Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Control Estadistico de La Calidad
Cargado por
Pedro QuishpeDerechos de autor
Formatos disponibles
Compartir este documento
Compartir o incrustar documentos
¿Le pareció útil este documento?
¿Este contenido es inapropiado?
Denunciar este documentoCopyright:
Formatos disponibles
Control Estadistico de La Calidad
Cargado por
Pedro QuishpeCopyright:
Formatos disponibles
es una estimacién del verdadero valor
desconocido del parémetro binomial p. La distribucién de probabilidad de p se obtiene a partir de
la distribucién binomial, ya que
eel
ipsam? {Esa ptesne=$("lora-py :
donde [1a] denota el entero més grande menor © igual que na. Es sencillo demostrar que la media
dep es py que la varianza de jp es
1=p)
ot = Pil=p
: n
Distribucién de Poisson
Una distribucién discreta util en el control estadistico de calidad es la distribucién de Poisson,
definida como sigue.
Definicion |
La distribucién de Poisson es
P(x) (2-15)
x!
donde el parémetro 4. > 0. La media y la varianza de la distribucién de Poisson son
wad (2-16)
(217)
Obsérvese que la media y la varianza de la distribuci6n de Poisson sort ambas iguales al parme-
tro A.
Una aplicacién tipica de la distribucién de Poisson en el control de calidad es como un modelo
del nimero de defectos o disconformidades que ocurren en una unidad de producto. De hecho, la
distribucién de Poisson suele ser una aproximacién adecuada de cualquier fendmeno aleatorio
que ocurre sobre una base por unidad (0 por unidad de area, por unidad de volumen, por unidad de
tiempo, etc.). Como un ejemplo, suponer que el ntimero de defectos por unidad en la conexi6n
de alambres que ocurre en un dispositive semiconductor sigue una distribucién de Poisson con 2-24
2:2. DISTRIBUCIONES DISCRETAS IMPORTANTES 61
aed
Figura 2-14. Distribuciones de probabilidad de Poisson para valores selecciona-
dos de A
parimetro A = 4. Entonces la probabilidad de que un dispositivo semiconductor seleccionado al
azar contenga dos o menos defectos en la conexién de alambres es
= 0.0183+ 0.0733 + 0.1464 = 0.2380
En la figura 2-14 se muestran varias distribuciones de probabilidad de Poisson. Obsérvese que s
trata de una distribuci6n sesgada; es decir, la cola de la derecha es més larga. Conforme el parémetr
2 se hace més grande, la apariencia de la distribucién de Poisson se hace simétrica
La distribuci6n de Poisson puede derivarse como una forma limite de la distribucién binomial
Es decir, si en una distribucién binomial con pardmetros n y p se hace que 1 tienda a infinito y
tienda a cero de tal modo que np = 2 sea una constante, se obtiene la distribucién de Poissor
También es posible derivar la distribucién de Poisson utilizando un razonamiento de probabilida
puro, Para mayor informacién acerca de la distribuci6n de Poisson, ver Hines y Montgomery (1
Montgomery y Runger (12).
ribucién de Pascal y otras distribuciones relacionadas
La distribucién de Pascal, al igual que la distribucién binomial, tiene su base en los ensayos ¢
Bernoulli, Considérese una secuencia de ensayos independiente, cada uno con probabilid:
de éxito p, y Sea que x denote los ensayos en los que ocurre el éxito r-ésimo. Entonces + ¢s w
variable aleatoria de Pascal con la distribucién de probabilidad definida como sigue. n
CAPITULO 2 MODELADO DE LA CALIDAD DEL PROCESO.
| Definicién
La distribucién de Pascal es
resi (Ft an renrthrr2, (2-18)
donde r2 1 es un entero. La media y la varianza de la distribucién de Pascal son
(2-19)
(2-20)
respectivamente.
Dos casos especiales de la distribucién de Pascal son de interés. El primero de ellos es cuando r >
Oy no es necesariamente un entero. A la distribuci6n resultante se le Hama distribucién binomial
negativa. Es relativamente comin referirse a la ecuacién 2-18 como la distribucin binomial nega-
tiva, aun cuando r es un entero. La distribucién binomial negativa, al igual que la distribucin de
Poisson, en ocasiones es itil como el modelo estadfstico fundamental para varios tipos de datos
Conteos”, tales como la ocurrencia de disconformidades en una unidad de producto (ver la seccién
6-3.1). Existe una importante dualidad entre la distribucién binomial y la binomial negativa. En la
distribucién binomial se establece el tamafio de la muestra (el niimero de ensayos de Bernoulli) y
se observa el ntimero de éxitos; en la distribucién binomial negativa se establece el nimero de
Exitos y se observa el tamafio de la muestra (el ntimero de ensayos de Bernoulli) que se necesita
para conseguirlos. Este concepto es de particular importancia en varias clases de problemas de
muestreo. 8
El otro caso especial de la distribucién de Pascal es cuando r = 1, en cuyo caso se tiene la
distribucién geométrica. Se trata de la distribucién del nimero de ensayos de Bernoulli hasta que
ocurre el primer éxito. ‘
-3 DISTRIBUCIONES CONTINUAS IMPORTANTES
En esta seccién se discuten varias distribuciones continuas que son importantes en el control esta-
distico de calidad, las cuales incluyen la distribucién normal, la distribucién exponencial, la distri-
bucion gamma y la distribucién de Weibull. 2.3 DISTRIBUCIONES CONTINUAS IMPORTANTES, 63
2-3.1 Distribucién normal
Probablemente la distribucién normal sea la
la apl
proba
ibucién més importante tanto en la teoria como en
cacién de la estadistica, Si x es una variable aleatoria normal, entonces la distribucién de
lad de x se define como sigue.
Definicion
La distribucién normal es
f=
ec x Ho
(Z,) para una pruebade colainferior, Hy :H=Ho Hy: Kare 9 St XG < Xi ern GONdE ZeronsY Xi-nan-1 $00 los puntos
Porcentiales o/2 superior y 1 ~ (0/2) inferior de la distribucién ji-cuadrada con n ~ 1. grados de
liberal Si se especifica una hipstesis alterativa de una cola —por ejemplo, H, -0° <0), enton-
ces 1, se rechazaria Si 2G, Uy. En el tiempo 1, ocurre otra causa asignable, de la que resulta 1 = H,, pero ahora la
desviacion estandar del proceso se ha corrido a un valor més grande 6, > a, En el tiempo 1, se
presenta otra causa asignable, cuyo resultado es que tanto la media como la desviacién estindar
toman valores fuera de control. Del tiempo 1, en adelante, la presencia de causas asignables ha dado
como resultado un proceso fuera de control.
Con frecuencia, los procesos de produccién operarén en el estado bajo control, produciendo
productos aceptables durante periodos relativamente prolongados, Con el tiempo, sin embargo, ocu-
rrirdn causas asignables, aparentemente al azar, que ocasionaran un “corrimientb” a un estado fuera
de control en el que una proporcién mayor de la salida del proceso no cumplira con los requerimien-
tos. Por ejemplo, en la figura 4-1 se observa que cuando el proceso esté bajo control, la mayor parte
de la produccién estara entre los limites inferior y superior (LSL y USL, respectivamente, por sus
[La terminologéa causas fortuitas y asignables fue desarrollada por el doctor Walter A. Shewhart. Actualmente, algunos
autores usan la terminologfa causa comudn en lugar de causa fortuita, y causa especial en lugar de causa asignable. SOFIA DEL CONTROL ESTADISTICO DE PROCESOS
CAPITULO 4 METODOS Y FILO
iglas en inglés) de la especificacién. Cuando el proceso esté fuera de control, una proporcién mas
ta del mismo se localiza fuera de estas especificaciones,
Uno de los objetivos principales del control estadistico de procesos es detectar con rapidez la
‘ocurrencia de causas asignables en el corrimiento del proceso a fin de hacer la investigacién perti-
nente y emprender las acciones correctivas antes de que se fabriquen muchas unidades disconformes.
La carta de control es una técnica del monitoreo de procesos en linea que se usa ampliamente para
este fin. Las cartas de control también pueden usarse para estimar los pardmetros de un proceso
de produccién y para determinar con esta informacién la capacidad del proceso. Asimismo, la
arta de control puede ofrecer informacién stil para mejorar el proceso. Por tiltimo, recuérdese
que la meta tltima del control estadistico de procesos es eliminar la variabilidad del proceso,
Quizé no sea posible eliminar por completo la variabilidad, pero la carta de control es una herra-
mienta efectiva para reducir la variabilidad tanto como sea posible.
Se presentan ahora los conceptos estadisticos que constituyen la base de las cartas de control. En
Jos capitulos 5 y 6 se desarrollan los detalles de la construcci6n y uso de los tipos comunes de cartas
de control.
-3_ FUNDAMENTOS ESTADISTICOS DE LA CARTA DE CONTROL
$3.1
Principios basicos
En la figura 4-2 se muestra una carta de control tipica, que es la representacién gréfica de una carac-
terfstica de la calidad que se ha medido o calculado a partir de una muestra contra el ntimero de
muestra o tiempo. La carta contiene una linea central que representa el valor promedio de la carac-
teristica de la calidad que corresponde al estado bajo control. (Es decir, cuando nicamente estin
presentes causas fortuitas.) También se muestran en la carta otras dos lineas horizontales, lamadas el
limite de control superior (UCL, por sus siglas en inglés) y el limite de control inferior (LCL, por
sus siglas en inglés). Estos limites’ de control se eligen de tal modo que si el proceso esta bajo
Linea
central
joa de la calidad muestral
Numero de muestra o tiempo
Figura 4-2 Una carta de control tipica. ca
4-3. FUNDAMENTOS ESTADISTICOS DE LA CARTA DE CONTROL 157
control, casi todos los puntos muestrales se localizardn entre ellos. En tanto los puntos graficados
se localicen dentro de los limites de control, se supone que el proceso est bajo control y no es
necesaria ninguna acciGn. Sin embargo, un punto que se localiza fuera de los limites de control
se interpreta como evidencia de que el proceso esta fuera de control, y se requicre investigacién
y accién correctiva para encontrar y eliminar la causa o causas asignables responsables de este
comportamiento, Se acostumbra unir los puntos muestrales de la carta de control con segmentos dle
recta, a fin de facilitar la visualizacién de la evolucién con el tiempo de la secuencia de puntos.
