6 75.4 69.8 68.4

74.5 85.9 65.8 63.5 95.7 69.4 77.0 113.7 57.8 69.9 74.5 74.3 70.7 77.9 74.5 63.7 77.0 63.2 79.4 76.4 77.0 72.1 70.7 68.4 74.6 95.7 70.7 71.6 79.4 76.9 85.2 78.4 79.4 69.4 74.6 75.4 81.6 84.6 74.6 69.8 85.2 74.8 67.9 97.4 85.2 83.5 81.6 78.9 63.7 74.5 81.6 69.7 67.9 77.0 72.1 77.0 67.9 68.4 63.7 76.7 71.6 70.7 63.7 70.7 72.1 77.0 69.4 79.4 72.1 79.4 71.6 70.7 69.8 74.6 71.6 74.6 69.4 79.4 83.5 85.2 69.4 85.2 69.8 74.6 83.5 81.6 69.8 81.6 83.5 85.2 74.9 67.9 83.5 67.9 79.3 81.6 73.2 63.7 74.9 63.7 76.3 67.9 70.7 70.7 73.2 67.5 79.8 63.7 79.4 79.4 70.7 85.3 70.7 72.1 88.6 74.6 79.4 88.6 79.4 71.6 70.7 85.2 74.6 70.7 74.6 69.4 79.4 81.6 85.2 79.4 85.2 69.8 70.7 67.9 81.6 74.6 81.6 83.5

79.4 63.7 67.9 85.2 67.9 67.9 74.6 72.1 63.7 81.6 63.7 63.7 85.2 71.6 72.1 67.9 72.1 70.7 81.6 69.4 71.6 63.7 71.6 73.2 67.9 69.8 69.4 72.1 69.4 70.7 63.7 83.5 69.8 71.6 69.8 79.4 72.1 83.5 83.5 69.4 83.5 74.6 71.6 69.7 85.2 69.8 69.8 63.7 69.4 68.4 81.6 83.5 83.5 72.1 69.8 70.7 63.7 72.1 83.5 71.6 83.5 79.4 72.1 71.6 72.1 69.4 67.9 71.6 71.6 69.4 71.6 69.8

As como estn los datos es muy difcil sacar conclusiones acerca de ellos. Entonces, lo primero que hace el mdico es agrupar los datos en intervalos contando cuantos resultados de mediciones de peso hay dentro de cada intervalo (Esta es la frecuencia). Por ejemplo, Cuntos pacientes pesan entre 60 y 65 kilos? Cuntos pacientes pesan entre 65 y 70 kilos?:
Intervalos <50 50-55 55-60 60-65 65-70 70-75 75-80 80-85 N Pacientes (Frecuencia) 0 0 1 17 48 70 32 28

85-90 90-95 95-100 100-105 105-110 >110

16 0 3 0 0 1

Ahora se pueden representar las frecuencias en un grfico como el siguiente:

Por ejemplo, la tabla nos dice que hay 48 pacientes que pesan entre 65 y 70 kilogramos. Por lo tanto, levantamos una columna de altura proporcional a 48 en el grfico:

Y agregando el resto de las frecuencias nos queda el histograma siguiente:

Qu utilidad nos presta el histograma? Permite visualizar rpidamente informacin que estaba oculta en la tabla original de datos. Por ejemplo, nos permite apreciar que el peso de los pacientes se agrupa alrededor de los 70-75 kilos. Esta es la Tendencia Central de las mediciones. Adems podemos observar que los pesos de todos los pacientes estn en un rango desde 55 a 100 kilogramos. Esta es la Dispersin de las mediciones. Tambin podemos observar que hay muy pocos pacientes por encima de 90 kilogramos o por debajo de 60 kilogramos. Ahora el mdico puede extraer toda la informacin relevante de las mediciones que realiz y puede utilizarlas para su trabajo en el terreno de lamedicina.

Diagramas de Dispersin Los Diagramas de Dispersin o Grficos de Correlacin permiten estudiar la relacin entre 2 variables. Dadas 2 variables X e Y, se dice que existe una correlacin entre ambas si cada vez que aumenta el valor de X aumenta proporcionalmente el valor de Y (Correlacin positiva) o si cada vez que aumenta el valor de X disminuye en igual proporcin el valor de Y (Correlacin negativa). En un grfico de correlacin representamos cada par X, Y como un punto donde se cortan las coordenadas de X e Y:

Veamos un ejemplo. Supongamos que tenemos un grupo de personas adultas de sexo masculino. Para cada persona se mide la altura en metros (Variable X) y el peso en kilogramos (Variable Y). Es decir, para cada persona tendremos un par de valores X, Y que son la altura y el peso de dicha persona:
N Persona Altura (m) Peso (Kg.) N Persona Altura (m) Peso (Kg.) 026 027 028 029 030 031 032 033 1.66 1.96 1.56 1.55 1.71 1.90 1.65 1.78 74.9 88.1 65.3 64.5 75.5 91.3 66.6 76.8

