Tema 1 IQ PDF

Ingeniera de Calidad.
Tema 1
1
Tema 1. Introduccin al Control Estadstico de los
Procesos

1.Concepto de calidad
2 La variabilidad en los procesos de fabricacin
3. Herramientas bsicas para la mejora de los procesos
4. Los orgenes del control estadstico
5. Los grficos 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 aproximacin de las caractersticas
de un objeto a las del objetivo ideal. Esta definicin se puede aplicar a cualquier
producto, proceso o servicio, y pone de manifiesto que para referirnos a un
situacin particular se debern especificar el objetivo ideal y las caractersticas
que lo identifican.
Centrndonos en la calidad del producto, las caractersticas del objetivo ideal son
las que implcita o explcitamente esperan los clientes. Las caractersticas
esperadas por los clientes las podemos agrupar a su vez en seis categoras:
Prestaciones
Dentro de este grupo consideramos las funciones y prestaciones bsicas del
producto. Estas funciones incluyen las caractersticas 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 est abundantemente regulado
por leyes y normativas.
Disponibilidad
Fiabilidad. La probabilidad de que un equipo o sistema se avere dentro de un
intervalo de tiempo razonable debe ser lo ms bajo posible.
Mantenimiento y servicio posventa. En caso de fallo, el equipo o sistema debe
ser fcilmente reparable. Los tiempos y costes de reparacin deben ser los mas
bajos posibles.
Ingeniera de Calidad. Tema 1
2
Duracin. 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 corrosin de un elemento determinado.
Servicio
El producto es fcil de instalar y usar
El producto est disponible en stock o en un plazo breve
El producto es fcilmente expandible o adaptable
El producto debe ser compatible o integrable con otros productos ya instalados
Prestigio, estilo o imagen
El diseo, el estilo y la imagen afectan de forma importante al cliente.
Contaminacin y prdidas a la sociedad
Se debe evitar que el producto ocasione perdidas para la sociedad en general -
como la contaminacin-.

1.1 Definicin 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. Definicin de la Oferta

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

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

Figura 4. Calidad del Diseo
1.3 Calidad de fabricacin o conformidad
Una vez que se han definido las especificaciones finales, el producto debe ser diseado
en detalle y luego fabricado. Este es el rea de la ingeniera de fabricacin. Lo
importante en esta etapa es realizar lo prometido, el cuadrado perfecto. La no-
conformidad mide la desviacin entre el proyecto inicial y el producto entregado.
espesor
dimensin
resistencia
a la traccin
peso especifico
El papel no
se enganche
Caracteristicas de la oferta
Requerimientos
de uso
Caracteristicas
no percibidas
Calidad del diseo
Calidad percibida
Efectividad de la oferta
4
La calidad de un producto en fabricacin mide el grado de aproximacin de las
propiedades o caractersticas mecnicas, fsicas y geomtricas obtenidas mediante el
proceso de fabricacin respecto a los valores nominales o ideales especificados en el
diseo del producto.
Si aparece un error o fallo, el sistema de inspeccin 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 producirn 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 podran haberse evitado si se hubieran adoptado medidas de prevencin (
costes de prevencin).
De este modo, una falta de calidad, representada por el rea con el signo menos en el
cuadrado, puede causar importantes costes, los costes de la calidad.

Figura 5. Calidad de fabricacin

En esta asignatura nos vamos a centrar en la calidad de fabricacin de un producto, por
ello vamos a estudiar como los distintos procesos de fabricacin alteran las propiedades
mecnicas y fsicas de los materiales y su capacidad para conseguir la geometra
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 diseado o de lo cuidadosamente mantenido
que est, siempre existe cierta cantidad de variabilidad inherente. Esta variabilidad
natural o ruido de fondo resulta del efecto acumulado de muchas causas pequeas,
bsicamente inevitables. Cuando el ruido de fondo de un proceso es aceptablemente
pequeo, se dice que es un sistema estable de causas aleatorias. Cuando un proceso
opera bajo la accin nica de causas aleatorias, tambin llamadas comunes, se dice que
est bajo control estadstico.
Durante el transcurso de un proceso pueden presentarse ocasionalmente otros tipos de
variabilidad que pueden afectar a las caractersticas de calidad de los productos. Esta
variabilidad en las caractersticas de calidad normalmente acontecen como consecuencia
de mquinas mal ajustadas, errores de los operarios, o defectos en las materias primas.
Fallos

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 fabricacin 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 proporcin de las salidas del proceso no cumplen
las especificaciones. El primer objetivo del control estadstico del proceso es detectar
rpidamente la presencia de causas especiales para iniciar la investigacin 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
pequeas variaciones
Son parte permanente del proceso. Su
superposicin determina la capacidad del
proceso
Son difciles de eliminar. Forman
parte del sistema y es responsabilidad de
la direccin disminuir sus efectos.
Afectan al conjunto de recursos,
entradas y salidas del proceso
La variabilidad debida a estas causas
admite representacin estadstica
Suelen ser pocas pero de efectos
importantes
Aparecen espordicamente. Este
hecho facilita su identificacin y
eliminacin
Son relativamente fciles de
eliminar por parte de operarios y/o
tcnicos
Afectan especficamente a una
maquina, operario, ...
No admite representacin
estadstica

Los grficos de control son una tcnica para el control del proceso en lnea ampliamente
utilizada para este propsito. Tambin pueden utilizarse para estimar los parmetros de
un proceso y a travs de esta informacin determinar la capacidad del proceso.
Causas comunes
Proceso
Causas asignables
Proceso
poca variabilidad
ruido
fuera de control
Causas comunes
6
La aplicacin ms importante de las grficos de control es proporcionar informacin
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 grficos de control:

Figura 9. Sistema de control de calidad del proceso
El grfico de control seala la existencia de una causa asignable. A partir de este
momento los operarios e ingenieros deben identificar la causa raz del problema y
preparar un plan de accin para eliminar su efecto.
La figura siguiente muestra un grfico de control tpico en el que se representa la
evolucin de una caracterstica 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 grfico presenta una Lnea Central (LC) que representa el valor medio de
la caracterstica de calidad correspondiente al estado de control estadstico. Las otras
dos lneas 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 est
fuera de control y que se requiere actuar sobre el despus de haber descubierto las
causas de este comportamiento.

