Está en la página 1de 12

15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

www.statsoft.com

Productos
Soluciones What can we help you find?
Comprar
Ensayos
Apoyo
Libro de textoCuadros de control de calidad

Conceptos elementales
Glosario de estadísticas
Estadistica basica ¿Qué es el control de calidad y los cuadros de
control de calidad?
ANOVA / MANOVA
Reglas de asociación
Árboles en crecimiento
En todos los procesos de producción, debemos monitorear la medida en que nuestros productos
Análisis canónico
Análisis de CHAID cumplen con las especificaciones. En los términos más generales, hay dos "enemigos" de la
C & R Arboles calidad del producto:
Árboles de clasificación
desviaciones de las especificaciones de destino
Análisis de conglomerados
Análisis de correspondencia variabilidad excesiva alrededor de las especificaciones de destino
Técnicas de minería de datos
Análisis discriminante Durante las primeras etapas de desarrollo del proceso de producción, los experimentos diseñados
Distribución de distribución a menudo se utilizan para optimizar estas dos características de calidad (ver Diseño experimental
Diseño experimental
); Los métodos proporcionados en Control de calidad son procedimientos de control de calidad en
Análisis factorial
línea o en proceso para monitorear un proceso de producción en curso. Para descripciones
Discriminación general. Análisis
Modelos lineales generales detalladas de estos cuadros y ejemplos extensos anotados, vea Buffa (1972), Duncan (1974) Grant
Aditivo Generalizado Mod. y Leavenworth (1980), Juran (1962), Juran y Gryna (1970), Montgomery (1985, 1991), Shirland
Mod. Lineal Generalizada. (1993). ), o Vaughn (1974). Dos excelentes textos introductorios con un enfoque de "cómo hacer"
Regresión general mod. son Hart & Hart (1989) y Pyzdek (1989); Dos textos en alemán sobre este tema son Rinne y Mittag
Tecnicas graficas
(1995) y Mittag (1993).
Análisis de componentes ind.
Regresión lineal Enfoque general
Análisis log-lineal
Estableciendo límites de control
MARSplines
Aprendizaje automático Tipos comunes de gráficos
Escalamiento multidimensional Cuadros de control de ejecución corta
Redes neuronales Tablas de corto plazo para variables
Estimación no lineal
Cuadros de ejecución corta para atributos
Estadística no paramétrica
Mínimos cuadrados parciales Tamaños de muestra desiguales
Análisis de potencia Controle gráficos para variables frente a gráficos para atributos
Análisis de proceso
Cuadros de control para observaciones individuales
Cuadros de control de calidad
Proceso fuera de control: pruebas de ejecución
Fiabilidad / Análisis de artículos
SEPATH (estructural eq.) Curvas de Característica de Operación (OC)
Análisis de supervivencia Índices de capacidad de proceso
Extracción de textos
Otros cuadros de control especializados
Series de tiempo / pronóstico
Componentes de la varianza
 
Asesor estadistico
Tablas de distribución
Referencias citadas
Enfoque general
Enviar comentarios
El enfoque general del control de calidad en línea es sencillo: simplemente extraemos muestras
Soluciones de negocios
de cierto tamaño del proceso de producción en curso. Luego producimos gráficos de líneas de la
Recursos Gratis

http://www.statsoft.com/Textbook/Quality-Control-Charts 1/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?
Sobre el libro de texto variabilidad en esas muestras y consideramos su proximidad a las especificaciones objetivo. Si
surge una tendencia en esas líneas, o si las muestras están fuera de los límites preespecificados,
declaramos que el proceso está fuera de control y tomamos medidas para encontrar la causa del
problema. Estos tipos de gráficos a veces también se conocen como gráficos de control de
Shewhart (nombrados después de WA Shewhart, a quienes generalmente se les atribuye como los
primeros en introducir estos métodos; consulte Shewhart, 1931).

Interpretando el cuadro. La pantalla más estándar en realidad contiene dos gráficos (y dos
histogramas ); uno se llama un gráfico X-bar , el otro se llama una tabla R .

En ambos gráficos de líneas, el eje horizontal representa las diferentes muestras; el eje vertical
para el gráfico de barras X representa los medios para la característica de interés; El eje vertical
para el gráfico R representa los rangos. Por ejemplo, supongamos que queremos controlar el
diámetro de los anillos de pistón que estamos produciendo. La línea central en el gráfico de
barras X representaría el tamaño estándar deseado (por ejemplo, el diámetro en milímetros) de
los anillos, mientras que la línea central en el gráfico R representaría el rango aceptable (dentro
de la especificación) de los anillos dentro de las muestras; por lo tanto, este último gráfico es un
gráfico de la variabilidad del proceso (cuanto mayor sea la variabilidad, mayor será el rango).
Además de la línea central, un gráfico típico incluye dos líneas horizontales adicionales para
representar los límites de control superior e inferior (UCL, LCL , respectivamente); Volveremos a
esas líneas en breve. Normalmente, los puntos individuales en el gráfico, que representan las
muestras, están conectados por una línea. Si esta línea se mueve fuera de los límites de control
superior o inferior o muestra patrones sistemáticos en muestras consecutivas (ver Pruebas de
ejecución ), es posible que exista un problema de calidad.

