Está en la página 1de 53

Ingeniería de Calidad.

Tema 1
1
Tema 1. Introducción al Control Estadístico de los
Procesos

1.Concepto de calidad
2 La variabilidad en los procesos de fabricación
3. Herramientas básicas para la mejora de los procesos
4. Los orígenes del control estadístico
5. Los gráficos de control
6. La capacidad de los procesos
7. Graficos de control para valores individuales
Ejercicios
Tablas

1 1. .- - C CO ON NC CE EP PT TO O D DE E C CA AL LI ID DA AD D

Podemos definir la calidad como: “grado de aproximación de las características
de un objeto a las del objetivo ideal”. Esta definición se puede aplicar a cualquier
producto, proceso o servicio, y pone de manifiesto que para referirnos a un
situación particular se deberán especificar el objetivo ideal y las características
que lo identifican.
Centrándonos en la calidad del producto, las características del objetivo ideal son
las que implícita o explícitamente esperan los clientes. Las características
esperadas por los clientes las podemos agrupar a su vez en seis categorías:
Prestaciones
Dentro de este grupo consideramos las funciones y prestaciones básicas del
producto. Estas funciones incluyen las características finales del producto y el uso
esperado del cliente.
Seguridad
Naturalmente, el cliente espera estar protegido frente a los peligros que pueden
estar asociados al uso del producto, o fallos en el funcionamiento durante el
servicio. En los sectores mas sensibles, este aspecto está abundantemente regulado
por leyes y normativas.
Disponibilidad
• Fiabilidad. La probabilidad de que un equipo o sistema se averíe dentro de un
intervalo de tiempo razonable debe ser lo más bajo posible.
• Mantenimiento y servicio posventa. En caso de fallo, el equipo o sistema debe
ser fácilmente reparable. Los tiempos y costes de reparación deben ser los mas
bajos posibles.
Ingeniería de Calidad. Tema 1
2
• Duración. La vida en servicio de una pieza del equipo es un factor importante y
debe ser bastante independiente de la frecuencia de uso. Por ejemplo, debe
evitarse la corrosión de un elemento determinado.
Servicio
• El producto es fácil de instalar y usar
• El producto está disponible en stock o en un plazo breve
• El producto es fácilmente expandible o adaptable
• El producto debe ser compatible o integrable con otros productos ya instalados
Prestigio, estilo o imagen
El diseño, el estilo y la imagen afectan de forma importante al cliente.
Contaminación y pérdidas a la sociedad
Se debe evitar que el producto ocasione perdidas para la sociedad en general -
como la contaminación-.

1.1 Definición de la Oferta
Nunca es posible satisfacer todas las necesidades de un segmento de mercado,
siempre quedara una cierta discrepancia entre la oferta y el objetivo. Para
conseguir la mayor cobertura posible el responsable del producto no persigue ser
el mejor en todas las dimensiones, sino que trata de centrar la batalla en aquellas
dimensiones que mejor se adaptan a las fortalezas y debilidades de la empresa.



Figura 2. Definición de la Oferta

Transformar el circulo en el cuadrado se corresponde al proceso de traducir los
requerimientos externos del cliente en especificaciones técnicas. Un ejemplo sencillo
nos ayudara a ilustrar este problema. Se trata de una imprenta de periódicos cuyo
requerimiento es que el papel que utiliza no se enganche en el cabezal. El proveedor
para satisfacer a la rotativa define las especificaciones técnicas del papel. Se supone que
estas especificaciones satisfacen la necesidad básicas del cliente. En el diagrama causa-
efecto cada rama corresponde a una categoría de especificaciones técnicas.
Oferta y especificaciones
internas
Necesidades y
requerimientos externos
Ingeniería de Calidad. Tema 1
3

Figura 3. Traducir las necesidades del cliente en especificaciones técnicas
Naturalmente, la cantidad y la importancia de las necesidades y funciones cubiertas por
la oferta dependerá de precio que el cliente este dispuesto a pagar, y de las ofertas de la
competencia.
1.2 Calidad del diseño
La calidad no es un concepto absoluto. La calidad es lo que el cliente está dispuesto a
pagar. Para el cliente la calidad no es gratis. La calidad mide el grado de satisfacción
percibido por el cliente, el consumidor final.
Las características no percibidas por el cliente no son parte de la satisfacción del cliente.
Esta afirmación resalta la importancia de recoger adecuadamente la información del
cliente. Por otro lado, si ciertas características no influyen en la satisfacción del cliente
su eliminación puede significar reducciones de coste.
Si el producto está libre de defectos, llamamos a la calidad percibida calidad de diseño,
ya que mide el ajuste entre las necesidades y la oferta definida por los equipos de
marketing y diseño.
La calidad de diseño es un indicador de la efectividad de la oferta. Alcanza su óptimo
cuando se cuadra el circulo, algo difícil de conseguir.

Figura 4. Calidad del Diseño
1.3 Calidad de fabricación o conformidad
Una vez que se han definido las especificaciones finales, el producto debe ser diseñado
en detalle y luego fabricado. Este es el área de la ingeniería de fabricación. Lo
importante en esta etapa es realizar lo prometido, el cuadrado perfecto. La no-
conformidad mide la desviación entre el proyecto inicial y el producto entregado.
espesor
dimensión
resistencia
a la tracción
peso especifico
El papel no
se enganche
Caracteristicas de la oferta
Requerimientos
de uso
Caracteristicas
no percibidas
Calidad del diseño
Calidad percibida
Efectividad de la oferta
Ingeniería de Calidad. Tema 1
4
La calidad de un producto en fabricación mide el grado de aproximación de las
propiedades o características mecánicas, físicas y geométricas obtenidas mediante el
proceso de fabricación respecto a los valores nominales o ideales especificados en el
diseño del producto.
Si aparece un error o fallo, el sistema de inspección debe evitar que el producto llegue a
manos del cliente. En este caso se incurre en los costes de fallos internos. Si el fallo
llega al cliente, se producirán costes muchos mayores, costes de los fallos externos, de
los que se incurren cuando el problema es detectado en la planta, ya que significa una
experiencia negativa para el cliente que le puede inducir a irse con la competencia.
Estos fallos podrían haberse evitado si se hubieran adoptado medidas de prevención (
costes de prevención).
De este modo, una falta de calidad, representada por el área con el signo menos en el
cuadrado, puede causar importantes costes, los costes de la calidad.



Figura 5. Calidad de fabricación

En esta asignatura nos vamos a centrar en la calidad de fabricación de un producto, por
ello vamos a estudiar como los distintos procesos de fabricación alteran las propiedades
mecánicas y físicas de los materiales y su capacidad para conseguir la geometría
buscada.

2 2. .- - L LA A V VA AR RI IA AB BI IL LI ID DA AD D E EN N L LO OS S P PR RO OC CE ES SO OS S D DE E
F FA AB BR RI IC CA AC CI IO ON N

En cualquier proceso, a pesar de lo bien diseñado o de lo cuidadosamente mantenido
que esté, siempre existe cierta cantidad de variabilidad inherente. Esta variabilidad
natural o “ruido de fondo” resulta del efecto acumulado de muchas causas pequeñas,
básicamente inevitables. Cuando el ruido de fondo de un proceso es aceptablemente
pequeño, se dice que es un “sistema estable de causas aleatorias”. Cuando un proceso
opera bajo la acción única de causas aleatorias, también llamadas comunes, se dice que
está bajo control estadístico.
Durante el transcurso de un proceso pueden presentarse ocasionalmente otros tipos de
variabilidad que pueden afectar a las características de calidad de los productos. Esta
variabilidad en las características de calidad normalmente acontecen como consecuencia
de máquinas mal ajustadas, errores de los operarios, o defectos en las materias primas.
Fallos

Ingeniería de Calidad. Tema 1
5
Esta variabilidad es, en general, grande cuando se compara con el ruido de fondo y
suele ser inaceptable. Llamamos a estas fuentes de variabilidad causas asignables o
especiales. Cuando un proceso opera bajo causas asignables se dice que esta fuera de
control.

F Fi ig gu ur ra a 8 8. .E Ef fe ec ct to os s d de e l la as s c ca au us sa as s e en n l la as s s sa al li id da as s
Lo normal es que los procesos de fabricación operen bajo control, produciendo
productos aceptables durante largos periodos de tiempo. Ocasionalmente, sin embargo
aparecen causas asignables, aparentemente al azar, que provocan el cambio a un estado
de fuera de control en el que una gran proporción de las salidas del proceso no cumplen
las especificaciones. El primer objetivo del control estadístico del proceso es detectar
rápidamente la presencia de causas especiales para iniciar la investigación conducente a
la puesta en marcha de acciones correctivas antes que se fabriquen muchos productos
defectuosos.
Tabla 1. Causas de variabilidad en los procesos
causas comunes causas especiales
• Suelen ser muchas y cada una produce
pequeñas variaciones
• Son parte permanente del proceso. Su
superposición determina la capacidad del
proceso
• Son difíciles de eliminar. Forman
parte del sistema y es responsabilidad de
la dirección disminuir sus efectos.
• Afectan al conjunto de recursos,
entradas y salidas del proceso
• La variabilidad debida a estas causas
admite representación estadística
• Suelen ser pocas pero de efectos
importantes
• Aparecen esporádicamente. Este
hecho facilita su identificación y
eliminación
• Son relativamente fáciles de
eliminar por parte de operarios y/o
técnicos
• Afectan específicamente a una
maquina, operario, ...
• No admite representación
estadística


Los gráficos de control son una técnica para el control del proceso en línea ampliamente
utilizada para este propósito. También pueden utilizarse para estimar los parámetros de
un proceso y a través de esta información determinar la capacidad del proceso.
Causas comunes
Proceso
Causas asignables
Proceso
poca variabilidad
“ruido”
fuera de control
Causas comunes
Ingeniería de Calidad. Tema 1
6
La aplicación más importante de las gráficos de control es proporcionar información
para la mejora del proceso ayudando a identificar como se puede reducir la variabilidad
del proceso. En la figura se ilustra el ciclo de mejora utilizando los gráficos de control:


Figura 9. Sistema de control de calidad del proceso
El gráfico de control señala la existencia de una causa asignable. A partir de este
momento los operarios e ingenieros deben identificar la causa raíz del problema y
preparar un plan de acción para eliminar su efecto.
La figura siguiente muestra un gráfico de control típico en el que se representa la
evolución de una característica de calidad respecto a un numero muestra o frente al
tiempo. Las muestras se suelen tomar a intervalos regulares de tiempo ( cada hora por
ejemplo). El gráfico presenta una Línea Central (LC) que representa el valor medio de
la característica de calidad correspondiente al estado de control estadístico. Las otras
dos líneas horizontales, se llaman Limite de Control Inferior (LCI) y Limite de
Control Superior (LCS). Estos limites de control se calculan de forma que
aproximadamente todos los puntos de la muestran caigan entre ellos. Mientras estos
puntos quedan entre los limites de control se asume que el proceso esta bajo control y
por tanto no es necesario intervenir en el proceso. Por contra, el que un punto caiga
fuera de los limites de control se interpreta como una evidencia de que el proceso está
fuera de control y que se requiere actuar sobre el después de haber descubierto las
causas de este comportamiento.

F Fi ig gu ur ra a 1 11 1. . G Gr rá áf fi ic co o d de e c co on nt tr ro ol l
Proceso
Sistema de Medición
Entrada Salida
Identificar la causa
raiz del problema
Implantar la
acción correctiva
Detectar la
causa asignable
Verificar
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Límite de Control Superior
Límite de Control Inferior
Línea Central
Número de muestra o tiempo
C
a
r
a
c
t
e
r
í
s
t
i
c
a

d
e

c
a
l
i
d
a
d

d
e

l
a

m
u
e
s
t
r
a
Ingeniería de Calidad. Tema 1
7
Los puntos se unen mediante segmentos para visualizar sus tendencias. Incluso si todos
los puntos están dentro de los limites el que sigan una evolución sistemática o no
aleatoria es una indicación de que el proceso está fuera de control. Por ejemplo si 18 de
los últimos 20 puntos han quedado por encima de la línea central, aunque por debajo de
la superior, debemos sospechar que algo no funciona. Si el proceso está bajo control
todos los puntos deben seguir un patrón de comportamiento aleatorio. Existen reglas
para encontrar secuencias que ayudan a detectar este tipo de situaciones de falta de
control.

3 3. .- - H HE ER RR RA AM MI IE EN NT TA AS S B BA AS SI IC CA AS S P PA AR RA A L LA A M ME EJ JO OR RA A D DE E L LO OS S
P PR RO OC CE ES SO OS S

3.1. DIAGRAMAS DE FLUJO DEL PROCESO
Introducción
Se entiende por procesos de empresa a un conjunto de actividades u operaciones que
comparten recursos e intercambian materiales o información. En un primer nivel se
sitúan los procesos que comienzan y terminan con el cliente, interviniendo típicamente
varios departamentos de la empresa. Así, por ejemplo tenemos los procesos: de
producción, desarrollo de producto, ventas, logística, etc. A niveles de detalle
progresivo dentro de cada proceso se llevan a cabo varios flujos de trabajo, por medio
de los cuales se realizan las operaciones de la empresa.
¿Qué es?
Los diagramas de flujo son representaciones de las secuencias o flujos que siguen
determinadas informaciones o materiales dentro de los procesos de la empresa.
¿Por qué utilizarlo?
Cuando se plantea la necesidad de mejorar la gestión de algún proceso, es conveniente
comenzar por realizar un diagrama de flujo del proceso en la forma en que se lleva a
cabo en la actualidad (“as is”), para alcanzar una visión y un lenguaje compartido de la
realidad de las tareas.
Después de analizar posibles mejoras, un diagrama del nuevo proceso (“to be”) ayuda a
enfocar el proyecto de mejora. Estos proyectos de mejora se suelen plasmar en cambios
de las actividades y/o del flujo de información y materiales como consecuencia de la
incorporación de nueva tecnología (maquinaria, sistemas informáticos).
¿Qué se consigue?
− Hacer aparentes áreas de inesperada complejidad, áreas de problemas, redundancias,
realimentaciones innecesarias, y posibilidades de estandarización y simplificación.
− Comparar y contrastar el proceso actual con el flujo ideal de un proceso para
identificar oportunidades de mejora.
− Ayudar al equipo a alcanzar el acuerdo sobre los pasos del proceso y examinar que
actividades pueden suponer un mayor impacto en la realización del proceso.
− Identificar localizaciones donde se pueden recoger datos adicionales y analizarlos.
− Sirve como entrenamiento que ayuda a comprender el proceso global.
¿Cómo hacerlo?
Ingeniería de Calidad. Tema 1
8
1. Determinar el alcance.
- Definir claramente los límites, donde comienza el proceso bajo estudio y donde
termina.
- Los miembros del equipo deben estar de acuerdo en el nivel de detalle que debe
mostrar el diagrama para entender de forma clara el proceso e identificar las áreas
problemáticas
- Estos diagramas pueden ser:
Simples, con la información necesaria para comprender el flujo general del proceso, en
forma de una secuencia de iconos gráficos con descripciones breves y métricas
agregadas. Son útiles para la definición inicial del proceso.
Detallados, mostrando cada acción especifica y puntos de decisión. Se realizan
utilizando símbolos especiales y descripciones. Las líneas y las flechas se utilizan para
indicar secuencias de actividades o hechos.
Es aconsejable empezar con un diagrama sencillo y posteriormente decidir si
interesa uno mas detallado.
2. Listar las actividades del proceso
Hacer tormenta de ideas para obtener una lista de todas las actividades principales,
entradas, salidas, y decisiones desde el comienzo del proceso al final. En ocasiones es
útil distinguir entre actividades necesarias y opcionales. Las opcionales se introducen en
el flujo principal mediante decisiones o bifurcaciones opcionales.
3. Secuenciar las actividades
Colocar los pasos en el orden en que se lleven a cabo.