Incluso cuando todos los puntos se localizan dentro de los limites de control, si se comportaran
en una manera sistemdtica 0 no aleatoria, esto podria ser un indicio de que el proceso esti fuera de
control, Por ejemplo, una situacién en la que 18 de los tltimos 20 puntos se localizan arriba de la
linea central, pero abajo del limite de control superior, y slo dos de estos puntos se localizan abajo
de la Iinea central, pero arriba del limite de control inferior, despertarfa grandes sospechas de que
algo anda mal. Si el proceso est bajo control, todos los puntos graficados deberdn mostrar en esen-
cia un patr6n aleatorio, Es posible aplicar métodos para buscar secuencias © patrones no aleatorios en
las cartas de control como ayuda para detectar situaciones fuera de control. En general, la presencia
de un patron no aleatorio particular en una carta de control tiene una raz6n, y si puede identificarse y
eliminarse, es posible mejorar el desempeiio del proceso. Este tema se discute con mayor detalle en
las secciones 4-3.5 y 5-2.4.
Existe una estrecha relacién entre las cartas de control y la prueba de hipétesis. Para ilustrar esta
relacién, suponer que el eje vertical de la figura 4-2 es el promedio muestral x. Ahora bien, si el
valor actual de x se localiza entre los limites de control, se concluye que la media del proceso esti
bajo control; es decir, es igual a cierto valor {1,. Por otra parte, si x excede cualquiera de los limites
de control, se concluye que la media del proceso est fuera de control; es decir, es igual a cierto
valor jt, # 1,. En cierto sentido, entonces, la carta de control es una prueba de la hipétesis de que el
proceso est en un estado de control estadistico. Un punto que se localiza dentro de los limites de
control es equivalente a no poder rechazar la hipstesis del control estadistico, y un punto que se
localiza fuera de los limites de control es equivalente a rechazar la hipétesis del control estadistico.
Este marco para la prueba de hipétesis es itil de varias maneras, si bien existen algunas diferencias
de punto de vista entre las cartas de control y las pruebas de hipétesis. Por,ejemplo, cuando se
prueban hip6tesis estadisticas, por lo general se verifica la validez de los supuestos, mientras que
las cartas de control se usan para detectar desviaciones de un estado de control estadistico supues-
to. Ademis, la causa asignable puede redundar en diferentes tipos de corrimientos en los pardmetros
del proceso. Por ejemplo, la media podria sufrir un corrimiento repentino a un nuevo valor y
mantenerse ahi (en ocasiones se le llama un corrimiento sostenido); 0 podria correrse de manera
abrupta, pero la causa asignable podria ser de corta duracién y la media podria volver después a su
valor nominal o bajo control; o la causa asignable podria dar como resultado una inclinacién 0
tendencia estable en el valor de la media. Sélo los cambios sostenidos se ajustan bien al modelo
comin para probar hipstesis estadisticas.
Una situacién que se presta para el marco de la prueba de hipstesis es el andlisis del desempe-
fio de una carta de control. Por ejemplo, podria considerarse 1a probabilidad del error tipo I de la
carta de control (concluir que el proceso esté fuera control cuando en realidad esté bajo control) y
la probabilidad del error tipo II de la carta de control (concluir que el proceso esta bajo control
cuando en realidad esté fuera de control). En ocasiones es conveniente usar la curva de oper:
ci6n caracteristica de una carta de control para representar su probabilidad del error tipo II. Esto
serfa una indicacién de la habilidad de la carta de control para detectar corrimientos de diferen-
tes magnitudes en el proceso. 74.0180 +
74.0135}
74.0090 +
74.0045 |
74,0000
73.9955
73.9910
73.9865
73.9820 |
Diametro promedio de fos anllos,
123 45 67 8 9 10111213 141516
Numero de muestra
Figura 4-3 Carta de control ¥ para el didmetro de los anillos para pistones.
Para ilustrar las ideas anteriores, se presenta un ejemplo de una carta de control, En la manufactura
de anillos para pistones de motores de automévil, una caracteristica critica de la calidad es el
didmetro interior del anillo. El proceso puede estar bajo control con un didmetro interior medio de
los anillos de 74 mm, y se sabe que la desviaci6n esténdar del didmetro de los anillos es 0.01 mm,
En la figura 4-3 se muestra una carta de control del diémetro promedio de los anillos. Cada hora se
saca una muestra aleatoria de cinco anillos, se calcula el didmetro promedio de los anillos de la
muestra (por ejemplo, x) y se grafica x en la carta. Debido a que esta carta de control utiliza el
promedio muestral x para monitorear la media del proceso, suele Ilamarsele la carta de control ¥.
Obsérvese que todos los puntos se localizan dentro de los limites de control, por lo que la carta
indica que el proceso esta bajo control estadistico.
Para ayudar a entender el fundamento estadistico de esta carta de control, consideremos cémo se
determinaron los limites de control. La media del proceso es 74 mm, y la desviacién estandar del
proceso es 6 = 0.01 mm. Ahora bien, si se toman muestras de tamafio n = 5, la desviacion estindar
del promedio muestral x es
Por lo tanto, si el proceso est bajo control con un didmetro medio de 74 mm, entonces al aplicar el
teorema del limite central para suponer que x tiene una distribuci6n aproximadamente normal, s¢
esperarfa que 100(1 — «)% de los didmetros medios muestrales x se localicen entre 74 + Z, ,(0.0045)
y 74~Z,,(0.0045). Se escogera arbitrariamente el valor 3 para la constante Z,,,, de tal modo que los
limites de control superior e inferior son
UCL = 74+3(0.0045) = 14.0135
LCL = 74-3(0.0045) = 73.9865
como se indica en la carta de control. Se les llama de manera tipica los limites de control “tres
sigma”.’ La anchura de los limites de control es inversamente proporcional al tamafio de la mues-
*Obsérvese que “sigma” se refiere a la desviacidn estindar del estadistico graficado en la carta (i.c., 6, ), no a la desviacion
csténdar de la caracteristica de la calidad. 4.3 FUNDAMENTOS ESTADISTICOS DE LA CARTA DECONTROL 159
Distrbucién de
las mediciones
las mediiones Daren vo
Normal con
Normal con
modau=74y ]| — medaym7ay
: i) —Jucr = 74.0135
—|Linea central = 74.000
Muestra |
n=5 —j Let = 73.9865
Figura 4-4 Cémo funciona la carta de control
tra n para un miltiplo de sigma dado. Obsérvese que elegir los limites de control es equivalente a
establecer Ia regién critica para probar las hipstesis
Hy: w=74
H,: #74
donde 6 = 0.01 es conocida, En esencia, la carta de control prueba esta hipétesis repetidamente en
diferentes puntos del tiempo. En la figura 4-4 se ilustra gréficamente la situacién.
Puede darse un modelo general para una carta de control. Sea w un estadistico muestral que
mide alguna caracteristica de la calidad de interés, y suponer que la media de w es t,, y que la
desviacién estindar de w es 6, . Entonces la linea central, el limite de control superior y el limite de
control inferior son
UCL=n, +Lo,,
Linea central = 1, ey) |
LCL=p, -Lo,
donde L es la “distancia” de los limites de control a la linea central, expresada en unidades de desvi:
cién esténdar. El doctor Walter S. Shewhart fue el primero en proponer esta teorfa general de las
cartas de control, y las cartas de control desarrolladas de acuerdo con estos principios suelen llamar-
se cartas de control de Shewhart.
La carta de control es un recurso para describir de manera precisa lo que se pretendié exacta-
mente por medio del control estadistico; como tal, puede usarse en una variedad de formas. En
muchas aplicaciones se usa para la vigilancia en linea de un proceso. Es decir, se colectan datos 160
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL
STADISTICO DE PROCES
(oer eee a
Proceso
ieee eee
Entraca Salida
Sistema de medicion
Detectar la causa
asignable
Vericar y hacer el
sseguimiento
Implementar una’ Identiticar la causa de
accién correctiva tigen del problema
Figura 4-5 Mejoramiento del proceso utilizando la carta de
control
muestrales y se usan para construir la carta de control, y si los valores muestrales de (por ejem-
plo) se localizan dentro de los limites de control y no muestran ningtin patrén sistemdtico, se dice
que el proceso est bajo control en el nivel indicado por la carta. Obsérvese que en este caso podria
haber interés en determinar tanto si los datos pasados provinieron de un proceso que estaba bajo
control como si las muestras futuras de este proceso indican control estadistico,
El uso mas importante de una carta de control es para mejorar el proceso. Hemos encontrado
que, en general,
1. La mayoria de los procesos no operan en un estado de control estadistico.
2. Por consiguiente, el uso rutinario y atento de cartas de control identificard las causas
asignables. Si estas causas pueden eliminarse del proceso, la variabilidad se reducira y el
proceso serd mejorado.
En la figura 4-5 se ilustra esta actividad de mejoramiento del proceso utilizando la carta de control.
Obsérvese que
La carta de control s6lo detectard las causas asignables. Por lo general sera necesaria la
accién de la administracién, del operador y del drea de ingenieria para eliminar las causas
signables,
Para identificar y eliminar las causas asignables, es importante encontrar la causa de origen funda-
mental del problema y atacarla. Una solucién cosmética no redundard en ninguna mejora real de
largo plazo del proceso, Desarrollar un sistema efectivo para una accién correctiva es un componente
esencial de una implementdcin de SPC efectiva
Una parte muy importante del proceso de accién correctiva asociado con el uso de la carta de
control es el plan de accién para condiciones fuera de control (OCAP, por sus siglas en inglés).