001 002 003 004 005 006 007 008

1.94 1.82 1.79 1.69 1.80 1.88 1.57 1.81

95.8 80.5 78.2 77.4 82.6 87.8 67.6 82.5

009 010 011 012 013 014 015 016 017 018 019 020 021 022 023 024 025

1.76 1.63 1.59 1.84 1.92 1.84 1.88 1.62 1.86 1.91 1.99 1.76 1.55 1.71 1.75 1.76 2.00

82.5 65.8 67.3 88.8 93.7 82.9 88.4 69.0 83.4 89.1 95.2 79.1 61.6 70.6 79.4 78.1 90.6

034 035 036 037 038 039 040 041 042 043 044 045 046 047 048 049 050

1.83 1.98 1.67 1.53 1.96 1.66 1.62 1.89 1.53 1.59 1.55 1.97 1.51 1.59 1.60 1.57 1.61

80.2 97.6 76.0 58.0 95.2 74.5 71.8 91.0 62.1 69.8 64.6 90.0 63.8 62.6 67.8 63.3 65.2

Entonces, para cada persona representamos su altura y su peso con un punto en un grfico: Una vez que representamos a las 50 personas quedar un grfico como el siguiente:

Qu nos muestra este grfico? En primer lugar podemos observar que las personas de mayor altura tienen mayor peso, es decir parece haber una correlacin positiva entre altura y peso. Pero un hombre bajito y gordo puede pesar ms que otro alto y flaco. Esto es as porque no hay una correlacin total y absoluta entre las variables altura y peso. Para cada altura hay personas de distinto peso:

Sin embargo podemos afirmar que existe cierto grado de correlacin entre la altura y el peso de las personas. Cuando se trata de dos variables cualesquiera, puede no haber ninguna correlacin o puede existir alguna correlacin en mayor o menor grado, como podemos ver en los grficos siguientes:

Por ejemplo, en el siguiente grfico podemos ver la relacin entre el contenido de Humedad de hilos de algodn y su estiramiento:

Los Grficos de Control de Shewart La idea tradicional de inspeccionar el producto final y eliminar las unidades que no cumplen con las especificaciones una vez terminado el proceso, se reemplaza por una estrategia ms econmica de prevencin antes y durante del proceso industrial con el fin de lograr que precisamente estos productos lleguen al consumidor sin defectos. As las variaciones de calidad producidas antes y durante el proceso pueden ser detectadas y corregidas gracias al empleo masivo de Grficas de Control Segn este nuevo enfoque, existen dos tipos de variabilidad. El primer tipo es una variabilidad aleatoria debido a "causas al azar" o tambin conocida como "causas comunes". El segundo tipo de variabilidad, en cambio, representa un cambio real en el proceso atribuible a "causas especiales", las cuales, por lo menos tericamente, pueden ser identificadas y eliminadas. Los grficos de control ayudan en la deteccin de modelos no naturales de variacin en los datos que resultan de procesos repetitivos y dan criterios para detectar una falta de control estadstico. Un proceso se encuentra bajo control estadstico cuando la variabilidad se debe slo a "causas comunes". Los grficos de control de Shewart son bsicamente de dos tipos; grficos de control por variables y grficos de control por atributos. Para cada uno de los grficos de control, existen dos situaciones diferentes; a) cuando no existen valores especificados y b) cuando existen valores especificados. Se denominan "por variables" cuando las medidas pueden adoptar un intervalo continuo de valores; por ejemplo, la longitud, el peso, la concentracin, etc. Se denomina "por atributos" cuando las medidas adoptadas no son continuas; ejemplo, tres tornillos defectuosos cada cien, 3 paradas en un mes en la fbrica, seis personas cada 300, etc.

Antes de utilizar las Grficas de Control por variables, debe tenerse en consideracin lo siguiente: a.- El proceso debe ser estable b.- Los datos del proceso deben obedecer a una distribucin normal c.- El nmero de datos a considerar debe ser de aproximadamente 20 a 25 subgrupos con un tamao de muestras de 4 a 5, para que las muestras consideradas sean representativas de la poblacin. d.- Los datos deben ser clasificados teniendo en cuenta que, la dispersin debe ser mnima dentro de cada subgrupo y mxima entre subgrupos e.- Se deben disponer de tablas estadsticas Las etapas que deben tomarse en cuenta para mejorar el proceso estn esquematizadas en la siguiente figura:

El siguiente ejemplo ensea cmo utilizar estas grficas Grficas de Control X y R, por variables (sin valores especificados) En la siguiente tabla se muestran los pesos de los sobres de un determinado alimento. Cada media hora se realizan 4 mediciones por muestra, sumando un total de 20 muestras. Los lmites de tolerancia son 0,5360 (LST) y 0,4580 (LIT) Con esto se pretende evaluar el comportamiento del proceso y hacer un control del mismo respecto a su localizacin y dispersin, con el objeto que el proceso cumpla con las especificaciones preestablecidas.