Consejo: Cuando se esté desarrollando el diagrama de flujo de un proceso existente se
debe secuenciar tal y como se realiza actualmente, no lo que debería ser o el ideal. Esto
puede ser difícil al principio pero es necesario ver donde están las causas probables de
los problemas en el proceso.
4. Utilizar la notación adecuada
Cada método para la diagramación de procesos tiene sus propios símbolos y sintaxis –
Idef, UML- El método de consenso más actual es BPMN.
5. Validar y completar el gráfico
• ¿Se han utilizado los símbolos correctamente?
• ¿Se han identificado los pasos del proceso claramente?
• Comprobar que la continuación de cada punto tiene un punto correspondiente en
cualquier lugar del diagrama o en otra pagina del mismo.
• Normalmente solo sale una flecha de cada recuadro de actividad. Si hubiera más de
una flecha puede que se necesita un rombo de decisión.
• Valida el gráfico con personas que no pertenezcan al equipo y que lleven a acabo las
acciones del proceso. Modificar el diagrama para incorporar sus recomendaciones.
Presentar el diagrama nuevamente al equipo para discutirlo e incorporarlo al
diagrama de flujo final.
• ¿La gente sigue el proceso tal como aparece en el diagrama?
• ¿Hay redundancias o complejidades que puedan ser reducidas o eliminadas?
• ¿En que difiere el proceso actual del ideal? Comparar los dos para identificar las
discrepancias y las oportunidades de mejora.
Ingeniería de Calidad. Tema 1
9
3.2. DIAGRAMAS CAUSA EFECTO
Introducción
En muchas ocasiones, cuando se presenta un problema, se confunde su resolución con la
eliminación de los efectos que produce, y esta práctica suele traer consigo malas
consecuencias. Ishikawa, en su libro “¿Que es el control de calidad?” presenta un caso
de su propia experiencia. Explica que cierto dispositivo iba unido a una maquina por
medio de cuatro pernos. El perno 1 se rompía con frecuencia por lo que se decidió
sustituirlo por otro de mayor diámetro. Desde el cambio no se volvió a romper el perno
1 pero empezó a romperse el perno 2. Ante la nueva situación se decidió que los cuatro
pernos debían ser más grandes y se procedió al cambio. Ya no se volvió a romper el
ningún perno, pero empezaron a aparecer fracturas en la chapa en la que estaba situado
el dispositivo. Se cambio la chapa de acero por otra de mayor espeso y se pensó que el
problema había quedado resuelto definitivamente.
Un estudio mas profundo realizado posteriormente puso de manifiesto que una
vibración que llegaba al dispositivo era lo que ocasionaba los fenómenos de ruptura, y
que si no se eliminaba acabaría rompiendo la nueva chapa o inutilizando el dispositivo
con graves consecuencias.
Lo que se había conseguido era evitar el efecto del problema, pero sin eliminar su causa,
y si la causa permanece, el efecto vuelve a manifestarse, de forma aún todavía más
perjudicial
¿ Por qué usarlo ?: Para ayudar a un equipo a identificar, analizar, y presentar
gráficamente, con un nivel de detalle creciente, todas las posibles causas relacionadas
con un problema (o la condición para descubrir la causa /s principal).
¿ Qué se consigue ?:
- Permite al equipo centrarse en el contenido del problema, no en su historia o en los
diferentes intereses personales de los miembros del equipo.
- Ayuda a representar el conocimiento colectivo del equipo y a alcanzar el consenso
necesario sobre el problema.
- Centra a los miembros del equipo en las causas, no en los síntomas.
¿ Cómo hacerlo ?:
1. Seleccionar el formato mas apropiado.
Existen dos formatos básicos:
- Naturaleza de las causas, se construye colocando las causas individuales dentro de
cada una de las categorías de causa principales, preguntando entonces respecto a cada
causa individual: “¿ Por qué ha sucedido esta causa?” Esta pregunta se repite para el
siguiente nivel de detalle hasta el nivel que se considere necesario para solucionar el
problema. El gráfico del ejemplo de esta sección utiliza este formato.
- Actividades del Proceso, utiliza las principales actividades del proceso en lugar de las
categorías de causa principal. El método para identificar las causas es el mismo que en
el caso anterior.
2. Generar las causas .
Elegir un método apropiado, como por ejemplo:
- Tormenta de ideas
Ingeniería de Calidad. Tema 1
10
- Plantillas para la recogida de datos

3. Construir el Diagrama Causa-Efecto
a) Situar la descripción del problema en un recuadro en la parte derecha de la hoja.
Dejar el espacio suficiente. Usar una hoja grande o una pizarra.
Causas

(Categorías de causa principal)

Efecto



Consejo: Asegurarse de que todo el mundo esta de acuerdo en la descripción del
problema. Incluir tanta información como sea posible, sobre el “que”, “donde”,
“cuando” del problema. Utilizar datos.
b) Escribir las causas principales o los pasos del proceso y unirlos al eje mediante
flechas.

Máquina/Equipo Gente





Métodos Materiales

Causas principales normalmente utilizadas:
En un Proceso de fabricación las categorías típicas son:
• Maquinaria (equipo)
• Métodos (como se hace el trabajo)
• Materiales (componentes de los principales materiales)
• Personal (elemento humano).
En un Proceso de Servicio los métodos típicos son:
• Política (alto nivel de reglas de decisión)
• Procedimientos (pasos en una tarea)
• Planta (equipo y espacio)
• Personal
En ambos tipos de procesos, el Entorno (edificios, logística, y espacio), y el proceso de
Medición (calibración y recogida de datos) se usan también frecuentemente. No hay una
situación o un número de categorías perfecto, depende del problema en particular.


Ingeniería de Calidad. Tema 1
11

c) Situar las causas en la categoría adecuada.
- En la tormenta de ideas, las posibles causas pueden ir situadas en las categorías
principales según se generan, o bien después de haberse creado la lista completa.
- Algunas causas parecen adecuarse a mas de una categoría. Idealmente cada causa solo
debería estar en una categoría, pero algunas de las causas pueden legítimamente
pertenecer a dos. Lo mejor en estos casos es situarlas en ambas categorías y decidir al
final.
d) Pregunta repetidamente de cada una de las causas:
¿Por que sucede esto?, ¿Que debería suceder?. Por ejemplo, respecto “Falta de
existencias” estas preguntas pueden conducir a encontrar otras causas mas básicas
“Error en la orden de suministro”, “Falta de espacio en el local”, etc.
e) Seleccionar las causas principales siguiendo alguno de los métodos siguientes:
* Buscar causas que aparezcan repetidamente dentro de una o varias categorías
* Proceso de consenso informal o estructurado
* Obtener datos mediante plantillas de datos u otros formatos para determinar la
frecuencia relativa de las diferentes causas.

3.3. HISTOGRAMA
¿ Por qué usarlo ?: Resume datos de un proceso que han sido recogidos durante un
periodo de tiempo, y presentan gráficamente su frecuencia de distribución en forma de
barras.
¿ Qué se consigue ?:
- Interpretar grandes cantidades de datos de difícil interpretación en forma tabular.
- Muestra la frecuencia relativa de intervalos de datos.
- Muestra la media, variación y distribución de los datos.
- Proporciona información útil para predecir futuras mejoras del proceso.
- Ayuda a evaluar la capacidad del proceso
¿ Cómo hacerlo ?:

Retraso en las entregas
de Pizza los fines de semana
Maquinas Gente
Metodos Materiales
Vehiculos
no fiables
Hornos
pequeños
La gente se
escaquea
Los conductores
se pierden
Falta de existencias
Mala gestión
del lanzamiento de
pedidos
Alta tasa de renovación
del personal
inadecuada
formación
Ingeniería de Calidad. Tema 1
12
1. Decidir la medida del proceso.
Los datos deben ser variables, medidos en una escala continua. Por ejemplo:
temperatura, tiempo, dimensiones, peso, velocidad.
2. Obtener Datos.
Recoger al menos 50-100, durante un periodo de tiempo específico: hora, día, semana.
Buscar datos históricos como base.
3. Prepara una tabla de frecuencia de datos.
• Contar el nº de datos, n, en la muestra.
• Determinar el rango,R de toda la muestra. R
max min
= − Χ Χ
• Determinar el nº de intervalos,K.
Método 1: Hacer la raíz cuadrada del número total de datos, redondeándolo a
un nº entero si es decimal.
Método 2: Usar la tabla anexa como guía para la división de las muestras en un
nº de clases razonable:
nº de datos nº de clases (K)
<50 5-7
50-100 6-10
100-250 7-12
>250 10-20
Estos dos métodos son generalmente reglas practicas para determinar
intervalos clásicos. En ambos casos podemos utilizar K=10, para facilitar los
cálculos mentales.
El nº de intervalos puede influir en el modelo de la muestra. Demasiados
intervalos provocará un modelo ensanchado y plano. Un número reducido de
intervalos provocará el efecto contrario.
• Determinar la amplitud de cada intervalo, H.
H
R
K
=
Redondear H al valor más próximo con el mismo nº de decimales que la muestra
original. Es normal definir intervalos con un decimal más que los datos recogidos.
• Determinar los límites del intervalo.
Encontrar la menor de las medidas realizadas de la muestra. Este será el extremo
inferior del primer intervalo.
Añadirle H, este será el extremo inicial del siguiente intervalo .
• Añadir consecutivamente H al extremo inferior, hasta el intervalo K.
• Construir la tabla de frecuencias basada en los valores que hemos obtenido en el
apartado anterior.
4. Dibujar un histograma de la tabla de frecuencia.
Sobre la línea vertical (y), dibujar la escala de frecuencia para cubrir los intervalos de
las clases con la frecuencia mas alta. Sobre la línea horizontal (x), dibujar la escala
Ingeniería de Calidad. Tema 1
13
relativa a la variable que se esta midiendo. Para cada intervalo, dibujar una barra con la
altura igual a la frecuencia de la clase.
5. Interpretar el Histograma.
a) Centrado: ¿Donde está el centro de la distribución de los datos? ¿Está el proceso
demasiado a la derecha o a la izquierda?
b) Variación: ¿Cual es la variación o dispersión de los datos?¿es demasiado variable?
c) Forma: ¿Cuál es la forma? ¿Se parece esto a una distribución normal en forma de
campana? ¿Está sesgada positivamente o negativamente, esto es, hay mas valores de
datos a la derecha o a la izquierda? ¿ Hay picos dobles o múltiples?
Centrado
Alto
Bajo
Normal
Bimodal
Multimodal
Sesgado positivo
Sesgado Negativo
Distribución
Distribución
Centering
Variación
Dentro
de requerimientos
Fuera
de requerimientos

Algunas variables son sesgadas de forma natural, como los tiempos de vida. No esperar
siempre que la distribución siga la forma de campana.
Buscar siempre dobles o múltiples picos indicativos de que los datos vienen de dos o
más fuentes, - ej. máquinas, personas, etc-. Si esto es evidente, estratificar los datos.
En ocasiones se obtendrán histogramas que no presentan ninguna forma de
comportamiento general (anomalías, errores, etc.). Su variabilidad puede atribuirse a
alguna causa asignable que deberá ser identificada y eliminada.
d) Capacidad del proceso: comparar los resultados de nuestro histograma con las
especificaciones. ¿Es el proceso capaz de cumplir los requerimientos, está el histograma
centrado en el objetivo y dentro de los límites de especificación?
Consejo: Sospechar de la precisión de los datos si el histograma repentinamente se
detiene en un punto (tal como un límite de especificación) sin alguna declinación previa
en los datos. Ello indicaría que los datos “sospechosos” están siendo eliminados y no se
han incluido en la muestra.
Ejemplo
Centrado
Ingeniería de Calidad. Tema 1
14
La tabla de datos que figura a continuación corresponde a datos tomados en una acería
que dispone de tres líneas de producción. Se obtienen después de la laminación lingotes
con una longitud objetivo de 1000 mm. Los limites superior e inferior de las
especificaciones son 1001 y 999 mm respectivamente. Se han tomado un total de 150
muestras. En la tabla aparecen las desviaciones respecto al nominal.
Línea 1 Línea 2 Línea 3
0,14 0,59 -0,43
-0,09 0,28 -0,39
0,26 0,51 -0,65
-0,06 0,34 -0,71
0,32 0,5 -0,57
-0,14 0,38 -0,23
-0,06 0,25 -0,18
-0,074 0,48 -0,33
-0,74 0,69 -0,35
-0,44 0,73 -0,54
0,27 0,46 -0,6
0,49 0,48 -0,57
-0,26 0,39 -0,62
0,22 0,51 -0,75
-0,06 0,82 -0,34
0,18 0,87 -0,55
-0,21 0,28 -0,42
-0,08 0,52 -0,36
-0,06 0,46 -0,38
-0,45 0,29 -0,25
0,11 0,49 -0,6
-0,54 0,6 -0,45
0,04 0,27 -0,58
0,32 0,6 -0,64
-0,08 0,16 -0,41
-0,03 0,47 -0,77
0,45 0,38 -0,57
-0,12 0,19 -0,51
0,09 0,84 -0,73
0,2 0,44 -0,22
0,28 0,12 -0,47
-0,04 0,46 -0,73
-0,52 0,41 -0,62
-0,3 0,29 -0,64
0,25 0,51 -0,69
-0,05 0,28 -0,69
0,18 0,62 -0,4
0,31 0,38 -0,62
-0,11 0,44 -0,77
-0,12 0,56 -0,19
0,03 0,69 -0,68
0,28 0,63 -0,61
-0,05 0,42 -0,29
0,63 0,22 -0,09
0,2 0,35 -0,58
-0,15 0,32 -0,62
-0,04 0,5 -0,45
0,46 0,59 -0,42
-0,19 0,2 -0,67
-0,02 0,54 -0,39

Consideramos en primer lugar un histograma sin distinguir entre las distintas líneas de
producción. El rango de los datos es 0.87-(-0.77)=1.64. Utilizaremos doce intervalos
cada uno de longitud 1.64/12=0.14. El histograma de frecuencias relativas ( con el
Statgraphics) muestra una distribución multimodal señal de que los datos proceden de
poblaciones distintas.
Ingeniería de Calidad. Tema 1
15

Siguiendo el mismo procedimiento obtenemos los histogramas correspondientes a cada
una de las líneas.



-0.9 -0.5 -0.1 0.3 0.7 1.1
Desviaci¢n de las longuitudes
0
0.04
0.08
0.12
0.16
f
r
e
c
e
n
c
i
a
-1.3 -0.9 -0.5 -0.1 0.3 0.7 1.1
LINEA1
0
0.1
0.2
0.3
0.4
f
r
e
c
u
e
n
c
i
a
-1 -0.6 -0.2 0.2 0.6 1
linea2
0
0.1
0.2
0.3
0.4
f
r
e
c
u
e
n
c
i
a
-1 -0.6 -0.2 0.2 0.6 1
linea3
0
0.1
0.2
0.3
0.4
f
r
e
c
u
e
n
c
i
a
Ingeniería de Calidad. Tema 1
16
Se observa que la línea 1 está centrada en el valor nominal pero tiene una mayor
dispersión que el resto de líneas. La línea 2 está sesgada hacia arriba y aparece menos
dispersa que la línea 1. La línea 3 está sesgada hacia abajo y también muestra una
menor dispersión en las longitudes. Por otra parte todas las observaciones caen dentro
de los limites de especificación, si bien la línea 2 se acerca al limite superior y la línea 2
al limite inferior. Del análisis de los gráficos podemos concluir que: se deben centrar las
líneas dos y tres; se debe descubrir la razón por la que las líneas 2 y 3 tiene poca
variabilidad; y se debe reducir la dispersión de la línea 1.