F Fi ig gu ur ra a 1 11 1. . G Gr r f fi ic co o d de e c co on nt tr ro ol l
Proceso
Sistema de Medicin
Entrada Salida
Identificar la causa
raiz del problema
Implantar la
accin correctiva
Detectar la
causa asignable
Verificar
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Lmite de Control Superior
Lmite de Control Inferior
Lnea Central
Nmero de muestra o tiempo
C
a
r
a
c
t
e
r
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
7
Los puntos se unen mediante segmentos para visualizar sus tendencias. Incluso si todos
los puntos estn dentro de los limites el que sigan una evolucin sistemtica o no
aleatoria es una indicacin de que el proceso est fuera de control. Por ejemplo si 18 de
los ltimos 20 puntos han quedado por encima de la lnea central, aunque por debajo de
la superior, debemos sospechar que algo no funciona. Si el proceso est bajo control
todos los puntos deben seguir un patrn 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
Introduccin
Se entiende por procesos de empresa a un conjunto de actividades u operaciones que
comparten recursos e intercambian materiales o informacin. En un primer nivel se
sitan los procesos que comienzan y terminan con el cliente, interviniendo tpicamente
varios departamentos de la empresa. As, por ejemplo tenemos los procesos: de
produccin, desarrollo de producto, ventas, logstica, 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.
Qu 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 qu utilizarlo?
Cuando se plantea la necesidad de mejorar la gestin de algn 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 visin y un lenguaje compartido de la
realidad de las tareas.
Despus 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 informacin y materiales como consecuencia de la
incorporacin de nueva tecnologa (maquinaria, sistemas informticos).
Qu se consigue?
Hacer aparentes reas de inesperada complejidad, reas de problemas, redundancias,
realimentaciones innecesarias, y posibilidades de estandarizacin y simplificacin.
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 realizacin del proceso.
Identificar localizaciones donde se pueden recoger datos adicionales y analizarlos.
Sirve como entrenamiento que ayuda a comprender el proceso global.
Cmo hacerlo?
8
1. Determinar el alcance.
- Definir claramente los lmites, 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 reas
problemticas
- Estos diagramas pueden ser:
Simples, con la informacin necesaria para comprender el flujo general del proceso, en
forma de una secuencia de iconos grficos con descripciones breves y mtricas
agregadas. Son tiles para la definicin inicial del proceso.
Detallados, mostrando cada accin especifica y puntos de decisin. Se realizan
utilizando smbolos especiales y descripciones. Las lneas 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
til 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 est desarrollando el diagrama de flujo de un proceso existente se
debe secuenciar tal y como se realiza actualmente, no lo que debera ser o el ideal. Esto
puede ser difcil al principio pero es necesario ver donde estn las causas probables de
los problemas en el proceso.
4. Utilizar la notacin adecuada
Cada mtodo para la diagramacin de procesos tiene sus propios smbolos y sintaxis
Idef, UML- El mtodo de consenso ms actual es BPMN.
5. Validar y completar el grfico
Se han utilizado los smbolos correctamente?
Se han identificado los pasos del proceso claramente?
Comprobar que la continuacin 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 ms de
una flecha puede que se necesita un rombo de decisin.
Valida el grfico 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.
9
3.2. DIAGRAMAS CAUSA EFECTO
Introduccin
En muchas ocasiones, cuando se presenta un problema, se confunde su resolucin con la
eliminacin de los efectos que produce, y esta prctica 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 rompa con frecuencia por lo que se decidi
sustituirlo por otro de mayor dimetro. Desde el cambio no se volvi a romper el perno
1 pero empez a romperse el perno 2. Ante la nueva situacin se decidi que los cuatro
pernos deban ser ms grandes y se procedi al cambio. Ya no se volvi a romper el
ningn 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 pens que el
problema haba quedado resuelto definitivamente.
Un estudio mas profundo realizado posteriormente puso de manifiesto que una
vibracin que llegaba al dispositivo era lo que ocasionaba los fenmenos de ruptura, y
que si no se eliminaba acabara rompiendo la nueva chapa o inutilizando el dispositivo
con graves consecuencias.
Lo que se haba conseguido era evitar el efecto del problema, pero sin eliminar su causa,
y si la causa permanece, el efecto vuelve a manifestarse, de forma an todava ms
perjudicial
Por qu usarlo ?: Para ayudar a un equipo a identificar, analizar, y presentar
grficamente, con un nivel de detalle creciente, todas las posibles causas relacionadas
con un problema (o la condicin para descubrir la causa /s principal).
Qu 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 sntomas.
Cmo hacerlo ?:
1. Seleccionar el formato mas apropiado.
Existen dos formatos bsicos:
- Naturaleza de las causas, se construye colocando las causas individuales dentro de
cada una de las categoras de causa principales, preguntando entonces respecto a cada
causa individual: Por qu 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 grfico del ejemplo de esta seccin utiliza este formato.
- Actividades del Proceso, utiliza las principales actividades del proceso en lugar de las
categoras de causa principal. El mtodo para identificar las causas es el mismo que en
el caso anterior.
2. Generar las causas .
Elegir un mtodo apropiado, como por ejemplo:
- Tormenta de ideas
10
- Plantillas para la recogida de datos

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

(Categoras de causa principal)

Efecto

Consejo: Asegurarse de que todo el mundo esta de acuerdo en la descripcin del
problema. Incluir tanta informacin 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.

Mquina/Equipo Gente

Mtodos Materiales

Causas principales normalmente utilizadas:
En un Proceso de fabricacin las categoras tpicas son:
Maquinaria (equipo)
Mtodos (como se hace el trabajo)
Materiales (componentes de los principales materiales)
Personal (elemento humano).
En un Proceso de Servicio los mtodos tpicos son:
Poltica (alto nivel de reglas de decisin)
Procedimientos (pasos en una tarea)
Planta (equipo y espacio)
Personal
En ambos tipos de procesos, el Entorno (edificios, logstica, y espacio), y el proceso de
Medicin (calibracin y recogida de datos) se usan tambin frecuentemente. No hay una
situacin o un nmero de categoras perfecto, depende del problema en particular.

11

c) Situar las causas en la categora adecuada.
- En la tormenta de ideas, las posibles causas pueden ir situadas en las categoras
principales segn se generan, o bien despus de haberse creado la lista completa.
- Algunas causas parecen adecuarse a mas de una categora. Idealmente cada causa solo
debera estar en una categora, pero algunas de las causas pueden legtimamente
pertenecer a dos. Lo mejor en estos casos es situarlas en ambas categoras y decidir al
final.
d) Pregunta repetidamente de cada una de las causas:
Por que sucede esto?, Que debera suceder?. Por ejemplo, respecto Falta de
existencias estas preguntas pueden conducir a encontrar otras causas mas bsicas
Error en la orden de suministro, Falta de espacio en el local, etc.
e) Seleccionar las causas principales siguiendo alguno de los mtodos siguientes:
* Buscar causas que aparezcan repetidamente dentro de una o varias categoras
* 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 qu usarlo ?: Resume datos de un proceso que han sido recogidos durante un
periodo de tiempo, y presentan grficamente su frecuencia de distribucin en forma de
barras.
Qu se consigue ?:
- Interpretar grandes cantidades de datos de difcil interpretacin en forma tabular.
- Muestra la frecuencia relativa de intervalos de datos.
- Muestra la media, variacin y distribucin de los datos.
- Proporciona informacin til para predecir futuras mejoras del proceso.
- Ayuda a evaluar la capacidad del proceso
Cmo hacerlo ?:

Retraso en las entregas
de Pizza los fines de semana
Maquinas Gente
Metodos Materiales
Vehiculos
no fiables
Hornos
pequeos
La gente se
escaquea
Los conductores
se pierden
Falta de existencias
Mala gestin
del lanzamiento de
pedidos
Alta tasa de renovacin
del personal
inadecuada
formacin
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 especfico: hora, da, semana.
Buscar datos histricos como base.
3. Prepara una tabla de frecuencia de datos.
Contar el n de datos, n, en la muestra.
Determinar el rango,R de toda la muestra. R
max min
=
Determinar el n de intervalos,K.
Mtodo 1: Hacer la raz cuadrada del nmero total de datos, redondendolo a
un n entero si es decimal.
Mtodo 2: Usar la tabla anexa como gua para la divisin de las muestras en un
n de clases razonable:
n de datos n de clases (K)
<50 5-7
50-100 6-10
100-250 7-12
>250 10-20
Estos dos mtodos son generalmente reglas practicas para determinar
intervalos clsicos. En ambos casos podemos utilizar K=10, para facilitar los
clculos mentales.
El n de intervalos puede influir en el modelo de la muestra. Demasiados
intervalos provocar un modelo ensanchado y plano. Un nmero reducido de
intervalos provocar el efecto contrario.
Determinar la amplitud de cada intervalo, H.
H
R
K
=
Redondear H al valor ms prximo con el mismo n de decimales que la muestra
original. Es normal definir intervalos con un decimal ms que los datos recogidos.
Determinar los lmites del intervalo.
Encontrar la menor de las medidas realizadas de la muestra. Este ser el extremo
inferior del primer intervalo.
Aadirle H, este ser el extremo inicial del siguiente intervalo .
Aadir 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 lnea vertical (y), dibujar la escala de frecuencia para cubrir los intervalos de
las clases con la frecuencia mas alta. Sobre la lnea horizontal (x), dibujar la escala
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 est el centro de la distribucin de los datos? Est el proceso
demasiado a la derecha o a la izquierda?
b) Variacin: Cual es la variacin o dispersin de los datos?es demasiado variable?
c) Forma: Cul es la forma? Se parece esto a una distribucin normal en forma de
campana? Est sesgada positivamente o negativamente, esto es, hay mas valores de
datos a la derecha o a la izquierda? Hay picos dobles o mltiples?
Centrado
Alto
Bajo
Normal
Bimodal
Multimodal
Sesgado positivo
Sesgado Negativo
Distribucin
Distribucin
Centering
Variacin
Dentro
de requerimientos
Fuera
de requerimientos