Al Indice

Conceptos elementales analiza el concepto de la distribución muestral y las características de la


distribución normal . El método para construir los límites de control superior e inferior es una
aplicación directa de los principios descritos allí.

Estableciendo límites de control


Aunque podríamos determinar arbitrariamente cuándo declarar un proceso fuera de control (es
decir, fuera del rango UCL-LCL), es una práctica común aplicar principios estadísticos para
hacerlo.

Ejemplo. Supongamos que queremos controlar la media de una variable, como el tamaño de los
anillos de pistón. Bajo el supuesto de que la media (y la varianza) del proceso no cambia, las
medias de muestra sucesivas se distribuirán normalmente alrededor de la media real. Además,
sin entrar en detalles sobre la derivación de esta fórmula, también sabemos (debido al teorema
del límite central y, por lo tanto, a la distribución normal aproximada de los medios; ver, por
ejemplo, Hoyer y Ellis, 1996) que la distribución de la muestra significa tendrá una desviación
estándar de Sigma (la desviación estándar de puntos de datos individuales o mediciones) sobre la
raíz cuadrada de n (el tamaño de la muestra). De ello se deduce que aproximadamente el 95% de
las medias muestrales estarán dentro de los límites ± 1.96 * Sigma / raíz cuadrada (n) (consulte
Conceptos elementales para una discusión de las características de la distribución normal y el
teorema del límite central). En la práctica, es común reemplazar los 1.96 con 3 (de modo que el
intervalo incluya aproximadamente el 99% de las medias muestrales) y definir los límites de
control superior e inferior como límites de sigma de más y menos 3 , respectivamente.

http://www.statsoft.com/Textbook/Quality-Control-Charts 2/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

Caso general. El principio general para establecer los límites de control que se acaba de
describir se aplica a todos los cuadros de control. Después de decidir la característica que
queremos controlar, por ejemplo, la desviación estándar, estimamos la variabilidad esperada de
la característica respectiva en muestras del tamaño que estamos a punto de tomar. Esas
estimaciones se utilizan para establecer los límites de control en el gráfico.

Al Indice

Tipos comunes de gráficos


Los tipos de gráficos a menudo se clasifican según el tipo de característica de calidad que se
supone que deben monitorear: hay gráficos de control de calidad para las variables y gráficos de
control para los atributos. Específicamente, los siguientes gráficos se construyen comúnmente
para controlar las variables:

Gráfico de barras X. En este cuadro, los medios de muestra se trazan para controlar el valor
medio de una variable (por ejemplo, tamaño de los anillos de pistón, resistencia de los
materiales, etc.).
Gráfico r En este gráfico, los rangos de muestra se trazan para controlar la variabilidad de una
variable.
Carta s En este gráfico, las desviaciones estándar de la muestra se trazan para controlar la
variabilidad de una variable.
S ** 2 gráfico. En este gráfico, las variaciones de la muestra se trazan para controlar la
variabilidad de una variable.

Para controlar las características de calidad que representan los atributos del producto, los
siguientes cuadros se construyen comúnmente:

Gráfico C En esta tabla (ver ejemplo a continuación), trazamos el número de defectos (por
lote, por día, por máquina, por 100 pies de tubería, etc.). Este cuadro asume que los defectos
del atributo de calidad son raros , y los límites de control en este cuadro se calculan en
función de la distribución de Poisson (distribución de eventos raros).

Gráfico de u En esta tabla, trazamos la tasa de defectos , es decir, el número de defectos


dividido por el número de unidades inspeccionadas (la n ; por ejemplo, pies de tubería,
número de lotes). A diferencia de la tabla C, esta tabla no requiere un número constante de
unidades, y puede usarse, por ejemplo, cuando los lotes (muestras) son de diferentes
tamaños.
Tabla de np En esta tabla, trazamos el número de defectos (por lote, por día, por máquina)
como en la tabla C. Sin embargo, los límites de control en este gráfico no se basan en la
distribución de eventos raros, sino en la distribución binomial. Por lo tanto, esta tabla se debe
utilizar si la aparición de defectos no es rara (por ejemplo, ocurren en más del 5% de las
unidades inspeccionadas). Por ejemplo, podemos usar esta tabla para controlar el número de
unidades producidas con defectos menores.
Gráfico p En esta tabla, trazamos el porcentaje de defectos (por lote, por día, por máquina,
etc.) como en la tabla U. Sin embargo, los límites de control en este cuadro no se basan en la
distribución de eventos raros, sino en la distribución binomial (de proporciones). Por lo tanto,
este cuadro es más aplicable a situaciones en las que la aparición de defectos no es rara (por
ejemplo, esperamos que el porcentaje de defectos sea mayor al 5% del número total de
unidades producidas).
http://www.statsoft.com/Textbook/Quality-Control-Charts 3/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