3.4. DIAGRAMAS DE PARETO
En general, cuando se analizan las causas de un problema se encuentra que unas pocas
causas son las responsables de su mayor parte. A estas pocas causas se les llama causas
fundamentales, al resto, que son muchas pero ocasionan una pequeña parte del problema
se les denomina causas triviales. Este es la esencia del conocido principio de Pareto ( el
20% de la población posee el 80% de la riqueza).
¿ Por qué usarlo ?: Enfocar los esfuerzos sobre los problemas que ofrecen el mayor
potencial para mejorarse, mostrando su frecuencia relativa o medida en un gráfico de
barras descendente.
¿ Qué se consigue ?:
- Ayuda a un equipo a enfocar las causas que tendrán un mayor impacto si se
solucionan.
- Mostrar la importancia relativa de los problemas en un simple formato visual,
interpretado rápidamente.
- Ayuda a prevenir las desviaciones del problema donde las soluciones eliminan algunas
causas del problema pero empeora otras.
- El progreso se mide en un formato altamente visible incentivando el proceso de
mejora.
¿ Cómo hacerlo ?:
1. Plantear exactamente cuál es el problema que se desea investigar.
2. Seleccionar las causas o problemas que serán controladas, comparadas y
clasificadas ordenadamente por tormenta de ideas, o a partir de los datos existentes.
3. Elegir la principal unidad de medida: frecuencia o coste.
4. Establecer el periodo de tiempo de estudio.
- Elegir el periodo de tiempo suficientemente largo para representar la situación. Un
estudio largo no siempre representa la mejor información. Se debe analizar primero el
volumen y la variedad de los datos.
- Asegurarse que el horario planeado es adecuado en lo que se refiere a tener en cuenta
la estación (primavera, verano..) e incluso diferencias dentro de unos días o semanas
dados.
5. Recoger los datos necesarios en cada categoría de problemas, bien en tiempo real, o
revisando los datos históricos. Tanto si los datos son recogidos a tiempo real o
históricamente, las plantillas son el método más fácil para recopilar los datos.
6. Comparar la frecuencia relativa o coste de cada categoría de problemas.
Ingeniería de Calidad. Tema 1
17
7. Listar las categorías de problemas en una línea horizontal y las frecuencias en una
línea vertical. Hacer un listado de las categorías en orden descendente, de izquierda a
derecha, en línea horizontal con barras para cada categoría de problemas para indicar su
frecuencia o coste. Hacer un listado de la unidad de medida sobre la línea vertical.
8. Dibujar la línea del % acumulativo, mostrando la porción total que cada categoría
de problemas representa.(Opcional)
a) Sobre la línea vertical, registrar el 100% opuesto al nº total y el 50% en el punto
medio. Completar el resto de % a escala.

b) Comenzar con la categoría de problemas más alta, dibujar un punto o marcar con una
x la esquina superior derecha de la barra. Añadir el total de la siguiente categoría de
problema a la primera y dibujar un punto sobre esa barra mostrando la cantidad
acumulada y el %. Unir los puntos y registrar el resto de totales acumulados hasta
alcanzar el 100%.
9. Interpretación de resultados.
Las barras mas altas indican las mayores contribuciones al problema. Actuar primero
con respecto a estas categorías de problema y luego utilizar el sentido común. Pero, el
mas frecuente o caro no es siempre el más importante. Preguntarse siempre: ¿que tiene
el mayor impacto en los objetivos de nuestro trabajo y clientes?
Ejemplo
Una línea de envasado sufre frecuentes paradas por averías en alguno de los módulos
(no siempre el mismo) de que está compuesta. Supongamos que después de tomar datos
durante seis meses, la información obtenida puede resumirse mediante la siguiente
tabla.

33%
12 %
10%
45%
55%
100%
50%
Categoria de problemas
T
o
t
a
l
e
s
100%
Ingeniería de Calidad. Tema 1
18

Causa Núm. de
paradas
Tiempo
de
parada

Mañ. Tar. total Mañ. Tar. total
Rotura hilo (1), 18 24 42 20 31 51
Cinta (2), 15 10 25 12 10 22
Vibrador (3), 92 88 180 62 68 130
Tornillo sin fin (4), 1 6 7 2 8 10
Apelmazamiento (5), 0 1 1 0 1 1
Rotura Saco (6), 2 1 3 4 1 5
Otros (7), 1 0 1 8 0 8
A continuación se muestran los diagramas de Pareto (con el statgraphics) para el
numero de paradas y tiempo de paradas. Se observa que solo dos causas han ocasionado
en torno al 80% del problema. Por tanto estas serán las primeras causas a atacar.



(3) (1) (2) (4) (6) (5) (7)
0
51.8
103.6
155.4
207.2
259
NUMERO DE PARADAS
0
20
40
60
80
100
69.5
85.7
95.4
98.1
99.2 99.6 100.0
(3) (1) (2) (4) (7) (6) (5)
0
45.4
90.8
136.2
181.6
227
TIEMPO DE PARADA
0
20
40
60
80
100
57.3
79.7
89.4
93.8
97.4
99.6 100.0



4 4. .- - L LO OS S O OR RI IG GE EN NE ES S D D

El Dr. Shewhart desarrolló el concepto de “control” aplicado a la variabilidad, y
desarrolló un método simple para caracterizar la variabilidad de un proceso. Esta
caracterización es el primer paso hacia la reducción de la variación en los productos
Basándose en su trabajo durante los años 1920 en los laboratorios Bell, el
observó que:
“Si bien todos los procesos presentan variación,
variación controlada, mientras que otros presentan una variación incontrolada
La variación controlada se caracteriza por un patrón estable y consistente a lo largo del
tiempo. El Dr.Shewhart atribuyó esta variación a causas “aleatorias”.
La variación incontrolada se caracteriza por un patrón que cambia a lo largo del tiempo.
El Dr.Shewhart atribuyó estos cambios en el patrón de comportamiento de la variación a
causas “asignables”.
Consideremos un proceso de fabricación que produce piezas discretas con una
dimensión o característica mensurable. Periódicamente, se seleccionan algunas de estas
piezas y se miden. Estas mediciones varían debido a que los materiales, máquinas,
operarios, y métodos interactúan para producir variación. Esta variación “aleatoria” es
relativamente consistente a lo largo del tiempo porque es el resultado de la contribución
de muchos factores. El Dr.Shewhart llamó a estos factores “causas aleatorias”. La
siguiente figura representa una idealización de un patrón controlado de variación.
Además de la multitud de causas aleatorias, ocasionalmente hay factores especiales que
tienen un gran impacto en la medición del producto. Estos factores pueden ser máquinas
desajustadas, materiales que son ligeramente diferentes, métodos que se han modificado
un poco, diferencias entre operarios, o diferencias en el entorno. Shewhart argumentó
que estos factores se podían identificar y que el impacto de tales “causas asignables” era
suficiente para producir un cambio marcado en el patrón de comportamiento de la
variación.
Dimensión
del
producto
Ingeniería de Calidad. Tema 1
D DE EL L C CO ON NT TR RO OL L E ES ST TA AD DI IS ST TI IC CO O
desarrolló el concepto de “control” aplicado a la variabilidad, y
desarrolló un método simple para caracterizar la variabilidad de un proceso. Esta
caracterización es el primer paso hacia la reducción de la variación en los productos
ajo durante los años 1920 en los laboratorios Bell, el
Si bien todos los procesos presentan variación, algunos procesos presentan una
mientras que otros presentan una variación incontrolada
controlada se caracteriza por un patrón estable y consistente a lo largo del
tiempo. El Dr.Shewhart atribuyó esta variación a causas “aleatorias”.
La variación incontrolada se caracteriza por un patrón que cambia a lo largo del tiempo.
uyó estos cambios en el patrón de comportamiento de la variación a
Consideremos un proceso de fabricación que produce piezas discretas con una
dimensión o característica mensurable. Periódicamente, se seleccionan algunas de estas
s y se miden. Estas mediciones varían debido a que los materiales, máquinas,
operarios, y métodos interactúan para producir variación. Esta variación “aleatoria” es
relativamente consistente a lo largo del tiempo porque es el resultado de la contribución
e muchos factores. El Dr.Shewhart llamó a estos factores “causas aleatorias”. La
siguiente figura representa una idealización de un patrón controlado de variación.
ud de causas aleatorias, ocasionalmente hay factores especiales que
tienen un gran impacto en la medición del producto. Estos factores pueden ser máquinas
desajustadas, materiales que son ligeramente diferentes, métodos que se han modificado
encias entre operarios, o diferencias en el entorno. Shewhart argumentó
que estos factores se podían identificar y que el impacto de tales “causas asignables” era
suficiente para producir un cambio marcado en el patrón de comportamiento de la
Frecuencia de
la dimensión

Ingeniería de Calidad. Tema 1
19
desarrolló el concepto de “control” aplicado a la variabilidad, y
desarrolló un método simple para caracterizar la variabilidad de un proceso. Esta
caracterización es el primer paso hacia la reducción de la variación en los productos.
ajo durante los años 1920 en los laboratorios Bell, el Dr.Shewhart
algunos procesos presentan una
mientras que otros presentan una variación incontrolada”.
controlada se caracteriza por un patrón estable y consistente a lo largo del
La variación incontrolada se caracteriza por un patrón que cambia a lo largo del tiempo.
uyó estos cambios en el patrón de comportamiento de la variación a
Consideremos un proceso de fabricación que produce piezas discretas con una
dimensión o característica mensurable. Periódicamente, se seleccionan algunas de estas
s y se miden. Estas mediciones varían debido a que los materiales, máquinas,
operarios, y métodos interactúan para producir variación. Esta variación “aleatoria” es
relativamente consistente a lo largo del tiempo porque es el resultado de la contribución
e muchos factores. El Dr.Shewhart llamó a estos factores “causas aleatorias”. La
siguiente figura representa una idealización de un patrón controlado de variación.
ud de causas aleatorias, ocasionalmente hay factores especiales que
tienen un gran impacto en la medición del producto. Estos factores pueden ser máquinas
desajustadas, materiales que son ligeramente diferentes, métodos que se han modificado
encias entre operarios, o diferencias en el entorno. Shewhart argumentó
que estos factores se podían identificar y que el impacto de tales “causas asignables” era
suficiente para producir un cambio marcado en el patrón de comportamiento de la
tiempo
Ingeniería de Calidad. Tema 1

20
En la figura siguiente se representa un patrón de comportamiento no consistente.


Estas causas asignables no sólo tienen un gran impacto en el comportamiento de los
datos, sino que también deterioran su predecibilidad. El Dr.Shewhart escribió:
“Se dirá que un fenómeno es controlable cuando, utilizando la experiencia
podemos predecir, al menos dentro de unos límites, como puede esperarse que el
fenómeno varíe en el futuro”.
Así, aunque la esencia del control estadístico es la predecibilidad, lo contrario también
se aplica. Un proceso que no muestre control estadístico no será predecible. Aunque las
entradas conocidas a ese proceso puedan permanecer inalterables, las salidas de un
proceso inestable variarán de forma imprevisible a lo largo del tiempo.
Cualquier serie de datos puede considerarse como la salida de algún proceso. Si la serie
de datos muestra un grado razonable de variación controlada a lo largo de un extenso
periodo de tiempo, entonces podemos predecir, dentro de unos límites, como es
probable que se comporte la serie de datos en el futuro. Por ello la distinción de
Shewhart es fundamental para interpretar cualquier dato real. La planificación, la
fabricación y la gestión se simplifican mucho cuando las cosas son previsibles. Por el
contrario, cuando los datos muestran una variación incontrolada, es imposible predecir
que ocurrirá en el futuro. La planificación, la fabricación y la gestión estarán llenas de
incertidumbres.
Una consecuencia de la clasificación de Shewhart ( bajo control frente a fuera de
control) es que hay dos formas diferentes de mejorar un proceso de fabricación.
Cuando un proceso muestra una variación controlada, puede considerarse como estable
y consistente. La variación presente es aquella inherente al propio proceso. Por tanto,
para reducir la variación, debe cambiarse el proceso. O como dijo Shewhart:
“El estado de control parece ser, en general, una especie de límite hasta donde
podemos esperar de forma económica encontrar y eliminar las causas de
variación sin modificar una parte importante del proceso”.
Por la otra parte, si un proceso muestra una variación no controlada, está cambiando de
un momento a otro. Es a la vez inestable e inconsistente. La inestabilidad crea una
variación excesiva que no tiene nada que ver con la forma en que se pretendía que
funcionara el proceso. Por tanto, el primer paso para mejorar las salidas del proceso es
identificar las causas asignables o responsables de esa variación excesiva. Si la causa
responsable es perjudicial, eliminarla. Si la causa es beneficiosa, tratar de consolidarla y
hacerla parte del proceso. Conviene remarcar que estos enfoques para mejorar un
proceso son fundamentalmente diferentes. En el primero se trata de modificar un
proceso que es consistente y está bien definido, mientras que con el otro se trata de crear
un proceso consistente. Por tanto, para mejorar cualquier proceso, lo primero que hay
que hacer es determinar si el proceso muestra o no una variación controlada.

Ingeniería de Calidad. Tema 1

21
5 5. .- - L LO OS S G GR RA AF FI IC CO OS S D DE E C CO ON NT TR RO OL L

Habiendo hecho la distinción entre variación controlada e incontrolada, Shewhart creó
un método de control para detectar la presencia de variación incontrolada en la
respuesta del proceso. Interpretamos el comportamiento del proceso analizando su
respuesta. Si esta se mantiene consistente a lo largo del tiempo, dentro de unos limites
que consideramos aceptables, decimos que el proceso es estable o que está controlado.
Podemos caracterizar el comportamiento de la salida del proceso mediante su
localización y dispersión (utilizamos el valor medio para la localización y la desviación
para la dispersión), por tanto, un proceso está controlado si la media y la desviación de
su respuesta se mantienen dentro de unos limites. Así, de un solo golpe, proporcionó
tanto un vehículo simple y efectivo para el análisis de datos y una definición operativa
de cuando un proceso tiene problemas.