Un OCAP es un diagrama de flujo o una descripcidn escrita de la secuencia de actividades que
deben Hevarse a cabo después de la ocurrencia de un evento de activacién. Por lo general es una
sefial de fuera de control en la carta de control. El OCAP consta de puntos de verificacién, los
cuales son causas asignables potenciales, y eliminadores, que son acciones que se emprenden para
resolver la condicién fuera de control mediante, siendo optimistas, la eliminaci6n de la causa 4-3 FUNDAMENTOS ESTADISTICOS DE LA CARTA DECONTROL 161
asignable. Es muy importante qué el OCAP especifique el conjunto mas completo posible de
Puntos de verificacién y eliminadores, y que estén ordenados de tal modo que se faciliten las
actividades de diagnéstico del proceso. Con frecuencia puede ser ttil el andlisis de los modos de
falla anteriores del proceso y de! producto para diseftar este aspecto del OCAP. Ademis, un OCAP
es un documento vivo, en el sentido de que se modificard con el tiempo conforme se obtenga un
mejor entendimiento y comprensi6n del proceso. Por consiguiente, cuando se introduce una carta
de control. deberd estar acompantada por un OCAP inicial, No es posible que las cartas de control
sin un OCAP sean de gran utilidad como herramientas de mejoramiento del proceso.
La carta de control también puede utilizarse como un recurso de estimacién, Es decir, a partir
de una carta de control que indique control estadistico es posible estimar ciertos pardmetros del
Proceso, tales como la media, la desviacién estindar, la fracciGn disconforme 0 porcién cafda,
cleétera. Después estas estimaciones pueden usarse para determinar la capacidad del proceso para
Producir productos aceptables. Estos estudios de capacidad del proceso tienen un impacto consi-
derable en muchos problemas que ocurren en el ciclo del producto y que requicren decisiones de la
administracién, incluyendo la decisién de fabricar © comprar, las mejoras de la planta y del proce-
8o que reducen la variabilidad del proceso y los acuerdos contractuales con los clientes o distribui-
dores respecto de la calidad del producto.
Las cartas de control pueden clasificarse en dos tipos generales. Si la caracteristica de la calidad
Puede medirse y expresarse como un ntimero en una escala de medicién continua, suele llamarsele
una variable. En tales casos, es conveniente describir la caracterfstica de la calidad con una medi-
da de tendencia central y una medida de la variabilidad. A las cartas de control para la tendencia
central y la variabilidad se les llama en conjunto cartas de control de variables. La carta x es la
carta de uso mas comtin para controlar la tendencia central, mientras que las cartas basadas en el
Fango muestral o en la desviaci6n estindar muestral se usan para controlar la variabilidad del proceso,
En el capitulo 5 se discuten las cartas de control de variables, Muchas caracteristicas de la calidad no
se miden en una escala continua o siquiera en una escala cuantitativa. En estos casos, cada unidad del
Producto puede juzgarse como conforme o disconforme con base en si posee o no ciertos attibutos,
© puede contarse el niimero de disconformidades (defectos) que aparecen en una vinidad del pro
ducto. A las cartas de control para estas caracteristicas de la calidad se les llama eartas de control
de atributos ¥ se discuten en el capitulo 6.
Un factor importante en el uso de cartas de control es el disefio de la carta de control. Por esto
se entiende la seleccién del tamafio de la muestra, de los Ifmites de control y de la frecuencia del
muestreo. Por ejemplo, en la carta x de la figura 4-3 se especificé un tamafio de la muestra de
cinco mediciones, Ifmites de control tres sigma y que la frecuencia del muestreo fuera cada hora.
En la mayoria de los problemas de control de calidad se acostumbra disefiar la carta de control
uullizando principalmente consideraciones estadisticas. Por ejemplo, se sabe que al incrementar el
tamafio de la muestra disminuiré la probabilidad del error tipo II, mejordndose asf la capacidad de
la carta para detectar un estado fuera de control, etcétera. El uso de criterios estadisticos como
estos aunados a la experiencia industrial ha levado a lineamientos y procedimientos generales
Para disefiar cartas de control. En estos procedimientos por lo general los factores del costo sélo se
consideran de manera implicita. Sin embargo, recientemente ha empezado a examinarse el disefio
de cartas de control desde una perspectiva econémica, considerando de manera explicita el costo
del muestreo, las pérdidas generadas por permitir que se produzcan productos defectuosos, y los
Costos de investigar las seftales de fuera de control que en realidad son “falsas alarma
Otra consideracién importante en el uso de las cartas de control es el tipo de variabilidad que
muestra el proceso. En la figura 4-6 se presentan los datos de tres procesos diferentes. En las 162 cariruLo4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
Figura 4-6 Datos de tres procesos diferentes, a) Estaciona-
ios y no correlacionados (ruido blanco). b) Estacionarios y
© autocorrelacionados. ¢) No estacionarios,
figuras 4-6a y 4-6b se ilustra un comportamiento estacionario, Por esto se entiende que los datos
del proceso varfan alrededor de una media fija en una manera estable o predecible. De acuerdo con
Shewhart, este es el tipo de comportamiento que produce un proceso bajo control.
Incluso un examen superficial de las figuras 4-6a y 4-6 revela algunas diferencias impo
tantes. Los datos de la figura 4-6a son no correlacionados; es decir, las observaciones dan 1a
impresién de haberse sacado al azar de una poblacién estable, quizés una distribucién normal 4.3. FUNDAMENTOS ESTADISTICOS DE LA CARTA DECONTROL 163
Los analistas de series de tiempo hacen referencia a este tipo de datos como ruide blanco. (El
andlisis de series de tiempo es un campo de la estadistica dedicado exclusivamente al estudio y
modelado de datos orientados en el tiempo.) En este tipo de proceso, el orden en que se presen-
tan los datos no revela mucho que sea itil para analizar el proceso. En otras palabras, los valores
pasados de los datos no son de ayuda para predecir ninguno de los valores futuros.
En la figura 4-60 se ilustran datos estacionarios pero autocorrelacionados de un proceso.
Obsérvese que las observaciones sucesivas de estos datos son dependientes; es decir, un valor
arriba de la media tiende a ser seguido por otro valor arriba de la media, mientras que un valor abajo
de la media por lo general es seguido por otro valor asi. Esto produce una serie de datos que
presenta la tendencia a moverse en “corridas” moderadamente largas a ambos lados de la media.
En la figura 4-6c se ilustra una variacién no estacionaria. Este tipo de datos de un proceso
‘ocurren con frecuencia en las industrias quimica y de procesamiento. Obsérvese que el proceso es en
alto grado inestable por cuanto anda a la deriva o “errética” por todos lados sin sentido alguno de
una media estable o fija. En muchos escenarios industriales, este tipo de comportamiento se estabiliza
aplicando la ingenierfa de control de procesos (como el control de retroalimentacién). Este enfo-
que para controlar el proceso se requiere cuando hay factores que afectan al proceso que no puede
estabilizarse, tales como variables ambientales o propiedades de las materias primas. Cuando el
esquema de control es efectivo, la salida del proceso no sera como en la figura 4-6c sino que,
siendo optimistas, se ver como las figuras 4-6a 0 4-6b.
Las cartas de control de Shewhart son mas efectivas cuando los datos del proceso bajo
control son parecidos a la figura 4-6a. Con esto quiere decirse que las cartas pueden disefiarse de
tal modo que el desempefio sea predecible y razonable para el usuario, y que son efectivas para
detectar de manera confiable las condiciones fuera de control. En la mayor parte de la discusi6n de
las cartas de control en este capitulo y en los capitulos 5 y 6 se supone que los datos del proceso
bajo control son estacionarios y no correlacionados.
Con algunas modificaciones, es posible aplicar las cartas de control de Shewhart y otros tipos de
cartas de control a datos autocorrelacionados. Esto se discute con mayor detalle en la parte III del
libro, donde también se discute el control de retroalimentaci6n y el uso del SPC en sistemas donde se
emplea el control de retroalimentacién.
Las cartas de control han tenido una larga historia de uso en las industrias estadounidenses y del
extranjero. Hay al menos cinco razones de su popularidad.
1, Las cartas de control sox. una técnica probada para mejorar la productividad. Un
programa exitoso de cartas de control reduciré los desechos y el reprocesamiento, que son
los principales depredadores de la productividad en cualquier operacién. Si se reducen los
desechos y el reprocesamiento, se incrementar4 la productividad, se reducirdn los costos y
se aumentaré la capacidad de produccién (medida en el nimero de partes buenas por hora).
2. Las cartas de control son efectivas para prevenir defectos. La carta de control ayuda a
mantener el proceso bajo control, Io cual es consistente con la filosofia del “hacerlo bien
a la primera”. Nunca es mas barato separar las unidades “buenas” de las “malas” més
tarde que fabricarlas bien desde un principio. Si no se cuenta con un control del proceso
efectivo, se estaré pagando a alguien por hacer un producto disconforme.
3. Las cartas de control previenen el ajuste innecesario del proceso. Una carta de con-
trol puede distinguir el ruido de fondo de la variacién anormal; ningin otro recurso,
incluyendo a un operador humano, es tan efectivo para hacer esta distincién. Si los
‘operadores del proceso ajustan el proceso con base en pruebas periddicas que no guar- 164
-3.2
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
den relacién con un programa de cartas de control, con frecuencia tendrdn una reaceién
exagerada al ruido de fondo y realizardn ajustes innecesarios. Estos ajustes innecesarios
redundan en un deterioro del desempefio del proceso. En otras palabras, la carta de control
es consistente con la filosofia del “si no esta descompuesto, no lo arregles
4. Las cartas de control proporcionan informacién de diagnéstico. Frecuentemente, e|
patrén de los puntos de una carta de control incluira informacién con valor de diagn
tico para un operador o ingeniero con experiencia. Esta informacis
mentacién de un cambio en el proceso que mejore su desempeito.
permite la imple
5. Las cartas de control proporcionan informacién sobre la capacidad del proceso. La
carta de control proporciona informacién del valor de pardmetros importantes del pro-
ceso y de su estabilidad con el tiempo. Esto permite hacer una estimacién de la capaci
dad del proceso. Esta informacién es de enorme utilidad para los disefiadores del producto
y del proceso.