Todos estos gráficos se pueden adaptar para ejecuciones cortas de producción ( gráficos de
corridas cortas ) y para múltiples flujos de procesos.

Al Indice

Cuadros de control de ejecución corta


El gráfico de control de corto plazo, o el gráfico de control para ejecuciones cortas de
producción, traza observaciones de variables o atributos para múltiples partes en el mismo
gráfico. Se desarrollaron cuadros de control de corto plazo para abordar el requisito de que se
deben recopilar varias docenas de mediciones de un proceso antes de calcular los límites de
control. A menudo, cumplir con este requisito es difícil para las operaciones que producen un
número limitado de una parte en particular durante una ejecución de producción.

Por ejemplo, una fábrica de papel puede producir solo tres o cuatro rollos (enormes) de un tipo
particular de papel (es decir, parte ) y luego cambiar la producción a otro tipo de papel. Pero si
las variables, como el grosor del papel, o los atributos, como las imperfecciones, se monitorean
para varias docenas de rollos de papel de, digamos, una docena de diferentes tipos, los límites de
control para el grosor y las imperfecciones podrían calcularse para el transformado (dentro de la
producción corta). ejecutar) valores variables de interés. En concreto, estas
transformaciones.reescalará los valores variables de interés de modo que sean de magnitudes
compatibles en las diferentes ejecuciones (o partes) cortas de producción. Los límites de control
calculados para esos valores transformados podrían aplicarse luego en el monitoreo del espesor y
las imperfecciones, independientemente de los tipos de papel (partes) que se producen. Los
procedimientos de control estadístico del proceso podrían usarse para determinar si el proceso
de producción está bajo control, para monitorear la producción continua y para establecer
procedimientos para la mejora continua de la calidad.

Para discusiones adicionales sobre tablas de corto plazo, refiérase a Bhote (1988), Johnson (1987)
o Montgomery (1991).

TABLAS DE CORTO PLAZO PARA VARIABLES


Cuadro nominal, cuadro objetivo. Hay varios tipos diferentes de gráficos de corto plazo. Los
más básicos son el gráfico de corto plazo nominal y el gráfico de corto plazo objetivo. En estas
gráficas, las medidas para cada parte se transforman restando una constante específica de la
parte. Estas constantes pueden ser los valores nominales de las partes respectivas ( gráfico de
corto recorrido nominal ), o pueden ser valores objetivo calculados a partir de las medias
(históricas) de cada parte ( barra X de destino y gráfico R)). Por ejemplo, los diámetros de los
orificios del pistón para diferentes bloques de motor producidos en una fábrica solo se pueden
comparar de manera significativa (para determinar la consistencia de los tamaños de orificio) si
las diferencias medias entre diámetros de orificio para motores de diferentes tamaños se
eliminan primero. El gráfico de corto plazo nominal o objetivo hace posibles tales
comparaciones. Tenga en cuenta que para el gráfico nominal o de destino se supone que la
variabilidad entre las partes es idéntica, de modo que los límites de control basados en una
estimación común del proceso sigma son aplicables.

Tabla estandarizada de corto plazo.Si no se puede suponer que la variabilidad del proceso para
diferentes partes sea idéntica, entonces es necesaria una transformación adicional antes de que
los medios de muestra para diferentes partes puedan representarse en el mismo gráfico.
Específicamente, en el gráfico de corto plazo estandarizado, los puntos del gráfico se
transforman aún más al dividir las desviaciones de las medias de muestra de las medias de las
partes (o valores nominales o objetivos para las partes) por las constantes específicas de las
partes que son proporcionales a la variabilidad de las partes respectivas. Por ejemplo, para el
gráfico de barra X y R de corto plazo, los puntos del gráfico (que se muestran en el gráfico de
barra X) se calculan primero restando de cada media de muestra una constante específica de la
parte (por ejemplo, la media de la parte respectiva, o valor nominal para la parte
correspondiente), y luego dividiendo la diferencia por otra constante, por ejemplo, por el rango

http://www.statsoft.com/Textbook/Quality-Control-Charts 4/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

promedio para el gráfico respectivo. Estas transformaciones darán como resultado escalas
comparables para las medias de muestra para diferentes partes.