Algunas variables son sesgadas de forma natural, como los tiempos de vida. No esperar
siempre que la distribucin siga la forma de campana.
Buscar siempre dobles o mltiples picos indicativos de que los datos vienen de dos o
ms fuentes, - ej. mquinas, personas, etc-. Si esto es evidente, estratificar los datos.
En ocasiones se obtendrn histogramas que no presentan ninguna forma de
comportamiento general (anomalas, errores, etc.). Su variabilidad puede atribuirse a
alguna causa asignable que deber 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, est el histograma
centrado en el objetivo y dentro de los lmites de especificacin?
Consejo: Sospechar de la precisin de los datos si el histograma repentinamente se
detiene en un punto (tal como un lmite de especificacin) sin alguna declinacin previa
en los datos. Ello indicara que los datos sospechosos estn siendo eliminados y no se
han incluido en la muestra.
Ejemplo
Centrado
14
La tabla de datos que figura a continuacin corresponde a datos tomados en una acera
que dispone de tres lneas de produccin. Se obtienen despus de la laminacin 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.
Lnea 1 Lnea 2 Lnea 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 lneas de
produccin. 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 distribucin multimodal seal de que los datos proceden de
poblaciones distintas.
15

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

-0.9 -0.5 -0.1 0.3 0.7 1.1
Desviacin 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
16
Se observa que la lnea 1 est centrada en el valor nominal pero tiene una mayor
dispersin que el resto de lneas. La lnea 2 est sesgada hacia arriba y aparece menos
dispersa que la lnea 1. La lnea 3 est sesgada hacia abajo y tambin muestra una
menor dispersin en las longitudes. Por otra parte todas las observaciones caen dentro
de los limites de especificacin, si bien la lnea 2 se acerca al limite superior y la lnea 2
al limite inferior. Del anlisis de los grficos podemos concluir que: se deben centrar las
lneas dos y tres; se debe descubrir la razn por la que las lneas 2 y 3 tiene poca
variabilidad; y se debe reducir la dispersin de la lnea 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 pequea parte del problema
se les denomina causas triviales. Este es la esencia del conocido principio de Pareto ( el
20% de la poblacin posee el 80% de la riqueza).
Por qu usarlo ?: Enfocar los esfuerzos sobre los problemas que ofrecen el mayor
potencial para mejorarse, mostrando su frecuencia relativa o medida en un grfico de
barras descendente.
Qu se consigue ?:
- Ayuda a un equipo a enfocar las causas que tendrn un mayor impacto si se
solucionan.
- Mostrar la importancia relativa de los problemas en un simple formato visual,
interpretado rpidamente.
- 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.
Cmo hacerlo ?:
1. Plantear exactamente cul es el problema que se desea investigar.
2. Seleccionar las causas o problemas que sern 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 situacin. Un
estudio largo no siempre representa la mejor informacin. 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 estacin (primavera, verano..) e incluso diferencias dentro de unos das o semanas
dados.
5. Recoger los datos necesarios en cada categora de problemas, bien en tiempo real, o
revisando los datos histricos. Tanto si los datos son recogidos a tiempo real o
histricamente, las plantillas son el mtodo ms fcil para recopilar los datos.
6. Comparar la frecuencia relativa o coste de cada categora de problemas.
17
7. Listar las categoras de problemas en una lnea horizontal y las frecuencias en una
lnea vertical. Hacer un listado de las categoras en orden descendente, de izquierda a
derecha, en lnea horizontal con barras para cada categora de problemas para indicar su
frecuencia o coste. Hacer un listado de la unidad de medida sobre la lnea vertical.
8. Dibujar la lnea del % acumulativo, mostrando la porcin total que cada categora
de problemas representa.(Opcional)
a) Sobre la lnea vertical, registrar el 100% opuesto al n total y el 50% en el punto
medio. Completar el resto de % a escala.

b) Comenzar con la categora de problemas ms alta, dibujar un punto o marcar con una
x la esquina superior derecha de la barra. Aadir el total de la siguiente categora 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. Interpretacin de resultados.
Las barras mas altas indican las mayores contribuciones al problema. Actuar primero
con respecto a estas categoras de problema y luego utilizar el sentido comn. Pero, el
mas frecuente o caro no es siempre el ms importante. Preguntarse siempre: que tiene
el mayor impacto en los objetivos de nuestro trabajo y clientes?
Ejemplo
Una lnea de envasado sufre frecuentes paradas por averas en alguno de los mdulos
(no siempre el mismo) de que est compuesta. Supongamos que despus de tomar datos
durante seis meses, la informacin 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%
18

Causa Nm. de
paradas
Tiempo
de
parada

Ma. Tar. total Ma. 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 continuacin 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 sern 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 desarroll el concepto de control aplicado a la variabilidad, y
desarroll un mtodo simple para caracterizar la variabilidad de un proceso. Esta
caracterizacin es el primer paso hacia la reduccin de la variacin en los productos
Basndose en su trabajo durante los aos 1920 en los laboratorios Bell, el
observ que:
Si bien todos los procesos presentan variacin,
variacin controlada, mientras que otros presentan una variacin incontrolada
La variacin controlada se caracteriza por un patrn estable y consistente a lo largo del
tiempo. El Dr.Shewhart atribuy esta variacin a causas aleatorias.
La variacin incontrolada se caracteriza por un patrn que cambia a lo largo del tiempo.
El Dr.Shewhart atribuy estos cambios en el patrn de comportamiento de la variacin a
causas asignables.
Consideremos un proceso de fabricacin que produce piezas discretas con una
dimensin o caracterstica mensurable. Peridicamente, se seleccionan algunas de estas
piezas y se miden. Estas mediciones varan debido a que los materiales, mquinas,
operarios, y mtodos interactan para producir variacin. Esta variacin aleatoria es
relativamente consistente a lo largo del tiempo porque es el resultado de la contribucin
de muchos factores. El Dr.Shewhart llam a estos factores causas aleatorias. La
siguiente figura representa una idealizacin de un patrn controlado de variacin.
Adems de la multitud de causas aleatorias, ocasionalmente hay factores especiales que
tienen un gran impacto en la medicin del producto. Estos factores pueden ser mquinas
desajustadas, materiales que son ligeramente diferentes, mtodos que se han modificado
un poco, diferencias entre operarios, o diferencias en el entorno. Shewhart argument
que estos factores se podan identificar y que el impacto de tales causas asignables era
suficiente para producir un cambio marcado en el patrn de comportamiento de la
variacin.
Dimensin
del
producto
D DE EL L C CO ON NT TR RO OL L E ES ST TA AD DI IS ST TI IC CO O
desarroll el concepto de control aplicado a la variabilidad, y
caracterizacin es el primer paso hacia la reduccin de la variacin en los productos
ajo durante los aos 1920 en los laboratorios Bell, el
Si bien todos los procesos presentan variacin, algunos procesos presentan una
mientras que otros presentan una variacin incontrolada
controlada se caracteriza por un patrn estable y consistente a lo largo del
tiempo. El Dr.Shewhart atribuy esta variacin a causas aleatorias.
uy estos cambios en el patrn de comportamiento de la variacin a
s y se miden. Estas mediciones varan debido a que los materiales, mquinas,
e muchos factores. El Dr.Shewhart llam a estos factores causas aleatorias. La
ud de causas aleatorias, ocasionalmente hay factores especiales que
encias entre operarios, o diferencias en el entorno. Shewhart argument
Frecuencia de
la dimensin

19
desarroll el concepto de control aplicado a la variabilidad, y
caracterizacin es el primer paso hacia la reduccin de la variacin en los productos.
ajo durante los aos 1920 en los laboratorios Bell, el Dr.Shewhart
algunos procesos presentan una
mientras que otros presentan una variacin incontrolada.
controlada se caracteriza por un patrn estable y consistente a lo largo del
uy estos cambios en el patrn de comportamiento de la variacin a
s y se miden. Estas mediciones varan debido a que los materiales, mquinas,
e muchos factores. El Dr.Shewhart llam a estos factores causas aleatorias. La
ud de causas aleatorias, ocasionalmente hay factores especiales que
encias entre operarios, o diferencias en el entorno. Shewhart argument
tiempo