Las cartas de control se encuentran entre las herramientas de control administrative mas importan
tes; son tan importantes como los controles de costos y los controles de materiales. La tecnologi
de las computadoras modemnas han hecho que sea sencillo implementar las cartas de control en
cualquier tipo de proceso, ya que la coleccién y el andlisis de datos puede Ilevarse a cabo en una
microcomputadora o en una terminal de una red de Area local en tiempo real y en linea con el
centro de trabajo. Algunos lineamientos adicionales para implementar un programa de cartas de
control se presentan al final del capitulo 6
Eleccién de los limites de control
La especificacién de los limites de control es una de las decisiones eriticas que deben tomarse al
disefiar una carta de control. Cuando los limites de control se alejan més de la linea central, se reduce
el riesgo de un error tipo I —es decir, el riesgo de que un punto se localice fuera de los limites de
control, indicando una condicién fuera de control cuando no ésté presente ninguna causa asignable.
Sin embargo, al ensanchar los limites de control se incrementaré también el riesgo del error tipo II —
es decir, el riesgo de que un punto se localice dentro de los limites de control cuando el proceso en
realidad esta fuera de control. Si los limites de control se colocan més cerca de la linea central se
produce el efecto contrario: el riesgo del error tipo I se incrementa, mientras que el riesgo del error
tipo II se reduce.
Para la carta x que se muestra en la figura 4-3, donde se usaron limites de control tres sigma,
si se supone que el didmetro de los anillos para pistones tiene una distribucién normal, en la
tabla normal estdndar se encuentra que la probabilidad del error tipo I es 0.0027. Es decir, se
producird una sefial de fuera de control incorrecta o falsa alarma tan slo en 27 de 10.000 puntos.
Ademés, la probabilidad de que un punto tomado cuando el proceso est bajo control exceda los
limites tres sigma en una sola direccién es 0.00135. En vez de especificar el limite de control como
un miltiplo de la desviaci6n esténdar de X, podria haberse elegido directamente la probabilidad
del error tipo I y calcular el limite de control correspondiente. Por ejemplo, si se especifica una
probabilidad del error tipo I de 0.001 en una direcci6n, entonces el miiltiplo apropiado de Ia des-
viacin estandar seria 3.09. Los limites de control para la carta ¥ serfan entonces
UCL = 74 + 3.09(0.0045) = 74.0139
LCL = 74— 3.09(0.0045) = 73.9861 4.3. FUNDAMENTOS ESTADISTICOS DELA CARTA DE CONTROL 165
; one
740180)" yesuct 0001 |
74.0138
x [Uct 3 sigma = 74.0135
74,0090
74,0045 |
|__ Linea went LL = 74.0000
74,0000
73.9956 |
73.9910 |
2 sigma LOL = 73,9865
98,96
= 73.9861
73.9920| LoL0.001 = 73.986
Lo
Numero de muestra
Figura 4-7 Comparacidn de los limites tres sigma y 0.001 para la carta x
jad 0,001. En la figura 4-7 se muestra
y apenas una ligera diferencia entre los
A estos limites de control se les Hama limites de probabi
la carta ¥ con los limites tres sigma y los limites 0.001. Ha
dos limites.
Independientemente de la distribucién de la caracteristica de la calidad, en Estados Unidos es
una préctica comiin determinar los limites de control como un miiltiplo de la desviacién esténdar del
estadistico graficado en la carta. El miiltiplo que se elige generalmente es 3; por tanto, se acostumbra
emplear limites tres sigma en las cartas de control, independientemente del tipo de carta empleada.
En el Reino Unido y algunas partes de Europa Occidental se usan los limites de probabilidad, siendo
la probabilidad estindar 0.001
De manera tipica, justificamos el uso de los limites de control tres sigma con base en que dan
buenos resultados en la préctica. demas, en muchos casos, la verdadera distribucién de la caracte-
ristica de la calidad no se conoce con la suficiente precisién para calcular limites de probabilidad
exactos. Si la distribuci6n normal es una aproximacién razonable de la distribucién de la caracteris-
tica de la calidad, entonces habrd poca diferencia entre los limites tres sigma y los de probabilidad
0.001.
Limites de advertencia en cartas de control
Algunos analistas sugieren el uso de dos conjuntos de limites en las cartas de control, como los que
se ilustran en la figura 4-8. Los limites exteriores —en tres sigma, por ejemplo— son los limites de
accién usuales; es decir, cuando un punto se grafica fuera de este limite, se hace una busqueda de una
causa asignable y, de ser necesario, se emprende una accién correctiva. A los limites interiores, por lo
general en dos sigma, se les llama limites de advertencia (WL, por sus siglas en inglés). En la figura
4-8 se muestran los limites de control tres sigma superior e inferior para la carta x del didmetro de
los anillos para pistones. Los limites de advertencia superior ¢ inferior se localizan en
UWL = 74 + 2(0.0045) = 74.0090
LWL = 74~2(0.0045) = 73.9910 166
4-3.3
ESTADISTICO DE PROCESOS
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL,
———
aeg UCL = 74.0135
74.0135 Uo a7
74,0090 }-WL = 78 5
004! 20, 77
P Linea central = 74,0000 “4°
ee
pest LWL = 73.9910
73.9910
meee 73.9865
73.9820
Numero de muest
Figura4-8 Carta ¥ con limites de advertencia dos
sigma,
Cuando se usan limites de probabilidad, los limites de acci6n por lo general son limites 0.001 y los
limites de advertencia son limites 0.025.
Una situacién en la que uno 0 més puntos se localizan entre los limites de advertencia y los
limites de control, 0 muy cerca del limite de advertencia, deberd despertar sospechas de que el pro-
ceso quiz no est operando correctamente. Una posible accién por emprender cuando esto ocurre
es incrementar la frecuencia del muestreo o el tamafio de Ia muestra a fin de obtener con rapidez
més informacién acerca del proceso. A los esquemas de control del proceso que modifican el tamano
de la muestra y/o la frecuencia del muestreo dependiendo de la posicién del valor muestral actual se
les llama esquemas adaptables 0 con intervalo de muestreo variable (o con tamaiio de la mues-
tra variable, etc.). Estas técnicas se han usado en la practica durante muchos afios y recientemente
han sido estudiadas por investigadores en el campo. Esta técnica se discutira nuevamente en la parte
III de este libro.
El uso de Imites de advertencia puede aumentar la sensibilidad de la carta de control; es decir,
puede permitir que la carta de control dé la sefial de un corrimiento en el proceso con mayor rapidez.
Una de sus desventajas es que pueden resultar confusos para el personal de operacién. Esto, sin
embargo, por lo general no constituye una objecién seria, y muchos analistas utilizan de manera
rutinaria limites de advertencia en cartas de control. Una objecién més seria es que aun cuando el uso
de limites de adve-tencia puede mejorar la sensibilidad de la carta, también pueden dar como resul-
tado un riesgo incrementado de falsas alarmas. En la seccién 4-3.6 se discutira con mayor detalle
el uso de las reglas de sensibilidad (tales como los limites de advertencia).
Tamaiio de la muestra y frecuencia del muestreo
Cuando se disefia una carta de control, es necesario especificar tanto el tamafio de la muestra que
debe usarse como la frecuencia del muestreo. En general, las muestras més grandes facilitardn
a detecci6n de corrimientos pequefios en el proceso, Esto se ilustra en la figura 4-9, donde se grafica la
curva de operacién caracteristica de la carta x de la figura 4-3 para diferentes tamafios de la muestra
Obsérvese que la probabilidad para detectar un cambio de 74.0000 a 74.0100 mm (por ejemplo) s¢
incrementa cuando el tamafio de la muestra n se incrementa. Cuando se elige el tamafio de la
muestra, debe tenerse presente el tamafio del cambio que esté traténdose de detectar. Si el cambio 4-3. FUNDAMENTOS ESTADISTICOS DE LA CARTA DECONTROL = 167
10
0.9}
os:
o7
06
05
oa
0.3
02
0.1
se localice
entre ls lites de control
Probabildad de que
74.0000 74.00 74.0100 74.0150 74.0200 74.0250
‘Media del proceso (mm)
Figura 4-9 Curvas de operacién caracteristica para una carta
en el proceso es relativamente grande, se usan tamafios de la muestra més pequefios que los que se
habrfan empleado si el cambio de interés fuera relativamente pequefio,
Debe determinarse también la frecuencia del muestreo, La situacién més deseable desde el
punto de vista de la deteccién de corrimientos seria tomar muestras grandes con mucha frecuencia;
in embargo, esto por lo general no es econémicamente factible. El problema general consiste en
la asignacién del esfuerzo de muestreo, Es decir, se toman muestras pequefias cn intervalos
cortos 0 bien se toman muestras grandes en intervalos més largos. La préctica actual en la industria
tiende a favorecer las muestras més pequefias y mds frecuentes, en particular en los procesos de
manufactura de alto volumen, o donde pueden ocurrir diversos tipos de causas asignables. Ademas,
conforme se desarrolla la tecnologia automatizada de sondeo y medicién, se esté haciendo posible
agrandar (incrementar) en gran medida las frecuencias de muestreo. En tiltima instancia, cada unidad
puede probarse cuando se fabrica, Los sistemas de medicién automatizados y las microcomputadoras
con software de control estadistico de procesos aplicados en el centro de trabajo para e! control del
proceso en linea en tiempo real son una forma cada vez més efectiva de aplicar el control estadistico
de procesos.
Otra manera de evaluar las decisiones respecto del tamafio de la muestra y la frecuencia del
muestreo es con Ia longitud promedio de la corrida (ARL, por sus siglas en inglés) de la carta de
control. En esencia, la ARL es el nimero promedio de puntos que deben graficarse antes de que un
punto indique una condicién fuera de control. Si las observaciones del proceso son no correlacionadas,
entonces para cualquier carta de control de Shewhart, la ARL puede calcularse fécilmente con
(4-2)
donde p es la probabilidad de que cualquiera de los puntos exceda los limites de control. Esta
ecuacién puede usarse para evaluar el desempeiio de la carta de control.
Como ilustraci6n, para la carta x con limites tres sigma, p = 0.0027 es la probabilidad de que un
solo punto se localice fuera de los limites cuando el proceso esté bajo control. Por lo tanto, la longitud 168
CAPITULO4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
promedio de la corrida de la carta x cuando el proceso esta bajo control (llamada ARL,) es
Any, eee
p 0.0027
370
Es decir, incluso si el proceso se manti
fuera de control cada 370 muestras.