CUADROS DE EJECUCIÓN CORTA PARA ATRIBUTOS


Para los gráficos de control de atributos (gráficos C, U, Np o P ), la estimación de la variabilidad
del proceso (proporción, tasa, etc.) es una función del promedio del proceso (proporción
promedio, tasa, etc.); por ejemplo , la desviación estándar de una proporción p es igual a la raíz
cuadrada de p * (1- p) / n) . Por lo tanto, solo los gráficos estandarizados de corto plazo están
disponibles para los atributos. Por ejemplo, en el gráfico de P corto plazo, los puntos de la trama
se calculan primero restando de las respectivas muestras de p valores la parte media p 's y, a
continuación, dividiendo por la desviación estándar de la media p ' s.

Al Indice

Tamaños de muestra desiguales


Cuando las muestras trazadas en el gráfico de control no tienen el mismo tamaño, entonces los
límites de control alrededor de la línea central (especificación del objetivo) no pueden
representarse mediante una línea recta. Por ejemplo, para volver a la fórmula Sigma / Raíz
cuadrada (n) presentada anteriormente para calcular los límites de control para el gráfico de
barras X, es obvio que la desigualdad de n dará lugar a diferentes límites de control para
diferentes tamaños de muestra. Hay tres formas de lidiar con esta situación.

Tamaño medio de la muestra. Si desea mantener los límites de control en línea recta (por
ejemplo, para hacer que el gráfico sea más fácil de leer y más fácil de usar en las
presentaciones), puede calcular el promedio de n por muestra en todas las muestras y establecer
los límites de control en función del Tamaño medio de la muestra. Este procedimiento no es
"exacto", sin embargo, siempre que los tamaños de muestra sean razonablemente similares entre
sí, este procedimiento es bastante adecuado.

Límites de control variable. Alternativamente, puede calcular diferentes límites de control para
cada muestra, en función de los tamaños de muestra respectivos. Este procedimiento conducirá a
límites de control variables , y dará lugar a un diagrama de pasos como líneas de control en el
gráfico. Este procedimiento garantiza que se calculen los límites de control correctos para cada
muestra. Sin embargo, se pierde la simplicidad de los límites de control en línea recta.

Cuadro estabilizado (normalizado). Lo mejor de dos mundos (límites de control de línea recta
que son precisos) se puede lograr estandarizando la cantidad a controlar (media, proporción,
etc.) de acuerdo con las unidades de sigma . Los límites de control se pueden expresar entonces
en líneas rectas, mientras que la ubicación de los puntos de muestra en el gráfico depende no
solo de la característica que se va a controlar, sino también de las respectivas muestras n 's. La
desventaja de este procedimiento es que los valores en el eje vertical ( Y ) en el gráfico de
control son en términos de sigma en lugar de las unidades de medida originales, y por lo tanto,
esos números no se pueden tomar a valor nominal (por ejemplo, una muestra con un valor de 3 es
3 veces sigmalejos de las especificaciones; para expresar el valor de esta muestra en términos de
las unidades de medida originales, necesitamos realizar algunos cálculos para convertir este
número nuevamente.

Al Indice

Controle gráficos para variables frente a gráficos para


atributos
A veces, el ingeniero de control de calidad puede elegir entre gráficos de control variable y
gráficos de control de atributos.

Ventajas de los cuadros de control de atributos. Los cuadros de control de atributos tienen la
ventaja de permitir resúmenes rápidos de varios aspectos de la calidad de un producto, es decir,
el ingeniero puede simplemente clasificar los productos como aceptables o inaceptables, según
diversos criterios de calidad. Por lo tanto, los gráficos de atributos a veces evitan la necesidad de
http://www.statsoft.com/Textbook/Quality-Control-Charts 5/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

dispositivos costosos y precisos y procedimientos de medición que requieren mucho tiempo.


Además, este tipo de cuadro tiende a ser comprendido más fácilmente por gerentes que no están
familiarizados con los procedimientos de control de calidad; por lo tanto, puede proporcionar
evidencia más persuasiva (a la gerencia) de problemas de calidad.

Ventajas de los cuadros de control de variables. Los cuadros de control de variables son más
sensibles que los cuadros de control de atributos (ver Montgomery, 1985, p. 203). Por lo tanto, los
gráficos de control de variables pueden alertarnos sobre problemas de calidad antes de que
ocurra cualquier "inaceptable" real (según lo detectado por el gráfico de atributos). Montgomery
(1985) llama a los cuadros de control variable los indicadores principales de problemas que
sonarán una alarma antes de que aumente el número de rechazos (chatarra) en el proceso de
producción.