Los gráficos de control son una herramienta para determinar si una serie de datos puede
ser utilizada para realizar predicciones de lo que ocurrirá en el futuro. Es una técnica de
inferencia inductiva. La inducción implica la extrapolación de principios generales a
partir de observaciones específicas. Cualquier método para pasar de lo específico a la
generalidad nunca es nítido y perfecto. Siempre envuelve cierto grado de incertidumbre.
Los gráficos de control son las herramientas para los problemas de inducción de la vida
real. Cuando la predicción es viable y apropiada, proporcionan las bases para las
predicciones. Cuando la predicción es inviable e inapropiada debido a la variación
incontrolada, los gráficos de control nos alertaran sobre esa inestabilidad. Recordemos
la definición de Shewhart de control estadístico: “Se dirá que un fenómeno está
controlado cuando mediante la experiencia, podemos predecir, al menos dentro de unos
límites, como podemos esperar que se comporte el fenómeno en el futuro”. La esencia
del control estadístico es la previsión. Un proceso es predecible cuando se encuentra en
un estado de control estadístico, y es impredecible cuando no lo está.
Como la decisión se basa en la experiencia, será necesario comenzar con datos
generados por el fenómeno en cuestión. Cuando se dispone de una cantidad razonable
de datos se utilizarán para calcular los límites apropiados. Si los datos históricos se
encuentran dentro de estos límites, y si los datos obtenidos después de calcular estos
Media
Desviación
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1
2
3
4
5
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Limite superior de control
Limite inferior de control
Limite superior de control
Media
Desviación
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1
2
3
4
5
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1
2
3
4
5
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Limite superior de control
Limite inferior de control
Limite superior de control
Ingeniería de Calidad. Tema 1

22
límites también se encuentran dentro de los límites, entonces será razonable efectuar
predicciones acerca de observaciones futuras.
Si, por el contrario, los datos históricos no caen dentro de los límites (calculados a partir
de esos mismos datos) no hay razones para creer que las observaciones futuras caerán
dentro de los límites, y por tanto no hay fundamento para efectuar predicciones.
Así, la lógica que se encuentra detrás de los gráficos de Shewhart se puede resumir en el
siguiente diagrama de flujo:

La hipótesis inicial es que el proceso permanece estable a lo largo de un periodo de
tiempo. Esta hipótesis justifica la utilización de las medias y las desviaciones para el
cálculo de límites.
A continuación, basándose en los valores obtenidos para la media y las desviaciones se
realiza una predicción sobre el comportamiento del proceso. En concreto, esta
predicción se expresa en forma de límites para la cantidad de variación que se espera
para la media y los rangos. Finalmente, las medias y las desviaciones observados se
comparan con los límites. De esta comparación pueden producirse dos resultados:
1. Si las observaciones con coherentes con las predicciones, quedan dentro de los
limites, no hay ninguna evidencia sólida para contradecir la hipótesis de estabilidad
del proceso, sin embargo, la prueba real de la estabilidad del proceso será que se
sigue manteniendo las observaciones dentro de los límites.
2. Si las observaciones son inconsistentes con las predicciones, alguna queda fuera de
los límites, el proceso no es estable. Esta conclusión se debe a como se calculan los
límites. Esta inconsistencia se debe casi con seguridad a la hipótesis incorrecta de
estabilidad, más que a una violación de los principios en que se apoya el cálculo de
los límites.
Así, la evidencia de falta de control es una evidencia fuerte, puede utilizarse con
confianza para actuar consecuentemente. La ausencia de tal evidencia no es tan
conclusiva, pero como no requiere de una actuación, se dejará que el proceso continúe
con su funcionamiento habitual hasta que el gráfico de control indique que el proceso ha
cambiado.
Asumir que
el proceso
presenta
variación
controlada
Calcular los limites de
comportamiento y evaluar el
comportamiento
Comparar los valores
observados o futuros
de la media y
desviaciones con los
límites de control
Si las operaciones son
consistentes con las
predicciones entonces el
proceso puede ser estable
Si las observaciones no son
consistentes con las
predicciones el proceso es
inestable.
El funcionamiento
continuado dentro de los
límites es la única prueba de
estabilidad
Hay que actuar para
identificar y eliminar las
causas asignables.
Ingeniería de Calidad. Tema 1

23
Es un error actuar sobre el proceso antes de que se detecte el cambio. No importa cuan
elocuente puede ser la justificación, la actuación en la ausencia de una señal detectable
de los datos se basa esencialmente en conjeturas infundadas. Por este motivo, es básico
aprender a separar las señales potenciales del ruido. Los gráficos de Shewhart son la
herramienta para filtrar el ruido presente en cualquier conjunto de datos.
5.1-Los limites tres sigma
Dada una serie de datos generados por un proceso se trata ahora de saber como utilizar
esos valores para arrojar conclusiones inductivas sobre su comportamiento. La respuesta
de Shewhart fue organizar esos datos de forma que permitan monitorizar tanto la
localización como la dispersión de los datos. Esto se consigue utilizando subgrupos
obtenidos periódicamente. En un momento dado se toman diversas mediciones, y estos
valores se agrupan y se tratan como un conjunto separado de datos. Si los subgrupos
muestran un comportamiento consistente, es razonable asumir que el proceso no está
cambiando con el tiempo, y viceversa.
La decisión de utilizar límites tres sigma en los gráficos de control no se basa
únicamente en la teoría de la probabilidad. Este punto ha sido con mucha frecuencia mal
entendido. Analicemos algunos de los párrafos originales de Shewhart relativos a este
punto:
“Debemos utilizar unos límites tales que su uso no nos haga perder mucho tiempo
buscando problemas innecesariamente”.
“El método de ataque es establecer límites de variabilidad…de modo que cuando una
observación se encuentre fuera de esos límites valga la pena buscar una causa
asignable”.
“…normalmente utilizaremos un intervalos simétrico caracterizado por límites
θ
σ θ · t ± ”
“La experiencia indica que t = 3 parece un valor económico aceptable”.
Los límites tres-sigma no son unos límites deducidos mediante teorías de probabilidad.
Aunque utilizaremos la teoría de la probabilidad para demostrar algunas propiedades
interesantes de estos límites, es importante recordar que Shewhart utilizó otras
consideraciones para seleccionar este criterio. La justificación más fuerte es la evidencia
de que estos límites funcionan bien en la práctica ya que proporcionan límites de acción
efectivos cuando se aplican a datos del mundo real. Como ocurre casi siempre en
ingeniería primero es la evidencia empírica y después viene la explicación teórica.
Por tanto, el siguiente argumento no puede justificar la utilización de los límites tres-
sigma, pero nos revela algunos de los motivos por lo que funcionan tan bien. Aunque no
se trata de un argumento riguroso de probabilidad, la regla empírica siguiente es útil
para caracterizar un conjunto de datos utilizando una medida de la localización y una
medida de la dispersión.
REGLA EMPÍRICA: Dado un conjunto homogéneo de datos.
Primera parte: aproximadamente entre el 60 % y el 75 % de los datos se localizan
dentro de una distancia un sigma a ambos lados de la media.
Segunda parte: Entre el 90 % y el 98 % se los datos se encuentran a una distancia dos
sigma a ambos lados de la media.
Ingeniería de Calidad. Tema 1

24
Tercera parte: Entre el 99 % y el 100 % se los datos se encuentran a una distancia tres
sigma a ambos lados de la media.
Los estadísticos de dispersión habituales (el rango y la desviación estándar) son
estimadores sesgados de la desviación (sigma), por lo que deben aplicarse unas
correcciones utilizando las fórmulas de la Tabla 1 del Apéndice.
Conviene recalcar que no se requiere la hipótesis de normalidad de los datos. Esta regla
empírica se cumple para cualquier distribución de probabilidad, sobre todo la parte
tercera. Sin embargo, los valores de las constantes que se utilizan para obtener los
límites de control se obtienen a partir de la hipótesis de que los datos se distribuyen
conforme a una normal. Pero, afortunadamente, la hipótesis de normalidad no es crítica.
Las constantes no cambian apreciablemente cuando los datos no se distribuyen
conforme a una normal.
Los gráficos de control funcionan bien incluso cuando los datos no se distribuyen
conforme a una normal. Este aspecto ya fue tratado por Shewhart en su primer libro.
Shewhart realizó estudios de simulación para examinar la robustez del enfoque de los
gráficos de control. Wheeler amplía ese estudio a más tipos de distribuciones. La
conclusión sobre esos estudios es que un alejamiento de la normalidad no tiene
prácticamente ningún efecto sobre como funcionan los gráficos de control para
identificar la variación incontrolada. Esta robustez es crítica porque la mayoría de los
datos reales no se van a distribuir conforme a una distribución normal.
Como los datos que presentan control estadístico, son por definición, razonablemente
homogéneos, la regla empírica explica porque el gráfico de control dará lugar a muy
pocas “falsas alarmas”: es muy probable que cuando un punto quede fuera de los límites
de control se deba a la presencia de una causa asignable.
Veamos la siguiente ilustración. Asumamos que un proceso está estable (en control
estadístico). Sean las curvas de la figura la representación de la producción cada hora.
Como el proceso es estable, estas curvas serán siempre las mismas, hora tras hora. Si





cada hora se selecciona un subgrupo de cuatro piezas, sus mediciones, X, serán
distintas.
Para cada subgrupo calculamos su media X y su rango R (máximo – mínimo). Estos
estadísticos se dibujan gráficos como los siguientes:






x
x
x
x
x
x
x
x x x
x
x
t i e m p o
M e d i c i ó n
x
x
x
x
x
x
x
x
x x x
x
x
t i e m p o
M e d i c i ó n
x
x
x
x
x
x
x
x
x x x
x
x
x
x
x
x
x
x
x
x x x
x
x
t i e m p o
M e d i c i ó n
x
tiempo
tiempo
R
·
·
·
·
·
·
X
tiempo
tiempo
R
·
·
·
·
·
·
tiempo
tiempo
R
·
·
·
·
·
tiempo
tiempo
R
·
·
·
·
·
·
X
Ingeniería de Calidad. Tema 1

25
Mientras el proceso permanezca estable y sin cambios, las medias y los rangos de los
subgrupos se moverán errática y aleatoriamente dentro de estos límites. Mientras ocurra
esto, puede decirse que no se detecta una variación incontrolada, y que es plausible que
el proceso haya permanecido sin cambios durante el intervalo representado por los
datos.
Ahora consideremos que pasa cuando el proceso está cambiando de una hora a otra.






Los cambios en el proceso se detectan con los gráficos de la media y el rango.
Los limites tres sigma son limites robustos, poco sensibles a que se utilicen algunos
datos “fuera de control” para calcular los límites, incluso en este caso los limites serán
adecuados para detectar una falta de control. Es esta robustez la que hace que esta
técnica sea tan efectiva en la práctica, ya que muchas veces no podemos saber por
adelantado si los datos presentan una falta de control o no.

5.2 Calculo inicial y actualización de los límites
Cuando se construye inicialmente un gráfico hemos de esperar a contar con al menos
cinco subgrupos homogéneos. Como los límites se calculan para que sean robustos,
detectaran una falta de control incluso si se han utilizado puntos fuera de control en su
cálculo.
Estos son límites que se calculan con pocos datos. La recomendación es actualizar los
límites cada nuevo subgrupo si esto se realiza de forma automática y en tiempo real.
A partir de 100 observaciones el seguir actualizando dará generalmente modificaciones
muy pequeñas. A menos que el proceso cambie no se necesita seguir actualizando los
límites. La excesiva actualización de los límites puede esconder algunas tendencias,
puede oscurecer alguna tendencia a largo plazo en los valores. Cuando los datos se
pueden obtener de forma rápida es aconsejable esperar a tener disponibles de 20 a 30
subgrupos antes de calcular los límites. El motivo es tratar de asegurar que algunos
valores extremos que pudiera haber en la serie no tengan una influencia excesiva en los
límites calculados. Sin embargo, cuando se disponga de un número limitado de datos, o
si su obtención requiere periodos largos, se pueden calcular los límites con los datos que
se tengan disponibles, a partir de cinco subgrupos.
t i e m p o
·
t i e m p o
R
·
·
·
·
·
·
·
X
t i e m p o
·
t i e m p o
R
·
·
·
·
·
·
·
X
Ingeniería de Calidad. Tema 1

26
Cuando se estén manejando muy pocos datos, cualquier punto fuera de control indica la
presencia de una causa asignable, por tanto el único riesgo que se corre al utilizar pocos
datos es perder alguna señal de falta de control. Como este es exactamente el mismo
riesgo en que se incurre esperando a disponer de más datos para calcular los límites,
realmente no se pierde nada para calcular los límites con pocos datos. A medida que se
vayan disponiendo de más datos se irán recalculando y actualizando los límites.
Si bien con los gráficos de control se pretende detectar una falta de control cuando esta
exista, la lógica que hemos comentado en el apartado anterior sugiere que un
funcionamiento continuo dentro de los límites también es señal de un estado de control
estadístico. Si consideramos, al igual que Shewhart, que un estado de control estadístico
es un ideal que sólo puede aproximarse en la práctica, entonces necesitamos un criterio
para decidir cuando un proceso está próximo de forma razonable a ese ideal.
Shewhart proporcionó un criterio conservador para los gráficos de media y el rango con
subgrupos de tamaño 4; si los gráficos tienen al menos 25 subgrupos consecutivos que
no indican ninguna falta de control, entonces podemos decir que el proceso muestra un
grado razonable de control estadístico.
Shewhart también escribió que en aquellas circunstancias en que uno quiera realizar sus
inferencias casi con total seguridad seria deseable esperar a disponer de 1000
observaciones, en lugar de 100, sin mostrar ninguna falta de control.
Los límites se deben volver a calcular, actualizar, cada vez que se introduzca un cambio
en el proceso. Si el cambio es deliberado es lógico obtener nuevos datos y nuevos
límites. Durante los primeros datos de la nueva serie se pueden dibujar los nuevos
límites utilizando los viejos límites como medio para verificar el efecto del cambio
introducido. Si los puntos lo confirman, será necesario calcular nuevos límites. Si los
nuevos datos quedan dentro de los viejos límites quiere decir que el cambio no ha sido
efectivo y por tanto podemos continuar con los límites antiguos.
Si encontramos y eliminamos la causa asignable lo que tenemos que hacer es empezar
un nuevo gráfico, obtener nuevos datos y calcular nuevos límites, el proceso ha
cambiado y por tanto los datos anteriores no reflejan el comportamiento actual del
proceso, por lo que la mayoría de las veces no seguiremos considerando los datos
anteriores al cambio.