EL uso de Ia longitud promedio de la corrida para describir el desempenio de las cartas de
control ha sido objeto de criticas en los tiltimos aos. Las razones de ello surgen porque la distribu.
ci6n de la longitud de la corrida para una carta de control de Shewhart es una distribucin geométrica
(referirse a la seccién 2-2.4). Por consiguiente, hay dos preocupaciones con la ARL: 1) la desvia-
ci6n estindar de la longitud de la corrida es muy grande. y 2) la distribucién geométrica
sesgo muy pronunciado, por lo que la media de la distribuci6n (la ARL) no es necesa
un valor muy “tipico” de la longitud de la corrida.
Por ejemplo, considérese la carta de control x de Shewhart con limites tres sigma, Cuando e}
proceso est bajo control, se sefialé ya que p = 0.0027 y la ARL, bajo control es ARL, = I/p = I/
0.0027. Esta es la media de la distribucién geométrica. Ahora bien, la desviacién estandar de la
distribucién geométrica es
bajo control, se generard, en promedio, una senal de
iene un
mente
VG=p)1 p= ¥@=0.0027) /0.0027 = 370
Es decir, en este caso la desviaci6n estindar de la distribucién geométrica es aproximadamente igual
a su media. Como resultado, la ARL, real observada en la préctica para la carta de control ¥ de
‘Shewhart posiblemente presentaré variaciones considerables, Ademés, para la distribucién geométrica
con p = 0.0027, el décimo y el quincuagésimo percentil de la distribucién son 38 y 256, respectiva-
‘mente. Esto significa que cerca del 10% del tiempo la longitud de la corrida bajo control sera menor
© igual a 10 muestras, y que 50% de las veces seré menor o igual a 256 muestras. Esto ocurre porque
la distribucién geométrica con p = 0.0027 tiene un sesgo a la derecha muy pronunciado.
Asimismo, en ocasiones es conveniente expresar el desempefio de la carta de control en térmi-
nos de su tiempo promedio hasta la sefial (ATS, por sus siglas en inglés). Si se toman muestras en
intervalos fijos de tiempo que estén separados / horas, entonces
ATS=ARLA (43)
Considérese el proceso de los anillos para pistones discutido antes, y suponer que se esta haciendo
un muestreo cada hora. La ecuacién 4-3 indica que habré una falsa alarma mas o menos cada 370
horas en promedio.
Consideremos ahora cudl es el desempefio de la carta de control para detectar corrimientos en
Ja media. Suponer que se esté usando un tamaiio de la muestra n = 5 y que cuando el proceso se sale
de control la media se corre a 74.015 mm. Por la curva de operacién caracteristica de la figura 4-9.
se encuentra que si la media del proceso es 74.015 mm, la probabilidad de que x se localice entre
los limites de control es aproximadamente 0.50. Por lo tanto, en la ecuacién 4-2, p es 0.50, y 8 4-3 FUNDAMENTOS ESTADISTICOS DE LA CARTA DECONTROL 169.
ARL fuera de control (llamada ARL,) es
p O05
Es decir, la ca
‘a de control necesitara dos muestras para detectar el corrimiento en el proceso, en
promedio, y puesto que el intervalo de tiempo entre las muestras es ht = 1 hora, el tiempo promedio
requerido para detectar este corrimiento es
ATS
ARL, h
2)
horas
‘Suponer que esto es inaceptable, debido a que la produccién de anillos para pistones con un didmetro
medio de 74.015 mm redunda en costos de desechos excesivos y en retrasos en el ensamblaje final de
los motores. ¢Cémo puede reducirse el tiempo necesario para detectar la condicién fuera de control?
Un método es hacer muestreos mas frecuentes. Por ejemplo, si los muestreos se hacen cada media
hora, entonces el tiempo promedio hasta la sefial para este esquema es ATS = ARL, h = 2(4) = I:es
decir, tan s6lo transcurrird una hora (en promedio) entre el corrimiento y su deteccién. La segunda
posibilidad es incrementar el tamafio de la muestra. Por ejemplo, si se usa n = 10, entonces la figura
4-9 indica que la probabilidad de que X se localice entre los limites de control cuando la media del
proceso es 74.015 mm es aproximadamente 0.1, de donde p = 0.9, y por la ecuacién 4-2 la ARL fuera
de control o ARL, es
ARL, =—=—=1.11
p 09
si el muestreo se hace cada hora, el tiempo promedio hasta la sefial es
ATS= ARL,h
111d)
1.1 Lhoras
Por tanto, el tamafio mas grande de la muestra permitirfa que el corrimiento se detectara casi con el
doble de la rapidez del tamafio original. Si llegara a ser importante detectar el corrimiento en la primera
hora (aproximadamente) después de que ocurri6, dos disefios de cartas de control funcionarfan:
isefio 1 Disefio 2
Tamajio de la muestra: n = 5 ‘Tamajio de la muestra: n = 10
Frecuencia del muestreo: cada media hora Frecuencia del muestreo: cada hora
Para responder con mayor precisién a la pregunta de la frecuencia del muestreo, es necesario
tomar en consideracién varios factores, incluyendo el costo del muestreo, las pérdidas asociadas
con permitir que el proceso opere fuera de control, la rapidez de la produccién, y las probabili-
dades con las que ocurren varios tipos de corrimientos en el proceso. En los cuatro capitulos
siguientes se discuten varios métodos para seleccionar el tamajto de la muestra y la frecuencia
del muestreo apropiados para una carta de control. 170
4-3.4
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
Subgrupos racionales
Una idea fundamental en el uso de las cartas de control es colectar los datos muestrales de acuerdo
con lo que Shewhart denominé el concepto de subgrupo racional. Para ilustrar este concepto, supo-
ner que se esté usando una carta de control ¥ para detectar cambios en la media del proceso. Enton-
ces'el concepto de subgrupo racional significa que los subgrupos 0 muestras deberdn seleccionarse de
tal modo que, en caso de estar presentes causas asignables, se maximicen las oportunidades de
las diferencias entre los subgrupos y que al mismo tiempo se minimicen las oportunidades de las
diferencias debidas a estas causas asignables dentro de un subgrupo.
Cuando se aplican cartas de control a procesos de produccién, el orden en el tiempo de la pro-
duccién es una base ldgica para establecer los subgrupos racionales. Aun cuando se preserve el orden
en el tiempo, sigue siendo posible formar subgrupos erréneamente. Si algunas de las observaciones
de la muestra se toman al final de una tanda y el resto de las observaciones se toman al principio de
Ja tanda siguiente, entonces quiza no se detecten cualesquiera diferencias entre los tumnos. El orden
en el tiempo es con frecuencia una buena base para formar subgrupos porque permite detectar causas
asignables que ocurren con el tiempo.
Se usan dos enfoques generales para construir subgrupos racionales. En el primer enfoque, cada
muestra consta de unidades que se produjeron al mismo tiempo (0 tan préximas entre si como sea
posible). Idealmente, nos gustaria tomar unidades de producci6n consecutivas, Este enfoque se
usa cuando la finalidad principal de la carta de control es detectar los corrimientos en el proceso. Se
minimiza asi la oportunidad de la variabilidad debida a causas asignables dentro de una muestra y
se minimiza la oportunidad de variabilidad entre las muestras si estén presentes causas
También proporciona una estimacién mejor de la desviacién estindar del proceso en el caso de las
cartas de contro! de variables. Este enfoque para la formacién de subgrupos racionales ofrece en
esencia una “instantinea” del proceso en cada punto del tiempo donde se colecta una muestra.
En la figura 4-10 se ilustra esta estrategia de muestreo. En la figura 4-10a se muestra un
proceso en el que la media experimenta una serie de corrimientos sostenidos, asf como las observa-
ciones correspondientes obtenidas de este proceso en los puntos del tiempo sobre el eje horizontal,
suponiendo que se seleccionan cinco unidades consecutivas. En la figura 4-10 se muestra la carta
de control x y la carta R (0 carta del rango) para estos datos. La linea central y los limites de
control de la carta R se construyen utilizando el rango de cada muestra de la parte superior de la
figura (en el capitulo 5 se presentan los detalles). Obsérvese que aun cuando la media del proceso
esté sufriendo corrimientos, la variabilidad del proceso es estable. Ademés, se usa la medida de la
variabilidad dentro de las muestras para construir los limites de control en la carta X. Obsérvese
que la carta x de la figura 4-10b incluye puntos fuera de control que corresponden a los corrimientos
en la media del proceso.
En el segundo enfoque, cada muestra esté fomada de unidades del producto que son representa-
tivas de todas Igs unidades que se produjeron desde que se tom6 la dltima muestra. Cada subgrupo es
una muestra aleatoria de toda la produccién del proceso sobre el intervalo de muestreo, esen-
cialmente. Con frecuencia se usa este método de subgrupos racionales cuando la carta de control se
emplea para tomar decisiones acerca de la aceptacién de todas las unidades del producto que se han
producido desde la iiltima muestra. De hecho, si el proceso se corre a un estado fuera de control y
después regresa a estar en control nuevamente entre muestras, se debate algunas veces que él
primer método de los subgrupos racionales que se definié anteriormente seré ineficiente con este
tipo de corrimientos, asf que debe usarse el segundo método, 4-3 FUNDAMENTOS ESTADISTICOS DE LA CARTA DE CONTROL 171
Media de!
proceso
jae
ip 2a Patyaete ce SNOT ee =
Tiempo
a
“1 2)3 4 6.69 8 6 10 79
Tiempo
»
Figura 4-10 El enfoque de la “instantinea” para los subgrupos racionales. a)
Comportamiento de la media del proceso. b) Las cartas de control T y R corres-
pondientes.