Cuadro de control para observaciones individuales


Los cuadros de control variable se pueden construir para observaciones individuales tomadas de
la línea de producción, en lugar de muestras de observaciones. Esto a veces es necesario cuando
la prueba de muestras de observaciones múltiples sería demasiado costosa, inconveniente o
imposible. Por ejemplo, la cantidad de quejas de clientes o devoluciones de productos solo puede
estar disponible mensualmente; sin embargo, usted desea registrar esos números para detectar
problemas de calidad. Otra aplicación común de estos cuadros ocurre en los casos en que los
dispositivos de prueba automatizados inspeccionan cada unidad que se produce. En ese caso, a
menudo le interesa principalmente detectar pequeños cambios en la calidad del producto (por
ejemplo, un deterioro gradual de la calidad debido al desgaste de la máquina). El CUSUM, MA , y
EWMA Las gráficas de sumas acumuladas y promedios ponderados que se analizan a continuación
pueden ser más aplicables en esas situaciones.

Al Indice

Proceso fuera de control: pruebas de ejecución


Como se mencionó anteriormente en la introducción, cuando un punto de muestra (por ejemplo,
la media en un gráfico de barras X) cae fuera de las líneas de control, tiene razones para creer
que el proceso ya no puede tener el control. Además, debe buscar patrones sistemáticos de
puntos (por ejemplo, medios) en todas las muestras, ya que dichos patrones pueden indicar que
el promedio del proceso ha cambiado. Estas pruebas también se denominan a veces reglas de
AT&T (ver AT&T, 1959) o pruebas para causas especiales (por ejemplo, ver Nelson, 1984, 1985;
Grant y Leavenworth, 1980; Shirland, 1993). El término causas especiales o asignables en lugar
de azar o comúnShewhart utilizó las causas para distinguir entre un proceso que está en control,
con una variación debida únicamente a causas aleatorias (azar), de un proceso que está fuera de
control, con una variación que se debe a alguna no-casualidad o especial ( asignable ) factores
(cf. Montgomery, 1991, p. 102).

Como los límites de control sigma discutidos anteriormente, las reglas de ejecución se basan en
el razonamiento "estadístico". Por ejemplo, la probabilidad de que cualquier media de muestra
en un gráfico de control de X-barra caiga por encima de la línea central es igual a 0.5, siempre
que (1) el proceso esté en control (es decir, que el valor de la línea central sea igual a la media
de la población). ), (2) que las medias de muestra consecutivas son independientes (es decir, no
están correlacionadas automáticamente), y (3) que la distribución de las medias sigue la
distribución normal. En pocas palabras, bajo esas condiciones, hay una probabilidad de 50-50 de
que una media caiga por encima o por debajo de la línea central. Por lo tanto, la probabilidad de
que dos medias consecutivas caigan por encima de la línea central es igual a 0.5 veces 0.5 = 0.25.

En consecuencia, la probabilidad de que 9 muestras consecutivas (o una serie de 9 muestras)


caigan en el mismo lado de la línea central es igual a 0.5 ** 9 = .00195. Tenga en cuenta que esto
es aproximadamente la probabilidad con la que se puede esperar que una media muestral caiga
fuera de los límites sigma de 3 veces (dada la distribución normal y un proceso en control). Por lo
tanto, puede buscar 9 medias de muestra consecutivas en el mismo lado de la línea central como

http://www.statsoft.com/Textbook/Quality-Control-Charts 6/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

otra indicación de una condición fuera de control. Consulte a Duncan (1974) para obtener
detalles sobre la interpretación "estadística" de las otras pruebas (más complejas).

Zona A, B, C. Habitualmente, para definir las pruebas de ejecución, el área arriba y debajo de la
línea central del gráfico se divide en tres "zonas".

De forma predeterminada, la Zona A se define como el área entre 2 y 3 veces sigma por encima y
por debajo de la línea central; La Zona B se define como el área entre 1 y 2 veces sigma , y la
Zona C se define como el área entre la línea central y 1 veces sigma .

9 puntos en la Zona C o más allá (en un lado de la línea central). Si esta prueba es positiva (es
decir, si se detecta este patrón), entonces el promedio del proceso probablemente ha cambiado.
Tenga en cuenta que se supone que la distribución de la característica de calidad respectiva en el
gráfico es simétrica alrededor de la media. Este no es, por ejemplo, el caso de los gráficos R, los
gráficos S o la mayoría de los gráficos de atributos. Sin embargo, esto sigue siendo una prueba
útil para alertar al ingeniero de control de calidad sobre posibles cambios en el proceso. Por
ejemplo, vale la pena investigar muestras sucesivas con una variabilidad inferior a la media, ya
que pueden proporcionar sugerencias sobre cómo disminuir la variación en el proceso.