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

Estas causas asignables no slo tienen un gran impacto en el comportamiento de los
datos, sino que tambin deterioran su predecibilidad. El Dr.Shewhart escribi:
Se dir que un fenmeno es controlable cuando, utilizando la experiencia
podemos predecir, al menos dentro de unos lmites, como puede esperarse que el
fenmeno vare en el futuro.
As, aunque la esencia del control estadstico es la predecibilidad, lo contrario tambin
se aplica. Un proceso que no muestre control estadstico no ser predecible. Aunque las
entradas conocidas a ese proceso puedan permanecer inalterables, las salidas de un
proceso inestable variarn de forma imprevisible a lo largo del tiempo.
Cualquier serie de datos puede considerarse como la salida de algn proceso. Si la serie
de datos muestra un grado razonable de variacin controlada a lo largo de un extenso
periodo de tiempo, entonces podemos predecir, dentro de unos lmites, como es
probable que se comporte la serie de datos en el futuro. Por ello la distincin de
Shewhart es fundamental para interpretar cualquier dato real. La planificacin, la
fabricacin y la gestin se simplifican mucho cuando las cosas son previsibles. Por el
contrario, cuando los datos muestran una variacin incontrolada, es imposible predecir
que ocurrir en el futuro. La planificacin, la fabricacin y la gestin estarn llenas de
incertidumbres.
Una consecuencia de la clasificacin de Shewhart ( bajo control frente a fuera de
control) es que hay dos formas diferentes de mejorar un proceso de fabricacin.
Cuando un proceso muestra una variacin controlada, puede considerarse como estable
y consistente. La variacin presente es aquella inherente al propio proceso. Por tanto,
para reducir la variacin, debe cambiarse el proceso. O como dijo Shewhart:
El estado de control parece ser, en general, una especie de lmite hasta donde
podemos esperar de forma econmica encontrar y eliminar las causas de
variacin sin modificar una parte importante del proceso.
Por la otra parte, si un proceso muestra una variacin no controlada, est cambiando de
un momento a otro. Es a la vez inestable e inconsistente. La inestabilidad crea una
variacin excesiva que no tiene nada que ver con la forma en que se pretenda que
funcionara el proceso. Por tanto, el primer paso para mejorar las salidas del proceso es
identificar las causas asignables o responsables de esa variacin 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 est 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 variacin controlada.


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 distincin entre variacin controlada e incontrolada, Shewhart cre
un mtodo de control para detectar la presencia de variacin 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 est controlado.
Podemos caracterizar el comportamiento de la salida del proceso mediante su
localizacin y dispersin (utilizamos el valor medio para la localizacin y la desviacin
para la dispersin), por tanto, un proceso est controlado si la media y la desviacin de
su respuesta se mantienen dentro de unos limites. As, de un solo golpe, proporcion
tanto un vehculo simple y efectivo para el anlisis de datos y una definicin operativa
de cuando un proceso tiene problemas.

Los grficos de control son una herramienta para determinar si una serie de datos puede
ser utilizada para realizar predicciones de lo que ocurrir en el futuro. Es una tcnica de
inferencia inductiva. La induccin implica la extrapolacin de principios generales a
partir de observaciones especficas. Cualquier mtodo para pasar de lo especfico a la
generalidad nunca es ntido y perfecto. Siempre envuelve cierto grado de incertidumbre.
Los grficos de control son las herramientas para los problemas de induccin de la vida
real. Cuando la prediccin es viable y apropiada, proporcionan las bases para las
predicciones. Cuando la prediccin es inviable e inapropiada debido a la variacin
incontrolada, los grficos de control nos alertaran sobre esa inestabilidad. Recordemos
la definicin de Shewhart de control estadstico: Se dir que un fenmeno est
controlado cuando mediante la experiencia, podemos predecir, al menos dentro de unos
lmites, como podemos esperar que se comporte el fenmeno en el futuro. La esencia
del control estadstico es la previsin. Un proceso es predecible cuando se encuentra en
un estado de control estadstico, y es impredecible cuando no lo est.
Como la decisin se basa en la experiencia, ser necesario comenzar con datos
generados por el fenmeno en cuestin. Cuando se dispone de una cantidad razonable
de datos se utilizarn para calcular los lmites apropiados. Si los datos histricos se
encuentran dentro de estos lmites, y si los datos obtenidos despus de calcular estos
Media
Desviacin
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
Media
Desviacin
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 inferior de control

22
lmites tambin se encuentran dentro de los lmites, entonces ser razonable efectuar
predicciones acerca de observaciones futuras.
Si, por el contrario, los datos histricos no caen dentro de los lmites (calculados a partir
de esos mismos datos) no hay razones para creer que las observaciones futuras caern
dentro de los lmites, y por tanto no hay fundamento para efectuar predicciones.
As, la lgica que se encuentra detrs de los grficos de Shewhart se puede resumir en el
siguiente diagrama de flujo:

La hiptesis inicial es que el proceso permanece estable a lo largo de un periodo de
tiempo. Esta hiptesis justifica la utilizacin de las medias y las desviaciones para el
clculo de lmites.
A continuacin, basndose en los valores obtenidos para la media y las desviaciones se
realiza una prediccin sobre el comportamiento del proceso. En concreto, esta
prediccin se expresa en forma de lmites para la cantidad de variacin que se espera
para la media y los rangos. Finalmente, las medias y las desviaciones observados se
comparan con los lmites. De esta comparacin pueden producirse dos resultados:
1. Si las observaciones con coherentes con las predicciones, quedan dentro de los
limites, no hay ninguna evidencia slida para contradecir la hiptesis de estabilidad
del proceso, sin embargo, la prueba real de la estabilidad del proceso ser que se
sigue manteniendo las observaciones dentro de los lmites.
2. Si las observaciones son inconsistentes con las predicciones, alguna queda fuera de
los lmites, el proceso no es estable. Esta conclusin se debe a como se calculan los
lmites. Esta inconsistencia se debe casi con seguridad a la hiptesis incorrecta de
estabilidad, ms que a una violacin de los principios en que se apoya el clculo de
los lmites.
As, 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 actuacin, se dejar que el proceso contine
con su funcionamiento habitual hasta que el grfico de control indique que el proceso ha
cambiado.
Asumir que
el proceso
presenta
variacin
controlada
Calcular los limites de
comportamiento y evaluar el
comportamiento
Comparar los valores
observados o futuros
de la media y
desviaciones con los
lmites 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
lmites es la nica prueba de
estabilidad
Hay que actuar para
identificar y eliminar las
causas asignables.

23
Es un error actuar sobre el proceso antes de que se detecte el cambio. No importa cuan
elocuente puede ser la justificacin, la actuacin en la ausencia de una seal detectable
de los datos se basa esencialmente en conjeturas infundadas. Por este motivo, es bsico
aprender a separar las seales potenciales del ruido. Los grficos 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
localizacin como la dispersin de los datos. Esto se consigue utilizando subgrupos
obtenidos peridicamente. 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 est
cambiando con el tiempo, y viceversa.
La decisin de utilizar lmites tres sigma en los grficos de control no se basa
nicamente en la teora de la probabilidad. Este punto ha sido con mucha frecuencia mal
entendido. Analicemos algunos de los prrafos originales de Shewhart relativos a este
punto:
Debemos utilizar unos lmites tales que su uso no nos haga perder mucho tiempo
buscando problemas innecesariamente.
El mtodo de ataque es establecer lmites de variabilidadde modo que cuando una
observacin se encuentre fuera de esos lmites valga la pena buscar una causa
asignable.
normalmente utilizaremos un intervalos simtrico caracterizado por lmites
t
La experiencia indica que t = 3 parece un valor econmico aceptable.
Los lmites tres-sigma no son unos lmites deducidos mediante teoras de probabilidad.
Aunque utilizaremos la teora de la probabilidad para demostrar algunas propiedades
interesantes de estos lmites, es importante recordar que Shewhart utiliz otras
consideraciones para seleccionar este criterio. La justificacin ms fuerte es la evidencia
de que estos lmites funcionan bien en la prctica ya que proporcionan lmites de accin
efectivos cuando se aplican a datos del mundo real. Como ocurre casi siempre en
ingeniera primero es la evidencia emprica y despus viene la explicacin terica.
Por tanto, el siguiente argumento no puede justificar la utilizacin de los lmites 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 emprica siguiente es til
para caracterizar un conjunto de datos utilizando una medida de la localizacin y una
medida de la dispersin.
REGLA EMPRICA: Dado un conjunto homogneo 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.