5.3.-Patrones de comportamiento.
Los gráficos de control de Shewhart dan lugar a muy pocas falsas alarmas. Esto es por
lo que los límites de tres-sigma son tan adecuados. Cuando un punto queda fuera de los
límites es muy probable que se deba a la presencia de alguna causa asignable, y por
tanto es apropiado identificarla y eliminarla. Por la otra parte, cuando los puntos
evolucionan dentro de los límites, por arriba y debajo de la línea central de forma
aleatoria es seguro decir que el proceso parece estar estabilizado.
¿Pero que ocurre si los puntos del gráfico no varían de forma aleatoria?, ¿Qué pasa si se
observa un patrón aparente en su evolución? Si el patrón puede interpretarse con un
sentido en el contexto del proceso, debe tomarse como un indicio de una causa
asignable. Si el patrón no tiene sentido en el contexto del proceso, y si no persiste a lo
largo del tiempo, no requiere de interpretación.
Ingeniería de Calidad. Tema 1

27
Para evitar interpretar patrones que son debidos únicamente a la casualidad, se utilizan
algunas guías para identificar patrones no aleatorios. A continuación se describen
algunas de estas guías o reglas.
Las reglas de rachas son las herramientas básicas para detectar patrones de
comportamiento en la evolución de los puntos del gráfico. La más común es la racha
alrededor de la línea central. Se trata de un conjunto de puntos sucesivos que se
encuentran en el mismo lado de la línea central.
Para ilustrar como una racha proporciona una evidencia sobre un cambio en el proceso,
consideremos el juego de echar una moneda al aire. Dos caras sucesivas no es un hecho
remarcable, incluso tres ocurre con bastante frecuencia. Pero cuatro empieza a ser más
interesante. Si obtuviéramos ocho caras sucesivas, uno sospecharía que algo raro hay en
la moneda (la probabilidad teórica es de 1/128).
De la misma forma, cuando ocho o más puntos consecutivos caen a un mismo lado de la
línea central del gráfico de las medias, debe considerarse como una evidencia de un
cambio sostenido en la media del proceso, aunque ningún punto quede fuera de los
límites de control.
Al aplicar esta regla al gráfico del rango hemos de considerar la falta de simetría de la
distribución de los rangos o de cualquier otra medida de dispersión. Esta falta de
simetría incrementa la posibilidad de largas rachas por debajo de la línea central.
Hay dos formas de remediar este inconveniente. La más simple es ser más conservador
a la hora de interpretar el gráfico del rango. En lugar de ocho puntos, podemos esperar a
tener doce antes de buscar una causa asignable. Un método un poco mejor, aunque más
complicado, es utilizar el rango mediano como línea central, con esta línea central
rachas de ocho o más puntos consecutivos por debajo o por arriba serán una indicación
de cambio.
Las cuatro reglas para detectar una falta de control
Consideraremos cuatro reglas para detectar la presencia de causas asignables:
Regla 1.- un punto queda fuera de los límites de control tres sigma.
Regla 2.- al menos dos de tres valores consecutivos quedan en el mismo lado y a
más de dos unidades sigma de la línea central.
Regla 3.- al menos cuatro de cinco valores consecutivos quedan en el mismo lado y
a más de un sigma de la línea central.
Regla 4.- al menos ocho valores consecutivos en el mismo lado de la línea central.

Pasando de la regla 1 a la 4 se requieren progresivamente rachas más largas a medida
que se permite que los puntos se acerquen a la línea central. Las reglas 1 y 4 son las de
aplicación más inmediata ya que no requieren de cálculos adicionales. Si se requiere de
mayor sensibilidad pueden irse añadiendo las reglas 2 y posiblemente la regla 3.
En cualquier caso debe recordarse que el propósito es evaluar el comportamiento del
proceso. Esto significa que lo más importante para detectar una falta de control en el
gráfico es la habilidad para interpretarlo en el contexto del proceso. Sin esa habilidad,
una regla de rachas será de poco valor. Es decir, estas reglas, así como cualquier otra
regla adicional, deben ser utilizadas siempre con prudencia.
Ingeniería de Calidad. Tema 1

28
También conviene puntualizar que cada regla es sensible a un tipo de patrón de
comportamiento. Las reglas que hemos introducido están orientadas a detectar cambios
sostenidos. Existen otras reglas orientadas a detectar oscilaciones, y otras para
tendencias. Podíamos haber incluido muchas más reglas. Sin embargo, cuantos más
criterios añadimos para detectar falta de control, la probabilidad de producirse falsas
alarmas incrementa.
Una forma habitual para caracterizar un conjunto de reglas de detección consiste en
calcular la longitud de recorrido media entre falsas alarmas. La longitud de recorrido
media (LRM) es siempre un valor teórico que sirve como mera referencia, pero si nos
da una indicación de lo que ocurre a medida que incluimos más reglas en nuestro
análisis.
• Utilizando únicamente la regla 1, la longitud de recorrido medio entre falsas
alarmas es 370 subgrupos en el gráfico de la media.
• Si se utilizan las reglas 1 y 4 LRM cae a 153 subgrupos.
• Si se utilizan las cuatro reglas, la LRM teórica es de 92 subgrupos.
Esta última LRM es todavía aceptable en la mayoría de los casos, pero incluyendo más
reglas todavía se reduciría más, lo cual ya no sería aceptable en la mayoría de los casos.
Por este motivo se recomienda en general utilizar sólo estas cuatro reglas junto con la
siguiente consideración: como la interpretación de cualquier racha depende de la
estructura de los datos, es prácticamente imposible proporcionar un conjunto de reglas
que pueda ser apropiado para todas las situaciones. Si la estructura de los datos sugiere
que ciertos patrones pueden ser significativos, se deben buscar tales patrones en el
gráfico.
Nota teórica
El método estadístico para determinar el tamaño y la frecuencia de la muestra que
vamos a utilizar utiliza el concepto de la Longitud del Recorrido Medio (LRM) del
gráfico de control. Esencialmente la LRM es el número medio de puntos que deben
representarse en el gráfico de control antes de que un punto indique una condición de
falta de control. Para cualquier gráfico de Shewhart la LRM puede calcularse a partir de
la media de una distribución geométrica
LRM=1/p
donde p es la probabilidad de que un punto caiga fuera de los limites de control.
En efecto, consideremos que en estado de control la probabilidad de que un punto quede
fuera de los limites de control después de un numero determinado k de puntos sucesivos
entre los limites. Esta situación se puede modelar utilizando la distribución geométrica
negativa: P[X=k]=(1-p)
k
p
cuya esperanza matemática es E[X]=1-p/p.
Para p<<1 podemos hacer la aproximación p
p
p
/ 1
1



Por tanto, cuando el proceso está bajo control p = α . Análogamente, se puede mostrar
que cuando el proceso está fuera de control p = − 1 β .
Tradicionalmente la elección de los límites de control y el nivel de intervención se
realizan en base a criterios estadísticos. Por ejemplo, se diseña un gráfico de control de
Ingeniería de Calidad. Tema 1

29
forma que la potencia del gráfico para detectar un cambio determinado sea 1-β, y la
probabilidad de falsa alarma sea un α determinado.

Consideremos un gráfico X para controlar un proceso normalmente distribuido. Se
toman muestras de tamaño n cada h horas, que se representan en el gráfico con límites
k-sigma. Dado un α, obtenemos los limites k-sigma así como una expresión para el
número de muestras y tiempo que pasará hasta que se genere una señal de falsa alarma.
( ) ( ) ( )
( )
1
1 2
0 0
− = − ≤ ≤ +
|
\

|
¹
| = − ≤ ≤ = ≤ − ≤ − =
= − + ≤
α µ
σ
µ
σ
P k
n
X k
n
P k Z k P Z k P Z k
P Z k

donde Z
X
n
=
− µ
σ
0
es la variable estandarizada.
( ) ( ) ( ) ( ) α = − − + ≤ = − ≤ 1 1 2 2 1 P Z k P Z k
El número medio de observaciones que se realizaran hasta que aparezca una señal de
falsa alarma, Longitud del Recorrido Medio (LRM) es:

( ) ( )
LRM
1 1
2 1 P Z k
1
= =
− ≤
α αα α

siendo el tiempo que transcurrirá
( ) ( )
Tiempo
h
2 1 P Z k
=
− ≤

Cuando la media del proceso cambia a µ µ δσ
1 0
= + , la LRM, es el número de muestras
que se tomarán hasta que se detecte el cambio.
La probabilidad de que se genere una falsa alarma es, en este caso, la probabilidad de
que siendo falsa la hipótesis nula, aparezca una observación dentro de los límites de
control. Esto es el error de tipo II.
µ µ δσ = +
0
y Z
X
n
=
− − µ δσ
σ
0

( )
( )
( ) ( ) ( ) ( )
β µ σ µ σ µ
σ
µ
σ
σ
δσ
σ
σ
δσ
σ
δ δ
δ δ δ δ
= − ≤ ≤ + = − ≤ ≤ +
|
\

|
¹
|
|
=
=
− −
≤ ≤

|
\

|
¹
|
|
|
|
= − − ≤ ≤ − =
= ≤ − − ≤ − − = − + ≤ − + ≤ +
P k X k P k
n
X k
n
P
k
n
n
Z
k
n
n
P k n Z k n
P Z k n P Z k n P Z k n P Z k n
X X 0 0 0 0
1

De donde el número medio de muestras para detectar el cambio en la media es:
Ingeniería de Calidad. Tema 1

30
( ) ( )
LRM
1 1
P Z k n P Z k n
2
2
= =
− ≤ − − ≤ +
1 11 1 − −− − β ββ β
δ δδ δ δ δδ δ

De este modo si deseamos una determinada potencia para un δ específico tenemos
fijado el tamaño de los subgrupos de la muestra.

6 6. .- - L LA A C CA AP PA AC CI ID DA AD D D DE E U UN N P PR RO OC CE ES SO O

La cuestión de si un proceso puede producir productos que cumplan con las
especificaciones o tolerancias ha estado presente desde que se utilizan estas. Definimos
la capacidad del proceso como “la aptitud del proceso para obtener la especificación
deseada, cuando se encuentra bajo control estadístico”. Antes de que se pueda hablar
de que un proceso pueda tener alguna capacidad bien definida para obtener productos
conformes este debe mostrar un grado razonable de control estadístico. La capacidad de
un proceso depende tanto de la conformidad de los productos como de la estabilidad del
proceso.
Dimensiones y Tolerancias
El grado de calidad del producto de un proceso de fabricación depende de las
características mecánicas y físicas de los materiales obtenidos, de sus dimensiones y
superficies.
Las dimensiones son los tamaños lineales o angulares de los componentes especificados
en el plano de diseño. Las dimensiones son importantes porque determinan la
efectividad del ajuste entre los componentes de un producto durante su ensamblaje. Las
dimensiones en los planos de diseño de la pieza representan las dimensiones básicas o
nominales que al diseñador le gustaría que tuvieran, si esta pudiera hacerse a un tamaño
exacto y sin variaciones en el proceso de fabricación.
Pero, como ya hemos insinuado, cuando se fabrica un producto es imposible, debido a
que siempre hay presentes causas aleatorias, obtener las piezas o componentes con las
dimensiones exactas o a su valor nominal. En su lugar, admitimos variaciones de las
dimensiones respecto al valor nominal, y a esas variaciones admisibles las
denominamos tolerancias. Una tolerancia es la cantidad total en que se admite que
una dimensión especificada varíe. La tolerancia es la diferencia entre el límite máximo
y el límite mínimo de especificación de la dimensión que se puede aceptar sin arriesgar
la función de la pieza. Las tolerancias se han de establecer de manera que el
componente no se fabrique con mayor precisión de la necesaria, ya que en la mayoría de
los casos la reducción de tolerancia incrementa los costes de fabricación y de
inspección.
En cada proceso de fabricación podemos obtener un determinado grado de precisión.
Así, la mayoría de los procesos de mecanizado ( torneado, fresado) son muy precisos y
capaces de lograr tolerancias de 0.05 mm o menores. Por el contrario los procesos de
fundición ( por ejemplo en arena) son menos precisos y deben especificarse tolerancias
10 ó 20 veces mayores que para el mecanizado. Las tolerancias además de la operación
particular que estemos considerando, también dependen del tamaño de la pieza; las
piezas mayores requieren tolerancias mas amplias, generalmente. Nosotros siempre nos
referiremos a tolerancias típicas para piezas de tamaño adecuado para cada proceso de
fabricación.
Ingeniería de Calidad. Tema 1

31
Otros atributos geométricos de las piezas que definen su calidad son los siguientes:
Angularidad: grado en que una sección de la pieza, una superficie o un eje,
forma un ángulo especificado respecto a una superficie de referencia. Si el ángulo
es de 90º e habla de perpendicularidad.
Circularidad: Para una superficie de revolución, como un cilindro, agujero
circular o cono, la circularidad es el grado en el cual todos los puntos de la
intersección de la superficie y un plano perpendicular al eje de revolución
equidistan de dicho eje. Para una esfera, la circularidad es el grado al cual todos los
puntos de la intersección de la superficie de esta y un plano que pasa por el centro
son equidistantes a dicho centro.
Concentricidad: grado al cual dos o más formas tienen un eje en común.
Planicidad: grado en el cual todos los puntos de una superficie yacen en un
plano único.
Rectitud: grado en el cual una forma de la pieza es una línea recta.

Cálculo de la Capacidad de los procesos
Para la selección y planificación del proceso de fabricación resulta pues crucial conocer
cual es su capacidad, es decir, la aptitud del proceso para obtener la especificación
deseada, dimensional y superficial, cuando se encuentra bajo control estadístico.
La siguiente figura muestra el histograma obtenido respecto de una característica
geométrica en una operación de taladrado. La primera impresión es que el proceso es
capaz de cumplir las especificaciones pero se encuentra descentrado.
20 24 28 32 36 40 44
Diametro
0
4
8
12
16
frecuencia
Capacidad del taladrado
Nominal LIE
-3s
LSE
+3s

F Fi ig gu ur ra a 1 14 4. . E Ej je em mp pl lo o d de e h hi is st to og gr ra am ma a
Una forma de expresar cuantitativamente la capacidad de un proceso es mediante el
Índice de Capacidad del Proceso (ICP):
Ingeniería de Calidad. Tema 1

32
σ σ 6 6
tolerancia LIE LSE
ICP =

=
A veces se llama a la anchura 6σ ( ( 3 3σ a a c ca ad da a l la ad do o) ) capacidad básica del proceso y a a
los limites 3 3σ limites naturales de tolerancia . .
El ICP tiene una interpretación natural: 1/ICP es el porcentaje de tolerancia, de la
anchura de las especificaciones utilizada por el proceso.
La figura siguiente muestra un proceso con ICP>1. Como los limites naturales de
tolerancia quedan dentro de las especificaciones se producirán pocos productos
defectuosos. Si ICP=1 se obtienen mas productos defectuosos. De hecho si el proceso se
distribuye según una normal, la fracción esperada de defectos será del 0.27%, ósea,
2700 unidades por millón. Finalmente si ICP<1, se producirán una gran cantidad de
productos defectuosos.
LCI µ LCS
0
Capacidad del Proceso ICP>1

LCI
µ
LCS

ICP=1

LCI
µ
LCS
ICP<1
unidades
defectuosas


F Fi ig gu ur ra a 1 15 5. . d di is st tr ri ib bu uc ci io on ne es s n no or rm ma al le es s p pa ar ra a d di is st ti in nt to os s í ín nd di ic ce es s d de e c ca ap pa ac ci id da ad d
La definición anterior del ICP asume que las tolerancias son simétricas y el proceso se
encuentra centrado en su valor nominal. Si el proceso está descentrado, la capacidad
real será menor que la indicada por el ICP. Así, es mejor pensar en el ICP como un
Ingeniería de Calidad. Tema 1

33
indicador de la capacidad potencial del proceso. Cuando el proceso no está centrado se
utiliza el ICP
k
definido como
ICP min
LSE LIE
k
=


¸

(
¸
(
µ
σ
µ
σ 3 3

Un proceso con un ICP
k
=2 se dice que es un proceso seis sigma porque la distancia de
la media del proceso al limite de especificación mas cercano es seis desviaciones
estándar. Si el proceso se distribuye según una normal esto significa que se obtendrán
0.0018 unidades defectuosas por millón. El motivo que justifica está alta capacidad hay
que buscarlo en la dificultad de mantener centrados muchos procesos. . A As sí í s si i e el l p pr ro oc ce es so o
se descentra en 15 . σ el ICP
k
se reduce a
4 5
3
15
.
.
σ
σ
= . . Asumiendo que el proceso se
distribuye conforme a una normal, se obtendrán en promedio 3.4 unidades defectuosas
por millón.
Chan (1988) y Boyles (1991) introducen un indicador adicional único que tiene en
cuenta no solo el hecho de que el proceso esté descentrado sino el valor de esta
diferencia (µ - T) siendo T el valor requerido y µ la posición real del proceso:

ܥ݌݉ =
௎ௌ௅ି௅ௌ௅
଺ఛ


Siendo τ
2
= σ
2
+ (µ - T)
2


En la práctica, Cpm se estima:

ܥ

݌݉=




ଵା୚



ܸ =
௫̅ ି்



7 7. .- - G GR RA AF FI IC CO OS S D DE E C CO ON NT TR RO OL L P PA AR RA A M ME ED DI ID DA AS S
I IN ND DI IV VI ID DU UA AL LE ES S

En muchas situaciones las muestras son de tamaño uno, por ejemplo cuando se dan
alguna de las siguientes circunstancias:
• La velocidad de fabricación es muy baja haciendo inconveniente el tener que
esperar para acumular varias unidades
• Las distintas mediciones del proceso difieren únicamente debido a los errores de
medición, como ocurre en la mayoría de procesos químicos
El gráfico de control para medidas individuales utiliza el rango móvil de dos
observaciones sucesivas para estimar la variabilidad del proceso. El rango móvil se
define como
M X X
i i i
= −
−1


Ingeniería de Calidad. Tema 1

34
Ejemplo
En el siguiente ejemplo aparecen 20 observaciones de la concentración de un
determinado producto químico. Las observaciones se toman a intervalos de una hora.
Viscosidad Rango móvil
102
94.8 7.2
98.3 3.5
98.4 0.1
102 3.6
98.5 3.5
99 0.5
97.7 1.3
100 2.3
98.1 1.9
101.3 3.2
98.7 2.6
101.1 2.4
98.4 2.7
97 1.4
96.7 0.3
100.3 3.6
101.4 1.1
97.2 4.2
101 3.8

Para establecer un gráfico de control para las medidas individuales en primer lugar
calculamos la media, x = 991 . , y la media de los rangos móviles de dos observaciones
que aparece en la última columna, m = 2 59 . . Como un rango móvil tiene en cuenta dos
observaciones D
3
=0 y D
4
=3.267. Así el gráfico de los rangos móviles tiene como línea
central 2.59, LCI=0, LCS=(3.267)(2.59)=8.46.
La línea central y los límites de control para el gráfico de las medidas individuales son
LCS x
m
d
LC x
LCI x
m
d
= +
=
= −
3
3
2
2

De los datos de la tabla (d
2
=1.128) obtenemos que LC=99.1, LCS=105.99, LCI=92.21.
Ingeniería de Calidad. Tema 1

35
0 4 8 12 16 20
subgrupos
92
95
98
101
104
107
Ind.x
Viscosidad
99.095
105.982
92.2081


0 4 8 12 16 20
0
2
4
6
8
10
Rango móvil
2.58947
8.464
0

Este gráfico es poco sensible a pequeños cambios en la media. Por ejemplo, si el cambio
en la media es de una desviación estándar, la longitud media para detectar este cambio
es LRM=43.9 muestras.


Ingeniería de Calidad. Tema 1

36
8 8. .- - E EJ JE EM MP PL LO OS S

Ejemplo 1.- Calculo de los límites de la media y el rango.
Con la utilización que hace Shewhart de los subgrupos periódicos se han introducido
dos variables: la media del subgrupo y el rango del subgrupo. De hecho, son estas dos
variables las que se utilizan para monitorizar el proceso. Las medidas originales se
utilizan básicamente para calcular la media y el rango. El siguiente ejemplo ilustra el
comportamiento de estas variables y como se relacionan con las mediciones cuando el
proceso es estable.
Los límites de control para k subgrupos cada uno con n observaciones se calculan de la
siguiente manera:
1. Calcular la media y el rango para cada subgrupo.
2. Calcular la media general, X , como media de las medias de los subgrupos.
3. Calcular el rango medio, R .
4. La línea central para el gráfico de X es X .
La línea central para el gráfico de R es R .
5. Encontrar los valores de A
2
, D
3
y D
4
en la tabla de constantes para los gráficos
de la media y el rango.
6. Multiplicar R por A
2
= A
2
· R .
7. El límite de control superior para el gráfico X es X + A
2
· R .
8. El límite de control inferior para el gráfico X es X - A
2
· R .
9. El límite de control superior para el gráfico R es D
4
· R .
10. El límite de control inferior para el gráfico R es D
3
· R .
Los valores de la tabla representan el espesor de una cierta pieza como desviación
respecto una dimensión en micras. Las figuras muestran tres histogramas basados en
estos datos.













subgrupo valores Media Rango
1 1 4 6 4 3,75 5
2 3 7 5 5 5 4
3 4 5 5 7 5,25 3
4 6 2 4 5 4,25 4
5 1 6 7 3 4,25 6
6 8 3 6 4 5,25 5
7 7 5 6 6 6 2
8 5 3 4 6 4,5 3
9 4 5 9 2 5 7
10 7 5 6 5 5,75 2
11 4 5 6 5 5 2
12 6 7 8 5 6,5 3
13 3 3 7 3 4 4
14 6 3 2 9 5 7
15 7 3 4 3 4,25 4
16 6 4 6 5 5,25 2
17 5 5 0 5 3,75 5
18 6 4 6 3 4,75 3
19 6 4 4 0 3,5 6
20 6 2 5 4 4,25 4
Medidas indicviduales
0
5
10
15
20
0 1 2 3 4 5 6 7 8 9
Medias de los subgrupos
0
2
4
6
8
10
12
0 1 2 3 4 5 6 7 8 9
Rangos de los subgrupos
0
1
2
3
4
5
6
0 1 2 3 4 5 6 7 8 9
subgrupo valores Media Rango
1 1 4 6 4 3,75 5
2 3 7 5 5 5 4
3 4 5 5 7 5,25 3
4 6 2 4 5 4,25 4
5 1 6 7 3 4,25 6
6 8 3 6 4 5,25 5
7 7 5 6 6 6 2
8 5 3 4 6 4,5 3
9 4 5 9 2 5 7
10 7 5 6 5 5,75 2
11 4 5 6 5 5 2
12 6 7 8 5 6,5 3
13 3 3 7 3 4 4
14 6 3 2 9 5 7
15 7 3 4 3 4,25 4
16 6 4 6 5 5,25 2
17 5 5 0 5 3,75 5
18 6 4 6 3 4,75 3
19 6 4 4 0 3,5 6
20 6 2 5 4 4,25 4
Medidas indicviduales
0
5
10
15
20
0 1 2 3 4 5 6 7 8 9
Medias de los subgrupos
0
2
4
6
8
10
12
0 1 2 3 4 5 6 7 8 9
Rangos de los subgrupos
0
1
2
3
4
5
6
0 1 2 3 4 5 6 7 8 9
Ingeniería de Calidad. Tema 1

37
Observando estos tres histogramas esta claro que son diferentes para cada variable;
tienen diferentes formas y dispersiones. El histograma de las medias siempre será mas
estrecho que el histograma de los valores individuales.
Los límites de control para este ejemplo son los siguientes.
De la tabla de las constantes A2=0.729 D3=0 D4=2.282; la media general es 4.7625 y
el rango medio 4.05,
Con las fórmulas para el gráfico de las medias:
Límite superior = X + A
2
· R .= 4.763+0.729 (4.05)
Línea central = X = 4.763
Límite inferior = X - A
2
· R = 1.811
Y para el gráfico de los rangos
Límite de control superior = D
4
· R = 2.282 * 4.05 = 9.24
Línea Central = R = 4.05
Límite de control inferior = D
3
· R = ( no existe para n=4)





Ejemplo 2. Dos formas correctas de calcular los límites de los gráficos de control.
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
1
2
3
4
5
6
7
8
9
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Ingeniería de Calidad. Tema 1

38
Consideremos los tres subgrupos de tamaño ocho listados en la siguiente tabla.

Calculamos los límites utilizando como medida de la dispersión el rango.
n = 8 A
2
= 0.373 D
3
= 0.136 D
4
=1.864.
62 . 6 ·
2
= + = R A X X LCS
5 = X LC
38 . 3 = X LCI
08 . 8 333 . 4 · 864 . 1 ·
4
= = = R D R LCS
333 . 4 = R LC
59 . 0 ·
3
= = R D R LCI






También podemos utilizar como medida de la dispersión la desviación estándar de los
subgrupos. Este estadístico es más apropiado que el rango cuando el tamaño de los
subgrupos es grande (n> 15).
Para calcular los límites en este caso utilizamos los factores de la Tabla 3 del apéndice.
68 . 6 ·
3
= + = s A X X LCS
5 = X LC
32 . 3
3
= − = s A X X LCI
08 . 8 525 . 1 *· 815 . 1 ·
4
= = = s B s LCS
525 . 1 = s LC
282 . 0 ·
3
= = s B s LCI






Ambos métodos de calcular los límites son correctos a pesar del hecho de que se han
utilizado datos fuera de control para calcularlos. También se pueden utilizar de la misma
forma otros estadísticos de la dispersión de los subgrupos como la desviación cuadrática
subgrupos Valores Media Rango Desviación
1 4 5 5 4 8 4 3 7 5 5 1,690
2 0 2 1 5 3 2 0 3 2 5 1,690
3 6 9 9 7 8 7 9 9 8 3 1,195
0
1
2
3
4
5
6
7
8
9
1 2 3
0
1
2
3
4
5
6
7
8
1 2 3
0
1
2
3
4
5
6
7
8
9
1 2 3
0,000
0,500
1,000
1,500
2,000
2,500
3,000
1 2 3
Ingeniería de Calidad. Tema 1

39
media (s
n
) o la mediana del rango ( R
~
). Cualquier otra forma que no utilice las
constantes de las tablas es incorrecta.
Ejemplo 3. Patrón de comportamiento
Los datos de la tabla siguiente son las 99 mediciones del contenido de silicatos en un
metal fundido. Los datos se han organizado en 33 grupos de 3.
En el gráfico de las medias se observa dos rachas largas, una de diez puntos por encima
de la línea central y una de nueve puntos por debajo. Ambas rachas se interpretan como
una falta de control. En el gráfico del rango se observan diez rachas, dos de las cuales
son de seis valores por encima de la línea central. Ninguna de ellas satisface la regla que
hemos comentado

Tabla de datos del ejemplo 4






Gráfico de las medias, ejemplo 3
Subgrupo Mediciones Media Rango
1 144 80 72 98,67 72
2 150 101 97 116,00 53
3 180 106 112 132,67 74
4 193 95 126 138,00 98
5 210 90 132 144,00 120
6 225 107 144 158,67 118
7 235 127 156 172,67 108
8 233 142 163 179,33 91
9 228 159 170 185,67 69
10 198 167 181 182,00 31
11 190 178 180 182,67 12
12 178 199 202 193,00 24
13 168 181 250 199,67 82
14 137 173 205 171,67 68
15 121 163 175 153,00 54
16 116 158 157 143,67 42
17 85 147 148 126,67 63
18 65 134 140 113,00 75
19 88 128 157 124,33 69
20 111 113 139 121,00 28
21 120 104 121 115,00 17
22 138 113 131 127,33 25
23 160 122 125 135,67 38
24 179 108 111 132,67 71
25 200 135 118 151,00 82
26 245 145 115 168,33 130
27 248 158 92 166,00 156
28 211 133 99 147,67 112
29 201 125 79 135,00 122
30 155 112 111 126,00 44
31 145 105 127 125,67 40
32 102 95 135 110,67 40
33 83 63 130 92,00 67
0,00
50,00
100,00
150,00
200,00
250,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Ingeniería de Calidad. Tema 1

40

Gráfico de los rangos, ejemplo 3.
Las siguientes reglas son un poco más complejas porque además de considerar la
duración de la racha también utiliza la distancia respecto a la línea central como criterio
para detectar una falta de control.
La primera de estas reglas dice que hay indicios de un cambio en el proceso cuando:
a) Al menos dos de tres puntos consecutivos están en el mismo lado de la línea
central y
b) estos dos valores se encuentran más allá de dos unidades sigma de la línea
central (el tercer valor puede quedar en cualquier lado de la línea central).
Siguiendo con el ejemplo, calculamos los límites dos sigma de la manera siguiente:
3 sigma( 15 . 71 54 . 144 69 . 215 ) = − = − =
X X
LC LS X unidades
Por tanto, sigma ( ) unidades X 72 . 23
3
15 . 71
= = .
Las líneas dos sigma para el gráfico de la media son:
11 . 97 97 . 191 43 . 47 54 . 144 y = ±
Los subgrupos 12 y 13 se encuentran ambos por encima de 191.97, por lo que satisface
esta regla. Estos dos grupos identifican uno de los cambios en el proceso que ya
detectamos antes.
De la misma forma calculamos el límite dos sigma para el gráfico del rango:
unidades R sigma
unidades R sigma
5 . 36
3
5 . 109
) (
5 . 109 5 . 69 179 ) ( 3
= =
= − =

Límites dos sigma 54 . 142 73 54 . 69 = + .
La línea inferior no se muestra, pues los rangos no pueden ser negativos.
El gráfico del rango no muestra ninguna evidencia de cambio, basándonos en esta regla.
La segunda de las reglas que vamos a considerar indica que hay un cambio en el
proceso cuando:
a) al menos cuatro de cinco puntos sucesivos se encuentran al mismo lado de la
línea central,
b) estos cuatro valores están más allá de la línea un sigma (el quinto valor puede
estar a ambos lados de la línea central).
0
20
40
60
80
100
120
140
160
180
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Ingeniería de Calidad. Tema 1

41

Calculamos ahora las líneas un sigma para el gráfico de la media,
144,54 ± 23,72 = 168,26 y 120,82
Los subgrupos del 7 al 14 se encuentran por encima de la línea. Estos puntos indican un
cambio. Los subgrupos del 18 al 21 se encuentran por debajo de la línea central, pero
como sólo hay dos de cuatro valores consecutivos por debajo de la línea un sigma no se
puede tomar como evidencia suficiente de cambio.
Para el gráfico del rango, las líneas un sigma son:

69,54 ± 36,50 = 106,04 y 33, 04
Los subgrupos 26,27, 28 y 29 satisfacen esta regla. Estos subgrupos indican un
incremento en la dispersión del proceso que no fue detectada anteriormente.
Ejemplo 4. Distintos subgrupos, distintos análisis
Mediante un proceso de moldeo por inyección se va a fabricar una cierta pieza. El
molde tiene cuatro cavidades. Para obtener un certificado de producción se realizan una
serie de pruebas antes de pasar a la producción en serie. El jefe de la sección decide
utilizar los gráficos de control para evaluar estas pruebas. La prueba se realiza con un
solo molde, una sola prensa y un solo operario. La característica a controlar es el
espesor de la pieza medido en milímetros. Debido a que una parte de la pieza es
convexa se ha tenido que diseñar una galga especial para medir ese espesor. El jefe de la
sección toma cuatro veces al día una muestra de piezas fabricadas en cinco ciclos
consecutivos de la prensa, es decir 20 piezas cada dos horas. El jefe de sección anota
tanto el ciclo como la posición de cada pieza en el molde.
En estos datos hay pues tres fuentes de variación identificadas. La variación en el
tiempo representada por los conjuntos de 20 piezas. La variación de los ciclos,
representada en las columnas de los datos. Y la variación de la cavidad del molde
representada en las filas. El jefe de sección tiene que elegir como organizar los datos en
subgrupos y como organizar los subgrupos en los gráficos de control. La primera
organización que trató se muestra en la siguiente tabla.
Ingeniería de Calidad. Tema 1

42

Primera organización de los datos
Con esta organización se utilizan las columnas para formar los subgrupos. Es decir, la
variación entre cavidades se mostrará dentro de los subgrupos, y la variación en el
tiempo y con los ciclos entre subgrupos.