6 puntos en fila constantemente aumentando o disminuyendo. Esta prueba señala una


desviación en el promedio del proceso. A menudo, dicha desviación puede ser el resultado del
desgaste de la herramienta, el deterioro del mantenimiento, la mejora de la habilidad, etc.
(Nelson, 1985).

14 puntos seguidos alternando arriba y abajo. Si esta prueba es positiva, indica que dos causas
alternas sistemáticas están produciendo resultados diferentes. Por ejemplo, puede estar usando
dos proveedores alternos, o monitorear la calidad para dos turnos diferentes (alternos).

2 de 3 puntos seguidos en la Zona A o más allá. Esta prueba proporciona una "alerta temprana"
de un cambio de proceso. Tenga en cuenta que la probabilidad de un falso positivo (la prueba es
positiva pero el proceso está en control) para esta prueba en los gráficos de barras X es
aproximadamente del 2%.

4 de 5 puntos seguidos en la Zona B o más allá. Al igual que la prueba anterior, esta prueba
puede considerarse como un "indicador de alerta temprana" de un posible cambio en el proceso.
La tasa de error falso positivo para esta prueba también es de aproximadamente el 2%.

15 puntos seguidos en la Zona C (por encima y por debajo de la línea central). Esta prueba
indica una variabilidad menor que la esperada (según los límites de control actuales).

8 puntos seguidos en la Zona B, A o más allá, a cada lado de la línea central (sin puntos en la
Zona C). Esta prueba indica que diferentes muestras se ven afectadas por diferentes factores, lo
que resulta en una distribución bimodal de las medias. Esto puede suceder, por ejemplo, si
diferentes muestras en un gráfico de barras X fueron producidas por una de dos máquinas
diferentes, donde una produce partes por encima del promedio y la otra por debajo del
promedio.

Al Indice

Curvas de Característica de Operación (OC)


Un gráfico complementario común de los gráficos de control de calidad estándar es la
denominada característica operativa o curva OC (consulte el ejemplo a continuación). Una

http://www.statsoft.com/Textbook/Quality-Control-Charts 7/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

pregunta que viene a la mente cuando se usan tablas de atributos o variables estándar es qué tan
sensible es el procedimiento de control de calidad actual. En términos más específicos, ¿qué tan
probable es que no encuentre una muestra (por ejemplo, media en un gráfico de barras X) fuera
de los límites de control (es decir, acepte el proceso de producción como "en control"), cuando,
de hecho, , ha cambiado en cierta cantidad? Esta probabilidad se conoce generalmente como la
probabilidad de error (beta), es decir, la probabilidad de aceptar erróneamente un proceso
(media, proporción media, tasa media defectuosa, etc.) como "en control". Tenga en cuenta que
las curvas de características operativas pertenecen a la probabilidad de falsa aceptación
utilizando únicamente el criterio de límites fuera de control de muestra, y no las pruebas de
corridas descritas anteriormente.

Las curvas características de operación son extremadamente útiles para explorar la potencia de
nuestro procedimiento de control de calidad. La decisión real con respecto al tamaño de la
muestra debe depender no solo del costo de implementación del plan (por ejemplo, costo por
ítem muestreado), sino también de los costos resultantes de no detectar problemas de calidad.
La curva OC le permite al ingeniero estimar las probabilidades de no detectar cambios de ciertos
tamaños en la calidad de producción.

Índices de capacidad de proceso


Para los gráficos de control de variables, a menudo se desea incluir los llamados índices de
capacidad de proceso en el gráfico de resumen. En resumen, los índices de capacidad de proceso
expresan (como proporción) la proporción de piezas o elementos producidos por el proceso actual
que se encuentran dentro de los límites especificados por el usuario (por ejemplo, tolerancias de
ingeniería).

Por ejemplo, el llamado índice Cp se calcula como:

C p = (USL-LSL) / (6 * sigma)

donde sigma es la desviación estándar estimada del proceso, y USL y LSL son los límites superior
e inferior de especificación (ingeniería), respectivamente. Si la distribución de la característica o
variable de calidad respectiva (p. Ej., Tamaño de los anillos de pistón) es normal y el proceso
está perfectamente centrado (es decir, la media es igual al centro de diseño), este índice puede
interpretarse como la proporción de el rango de la curva normal estándar (el ancho del proceso)
que se encuentra dentro de los límites de la especificación de ingeniería. Si el proceso no está
centrada, un índice ajustado C pk se utiliza en su lugar. Para un proceso "capaz", el C pel índice
debe ser mayor que 1, es decir, los límites de especificación serían más de 6 veces los límites
sigma , de modo que se podría esperar que más del 99% de todos los artículos o piezas producidos
caigan dentro de las especificaciones de ingeniería aceptables. Para una discusión detallada de
este y otros índices, refiérase a Análisis de proceso