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 estadsticos de dispersin habituales (el rango y la desviacin estndar) son
estimadores sesgados de la desviacin (sigma), por lo que deben aplicarse unas
correcciones utilizando las frmulas de la Tabla 1 del Apndice.
Conviene recalcar que no se requiere la hiptesis de normalidad de los datos. Esta regla
emprica se cumple para cualquier distribucin de probabilidad, sobre todo la parte
tercera. Sin embargo, los valores de las constantes que se utilizan para obtener los
lmites de control se obtienen a partir de la hiptesis de que los datos se distribuyen
conforme a una normal. Pero, afortunadamente, la hiptesis de normalidad no es crtica.
Las constantes no cambian apreciablemente cuando los datos no se distribuyen
conforme a una normal.
Los grficos 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 realiz estudios de simulacin para examinar la robustez del enfoque de los
grficos de control. Wheeler ampla ese estudio a ms tipos de distribuciones. La
conclusin sobre esos estudios es que un alejamiento de la normalidad no tiene
prcticamente ningn efecto sobre como funcionan los grficos de control para
identificar la variacin incontrolada. Esta robustez es crtica porque la mayora de los
datos reales no se van a distribuir conforme a una distribucin normal.
Como los datos que presentan control estadstico, son por definicin, razonablemente
homogneos, la regla emprica explica porque el grfico de control dar lugar a muy
pocas falsas alarmas: es muy probable que cuando un punto quede fuera de los lmites
de control se deba a la presencia de una causa asignable.
Veamos la siguiente ilustracin. Asumamos que un proceso est estable (en control
estadstico). Sean las curvas de la figura la representacin de la produccin cada hora.
Como el proceso es estable, estas curvas sern siempre las mismas, hora tras hora. Si

cada hora se selecciona un subgrupo de cuatro piezas, sus mediciones, X, sern
distintas.
Para cada subgrupo calculamos su media X y su rango R (mximo mnimo). Estos
estadsticos se dibujan grficos 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 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 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 n
x
tiempo
tiempo
R
X
tiempo
tiempo
R
tiempo
tiempo
R
tiempo
tiempo
R
X

25
Mientras el proceso permanezca estable y sin cambios, las medias y los rangos de los
subgrupos se movern errtica y aleatoriamente dentro de estos lmites. Mientras ocurra
esto, puede decirse que no se detecta una variacin 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 est cambiando de una hora a otra.

Los cambios en el proceso se detectan con los grficos 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 lmites, incluso en este caso los limites sern
adecuados para detectar una falta de control. Es esta robustez la que hace que esta
tcnica sea tan efectiva en la prctica, ya que muchas veces no podemos saber por
adelantado si los datos presentan una falta de control o no.

5.2 Calculo inicial y actualizacin de los lmites
Cuando se construye inicialmente un grfico hemos de esperar a contar con al menos
cinco subgrupos homogneos. Como los lmites se calculan para que sean robustos,
detectaran una falta de control incluso si se han utilizado puntos fuera de control en su
clculo.
Estos son lmites que se calculan con pocos datos. La recomendacin es actualizar los
lmites cada nuevo subgrupo si esto se realiza de forma automtica y en tiempo real.
A partir de 100 observaciones el seguir actualizando dar generalmente modificaciones
muy pequeas. A menos que el proceso cambie no se necesita seguir actualizando los
lmites. La excesiva actualizacin de los lmites puede esconder algunas tendencias,
puede oscurecer alguna tendencia a largo plazo en los valores. Cuando los datos se
pueden obtener de forma rpida es aconsejable esperar a tener disponibles de 20 a 30
subgrupos antes de calcular los lmites. El motivo es tratar de asegurar que algunos
valores extremos que pudiera haber en la serie no tengan una influencia excesiva en los
lmites calculados. Sin embargo, cuando se disponga de un nmero limitado de datos, o
si su obtencin requiere periodos largos, se pueden calcular los lmites 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

26
Cuando se estn manejando muy pocos datos, cualquier punto fuera de control indica la
presencia de una causa asignable, por tanto el nico riesgo que se corre al utilizar pocos
datos es perder alguna seal de falta de control. Como este es exactamente el mismo
riesgo en que se incurre esperando a disponer de ms datos para calcular los lmites,
realmente no se pierde nada para calcular los lmites con pocos datos. A medida que se
vayan disponiendo de ms datos se irn recalculando y actualizando los lmites.
Si bien con los grficos de control se pretende detectar una falta de control cuando esta
exista, la lgica que hemos comentado en el apartado anterior sugiere que un
funcionamiento continuo dentro de los lmites tambin es seal de un estado de control
estadstico. Si consideramos, al igual que Shewhart, que un estado de control estadstico
es un ideal que slo puede aproximarse en la prctica, entonces necesitamos un criterio
para decidir cuando un proceso est prximo de forma razonable a ese ideal.
Shewhart proporcion un criterio conservador para los grficos de media y el rango con
subgrupos de tamao 4; si los grficos 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 estadstico.
Shewhart tambin escribi 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 lmites se deben volver a calcular, actualizar, cada vez que se introduzca un cambio
en el proceso. Si el cambio es deliberado es lgico obtener nuevos datos y nuevos
lmites. Durante los primeros datos de la nueva serie se pueden dibujar los nuevos
lmites utilizando los viejos lmites como medio para verificar el efecto del cambio
introducido. Si los puntos lo confirman, ser necesario calcular nuevos lmites. Si los
nuevos datos quedan dentro de los viejos lmites quiere decir que el cambio no ha sido
efectivo y por tanto podemos continuar con los lmites antiguos.
Si encontramos y eliminamos la causa asignable lo que tenemos que hacer es empezar
un nuevo grfico, obtener nuevos datos y calcular nuevos lmites, el proceso ha
cambiado y por tanto los datos anteriores no reflejan el comportamiento actual del
proceso, por lo que la mayora de las veces no seguiremos considerando los datos
anteriores al cambio.

5.3.-Patrones de comportamiento.
Los grficos de control de Shewhart dan lugar a muy pocas falsas alarmas. Esto es por
lo que los lmites de tres-sigma son tan adecuados. Cuando un punto queda fuera de los
lmites 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 lmites, por arriba y debajo de la lnea central de forma
aleatoria es seguro decir que el proceso parece estar estabilizado.
Pero que ocurre si los puntos del grfico no varan de forma aleatoria?, Qu pasa si se
observa un patrn aparente en su evolucin? Si el patrn puede interpretarse con un
sentido en el contexto del proceso, debe tomarse como un indicio de una causa
asignable. Si el patrn no tiene sentido en el contexto del proceso, y si no persiste a lo
largo del tiempo, no requiere de interpretacin.

27
Para evitar interpretar patrones que son debidos nicamente a la casualidad, se utilizan
algunas guas para identificar patrones no aleatorios. A continuacin se describen
algunas de estas guas o reglas.
Las reglas de rachas son las herramientas bsicas para detectar patrones de
comportamiento en la evolucin de los puntos del grfico. La ms comn es la racha
alrededor de la lnea central. Se trata de un conjunto de puntos sucesivos que se
encuentran en el mismo lado de la lnea 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 ms
interesante. Si obtuviramos ocho caras sucesivas, uno sospechara que algo raro hay en
la moneda (la probabilidad terica es de 1/128).
De la misma forma, cuando ocho o ms puntos consecutivos caen a un mismo lado de la
lnea central del grfico de las medias, debe considerarse como una evidencia de un
cambio sostenido en la media del proceso, aunque ningn punto quede fuera de los
lmites de control.
Al aplicar esta regla al grfico del rango hemos de considerar la falta de simetra de la
distribucin de los rangos o de cualquier otra medida de dispersin. Esta falta de
simetra incrementa la posibilidad de largas rachas por debajo de la lnea central.
Hay dos formas de remediar este inconveniente. La ms simple es ser ms conservador
a la hora de interpretar el grfico del rango. En lugar de ocho puntos, podemos esperar a
tener doce antes de buscar una causa asignable. Un mtodo un poco mejor, aunque ms
complicado, es utilizar el rango mediano como lnea central, con esta lnea central
rachas de ocho o ms puntos consecutivos por debajo o por arriba sern una indicacin
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 lmites de control tres sigma.
Regla 2.- al menos dos de tres valores consecutivos quedan en el mismo lado y a
ms de dos unidades sigma de la lnea central.
Regla 3.- al menos cuatro de cinco valores consecutivos quedan en el mismo lado y
a ms de un sigma de la lnea central.
Regla 4.- al menos ocho valores consecutivos en el mismo lado de la lnea central.