1 A B C D E 6 A B C D E 11 A B C D E 16 A B C D E
I 15 16 17 16 18 I 14 15 17 14 13 I 13 16 13 16 18 I 15 14 15 14 12
II 10 13 11 10 10 II 7 11 12 8 6 II 10 8 10 10 11 II 6 7 8 6 10
III 7 8 10 7 10 III 6 4 7 6 5 III 8 7 8 7 11 III 7 10 8 6 6
IV 8 9 10 10 10 IV 4 7 6 5 4 IV 11 10 9 10 10 IV 6 8 7 9 7
XMEDIA 10 11,5 12 10,8 12 XMEDIA 7,75 9,25 10,5 8,25 7 XMEDIA 10,5 10,3 10 10,8 12,5 XMEDIA 8,5 9,75 9,5 8,75 8,75
R 8 8 7 9 8 R 10 11 11 9 9 R 5 9 5 9 8 R 9 7 8 8 6
2 A B C D E 7 A B C D E 12 A B C D E 17 A B C D E
I 13 18 15 15 15 I 12 12 13 13 11 I 16 18 18 16 13 I 14 16 14 13 14
II 9 10 11 8 9 II 6 6 6 6 7 II 13 8 8 10 7 II 9 10 13 7 6
III 7 11 10 10 9 III 4 5 4 4 6 III 13 10 10 6 7 III 6 5 5 7 5
IV 10 13 13 10 9 IV 4 4 5 4 5 IV 9 6 8 7 7 IV 7 7 4 7 5
XMEDIA 9,75 13 12,3 10,8 10,5 XMEDIA 6,5 6,75 7 6,75 7,25 XMEDIA 12,8 10,5 11 9,75 8,5 XMEDIA 9 9,5 9 8,5 7,5
R 6 8 5 7 6 R 8 8 9 9 6 R 7 12 10 10 6 R 8 11 10 6 9
3 A B C D E 8 A B C D E 13 A B C D E 18 A B C D E
I 14 14 18 14 14 I 13 15 16 14 13 I 13 18 18 14 13 I 12 15 15 15 14
II 9 10 10 12 9 II 9 8 7 7 8 II 11 10 9 10 10 II 9 7 8 10 9
III 8 10 9 10 8 III 10 8 6 7 5 III 14 9 10 9 7 III 5 7 6 6 10
IV 8 9 10 8 9 IV 6 6 8 6 5 IV 9 12 11 11 6 IV 6 8 7 12 12
XMEDIA 9,75 10,8 11,8 11 10 XMEDIA 9,5 9,25 9,25 8,5 7,75 XMEDIA 11,8 12,3 12 11 9 XMEDIA 8 9,25 9 10,8 11,3
R 6 5 9 6 6 R 7 9 10 8 8 R 5 9 9 5 7 R 7 8 9 9 5
4 A B C D E 9 A B C D E 14 A B C D E 19 A B C D E
I 14 15 15 15 14 I 15 16 17 14 13 I 13 13 14 14 14 I 17 15 18 18 17
II 10 10 11 11 10 II 11 13 11 13 8 II 7 8 9 8 8 II 10 10 12 12 6
III 7 9 12 10 10 III 9 9 6 8 10 III 6 6 7 6 6 III 5 9 7 8 7
IV 11 12 11 10 13 IV 9 10 11 9 5 IV 6 7 6 6 6 IV 7 7 5 12 8
XMEDIA 10,5 11,5 12,3 11,5 11,8 XMEDIA 11 12 11,3 11 9 XMEDIA 8 8,5 9 8,5 8,5 XMEDIA 9,75 10,3 10,5 12,5 9,5
R 7 6 4 5 4 R 6 7 11 6 8 R 7 7 8 8 8 R 12 8 13 10 11
5 A B C D E 10 A B C D E 15 A B C D E 20 A B C D E
I 12 13 13 12 13 I 13 13 14 13 13 I 13 15 18 15 14 I 18 16 17 14 13
II 8 7 8 7 7 II 7 8 7 6 7 II 7 12 10 10 7 II 8 10 11 10 7
III 5 6 8 5 4 III 4 5 6 5 4 III 7 8 12 12 6 III 7 7 7 10 5
IV 4 4 5 3 4 IV 5 5 6 6 5 IV 11 12 12 12 6 IV 10 7 9 8 8
XMEDIA 7,25 7,5 8,5 6,75 7 XMEDIA 7,25 7,75 8,25 7,5 7,25 XMEDIA 9,5 11,8 13 12,3 8,25 XMEDIA 10,8 10 11 10,5 8,25
R 8 9 8 9 9 R 9 8 8 8 9 R 6 7 8 5 8 R 11 9 10 6 8
4
6
8
10
12
14
16
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
Ingeniería de Calidad. Tema 1

43


Con esta primera organización se disponen de 100 subgrupos de tamaño 4. La media
total es 9.74 y el rango medio 7.90 unidades. Los límites para la media son 3.98 y 15.5
unidades. El límite superior del rango es 18.03 unidades.
El análisis de este gráfico no parece indicar ninguna diferencia apreciable en la
evolución temporal y debida a los ciclos. Nótese que el factor
X
R
, que llamaremos
factor de ruido, en este caso es de 84%. Cuando, cómo en este caso el factor de ruido es
muy grande los gráficos son poco sensibles a la variación.

En la segunda organización de los datos se utilizan las filas para definir los subgrupos ,
quedando la asignación de las fuentes de variación como sigue: la variación hora a hora
entre subgrupos, la variación debido a los ciclos dentro de los subgrupos; y la variación
debida a las distintas cavidades entre subgrupos. La siguiente tabla muestra la segunda
organización.

0
3
6
9
12
15
18
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
1 A B C D E XM R 6 A B C D E X R 11 A B C D E X R 16 A B C D E X R
I 15 16 17 16 18 16,4 3 I 14 15 17 14 13 15 4 I 13 16 13 16 18 15,2 5 I 15 14 15 14 12 14 3
II 10 13 11 10 10 10,8 3 II 7 11 12 8 6 8,8 6 II 10 8 10 10 11 9,8 3 II 6 7 8 6 10 7,4 4
III 7 8 10 7 10 8,4 3 III 6 4 7 6 5 5,6 3 III 8 7 8 7 11 8,2 4 III 7 10 8 6 6 7,4 4
IV 8 9 10 10 10 9,4 2 IV 4 7 6 5 4 5,2 3 IV 11 10 9 10 10 10 2 IV 6 8 7 9 7 7,4 3
2 7 12 17
I 13 18 15 15 15 15,2 5 I 12 12 13 13 11 12 2 I 16 18 18 16 13 16,2 5 I 14 16 14 13 14 14,2 3
II 9 10 11 8 9 9,4 3 II 6 6 6 6 7 6,2 1 II 13 8 8 10 7 9,2 6 II 9 10 13 7 6 9 7
III 7 11 10 10 9 9,4 4 III 4 5 4 4 6 4,6 2 III 13 10 10 6 7 9,2 7 III 6 5 5 7 5 5,6 2
IV 10 13 13 10 9 11 4 IV 4 4 5 4 5 4,4 1 IV 9 6 8 7 7 7,4 3 IV 7 7 4 7 5 6 3
3 8 13 18
I 14 14 18 14 14 14,8 4 I 13 15 16 14 13 14 3 I 13 18 18 14 13 15,2 5 I 12 15 15 15 14 14,2 3
II 9 10 10 12 9 10 3 II 9 8 7 7 8 7,8 2 II 11 10 9 10 10 10 2 II 9 7 8 10 9 8,6 3
III 8 10 9 10 8 9 2 III 10 8 6 7 5 7,2 5 III 14 9 10 9 7 9,8 7 III 5 7 6 6 10 6,8 5
IV 8 9 10 8 9 8,8 2 IV 6 6 8 6 5 6,2 3 IV 9 12 11 11 6 9,8 6 IV 6 8 7 12 12 9 6
4 9 14 19
I 14 15 15 15 14 14,6 1 I 15 16 17 14 13 15 4 I 13 13 14 14 14 13,6 1 I 17 15 18 18 17 17 3
II 10 10 11 11 10 10,4 1 II 11 13 11 13 8 11 5 II 7 8 9 8 8 8 2 II 10 10 12 12 6 10 6
III 7 9 12 10 10 9,6 5 III 9 9 6 8 10 8,4 4 III 6 6 7 6 6 6,2 1 III 5 9 7 8 7 7,2 4
IV 11 12 11 10 13 11,4 3 IV 9 10 11 9 5 8,8 6 IV 6 7 6 6 6 6,2 1 IV 7 7 5 12 8 7,8 7
5 10 15 20
I 12 13 13 12 13 12,6 1 I 13 13 14 13 13 13 1 I 13 15 18 15 14 15 5 I 18 16 17 14 13 15,6 5
II 8 7 8 7 7 7,4 1 II 7 8 7 6 7 7 2 II 7 12 10 10 7 9,2 5 II 8 10 11 10 7 9,2 4
III 5 6 8 5 4 5,6 4 III 4 5 6 5 4 4,8 2 III 7 8 12 12 6 9 6 III 7 7 7 10 5 7,2 5
IV 4 4 5 3 4 4 2 IV 5 5 6 6 5 5,4 1 IV 11 12 12 12 6 10,6 6 IV 10 7 9 8 8 8,4 3
Ingeniería de Calidad. Tema 1

44
Con esta organización tenemos 80 subgrupos de tamaño 5: La media total sigue siendo
9,74, pero el rango medio baja a 3.51. Los límites para el gráfico de la media son 7.71 y
11.77 unidades, y el límite superior del rango es 7,42. El factor de ruido es del 36%.











El gráfico de la media muestra un patrón de comportamiento claro: cada cuatro medias
se produce una salida de control por arriba. Todos estos puntos corresponden a la
cavidad 1. Por tanto, parece que la cavidad 1 está produciendo piezas que tienen un
espesor detectablemente mayor que las producidas por las demás cavidades.
Debido a que la variación debida a los ciclos es mucho menor que las diferencias
debidas a las cavidades los limites de control están más juntos que en el caso anterior.
Así con esta organización, además de considerar cuestiones distintas, los gráficos son
más sensibles que en la primera organización.

En la tercera organización construimos un gráfico de control para cada cavidad.
3
5
7
9
11
13
15
17
19
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79
Ingeniería de Calidad. Tema 1

45


La cavidad 1 tiene una media de 14.65 y los límites para la media en 16.55 y 12.75.
Rango medio 3,30.
La cavidad 2 tiene una media de 8.97, y los límites en 10.96 y 6.98. Rango medio 3,45.
La cavidad 3 tiene la media general en 7.47 y los límites en 9.75 y 5.19. Rango medio
3.95.
La cavidad 4 tiene la media en 7.86 y los límites en 9.79 y 5.93. Rango medio 3.35.

Cavidad 1 A B C D E XM R Cavidad 2 XM R
1 15 16 17 16 18 16,4 3 1 10 13 11 10 10 10,8 3
2 13 18 15 15 15 15,2 5 2 9 10 11 8 9 9,4 3
3 14 14 18 14 14 14,8 4 3 9 10 10 12 9 10 3
4 14 15 15 15 14 14,6 1 4 10 10 11 11 10 10,4 1
5 12 13 13 12 13 12,6 1 5 8 7 8 7 7 7,4 1
6 14 15 17 14 13 14,6 4 6 7 11 12 8 6 8,8 6
7 12 12 13 13 11 12,2 2 7 6 6 6 6 7 6,2 1
8 13 15 16 14 13 14,2 3 8 9 8 7 7 8 7,8 2
9 15 16 17 14 13 15 4 9 11 13 11 13 8 11,2 5
10 13 13 14 13 13 13,2 1 10 7 8 7 6 7 7 2
11 13 16 13 16 18 15,2 5 11 10 8 10 10 11 9,8 3
12 16 18 18 16 13 16,2 5 12 13 8 8 10 7 9,2 6
13 13 18 18 14 13 15,2 5 13 11 10 9 10 10 10 2
14 13 13 14 14 14 13,6 1 14 7 8 9 8 8 8 2
15 13 15 18 15 14 15 5 15 7 12 10 10 7 9,2 5
16 15 14 15 14 12 14 3 16 6 7 8 6 10 7,4 4
17 14 16 14 13 14 14,2 3 17 9 10 13 7 6 9 7
18 12 15 15 15 14 14,2 3 18 9 7 8 10 9 8,6 3
19 17 15 18 18 17 17 3 19 10 10 12 12 6 10 6
20 18 16 17 14 13 15,6 5 20 8 10 11 10 7 9,2 4
Cavidad 3 Cavidad 4
1 7 8 10 7 10 8,4 3 1 8 9 10 10 10 9,4 2
2 7 11 10 10 9 9,4 4 2 10 13 13 10 9 11 4
3 8 10 9 10 8 9 2 3 8 9 10 8 9 8,8 2
4 7 9 12 10 10 9,6 5 4 11 12 11 10 13 11,4 3
5 5 6 8 5 4 5,6 4 5 4 4 5 3 4 4 2
6 6 4 7 6 5 5,6 3 6 4 7 6 5 4 5,2 3
7 4 5 4 4 6 4,6 2 7 4 4 5 4 5 4,4 1
8 10 8 6 7 5 7,2 5 8 6 6 8 6 5 6,2 3
9 9 9 6 8 10 8,4 4 9 9 10 11 9 5 8,8 6
10 4 5 6 5 4 4,8 2 10 5 5 6 6 5 5,4 1
11 8 7 8 7 11 8,2 4 11 11 10 9 10 10 10 2
12 13 10 10 6 7 9,2 7 12 9 6 8 7 7 7,4 3
13 14 9 10 9 7 9,8 7 13 9 12 11 11 6 9,8 6
14 6 6 7 6 6 6,2 1 14 6 7 6 6 6 6,2 1
15 7 8 12 12 6 9 6 15 11 12 12 12 6 10,6 6
16 7 10 8 6 6 7,4 4 16 6 8 7 9 7 7,4 3
17 6 5 5 7 5 5,6 2 17 7 7 4 7 5 6 3
18 5 7 6 6 10 6,8 5 18 6 8 7 12 12 9 6
19 5 9 7 8 7 7,2 4 19 7 7 5 12 8 7,8 7
20 7 7 7 10 5 7,2 5 20 10 7 9 8 8 8,4 3
Ingeniería de Calidad. Tema 1

46


Dibujando los gráficos en la misma escala la diferencia entre la cavidad 1 y el resto
queda patente. Este problema se solucionó rectificando los moldes en el taller.
Además también se indica falta de control. En cada uno de los gráficos la variación a
largo plazo (hora a hora) se compara directamente con la variación a corto plazo (ciclo a
ciclo). Estos gráficos muestran que la variación a largo plazo es excesiva. Alguna causa
asignable está provocando que la prensa esté fabricando piezas mas delgadas una hora,
y con más espesor en la siguiente hora.
Con esta tercera organización tenemos dentro de cada cavidad mayor sensibilidad que
con las organizaciones anteriores (menos ruido, por ejemplo para la primera cavidad
22%) permitiendo detectar la falta de control en el tiempo. Esta falta de control está
presente en el resto de gráficos pero en el primer gráfico la podíamos haber detectado
utilizando la regla 3 y en el segundo no se hubiese detectado debido al excesivo ruido.
Conversando con el operario encargado del mantenimiento de los moldes, el jefe de la
sección se dio cuenta de que la variación en el tiempo era la falta de un programa
sistemático de limpieza del molde. Cuando este se puso en marcha, desapareció la falta
de control.