Al Indice

Otros cuadros de control especializados


Los tipos de gráficos de control mencionados hasta ahora son los "caballos de batalla" del control
de calidad, y son probablemente los métodos más utilizados. Sin embargo, con la llegada de la
computación de escritorio barata, los procedimientos que requieren más esfuerzo computacional
se han vuelto cada vez más populares.

http://www.statsoft.com/Textbook/Quality-Control-Charts 8/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

Gráficos de barra X para datos no normales. Los límites de control para los gráficos de barras X
estándar se construyen en base a la suposición de que las medias de muestra están distribuidas
aproximadamente en forma normal. Por lo tanto, las observaciones individuales subyacentes no
tienen que distribuirse normalmente, ya que, a medida que aumenta el tamaño de la muestra, la
distribución de los medios se volverá aproximadamente normal (es decir, vea la discusión del
teorema del límite central en los Conceptos elementales ; sin embargo, tenga en cuenta que
para R, S¸ y S ** 2 gráficos, esasumimos que las observaciones individuales son normalmente
distribuidas). Shewhart (1931) en su trabajo original experimentó con varias distribuciones no
normales para observaciones individuales, y evaluó las distribuciones resultantes de los medios
para muestras de tamaño cuatro. Concluyó que, de hecho, los límites de control estándar
estándar basados en la distribución para los medios son apropiados, siempre que la distribución
subyacente de las observaciones sea aproximadamente normal. (Ver también Hoyer y Ellis, 1996,
para una introducción y discusión de los supuestos de distribución para la cartografía de control
de calidad).

Sin embargo, como señala Ryan (1989), cuando la distribución de las observaciones está muy
sesgada y los tamaños de las muestras son pequeños, los límites de control estándar resultantes
pueden producir un gran número de falsas alarmas (mayor tasa de error alfa), así como una
mayor número de lecturas falsas negativas ("proceso-es-en-control") (tasa de error beta
incrementada). Puede calcular los límites de control (así como los índices de capacidad de
proceso) para los gráficos de barras X basados en las llamadas curvas de Johnson (Johnson, 1949),
que permiten aproximar la asimetría y la curtosis para un amplio rango de distribuciones no
normales (ver También ajustando distribuciones por momentos , en análisis de procesos.). Estos
gráficos de barras X no normales son útiles cuando la distribución de medias entre las muestras
está claramente sesgada o no es normal.

Hotelling T ** 2 gráfico. Cuando hay múltiples características de calidad relacionadas


(registradas en varias variables), podemos producir un gráfico simultáneo (ver ejemplo a
continuación) para todos los medios basados en el estadístico T ** 2 multivariado de Hotelling
(propuesto por primera vez por Hotelling, 1947).

Gráfico de suma acumulada (CUSUM). La carta CUSUM fue introducida por primera vez por Page
(1954); Los principios matemáticos involucrados en su construcción se discuten en Ewan (1963),
Johnson (1961) y Johnson and Leone (1962).

Si traza la suma acumulativa de las desviaciones de medias muestrales sucesivas de una


especificación objetivo, incluso los cambios menores y permanentes en la media del proceso
llevarán finalmente a una suma acumulativa considerable de desviaciones. Por lo tanto, esta
tabla es particularmente adecuada para detectar pequeños cambios permanentes que pueden

http://www.statsoft.com/Textbook/Quality-Control-Charts 9/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

pasar desapercibidos cuando se utiliza el gráfico de barras X. Por ejemplo, si, debido al desgaste
de la máquina, un proceso se "desliza" lentamente fuera de control para producir resultados por
encima de las especificaciones del objetivo, esta gráfica mostraría una suma acumulativa de
desviaciones de la especificación que aumentan (o disminuyen) constantemente.

Para establecer límites de control en dichas parcelas, Barnhard (1959) propuso la llamada
máscara V , que se traza después de la última muestra (a la derecha). La máscara en V se puede
considerar como los límites de control superior e inferior para las sumas acumuladas. Sin
embargo, en lugar de ser paralelo a la línea central; estas líneas convergen en un ángulo
particular hacia la derecha, produciendo la apariencia de una V girada en su lado. Si la línea que
representa la suma acumulada cruza una de las dos líneas, el proceso está fuera de control.

Gráfico de media móvil (MA). Para volver al ejemplo del anillo de pistón, supongamos que
estamos interesados principalmente en detectar pequeñas tendencias en medios de muestra
sucesivos. Por ejemplo, podemos estar particularmente preocupados por el desgaste de la
máquina, lo que lleva a un deterioro lento pero constante de la calidad (es decir, una desviación
de la especificación). El gráfico CUSUM descrito anteriormente es una forma de monitorear tales
tendencias y detectar pequeños cambios permanentes en el promedio del proceso. Otra forma es
usar algún esquema de ponderación que resuma los medios de varias muestras sucesivas; mover
tal media ponderada a través de las muestras producirá un gráfico de promedio móvil (como se
muestra en el siguiente gráfico).