Pasando de la regla 1 a la 4 se requieren progresivamente rachas ms largas a medida
que se permite que los puntos se acerquen a la lnea central. Las reglas 1 y 4 son las de
aplicacin ms inmediata ya que no requieren de clculos adicionales. Si se requiere de
mayor sensibilidad pueden irse aadiendo las reglas 2 y posiblemente la regla 3.
En cualquier caso debe recordarse que el propsito es evaluar el comportamiento del
proceso. Esto significa que lo ms importante para detectar una falta de control en el
grfico es la habilidad para interpretarlo en el contexto del proceso. Sin esa habilidad,
una regla de rachas ser de poco valor. Es decir, estas reglas, as como cualquier otra
regla adicional, deben ser utilizadas siempre con prudencia.

28
Tambin conviene puntualizar que cada regla es sensible a un tipo de patrn de
comportamiento. Las reglas que hemos introducido estn orientadas a detectar cambios
sostenidos. Existen otras reglas orientadas a detectar oscilaciones, y otras para
tendencias. Podamos haber incluido muchas ms reglas. Sin embargo, cuantos ms
criterios aadimos para detectar falta de control, la probabilidad de producirse falsas
alarmas incrementa.
Una forma habitual para caracterizar un conjunto de reglas de deteccin consiste en
calcular la longitud de recorrido media entre falsas alarmas. La longitud de recorrido
media (LRM) es siempre un valor terico que sirve como mera referencia, pero si nos
da una indicacin de lo que ocurre a medida que incluimos ms reglas en nuestro
anlisis.
Utilizando nicamente la regla 1, la longitud de recorrido medio entre falsas
alarmas es 370 subgrupos en el grfico de la media.
Si se utilizan las reglas 1 y 4 LRM cae a 153 subgrupos.
Si se utilizan las cuatro reglas, la LRM terica es de 92 subgrupos.
Esta ltima LRM es todava aceptable en la mayora de los casos, pero incluyendo ms
reglas todava se reducira ms, lo cual ya no sera aceptable en la mayora de los casos.
Por este motivo se recomienda en general utilizar slo estas cuatro reglas junto con la
siguiente consideracin: como la interpretacin de cualquier racha depende de la
estructura de los datos, es prcticamente 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
grfico.
Nota terica
El mtodo estadstico para determinar el tamao y la frecuencia de la muestra que
vamos a utilizar utiliza el concepto de la Longitud del Recorrido Medio (LRM) del
grfico de control. Esencialmente la LRM es el nmero medio de puntos que deben
representarse en el grfico de control antes de que un punto indique una condicin de
falta de control. Para cualquier grfico de Shewhart la LRM puede calcularse a partir de
la media de una distribucin geomtrica
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 despus de un numero determinado k de puntos sucesivos
entre los limites. Esta situacin se puede modelar utilizando la distribucin geomtrica
negativa: P[X=k]=(1-p)
k
p
cuya esperanza matemtica es E[X]=1-p/p.
Para p<<1 podemos hacer la aproximacin p
p
p
/ 1
1

Por tanto, cuando el proceso est bajo control p = . Anlogamente, se puede mostrar
que cuando el proceso est fuera de control p = 1 .
Tradicionalmente la eleccin de los lmites de control y el nivel de intervencin se
realizan en base a criterios estadsticos. Por ejemplo, se disea un grfico de control de

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

Consideremos un grfico X para controlar un proceso normalmente distribuido. Se
toman muestras de tamao n cada h horas, que se representan en el grfico con lmites
k-sigma. Dado un , obtenemos los limites k-sigma as como una expresin para el
nmero de muestras y tiempo que pasar hasta que se genere una seal de falsa alarma.
( ) ( ) ( )
( )
1
1 2
0 0
= +
|
\
| = = =
= +

P k
n
X k
n
P k Z k P Z k P Z k
P Z k

donde Z
X
n
=

0
es la variable estandarizada.
( ) ( ) ( ) ( ) = + = 1 1 2 2 1 P Z k P Z k
El nmero medio de observaciones que se realizaran hasta que aparezca una seal de
falsa alarma, Longitud del Recorrido Medio (LRM) es:

( ) ( )
LRM
1 1
2 1 P Z k
1
= =

siendo el tiempo que transcurrir
( ) ( )
Tiempo
h
2 1 P Z k
=

Cuando la media del proceso cambia a
1 0
= + , la LRM, es el nmero de muestras
que se tomarn 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 hiptesis nula, aparezca una observacin dentro de los lmites de
control. Esto es el error de tipo II.
= +
0
y Z
X
n
=

0

( )
( )
( ) ( ) ( ) ( )

= + = +
|
\
|
|
=
=

|
\
|
|
|
|
= =
= = + + +
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 nmero medio de muestras para detectar el cambio en la media es:

30
( ) ( )
LRM
1 1
P Z k n P Z k n
2
2
= =
+
1 11 1

De este modo si deseamos una determinada potencia para un especfico tenemos
fijado el tamao 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 cuestin 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 especificacin
deseada, cuando se encuentra bajo control estadstico. 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 estadstico. 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 fabricacin depende de las
caractersticas mecnicas y fsicas de los materiales obtenidos, de sus dimensiones y
superficies.
Las dimensiones son los tamaos lineales o angulares de los componentes especificados
en el plano de diseo. 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 diseo de la pieza representan las dimensiones bsicas o
nominales que al diseador le gustara que tuvieran, si esta pudiera hacerse a un tamao
exacto y sin variaciones en el proceso de fabricacin.
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 dimensin especificada vare. La tolerancia es la diferencia entre el lmite mximo
y el lmite mnimo de especificacin de la dimensin que se puede aceptar sin arriesgar
la funcin de la pieza. Las tolerancias se han de establecer de manera que el
componente no se fabrique con mayor precisin de la necesaria, ya que en la mayora de
los casos la reduccin de tolerancia incrementa los costes de fabricacin y de
inspeccin.
En cada proceso de fabricacin podemos obtener un determinado grado de precisin.
As, la mayora 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
fundicin ( por ejemplo en arena) son menos precisos y deben especificarse tolerancias
10 20 veces mayores que para el mecanizado. Las tolerancias adems de la operacin
particular que estemos considerando, tambin dependen del tamao de la pieza; las
piezas mayores requieren tolerancias mas amplias, generalmente. Nosotros siempre nos
referiremos a tolerancias tpicas para piezas de tamao adecuado para cada proceso de
fabricacin.

31
Otros atributos geomtricos de las piezas que definen su calidad son los siguientes:
Angularidad: grado en que una seccin de la pieza, una superficie o un eje,
forma un ngulo especificado respecto a una superficie de referencia. Si el ngulo
es de 90 e habla de perpendicularidad.
Circularidad: Para una superficie de revolucin, como un cilindro, agujero
circular o cono, la circularidad es el grado en el cual todos los puntos de la
interseccin de la superficie y un plano perpendicular al eje de revolucin
equidistan de dicho eje. Para una esfera, la circularidad es el grado al cual todos los
puntos de la interseccin de la superficie de esta y un plano que pasa por el centro
son equidistantes a dicho centro.
Concentricidad: grado al cual dos o ms formas tienen un eje en comn.
Planicidad: grado en el cual todos los puntos de una superficie yacen en un
plano nico.
Rectitud: grado en el cual una forma de la pieza es una lnea recta.