Cuando el subgrupo racional es una muestra aleatoria de todas las unidades producidas en el inter-
valo de muestreo, deberé tenerse mucho cuidado al interpretar las cartas de control. Si la media del
Proceso fluctiia entre varios niveles durante el intervalo entre los muestreos, esto puede ocasionar
que el rango de las observaciones dentro de la muestra sea relativamente grande, dando lugar a
limites de mayor anchura en la carta £. En la figura 4-11 se ilustra este escenario. De hecho, en
muchos casos puede hacerse que el proceso parezca estar bajo control estadistico alargando
el intervalo entre las observaciones de la muestra. También es posible que los corrimientos en el
promedio del proceso produzcan puntos que se localicen fuera de control en una carta de control
del rango o la desviacién esténdar, aun cuando no haya ocurrido ningin corrimiento en la variabi-
lidad del proceso.
Hay otras bases para formar subgrupos racionales. Por ejemplo, suponer un proceso que consta
de varias maquinas que dirigen su produccién a un flujo comdn. Si se hace un muestreo de este
flujo comin de la produccién, seré muy dificil detectar si alguna de las maquinas esta o no fuera
de control. Un enfoque légico para hacer subgrupos racionales en este caso es aplicar las técni-
cas de las cartas de control a la produccién de cada maquina individual. En ocasiones es necesario
aplicar este concepto a diferentes cabezas de la misma maquina, a diferentes estaciones de trabajo,
a diferentes operadores, etcétera, En muchas situaciones el subgrupo racional consistird en una
sola observaci6n. Esta situacién ocurre con frecuencia en las industrias quimica y de procesamien- 172
4-3.5
CAPITULO.4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCI
“i 24a 45 6 7 @ 9 1naraes
Tiempo
a)
Tipe seiaes 6: oy rac on dopant
Tiempo
»
Figura 4-11 El enfoque de la muestra aleatoria en subgrupos raciona-
les. a) Comportamiento de la media del proceso. b) Las cartas de control
Fy R correspondientes.
to, donde Ja caracte ristica de la calidad del producto cambia de manera relativamente Ienta y las
muestras tomadas muy cerca entre si en el tiempo son virtualmente idénticas, salvo por el error de
medicién 0 analitico,
El concepto de subgrupo racional es muy importante. La seleccién correcta de las muestras
requiere la consideracién atenta del proceso, con objeto de obtener tanta informacién titil como sea
posible del andlisis de la carta de control.
Anilisis de patrones en cartas de control
Una carta de control puede indicar una condici6n fuera’ de control cuando uno o més puntos se
localizan fuera de los limites de control o bien cuando los puntos graficados presentan algin
patrén de comportamiento no aleatorio en aparencia. Por ejemplo, considérese la carta ¥ que se
muestra en la figura 4-12. Aun cuando los 25 puntos se localizan dentro de los limites de control,
no indican control estadistico ya que la apariencia del patron que forman es francamente 0
aleatorio en aparencia. Especificamente, se observa que 19 de los 25 puntos se localizan abajo 43 FUNDAMENTOS ESTADISTICOS DE LA CARTA DE CONTROL 173
uct =
Linea
centeal
uct
113-15 17 19°21 23.28
Numero de muestra
Figura 4-12. Un
carta de control x
de la linea central, mientras que s6lo 6 de ellos se localizan arriba. Si los puntos en realidad son
aleatorios, cabria esperar una distribucién mas regular de los mismos arriba y abajo de la linea
central. Se observa también que después del cuarto punto la magnitud de cinco puntos seguidos
se incrementa. A esta disposicién de los puntos se le lama una corrida. Puesto que las observa
ciones son crecientes, podria Hamérsele corrida ascendente. De manera s
de puntos decrecientes se le Hama corrida descendente, Esta carta de control presenta una corri-
da ascendente inusualmente larga (empezando en el cuarto punto) y una corrida descendente
inusualmente larga (empezando con el décimo octavo punto)
En general, una corrida se define como una secuencia de observaciones del mismo tipo. Ademas
de las corridas ascendentes y descendentes, podrian definirse los tipos de observaciones que se loca-
lizan arriba y abajo de la linea central, respectivamente, por lo que dos puntos seguidos arriba de la
linea central formarfan una corrida de longitud 2,
Es muy poco probable que ocurra una corrida de longitud 8 o de més puntos en una muestra
aleatoria de puntos. Por consiguiente, cualquier tipo de corrida de longitud 8 0 mayor con frecuen-
cia se considera como una sefial de una condicién fuera de control. Por ejemplo, ocho puntos
consecutivos en el mismo lado de la linea central indicarfan que el proceso esta fuera de control.
‘Aun cuando las zorridas son una medida importante del comportamiento no aleatorio en una
carta de control, otros tipos de patrones también pueden indicar una condicién fuera de control. Por
milar, a una secuencia
123 45 6 7 8 9 10111213 14 15
Numero de muestra
Figura 4-13 Una carta ¥ con un patrén ciclico. 174
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
tst # ust
@
Lae fe
ust u ust.
»
gura 4-14) Variabilidad con el patrén ciclico. b) Variabilidad con el
Patrén ciclico eliminado,
ejemplo, considérese la carta X de la figura 4-13, Obsérvese que los promedios muestrales graficados
muestran un comportamiento ciclico, no obstante que se localizan dentro de los limites de control
Este patrén puede indicar un problema con el proceso, como la fatiga del operador, entregas de
materias primas, refuerzo de calor 0 tensién, etcétera, Aun cuando el proceso no esta en realidad
fuera de control, el rendimiento puede mejorarse mediante la eliminaci6n 0 reduccién de las fuentes
de variabilidad que causan este comportamiento ciclico (ver la figura 4-14).
El problema consiste en la identificacién de patrones —es decir, reconocer los patrones siste-
miticos 0 no aleatorios en la carta de control e identificar la razon de este comportamiento. La
habilidad para interpretar un patrén particular en términos de causas asignables requiere experiencia
y conocimiento del proceso. Es decir, no basta conocer los principios estadisticos de las cartas de
control, sino que debe contarse asimismo con una comprensiOn adecuada del proceso. En el capitu-
lo 5 se discute con mayor detalle la interpretacién de patrones en cartas de control.
El Wester Electric Handbook (1) sugiere un conjunto de reglas de decisién para detectar patro-
hes no aleatorios en cartas de control. Especificamente, sugiere concluir que el proceso est fuera de
control si
1. Un punto se localiza fuera de los limites de control tes sigma;
2. Dos de tres puntos consecutivos se localizan fuera de los limites de advertencia dos sigma:
3. Cuatro de cinco puntos consecutivos se localizan a una distancia de una sigma o mas dé la
linea central;
4. Ocho puntos consecutives se localizan en el mismo lado de la linea central,
Estas reglas se aplican a uno de los lados de la linea central a la vez. Por lo tanto, un punto arriba
del limite de advertencia superior seguido inmediatamente por un punto abajo del limite de adver- 4-3.6
43 FUNDAMENTOS ESTADISTICOS DE LA CARTA DE CONTROL 175
74.0180
74.0135}-
74.0090}
74,0045 |
74.0000 |
73.9955 |
73.9910}
73.9865 |
LCL = 73.9865
73.9820+
Petit
Tareas ety ae
Numero de muestra
Figura 4-15 Las reglas de Wester Electric 0 de zonas, con los thtimos
cuatro puntos indicando una violacisn de la regla 3,
tencia inferior no seria una sefial de alarma de fuera de control. Es frecuente el uso de estas
reglas en la practica para aumentar la sensibilidad de las cartas de control, Es decir, el uso de
estas reglas puede permitir que los corrimientos més pequeiios en el proceso se detecten mas ripido
que como seria el caso si el inico criterio fuera la violaciGn del Iimite de contro! tres sigma usual
En la figura 4-15 se muestra una carta de control ¥ para el proceso de los anillos para pistones
con los limites una sigma, dos sigma y tres sigma utilizados en el procedimiento de Western Electric
Obsérvese que estos limites dividen la carta de control en las tres zonas A, B y C a ambos lados de la
linea central. Por consiguiente, las reglas de Western Electric en ocasiones se llaman las reglas de
zonas para cartas de control. Obsérvese que los titimos cuatro puntos se localizan en Ia zona B o
después. Por tanto, puesto que cuatro de cinco puntos consecutivos exceden el limite una sigma, el
Procedimiento de Western Electric concluiré que el patrén es no aleatorio y que el proceso esti fuera
de control.
Discusi6n de las reglas de sensibilizacién para cartas de control
Como puede reunirse de las secciones anteriores, es posible aplicar simulténeamente varios criterios
a una carta de control para determinar si el proceso esté fuera de control. El criterio basico es el de
uuno o mas puntos fuera de los limites de control. En ocasiones se emplean criterios suplementarios
para aumentar la sensibilidad de las cartas de control a uh corrimiento pequeao en el proceso a fin de
poder responder con mayor rapidez a la causa asignable. En la tabla 4-1 se presentan algunas de las
reglas de sensibilidad que son de uso comtin en la préctica. Para una buena discusién de algunas
de estas reglas, ver Nelson (2). Con frecuencia se inspeccionard la carta de control y se concluira
que el proceso esté fuera de control si se satisfacen uno 0 més de los criterios de la tabla 4-1
Cuando se aplican de manera simulténea varias de las reglas de sensibilidad, es comin usar
una respuesta graduada para sefiales fuera de control. Por ejemplo, si un punto excedié un limite
de control, se iniciarfa de inmediato la biisqueda de la causa asignable, pero si uno o dos puntos 176 CAaPiTULO4 METODOS Y FILOSOF{A DEL CONTROL E
ADISTICO DE PROC
fabla 4-1 Algunas reglas de sensibilidad para cartay de control de Shewhart
estindar—> 1. Uno o mis puntos fuera de los limites de control
2. Dos de tres puntos consecutivos fuera de los limites de advertencia
i pero atin dentro de los limites de control.
3. Cuatro de cinco puntos consecutivos fuera de los limites una sigma,
Seital de ace
dos si
Western
Electric
Una corrida de ocho puntos consecutivos en el mismo lado de
linea central
Seis puntos seguidos que se inerementan o se deerementan de ma:
ner sostenida.
6. Quince puntos seguidos en la zona C (tanto arriba como abajo de le
linea central)
7. Catoree puntos seguidos alternindose arriba y abajo.
8. Ocho puntos seguidos en ambos lados de la lin
guno de ellos en la zona C.