Gráfico de media móvil ponderada exponencialmente (EWMA). La idea de promedios móviles


de muestras sucesivas (adyacentes) puede generalizarse. En principio, para detectar una
tendencia necesitamos ponderar muestras sucesivas para formar un promedio móvil; sin
embargo, en lugar de una simple media aritmética móvil, podríamos calcular una media
geométrica móvil (esta tabla (vea la gráfica a continuación) también se llama tabla de la Media
geométrica en movimiento , ver Montgomery, 1985, 1991).

Específicamente, podríamos calcular cada punto de datos para el gráfico como:

zt= * barra x t + (1- )*z t-1

En esta fórmula, cada punto z t se calcula como (lambda) veces la respectiva media x-barra t ,
más uno menos el punto anterior (calculado) en la gráfica. El parámetro (lambda) aquí debe
asumir valores mayores que 0 y menores a 1. Sin entrar en detalles (ver Montgomery, 1985, p.
239), este método de promediado especifica que el peso de las muestras históricamente
"antiguas" disminuye geométricamente a medida que Sigues sacando muestras. La interpretación
de este gráfico es muy similar a la del gráfico de promedio móvil, y nos permite detectar
pequeños cambios en los medios y, por lo tanto, en la calidad del proceso de producción.
http://www.statsoft.com/Textbook/Quality-Control-Charts 10/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?

Gráficos de control de regresión. A veces queremos controlar la relación entre dos aspectos de
nuestro proceso de producción. Por ejemplo, una oficina postal puede querer monitorear la
cantidad de horas de trabajo que se gastan para procesar una cierta cantidad de correo. Estas
dos variables deberían estar correlacionadas linealmente entre sí, y la relación probablemente se
puede describir en términos del conocido coeficiente de correlación producto-momento r de
Pearson . Esta estadística también se describe en Estadísticas Básicas.. El gráfico de control de
regresión contiene una línea de regresión que resume la relación lineal entre las dos variables de
interés. Los puntos de datos individuales también se muestran en el mismo gráfico. Alrededor de
la línea de regresión, establecemos un intervalo de confianza dentro del cual esperaríamos que
una cierta proporción (por ejemplo, 95%) de las muestras caiga. Los valores atípicos en esta
gráfica pueden indicar muestras donde, por alguna razón, la relación común entre las dos
variables de interés no se cumple.

Aplicaciones Hay muchas aplicaciones útiles para el gráfico de control de regresión. Por ejemplo,
los auditores profesionales pueden usar este cuadro para identificar puntos de venta minoristas
con un número mayor al esperado de transacciones en efectivo dado el volumen general de
ventas, o tiendas de abarrotes con un número mayor al esperado de cupones canjeados, dado el
total de ventas. En ambos casos, los valores atípicos en los gráficos de control de regresión (por
ejemplo, demasiadas transacciones en efectivo, demasiados cupones canjeados) pueden merecer
un examen más detenido.

Análisis de la carta de Pareto. Los problemas de calidad rara vez se reparten equitativamente
entre los diferentes aspectos del proceso de producción o las diferentes plantas. Más bien,
algunas "manzanas podridas" a menudo explican la mayoría de los problemas. Este principio se
conoce como el principio de Pareto , que básicamente establece que las pérdidas de calidad
están mal distribuidas de tal manera que un pequeño porcentaje de las posibles causas son
responsables de la mayoría de los problemas de calidad. Por ejemplo, un número relativamente
pequeño de autos "sucios" probablemente sean responsables de la mayoría de la contaminación
del aire; la mayoría de las pérdidas en la mayoría de las empresas se deben a la falla de solo uno
o dos productos. Para ilustrar las "manzanas podridas", se grafica el gráfico de Pareto ,

lo que simplemente equivale a un histograma que muestra la distribución de la pérdida de


calidad (por ejemplo, la pérdida de dólares) en algunas categorías significativas; por lo general,
las categorías se clasifican en orden descendente de importancia (frecuencia, montos en dólares,
etc.). Muy a menudo, este cuadro proporciona una guía útil sobre dónde dirigir los esfuerzos de
mejora de la calidad.

  Al Indice

http://www.statsoft.com/Textbook/Quality-Control-Charts 11/12
15/11/2018 ¿Qué es el control de calidad y los cuadros de control de calidad?
Copyright © 2018 TIBCO Software Inc. Todos los derechos reservados. | Política de privacidad

http://www.statsoft.com/Textbook/Quality-Control-Charts 12/12