Clculo de la Capacidad de los procesos
Para la seleccin y planificacin del proceso de fabricacin resulta pues crucial conocer
cual es su capacidad, es decir, la aptitud del proceso para obtener la especificacin
deseada, dimensional y superficial, cuando se encuentra bajo control estadstico.
La siguiente figura muestra el histograma obtenido respecto de una caracterstica
geomtrica en una operacin de taladrado. La primera impresin 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
ndice de Capacidad del Proceso (ICP):

32
6 6
tolerancia LIE LSE
ICP =
=
A veces se llama a la anchura 6 ( ( 3 3 a a c ca ad da a l la ad do o) ) capacidad bsica del proceso y a a
los limites 3 3 limites naturales de tolerancia . .
El ICP tiene una interpretacin 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 producirn pocos productos
defectuosos. Si ICP=1 se obtienen mas productos defectuosos. De hecho si el proceso se
distribuye segn una normal, la fraccin esperada de defectos ser del 0.27%, sea,
2700 unidades por milln. Finalmente si ICP<1, se producirn una gran cantidad de
productos defectuosos.
LCI LCS
0
Capacidad del Proceso ICP>1
6
LCI

LCS
6
ICP=1

LCI

LCS
ICP<1
unidades
defectuosas
6

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 n nd di ic ce es s d de e c ca ap pa ac ci id da ad d
La definicin anterior del ICP asume que las tolerancias son simtricas y el proceso se
encuentra centrado en su valor nominal. Si el proceso est descentrado, la capacidad
real ser menor que la indicada por el ICP. As, es mejor pensar en el ICP como un

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

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 especificacin mas cercano es seis desviaciones
estndar. Si el proceso se distribuye segn una normal esto significa que se obtendrn
0.0018 unidades defectuosas por milln. El motivo que justifica est alta capacidad hay
que buscarlo en la dificultad de mantener centrados muchos procesos. . A As s s si i e el l p pr ro oc ce es so o
se descentra en 15 . el ICP
k
se reduce a
4 5
3
15
.
.
= . . Asumiendo que el proceso se

distribuye conforme a una normal, se obtendrn en promedio 3.4 unidades defectuosas
por milln.
Chan (1988) y Boyles (1991) introducen un indicador adicional nico que tiene en
cuenta no solo el hecho de que el proceso est descentrado sino el valor de esta
diferencia ( - T) siendo T el valor requerido y la posicin real del proceso:

=

Siendo
2
=
2
+ ( - T)
2

En la prctica, Cpm se estima:

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 tamao uno, por ejemplo cuando se dan
alguna de las siguientes circunstancias:
La velocidad de fabricacin es muy baja haciendo inconveniente el tener que
esperar para acumular varias unidades
Las distintas mediciones del proceso difieren nicamente debido a los errores de
medicin, como ocurre en la mayora de procesos qumicos
El grfico de control para medidas individuales utiliza el rango mvil de dos
observaciones sucesivas para estimar la variabilidad del proceso. El rango mvil se
define como
M X X
i i i
=
1


34
Ejemplo
En el siguiente ejemplo aparecen 20 observaciones de la concentracin de un
determinado producto qumico. Las observaciones se toman a intervalos de una hora.
Viscosidad Rango mvil
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 grfico de control para las medidas individuales en primer lugar
calculamos la media, x = 991 . , y la media de los rangos mviles de dos observaciones
que aparece en la ltima columna, m = 2 59 . . Como un rango mvil tiene en cuenta dos
observaciones D
3
=0 y D
4
=3.267. As el grfico de los rangos mviles tiene como lnea
central 2.59, LCI=0, LCS=(3.267)(2.59)=8.46.
La lnea central y los lmites de control para el grfico 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.

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 mvil
2.58947
8.464
0

Este grfico es poco sensible a pequeos cambios en la media. Por ejemplo, si el cambio
en la media es de una desviacin estndar, la longitud media para detectar este cambio
es LRM=43.9 muestras.


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

Ejemplo 1.- Calculo de los lmites de la media y el rango.
Con la utilizacin que hace Shewhart de los subgrupos peridicos 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 bsicamente 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 lmites 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 lnea central para el grfico de X es X .
La lnea central para el grfico de R es R .
5. Encontrar los valores de A
2
, D
3
y D
4
en la tabla de constantes para los grficos
de la media y el rango.
6. Multiplicar R por A
2
= A
2
R .
7. El lmite de control superior para el grfico X es X + A
2
R .
8. El lmite de control inferior para el grfico X es X - A
2
R .
9. El lmite de control superior para el grfico R es D
4
R .
10. El lmite de control inferior para el grfico R es D
3
R .
Los valores de la tabla representan el espesor de una cierta pieza como desviacin
respecto una dimensin 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

37
Observando estos tres histogramas esta claro que son diferentes para cada variable;
tienen diferentes formas y dispersiones. El histograma de las medias siempre ser mas
estrecho que el histograma de los valores individuales.
Los lmites 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 frmulas para el grfico de las medias:
Lmite superior = X + A
2
R .= 4.763+0.729 (4.05)
Lnea central = X = 4.763
Lmite inferior = X - A
2
R = 1.811
Y para el grfico de los rangos
Lmite de control superior = D
4
R = 2.282 * 4.05 = 9.24
Lnea Central = R = 4.05
Lmite de control inferior = D
3
R = ( no existe para n=4)

Ejemplo 2. Dos formas correctas de calcular los lmites de los grficos 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

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

Calculamos los lmites utilizando como medida de la dispersin 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

Tambin podemos utilizar como medida de la dispersin la desviacin estndar de los
subgrupos. Este estadstico es ms apropiado que el rango cuando el tamao de los
subgrupos es grande (n> 15).
Para calcular los lmites en este caso utilizamos los factores de la Tabla 3 del apndice.
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 mtodos de calcular los lmites son correctos a pesar del hecho de que se han
utilizado datos fuera de control para calcularlos. Tambin se pueden utilizar de la misma
forma otros estadsticos de la dispersin de los subgrupos como la desviacin cuadrtica
subgrupos Valores Media Rango Desviacin
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

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. Patrn 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 grfico de las medias se observa dos rachas largas, una de diez puntos por encima
de la lnea central y una de nueve puntos por debajo. Ambas rachas se interpretan como
una falta de control. En el grfico del rango se observan diez rachas, dos de las cuales
son de seis valores por encima de la lnea central. Ninguna de ellas satisface la regla que
hemos comentado

Tabla de datos del ejemplo 4

Grfico 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

40

Grfico de los rangos, ejemplo 3.
Las siguientes reglas son un poco ms complejas porque adems de considerar la
duracin de la racha tambin utiliza la distancia respecto a la lnea 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 estn en el mismo lado de la lnea
central y
b) estos dos valores se encuentran ms all de dos unidades sigma de la lnea
central (el tercer valor puede quedar en cualquier lado de la lnea central).
Siguiendo con el ejemplo, calculamos los lmites 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 lneas dos sigma para el grfico 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 lmite dos sigma para el grfico del rango:
unidades R sigma
unidades R sigma
5 . 36
3
5 . 109
) (
5 . 109 5 . 69 179 ) ( 3
= =
= =

Lmites dos sigma 54 . 142 73 54 . 69 = + .
La lnea inferior no se muestra, pues los rangos no pueden ser negativos.
El grfico del rango no muestra ninguna evidencia de cambio, basndonos 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
lnea central,
b) estos cuatro valores estn ms all de la lnea un sigma (el quinto valor puede
estar a ambos lados de la lnea 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