9. Un patron inusual on
10, Uno © mas puntos cer
central pero nin-
aleatorio en los datos.
rca de un limite de control 6 de advertencia.
consecutivos s6lo excedieron el limite de advertencia dos sigma, podria incrementarse la frecuen-
cia del muestreo de cada hora, por ejemplo, a cada 10 minutos, Esta respuesta de muestreo adap-
table no podria ser tan rigurosa como una biisqueda completa de una causa asignable, pero si el
proceso en realidad estuviera fuera de control, proporcionarfa una alta probabilidad de detectar esta
situacién con mayor rapidez que si se conservara el intervalo de muestreo mas largo.
En general, deberd ejercerse cuidado cuando se usen varias reglas de decisién al mismo tiem-
po. Suponer que el analista utiliza k reglas de decisién y que la probabilidad del error tipo I del
criterio i es @,, Entonces la probabilidad global del error tipo 1 0 de una falsa alarma para la
decisién basada en las k pruebas es
‘
a=1-JJd-a,) (4-4)
siempre que la totalidad de las k reglas de decisién sean independientes. Sin embargo, el supuesto
de independencia no es vélido con las reglas de sensibilidad usuales. Ademis, el valor de of, no
siempre esta definido con claridad para las reglas de sensibilidad, ya que estas reglas incluyen
varias observaciones..
Champ y Woodall (1) investigaron el desempefio de la longitud promedio de la corrida para la
carta de control de Shewhart con varias reglas de sensibilidad. Encontraron que el uso de estas
reglas mejora la habilidad de la ‘carta de control para detectat los corrimientos més pequefios, pero
la longitud promedio de la corrida bajo control puede degradarse sustancialmente. Por ejemplo.
suponiendo datos independientes del proceso y utilizando una carta de control de Shewhart con las
reglas de Western Electric, se obtiene una ARL bajo control de 91.25, en contraste con 370 para la
carta de control de Shewhart sola.
Por tanto, las reglas de sensibilidad deberiin usarse con extremo cuidado, ya que un niimero
excesivo de falsas alarmas puede ser perjudicial para un programa de SPC efectivo. Ademés, con-
forme se apliquen més reglas suplementarias a la carta, el proceso de decisiGn se hace més compli- 4-4 EL RESTO DE L/ sIETE MAGNIFICAS” 177
cadlo, y se pierde Ia simplicidad inherente de la carta de control de Shewhart. Muchas de las reglas
de sensibilidad que se han discutido se han implementado en programas modernos de computadora
para SPC. Sin embargo, el analista deberd ser en extremo cuidadoso acerca de su uso rutinario. Las
reglas de las corridas y otras reglas de sensibilidad pueden ser dtiles cuando la carta de control
acaba de aplicarse y el interés principal es la estabilizacién de un proceso fuera de control. Sin
embargo, una vez que el proceso es razonablemente estable, deberd desalentarse 1a utilizaci6n rut
ia de estas reglas de sensibilidad para detectar corrimientos pequefios, © para intentar reaccionar con
mayor rapidez a causas asignables. Cuando sean de interés los corrimientos en el proceso mas peque-
fio, deberdin usarse cartas de control de suma acumulada y de promedio mévil ponderado exponen-
cialmente (ver el capitulo 8 de la parte IID).
4-4 EL RESTO DE LAS “SIETE MAGNIFICAS”
‘Aun cuando la carta de control es una herramienta muy poderosa para resolver problemas y mejo-
rar procesos, su aplicacién es més efectiva cuando esté integrada completamente en un programa
global de SPC. La ensefianza de las siete principales herramientas del SPC para resolver problemas
deberd hacerse llegar a toda la organizaciGn y deberdn utilizarse de manera rutinaria para identifi-
car las oportunidades de mejoramiento asi como para ayudar a reducir la variabilidad y eliminar el
desperdicio. Las “siete magnificas”, que se introdujeron en la secci6n 4-1, se enlistan de nuevo por
conveniencia
1. El histograma y el diagrama de tallo y hoja
2. La hoja de verificacién
3. La grifica de Pareto.
4, El diagrama de causa y efecto.
5. El diagrama de concentraciGn de defectos.
6. El diagrama de dispersién.
7. La carta de control
Se han discutido ya el histograma y el diagrama de tallo y hoja (capitulo 2), y la carta de control. En
esta seccién se ilustrara brevemente el resto de las herramientas.
La carta de verificacién
En las etapas iniciales de la implementaci6n del SPC, con frecuencia ser necesario colectar datos de
‘operacién, sean hist6ricos o actuales, acerca del proceso bajo investigacién. Una hoja de verifica-
cién puede ser de gran utilidad en esta actividad de recabar datos. La hoja de verificacién que se
muestra en la figura 4-16 fue desarrollada por un ingeniero de una empresa aeroespacial que inves-
tigaba los diferéntes tipos de defectos que ocurrian en un tanque usado en uno de sus productos con la
intencién de mejorar el proceso. El ingeniero disefé esta hoja de verificaci6n a fin de facilitar el
resumen de todos los datos histéricos disponibles de los defectos relacionados con los tanques. Debi-
do a que sélo se fabricaba un ntimero reducido de tanques cada mes, parecfa apropiado resumir los
datos mensualmente e identificar tantos tipos diferentes de defectos como fuera posible. El resumen
con una orientacién en el tiempo es particularmente valioso para buscar tendencias y otros patrones
importantes. Por ejemplo, si muchos defectos ocurren durante el verano, una posible causa que debe-
1 investigarse es la contrataci6n de obreros eventuales durante un periodo vacacional intenso. 78
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
HOUA DE VERIFICACION
DATOS DE DEFECTOS DE 1986-1989 A LA FECHA
de parte: Tax-41
gar
scha del estudio: 6/5/89
Bellevue
Tce 1988 1908
Detecto neta ene} > | Towa
snes aac i
oblemas ge maquinade 3
6
2
2
ies suminsradas ond
cturacion insulente ans
sdacura desainenda
coonsamvento fuera de orden
omsion dla pate incorrecta T
sruturas aerognamens no Tewnnadas 3
la de adherencia T 7 2 feet
joan en pole 1
tra toora de J nos T T
rtura dahada por carosion 1
elicle sobre as pares 3 fer
alas do prtra tapaporos daiadas v
ncios on plazas funcias t
ompuesto deslamnade
imensiones incorecias ise eae 1 Le
rocedimiento de prusba inadecuado v
sls do rosie sal 4 4
TOTAL 4542 599 60 4 0 Tio 7 7 6 21 16
Figura 4-16 Hoja de verificacién para registrar los defectos de un tangue usado en una aplicacién acrospacial.
Cuando se disefia una hoja de verificacién, es importante especificar claramente el tipo de datos
que van a recabarse, el ntimero de parte u operaci6n, la fecha, el analista y cualquier otra infor-
‘macién titil para diagnosticar la causa del desempefo pobre. Si la hoja de verificacién es la base
para realizar cilculos adicionales. o si se usa como hoja de trabajo para capturar datos en una
computadora, entonces es importante asegurarse de que la hoja de verificaci6n seri adecuada
para este propésito antes de que se inviertan esfuerzos considerables en la recabacién real de los
datos. En algunos casos puede ser titil una “corrida de prueba” para validar que sea ttil la dispo-
sicién y el disefio de la hoja de verificacién.
La grafica de Pareto
La grafica de Pareto es tan slo una distribucién de frecuencia (0 histograma) de datos de
atributos ordenados por categoria. Para ilustrar una gréfica de Pareto, considérense los datos de los
defectos del tanque presentados en la figura 4-16. Se grafica la frecuencia de la ocurrencia total
de cada tipo de defecto (la tltima columna de la tabla de la figura 4-16) contra los diferentes 44 ELRESTO DELAS “SIETE MAGNIFICAS” 179
a gaia |
EGG S359 028 02898
peaee gies pail
PpPegiiisicdbiaaite
a: gh2gsitistseiges
8 8 oH 23$¢ 23
3 z si geht s 6
be eer abe 2%
i : 283 6
i
Estructuras aerodinam
Figura 4-17 Grifica de Pareto de los datos de los defectos del
tangue.
tipos de defectos para producir la figura 4-17, que se denomina grfica de Pareto. En esta gréfi-
ca el usuario puede identificar visualmente de inmediato los tipos de defectos que ocurren con
mayor frecuencia. Por ejemplo, la figura 4-17 indica que las dimensiones incorrectas, las partes
dafiadas y el maquinado son los defectos que es més comiin encontrar. Por tanto, quizs deberfan
identificarse y atacarse primero las causas de estos tipos de defectos.
CObsérvese que la gréfica de Pareto no identifica automaticamente los defectos més importantes,
sino sélo los que ocurren con mayor frecuencia. Por ejemplo, en la figura 4-17 los vacfos en piezas
fundidas ocurre muy pocas veces (2 de 166 defectos, 0 1.2%). Sin embargo, los vacfos pueden dar
como resultado que el tanque se deseche, que seria un costo potencialmente grande —quiziis tan
srande que los vacios én las piezas fundidas deberian elevarse a la categoria de los defectos importan-
tes, Cuando en la lista de defectos estén mezclados los que podrian tener consecuencias en extremo
graves y otros de importancia mucho menor, puede usarse uno de dos métodos:
1. Usar un esquema de ponderacién para modificar los conteos de la frecuencia. En el
capitulo 6 se discuten los esquemas de ponderacién para defectos.
El nombre grifiea de Pareto se deriva del economista italiano Vilfredo Pareto (1848-1923), quien teoriz6 que en cievtas
‘economias 1a mayorfa de la riqueza se concentrabayen un segmento desproporcionadamente reducido de la poblacién. Los
ingenieros de calidad han observado que los defectos por lo general siguen una distribucin similar a la de Pareto 80
CAPITULO4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
n=.