Primero debemos calcular las medias tanto de la media de cada muestra (X doble raya) como la de su amplitud o recorrido (R) Para ello utilizamos las siguientes frmulas:

donde X (doble raya) = 0,4970 y R (raya) = 0,0224 Para construir los Grficos de Control por variables, se tiene que tener en cuenta que al determinar si un proceso est bajo "control estadstico", siempre se debe analizar primero la grfica R. Como los lmites de control en la grfica X (raya) dependen de la amplitud promedio, podran haber causas especiales en la grfica R que produzcan comportamientos anmalos en la grfica X (raya), an cuando el centrado del proceso est bajo control. Para el grfico R, se tiene que: Lmite Central (LC) = R (raya)= ,0224 Lmite Superior de Control (LSC)

donde LSC = 0,0511, el valor de D se consigue en una tabla estadstica (para este caso es 2,282 con un tamao de grupo n = 4). Lmite Inferior de Control (LIC)

donde LIC = 0, porque para todo proceso en que se considera un n < 7, el LIC no se indica en la grfica. El grfico R es el siguiente:

Como se puede apreciar, el grfico R no presenta variaciones fuera del lmite superior,por lo tanto la dispersin de los datos es aceptable para calcular el grfico X (raya). Para el grfico X (raya), se tiene que Lmite Central (LC) = X (doble raya)= 0,4970 Lmite Superior de Control (LSC)

donde LSC = 0,5133, el valor de A2 se consigue en una tabla estadstica (para este caso el valor es 0,729 con un tamao n =4). Lmite Inferior de Control (LIC)

donde LIC = 0,4807 El grfico X (raya) es el siguiente:

Como se puede apreciar un punto queda fuera del rango calculado, por lo tanto el proceso se encuentra fuera de control estadstico. En este caso, habra que investigar y eliminar la causa asignable, que podra haberse debido al uso de algn material defectuoso o una mala lectura del instrumento. Este dato debe eliminarse de la grfica y recalcular todo de nuevo pero sin considerar el subgrupo 8. Nota.- Esto no siempre es as, si los puntos fuera de control son de tal magnitud, entonces no queda ms remedio que una vez encontrada y eliminadas las causas en la prctica, habra que repetir el proceso, recogiendo nuevos datos. Despus de la correccin, los resultados son: Grfico R corregido R (raya) = LC = 0,0231 LSC = 0,0527 LIC = 0 Grfico X (raya) corregido X (doble raya) = LC = 0,4979 LSC = 0,5147 LIC = 0,4811 Los grficos son los siguientes:

Como se puede apreciar en ambos grficos, ahora el proceso se encuentra en "control estadstico". Clculo de la Capacidad del Proceso La capacidad del proceso slo puede ser evaluada en el caso de que el proceso se encuentre bajo control estadstico y se puede definir como aquellos lmites dentro de los cuales la nica fuente de variacin son las causas comunes o aleatorias del sistema. Por lo tanto, es un estado ideal para el buen funcionamiento de todo el sistema lograr que todos sus procesos sean estables, ICP = Cp = Indice de Capacidad del Proceso

donde LST es el lmite superior de tolerancia y LIT el lmite inferior de tolerancia. Sigma sombrero es la desviacin estndar estimada, y es igual a:

El valor de la constante d2 se obtiene a partir de tablas estadsticas. En este caso d2 = 2,059 para n = 4. Sigma sombrero = 0,0112 y Cp = 1,159 Segn el convenio, un proceso: Es capaz si Cp > = 1 No es capaz si Cp < 1 Por lo tanto, el PROCESO ES CAPAZ Lo que se debe conseguir para lograr una mejora sustancial es que el Cp sea mayor que 1,33. Algunos autores sealan incluso que un Cp > 1,5 es ms fiable para dar "seguridad" acerca de la estabilidad del proceso. Sin embargo, antes de cualquier mejora debemos primero calcular el centramiento del proceso. Centramiento del Proceso Es evidente que el valor de Cp no depende del promedio del proceso, ya que este promedio puede ser el resultado de un error sistemtico en el sistema, es decir, que los datos obtenidos estn ms bajo o ms alto de la media poblacional real o del valor que hemos fijado como centro. Para determinar si el proceso est o no centrado existen diversas frmulas para resolverlo, una de ellas, ajusta el valor de Cp con un factor (1 - K), como sigue: Cpk = Cp (1 - k), en la cual:

K = |0,5360 + 0,4580 - (2 x 0,4979)| / (0,5360 - 04580) K = 0,100 Cpk = Cp (1 - k) Cpk = 1,159 x (1 - 0,100) Cpk = 1,28 La frmula para obtener K se entiende mejor si la reescribimos de otra manera: K = 2 | promedio - objetivo | / tolerancia Aqu podemos apreciar que si el promedio es igual al objetivo, que es lo ideal, el proceso queda totalmente centrado, ya que k = 0, y por tanto Cpk = Cp. Conclusiones Ahora bien, al comparar Cpk = 1,3 con el valor de Cp = 1,2 encontramos que el proceso se encuentra bastante centrado, ya que Cpk es aproximadamente igual a Cp. Un Cp de 1,2 demuestra que el proceso es capaz, por lo que es aceptable para muchos clientes Nota.- Hay empresas que son ms exigentes y colocan como requisito a sus proveedores un Cp >= 2 en los contratos de compra.