41

Calculamos ahora las lneas un sigma para el grfico de la media,
144,54 23,72 = 168,26 y 120,82
Los subgrupos del 7 al 14 se encuentran por encima de la lnea. Estos puntos indican un
cambio. Los subgrupos del 18 al 21 se encuentran por debajo de la lnea central, pero
como slo hay dos de cuatro valores consecutivos por debajo de la lnea un sigma no se
puede tomar como evidencia suficiente de cambio.
Para el grfico del rango, las lneas 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 dispersin del proceso que no fue detectada anteriormente.
Ejemplo 4. Distintos subgrupos, distintos anlisis
Mediante un proceso de moldeo por inyeccin se va a fabricar una cierta pieza. El
molde tiene cuatro cavidades. Para obtener un certificado de produccin se realizan una
serie de pruebas antes de pasar a la produccin en serie. El jefe de la seccin decide
utilizar los grficos de control para evaluar estas pruebas. La prueba se realiza con un
solo molde, una sola prensa y un solo operario. La caracterstica a controlar es el
espesor de la pieza medido en milmetros. Debido a que una parte de la pieza es
convexa se ha tenido que disear una galga especial para medir ese espesor. El jefe de la
seccin toma cuatro veces al da una muestra de piezas fabricadas en cinco ciclos
consecutivos de la prensa, es decir 20 piezas cada dos horas. El jefe de seccin anota
tanto el ciclo como la posicin de cada pieza en el molde.
En estos datos hay pues tres fuentes de variacin identificadas. La variacin en el
tiempo representada por los conjuntos de 20 piezas. La variacin de los ciclos,
representada en las columnas de los datos. Y la variacin de la cavidad del molde
representada en las filas. El jefe de seccin tiene que elegir como organizar los datos en
subgrupos y como organizar los subgrupos en los grficos de control. La primera
organizacin que trat se muestra en la siguiente tabla.

42

Primera organizacin de los datos
Con esta organizacin se utilizan las columnas para formar los subgrupos. Es decir, la
variacin entre cavidades se mostrar dentro de los subgrupos, y la variacin 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
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
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
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
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

43

Con esta primera organizacin se disponen de 100 subgrupos de tamao 4. La media
total es 9.74 y el rango medio 7.90 unidades. Los lmites para la media son 3.98 y 15.5
unidades. El lmite superior del rango es 18.03 unidades.
El anlisis de este grfico no parece indicar ninguna diferencia apreciable en la
evolucin temporal y debida a los ciclos. Ntese que el factor
X
R
, que llamaremos
factor de ruido, en este caso es de 84%. Cuando, cmo en este caso el factor de ruido es
muy grande los grficos son poco sensibles a la variacin.

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

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

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

El grfico de la media muestra un patrn 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 est produciendo piezas que tienen un
espesor detectablemente mayor que las producidas por las dems cavidades.
Debido a que la variacin debida a los ciclos es mucho menor que las diferencias
debidas a las cavidades los limites de control estn ms juntos que en el caso anterior.
As con esta organizacin, adems de considerar cuestiones distintas, los grficos son
ms sensibles que en la primera organizacin.

En la tercera organizacin construimos un grfico 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

45

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

46

Dibujando los grficos en la misma escala la diferencia entre la cavidad 1 y el resto
queda patente. Este problema se solucion rectificando los moldes en el taller.
Adems tambin se indica falta de control. En cada uno de los grficos la variacin a
largo plazo (hora a hora) se compara directamente con la variacin a corto plazo (ciclo a
ciclo). Estos grficos muestran que la variacin a largo plazo es excesiva. Alguna causa
asignable est provocando que la prensa est fabricando piezas mas delgadas una hora,
y con ms espesor en la siguiente hora.
Con esta tercera organizacin 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 est
presente en el resto de grficos pero en el primer grfico la podamos 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
seccin se dio cuenta de que la variacin en el tiempo era la falta de un programa
sistemtico de limpieza del molde. Cuando este se puso en marcha, desapareci 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

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 pgina 20 del libro de
Shewhart de 1931. Los 51 subgrupos de tamao 4 fueron obtenidos en orden secuencial.
Calcular los lmites 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 fundicin. Cada da 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

48

a) Calcula los limites de control para la media de cada da a partir del quinto
b) Dibuja la evolucin de los limites de control y de la media
c) Cunta variacin en el nivel diario promedio de silicatos cabra esperar si el
proceso estuviera bajo control?

Ejercicio 3
La consistencia en el espesor de un azulejo es una importante caracterstica 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 posicin del horno. En cada pieza se
midi 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 est bajo control?
b) Compara el espesor promedio en cada una de las ocho localizaciones utilizando el
grfico de control con los distintos azulejos dentro del subgrupo
c) Cmo afecta la conclusin del apartado b a la conclusin del a)?

Posicin/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

49
Ejercicio 4.
La profundidad del paso de una llave es una importante caracterstica de calidad. Se
toman muestras de tamao n = 5 cada cuatro horas del proceso
a. realizar los grficos X y R para este proceso. Est el proceso bajo control?.
b. Estimar la desviacin estndar del proceso.
c. Suponer que la especificacin es 140 2 . Calcular el Cpk. Qu afirmaciones se
pueden hacer sobre la capacidad del proceso?.

Ejercicio 5
El dimetro de las clavijas de fusibles utilizados en motores de avin es una
caracterstica de calidad importante. En la tabla aparecen los datos de 25 muestras de
tres clavijas cada una (en mm.).
a. Realizar los grficos X y R para este proceso. Est el proceso bajo control
estadstico?.
b. Estimar la media y desviacin tpica del proceso.
c. Suponer que las especificaciones del proceso son 63 2 . Calcular Cp. d.
Calcular Cp
k
. Utilizar este ndice 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

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 Supngase que un proceso est bajo control y que se utilizan lmites de control
3-sigma en el grfico X . Supngase que la media se traslada en 1.5. Cul es la
probabilidad de que este cambio en la media no se detecte en tres muestras
consecutivas?. Cul sera la probabilidad si los lmites de control utilizados fueran 2-
sigma?. El tamao de muestra es 4.
7 Considrese un proceso en el que las especificaciones de una caracterstica de
calidad son 100 15 . Se sabe que la desviacin tpica de esta caracterstica de calidad
normalmente distribuida es 5. Dnde se debera centrar el proceso para minimizar la
fraccin de productos defectuosos producidos?. Ahora supngase que la media cambia a
105 y que estamos utilizando un tamao de muestra 4 en un grfico X . Cul es la
probabilidad de que ese cambio se detecte en la primera muestra que sigue al cambio?.
Cul es el nmero medio de muestras hasta que un punto fuera de control aparece?.
Comparar este resultado con el nmero medio de observaciones hasta que aparece un
producto defectuoso (asumiendo normalidad).
8. Despus de una serie de experimentos se ha decido que los limites de un grfico de
control para la media deben establecerse suponiendo que la media de la poblacin es
= 31.4 y que la desviacin tpica de la poblacin es = 32 . .
Si el tamao de los subgrupos se ha fijado en 6, cules son los limites de control para
= 0 05 . ?. Cul es la potencia de este grfico para detectar un cambio negativo en la
media igual a dos veces la desviacin estndar?
9. Se desea disear un grfico de control (lmites de control, tamao de subgrupos y
frecuencia de inspeccin) para la media con las siguientes condiciones:
La longitud de recorrido medio cuando el proceso est bajo control ha de ser como
mnimo 100 y transcurrir 150 horas en promedio entre seales de alarma falsas.
Se quiere detectar la presencia de una causa asignable como mximo en 2 horas
despus de que esta haya provocado una desviacin igual a la desviacin estndar.
10. Las especificaciones de una determinada caracterstica de calidad de una pieza son
10015?. La desviacin tpica 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.

51
normalmente, inicialmente est centrado y se fabrican 100 piezas cada hora. Cuntas
piezas defectuosas se obtendrn en promedio durante 200 das laborales a un turno bajo
control estadstico?. El proceso se controla con un grfico de control de la media. Se
toman muestras de tamao 4 cada hora. Se quiere detectar un cambio de la media a 105
antes de que se produzcan ms de 10 piezas defectuosas como mximo. Donde se
deben situar los limites de control?


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

Tabla 1. Factores de correccin del sesgo
1

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

Anlogamente 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

53
Tabla 2. Factores para el clculo de los lmites de control utilizando el rango de los
subgrupos.

Tabla 3. Factores para el clculo de los lmites de control utilizando la desviacin
estndar 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

Tema 1 IQ PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 1 IQ PDF

Cargado por

Copyright:

Formatos disponibles

Ingeniera de Calidad.

= . . Asumiendo que el proceso se

También podría gustarte