0
2
4
6
8
10
12
14
16
18
20
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79
Ingeniería de Calidad. Tema 1

47
9 9. .- - E EJ JE ER RC CI IC CI IO OS S
Ejercicio 1
En la siguiente tabla se muestran los datos del ejemplo de la página 20 del libro de
Shewhart de 1931. Los 51 subgrupos de tamaño 4 fueron obtenidos en orden secuencial.
Calcular los límites utilizando el rango de los subgrupos e interpretar el comportamiento
del proceso

Ejercicio 2
Los datos de la siguiente tabla representan el contenido de silicatos en un metal a la
salida del horno de fundición. Cada día se realizan tres mediciones en el laboratorio
formando un subgrupo racional.

.
1 2 3 4 5 6 7 8 9 10 11 12 13
5045 4290 3980 3300 5100 4635 4410 4725 4790 4110 4790 4740 4170
4350 4430 3925 3685 4635 4720 4065 4640 4845 4410 4340 5000 3850
4350 4485 3645 3463 5100 4810 4565 4640 4700 4180 4895 4895 4445
3975 4285 3760 5200 5450 4565 5190 4895 4600 4790 5750 4255 4650
14 15 16 17 18 19 20 21 22 23 24 25 26
4170 4175 2920 4090 4640 4215 4615 4700 4095 4445 4560 5000 4850
4255 4550 4375 5000 4335 4275 4735 4700 3940 4000 4700 4575 4850
4170 4450 4375 4335 5000 4275 4215 4700 3700 4845 4310 4700 4570
4375 2855 4355 5000 4615 5000 4700 4095 3650 5000 4310 4430 4570
27 28 29 30 31 32 33 34 35 36 37 38 39
4855 4100 4050 4430 3075 4425 4840 4700 4450 3635 4340 5000 4770
4160 4340 4050 4300 2965 4300 4310 4440 4450 3635 4340 4850 4500
4325 4575 4685 4690 4080 4430 4185 4850 4850 3635 3665 4775 4770
4125 3875 4685 4560 4080 4840 4570 4125 4450 3900 3775 4500 5150
40 41 42 43 44 45 46 47 48 49 50 51
4850 5000 5075 4925 5075 5600 4325 4500 4850 4625 4080 5150
4700 4700 5000 4775 4925 5075 4665 4765 4930 4425 3690 5250
5000 4500 4770 5075 5250 4450 4615 4500 4700 4135 5050 5000
5000 4840 4570 4925 4915 4215 4615 4500 4890 4190 4625 5000
Mediciones Media Rango
144 150 180 158,00 36
193 210 225 209,33 32
235 233 228 232,00 7
198 190 178 188,67 20
168 137 121 142,00 47
116 85 65 88,67 51
88 111 120 106,33 32
138 160 179 159,00 41
200 245 248 231,00 48
211 201 155 189,00 56
145 102 83 110,00 62
80 101 106 95,67 26
95 90 107 97,33 17
127 142 159 142,67 32
167 178 199 181,33 32
181 173 163 172,33 18
158 147 134 146,33 24
128 113 104 115,00 24
113 122 108 114,33 14
135 145 158 146,00 23
133 125 112 123,33 21
105 95 63 87,67 42
72 97 112 93,67 40
126 132 144 134,00 18
156 163 170 163,00 14
181 180 202 187,67 22
250 205 175 210,00 75
157 148 140 148,33 17
157 139 121 139,00 36
131 125 111 122,33 20
118 115 92 108,33 26
99 79 111 96,33 32
127 135 130 130,67 8
Ingeniería de Calidad. Tema 1

48

a) Calcula los limites de control para la media de cada día a partir del quinto
b) Dibuja la evolución de los limites de control y de la media
c) ¿Cuánta variación en el nivel diario promedio de silicatos cabría esperar si el
proceso estuviera bajo control?

Ejercicio 3
La consistencia en el espesor de un azulejo es una importante característica de calidad.
Se disponen de mediciones de espesor de una prueba de diez piezas de un lote
procesado con la misma prensa y en la misma posición del horno. En cada pieza se
midió el espesor en ocho localizaciones como indica el esquema de la figura. Durante la
prueba las piezas fueron colocadas en el horno de modo que las posiciones 1, 2 y 3
estaban en el lado izquierdo y las 6,7 y 8 en el lado derecho.



a) ¿Hay alguna diferencia entre el espesor promedio de los azulejos que indique que el
proceso no está bajo control?
b) Compara el espesor promedio en cada una de las ocho localizaciones utilizando el
gráfico de control con los distintos azulejos dentro del subgrupo
c) ¿Cómo afecta la conclusión del apartado b a la conclusión del a)?












Posición/pieza a b c d e f g h i j
1 0,311 0,311 0,309 0,311 0,31 0,31 0,311 0,311 0,31 0,31
2 0,311 0,312 0,313 0,312 0,31 0,31 0,31 0,312 0,311 0,311
3 0,312 0,312 0,314 0,312 0,312 0,312 0,312 0,313 0,313 0,312
4 0,315 0,314 0,31 0,313 0,312 0,31 0,313 0,314 0,313 0,315
5 0,312 0,312 0,314 0,313 0,315 0,313 0,311 0,315 0,312 0,314
6 0,315 0,319 0,315 0,318 0,313 0,316 0,316 0,316 0,316 0,315
7 0,312 0,314 0,313 0,314 0,312 0,312 0,314 0,314 0,313 0,313
8 0,314 0,314 0,314 0,315 0,313 0,313 0,314 0,315 0,315 0,314
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
Ingeniería de Calidad. Tema 1

49
Ejercicio 4.
La profundidad del paso de una llave es una importante característica de calidad. Se
toman muestras de tamaño n = 5 cada cuatro horas del proceso
a. realizar los gráficos X y R para este proceso. ¿Está el proceso bajo control?.
b. Estimar la desviación estándar del proceso.
c. Suponer que la especificación es 140 2 ± . Calcular el Cpk. ¿Qué afirmaciones se
pueden hacer sobre la capacidad del proceso?.



Ejercicio 5
El diámetro de las clavijas de fusibles utilizados en motores de avión es una
característica de calidad importante. En la tabla aparecen los datos de 25 muestras de
tres clavijas cada una (en mm.).
a. Realizar los gráficos X y R para este proceso. ¿Está el proceso bajo control
estadístico?.
b. Estimar la media y desviación típica del proceso.
c. Suponer que las especificaciones del proceso son 63 2 ± . Calcular Cp. d.
Calcular Cp
k
. Utilizar este índice para sacar conclusiones sobre la capacidad del
proceso.
x media r
139.7 1.1
139.8 1.4
140.0 1.3
140.1 1.6
139.8 0.9
139.9 1.0
139.7 1.4
140.2 1.2
139.3 1.1
140.7 1.0
138.4 0.8
138.5 0.9
137.9 1.2
138.5 1.1
140.8 1.0
140.5 1.3
139.4 1.4
139.9 1.0
137.5 1.5
139.2 1.3
Ingeniería de Calidad. Tema 1

50


1 10 0. .- - E EJ JE ER RC CI IC CI IO OS S T TE EO OR RI IC CO OS S
6 Supóngase que un proceso está bajo control y que se utilizan límites de control
3-sigma en el gráfico X . Supóngase que la media se traslada en 1.5σ. ¿Cuál es la
probabilidad de que este cambio en la media no se detecte en tres muestras
consecutivas?. ¿Cuál sería la probabilidad si los límites de control utilizados fueran 2-
sigma?. El tamaño de muestra es 4.
7 Considérese un proceso en el que las especificaciones de una característica de
calidad son 100 15 ± . Se sabe que la desviación típica de esta característica de calidad
normalmente distribuida es 5. ¿Dónde se debería centrar el proceso para minimizar la
fracción de productos defectuosos producidos?. Ahora supóngase que la media cambia a
105 y que estamos utilizando un tamaño de muestra 4 en un gráfico X . ¿Cuál es la
probabilidad de que ese cambio se detecte en la primera muestra que sigue al cambio?.
¿Cuál es el número medio de muestras hasta que un punto fuera de control aparece?.
Comparar este resultado con el número medio de observaciones hasta que aparece un
producto defectuoso (asumiendo normalidad).
8. Después de una serie de experimentos se ha decido que los limites de un gráfico de
control para la media deben establecerse suponiendo que la media de la población es
µ = 31.4 y que la desviación típica de la población es σ = 32 . .
Si el tamaño de los subgrupos se ha fijado en 6, ¿cuáles son los limites de control para
α = 0 05 . ?. ¿Cuál es la potencia de este gráfico para detectar un cambio negativo en la
media igual a dos veces la desviación estándar?
9. Se desea diseñar un gráfico de control (límites de control, tamaño de subgrupos y
frecuencia de inspección) para la media con las siguientes condiciones:
• La longitud de recorrido medio cuando el proceso está bajo control ha de ser como
mínimo 100 y transcurrir 150 horas en promedio entre señales de alarma falsas.
• Se quiere detectar la presencia de una causa asignable como máximo en 2 horas
después de que esta haya provocado una desviación igual a la desviación estándar.
10. Las especificaciones de una determinada característica de calidad de una pieza son
100±15?. La desviación típica del proceso es 5, se considera que se distribuye
diametro 64,03 64,002 64,019 63,995 63,992 64,001 63,998 64,024 64,021 64,002 63,996
subgrupo 1. 1. 1. 2. 2. 2. 3. 3. 3. 4. 4.
63,993 63,99 64,007 64,015 64,009 63,994 63,997 63,995 64,006 63,994 63,985 64,003
4. 5. 5. 5. 6. 6. 6. 7. 7. 7. 8. 8.
63,993 64,01 63,995 64,009 63,998 64 63,99 63,994 63,998 63,994 64,004 64
8. 9. 9. 9. 10. 10. 10. 11. 11. 11. 12. 12.
64,007 63,98 64,002 63,998 64,006 63,967 63,994 64,012 64,014 63,998 64 63,984
12. 13. 13. 13. 14. 14. 14. 15. 15. 15. 16. 16.
64,005 63,99 64,012 63,986 64,006 64,01 64,018 63,984 64,002 64,003 64 64,01
16. 17. 17 17 18 18. 18. 19. 19. 19. 20. 20.
64,013 63,99 64,001 64,009 64,004 63,999 63,99 64,01 63,989 63,99 64,015 64,008
20. 21. 21. 21. 22. 22. 22. 23. 23. 23. 24. 24.
63,993 63,98 63,984 63,995
24. 25. 25. 25.
Ingeniería de Calidad. Tema 1

51
normalmente, inicialmente está centrado y se fabrican 100 piezas cada hora. ¿Cuántas
piezas defectuosas se obtendrán en promedio durante 200 días laborales a un turno bajo
control estadístico?. El proceso se controla con un gráfico de control de la media. Se
toman muestras de tamaño 4 cada hora. Se quiere detectar un cambio de la media a 105
antes de que se produzcan más de 10 piezas defectuosas como máximo. ¿Donde se
deben situar los limites de control?


Ingeniería de Calidad. Tema 1

52
1 11 1. .- - T TA AB BL LA AS S

Tabla 1. Factores de corrección del sesgo
1


Podemos estimar sigma (X) mediante los siguientes estadísticos ajustados:
4 2 4 2
~
d
R
o
d
R
o
c
s
o
c
s
n

Análogamente podemos estimar sigma( X ) como
n d
R
o
n d
R
o
n c
s
o
n c
s
n
4 2 4 2
~

Y la sigma(R):
4
3
2
3
~
d
R d
o
d
R d


1
Valores de los factores a partir de H.L. Harter, “Tables of Range and Studentized Range”, Annals of
Mathematical Statistics, v.31, p.1122-1147.
n d2 c2 c4 d3 d4
2 1,128 0,5642 0,7979 0,8525 0,954
3 1,693 0,7236 0,8862 0,8884 1,588
4 2,059 0,7979 0,9213 0,8798 1,978
5 2,326 0,8407 0,9400 0,8641 2,257
6 2,534 0,8686 0,9515 0,8480 2,472
7 2,704 0,8882 0,9594 0,8332 2,645
8 2,847 0,9027 0,9650 0,8198 2,791
9 2,970 0,9139 0,9693 0,8078 2,915
10 3,078 0,9227 0,9727 0,7971 3,024
11 3,173 0,9300 0,9754 0,7873 3,121
12 3,258 0,9359 0,9776 0,7785 3,207
13 3,336 0,9410 0,9794 0,7704 3,285
14 3,407 0,9453 0,9810 0,7630 3,356
15 3,472 0,9490 0,9823 0,7562 3,422
16 3,532 0,9523 0,9835 0,7499 3,482
17 3,588 0,9551 0,9845 0,7441 3,538
18 3,640 0,9576 0,9854 0,7386 3,591
19 3,689 0,9599 0,9862 0,7335 3,640
20 3,735 0,9619 0,9869 0,7287 3,686
21 3,778 0,9638 0,9876 0,7242 3,730
22 3,819 0,9655 0,9882 0,7199 3,771
23 3,858 0,9670 0,9887 0,7159 3,811
24 3,895 0,9684 0,9892 0,7121 3,847
25 3,931 0,9695 0,9896 0,7084 3,883
30 4,086 0,9748 0,9915 0,6927 4,037
35 4,213 0,9784 0,9927 0,6799 4,166
40 4,322 0,9811 0,9936 0,6692 4,274
45 4,415 0,9832 0,9943 0,6601 4,372
50 4,498 0,9849 0,9949 0,6521 4,450
60 4,639 0,9874 0,9957 0,6389 4,591
70 4,755 0,9892 0,9963 0,6283 4,707
80 4,854 0,9906 0,9968 0,6194 4,806
90 4,939 0,9916 0,9972 0,6118 4,892
100 5,015 0,9925 0,9975 0,6052 4,968
Ingeniería de Calidad. Tema 1

53
Tabla 2. Factores para el cálculo de los límites de control utilizando el rango de los
subgrupos.



Tabla 3. Factores para el cálculo de los límites de control utilizando la desviación
estándar de los subgrupos




Para n>15 :
2
4
4
4
2
4
4
3
4
3
1
3
1 1
3
1
3
c
c
B c
c
B
n c
A − + = − − = =




n A2 D3 D4
2 1,88 - 3,268
3 1,023 - 2,574
4 0,729 - 2,282
5 0,577 - 2,114
6 0,483 - 2,004
7 0,419 0,076 1,924
8 0,373 0,136 1,864
9 0,337 0,184 1,816
10 0,308 0,223 1,777
11 0,285 0,256 1,744
12 0,266 0,283 1,717
13 0,249 0,307 1,693
14 0,235 0,328 1,672
15 0,223 0,347 1,653
n A3 B3 B4
2 2,659 - 3,267
3 1,954 - 2,568
4 1,628 - 2,266
5 1,427 - 2,089
6 1,287 0,03 1,97
7 1,182 0,118 1,882
8 1,099 0,185 1,815
9 1,032 0,239 1,761
10 0,975 0,284 1,716
11 0,927 0,322 1,678
12 0,886 0,354 1,646
13 0,85 0,382 1,619
14 0,817 0,407 1,593
15 0,789 0,428 1,572