: rece el
bg |
52 |
" ars |
: | |
i ai | I |
Bag Beal |
3 68 139 19 46 16 8 39 64 2 118
ester eee Nimo de componeri
5 »
300 10 38
g
g
8
Frecuencia de los errores
Numero de ocurrencias
Porcentaje acumulado
Nu Pr ‘Codigo Na Da o ‘mat Re f
Go” Gro eat cepts moyane peed oom os Gow
cofinio eS peoveta wes” eres a= 32 Tae
° a
Figura 4-18 Varios ejemplos de graficas de Pareto:
2. Acompaiar el andllisis de la gréfica de frecuencia de Pareto con una grafica de costo
o desmascaramiento de Pareto.
Hay muchas variantes de la gréfica de Pareto bésica, En la figura 4-184 se muestra una grifica de
Pareto aplicada a un proceso de ensamblaje electrénico que utiliza componentes montados en una
tarjeta. El eje vertical es el porcentaje de los componentes que se localizan incorrectamente, y cl eje
horizontal es el nimero de componente, un cédigo que identifica el sitio del dispositivo en la tarjeta
de circuitos impresos. Obsérvese que los cddigos de localizacién 27 y 39 representan 70% de los
errores. Esto puede ser resultado del tipo o del tamafio de los componentes en esas localizaciones, 0
del sitio donde se localizan estos componentes en la tarjeta. En la figura 4-18b se presenta otra grafica
de Pareto de la industria electrénica, El eje vertical es el ntimero de componentes defectuosos, y el ee
horizontal es el niimero de componente. Obsérvese que las barras verticales se han descompuesto pot
proveedor para producir una grdfica de Pareto apilada. Este andlisis indica claramente que el provee-
dor A suministra una proporcién demasiado grande de componentes defectuosos.
Las graficas de Pareto se usan ampliamente en las aplicaciones fuera de las manufacturas
de los métodos de mejoramiento de calidad. En la figura 4-18c se muestra una gréfica de Pareto 4-4 EL RESTO DE LAS “SIETE MAGNIFICAS' 181
utilizada por un equipo de mejoramiento de calidad en una organizacin de compras. El equipo
investigaba los errores en las érdenes de compra, en un esfuerzo para reducir el nimero de modi
ficaciones en las Grdenes de compra remitidas por la organizacién. (El costo tipico de cada
modificacién es de 100 a 500 dolares, y la organizaci6n remitia varios centenares de Srdenes de
compra cada mes.) Esta grafica de Pareto tiene dos escalas —una para la frecueny
errores y otra para el porcentaje de los mismos. En la figura 4-18d se presenta la grifica de
Pareto construida por un equipo de mejoramiento de calidad en un hospital para reflejar las
razones de la cancelacién de cirugias programadas de pacientes externos.
En general, la grifica de Pareto es una de las “siete magnificas” mas ttiles. Sus aplicaciones
en el mejoramiento de calidad s6lo estén limitadas por el ingenio del analista.
real de los
EI diagrama de causa y efecto
Una vez que un defecto, error o problema se ha identificado y aistado para estudio adicional, es
necesario empezar a analizar las causas potenciales de este efecto indeseable. En situaciones en que
Jas causas no son obvias (a veces lo son), el diagrama de causa y efecto es una herramienta formal
que con frecuencia es de utilidad para dilucidar las causas potenciales. En la figura 4-19 se muestra
el diagrama de causa y efecto construido por un equipo de mejoramiento de calidad asignado para
identificar las areas de problemas potenciales en el proceso de fabricaci6n del tanque mencionadas
antes. Los pasos para la construccién del diagrama de causa y efecto son los siguientes:
Cémo construir un diagrama de causa y efecto
1. Definir el problema o efecto que va a analizarse.
2. Formar el equipo para realizar el andlisis. Con frecuencia el equipo descubrira las
causas potenciales mediante el procedimiento de Iluvia de ideas (brainstorming).
| 3, Trazar el recténgulo del efecto y Ia linea central
4. Especificar las categorias principales de las causas potenciales y anexarlas como rec-
tdngulos conectados con Ia Iinea central
Identificar las causas posibles y clasificarlas dentro de las categorfas del paso 4. De ser
necesario, crear nuevas categorfas,
| 6. Clasificar las causas para identificar las que parezcan tener mayores posibilidades de
incidir en el problema
7. Emprender una accién correctiva.
Al analizar el problema de los defectos del tanque, el equipo decidi6 utilizar como categorfas
principales de los defectos del tanque las méquinas, los materiales, los métodos, el personal, la
medici6n y el medio ambiente. Se efectué después una sesién de Iuvia de ideas a fin de identificar
las diferentes subcausas en cada una de estas categorias principales y elaborar el diagrama de la
figura 4-19. Después, mediante discusiones y el proceso de eliminacién, el grupo decidié que los
materiales y los métodos inclufan las categorias de las causas mas probables. 82
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
éqinas [memes] Métodos
er ete rte Defectos en
opootenconee| los tangues,
ee ies duce
Figura 4-19 Diagrama de causa y efecto para el problema de los defectos de los tanques,
=i anailisis de causa y efecto es una herramienta en extremo til. Un diagrama de causa y efecto
suy detallado puede servir como ayuda efectiva para corregir problemas. Ademés, la construccién
¢ un diagrama de causa y efecto como una experiencia de equipo tiende a comprometer a las
sersonas para atacar un problema en vez de andar sefialando culpables.
El diagrama de concentracién de defectos
_n diagrama de concentracién de defectos es un dibujo de la unidad, donde se muestran todas las
seas relevantes. Después se marcan en el dibujo los diferentes tipos de defectos, y el diagrama se
analiza para determinar si la localizacién de los defectos en la unidad transmite cualquier informa-
on titil acerea de las causas potenciales de los defectos.
En la figura 4-20 se presenta un diagrama de concentracin de defectos en la etapa del
samblaje final de un proceso de fabricacién de refrigeradores. Los defectos de terminado
superficial se identifican con las areas sombreadas oscuras en el refrigerador. Al inspeccionar el
igrama, parece claro que el manejo de materiales es el causante de la mayoria de estos defec-
-s. La unidad se mueve fijando un cinturén por la parte media, y este cinturén esta muy flojo (0
spretado), desgastado, esté hecho de material abrasivo o es demasiado angosto. Ademés, cuando
2 unidad se mueve se estén dafiando las esquinas. Es posible que 1a fatiga del trabajador sea un
“ctor en este proceso. De cualquier modo, los métodos de trabajo apropiados y el manejo mejo-
‘0 de los materiales probablemente mejorardn este proceso sustancialmente.
En la figura 4-21 se muestra el diagrama de concentracién de defectos para el problema de los
~rques tratado antes. Obsérvese que este diagrama muestra varias categorfas generales de defec~
~ diferentes, identificada cada una con un c6digo especifico. Es frecuente el uso de diferentes
ores para indicar diferentes tipos de defectos. 44 EL RESTO DE LAS “SIETE MAGNIFICAS'
183
Bs
Parte superior
Lado Frente Pare Lado
laquier- posterior derecho
é CF
Parte interior
Figura 4-20 Defectos en el terminado superficial de un
refrigerador.
Cuando los datos de los defectos se representan en un diagrama de concentraci6n de defectos para
un niimero suficiente de unidades, es comtin que surjan patrones, y la localizacién de estos patro-
nes suele contener mucha informacién acerca de las causas de los defectos. Hemos encontrado que
los diagramas de concentracién de defectos son herramientas importantes para resolver problemas
en muchas actividades industriales, incluyendo actividades de revestimiento metilico, pintura y
recubrimiento, y operaciones de fundicién, maquinado, y ensamblajes electrénicos
El diagrama de dispersi6n
El diagrama de dispersién es una gréfica «til para identificar una relaci6n potencial entre dos »aria-
bles. Los datos se colectan por pares de las dos variables —por ejemplo, (y’,.x)— para f= 1, 2... 1
Numero de tanque
Nimero de serie
Lado ao Lado
izquierdo derecho
Cédigo del defecto
C= Desgaste supericial o rayado
D=Luna
Figura 4-21 Diagrama de concentracién de defectos del tanque, 184 — CAPfrULO4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
100
o esta
3 - .
2 press
8 8 Sl eh ois
Boas
3
é
0 5 1 15 2 25 30 35
Fundente aprovechable (Ib)
Figura 4-22. Un diagrama de dispersién
Después se grafica cada y, contra la x, correspondiente, La forma del diagrama de dispersién suele
indicar el tipo de relacién que puede existir entre las dos variables.
En la figura 4-22 se muestra un diagrama de dispersi6n que relaciona e! metal recuperado (en
por ciento) de un proceso de fundicién magnatérmico para magnesio contra los valores correspon-
dientes de la cantidad de fundente de aprovechable agregado al crisol. El diagrama de dispersivn
indica una fuerte correlacion positiva entre la recuperacion de metal y la cantidad de fundente: es.
decir, cuando se incrementa la cantidad de fundente agregada, la recuperacién de metal también se
incrementa. Resulta tentador concluir que la relaciGn tiene una base de causa y efecto: al inere-
mentar la cantidad de fundente aprovechable, siempre puede asegurarse una alta recuperacién de
metal. Este razonamiento es potencialmente peligroso, ya que la correlacién no implica necesa-
riamente causalidad. Esta aparente relacién podria ser causada por algo muy diferente. Por ejem-
plo, ambas variables podrian estar relacionadas con una tercera variable, como la temperatura del
metal antes de Ia operaci6n de vertir el fundente aprovechable, y esta relacién podria ser responsa-
ble de lo que se observa en la figura 4-22. Si temperaturas més elevadas llevan a una recuperacion
de metal més alta, y la practica es agregar fundente aprovechable en proporcién a la temperatura,
agregar més fundente cuando el proceso est operando a baja temperatura no tendré efecto alguno
en el mcjoramiento del rendimiento. El diagrama de dispersién es vtil para identificar relaciones
potenciales. Deberdn usarse experimentos disefiados [ver Montgomery (3)] para verificar la
causalidad.
4-5 IMPLEMENTACION DEL SPC
Los métodos del control estadistico de procesos pueden proporcionar una retribucién significativa @
las compaiias que puedan implementarlos exitosamente. Aun cuando el SPC parece ser una colec-
cidn de herramientas basadas en la estadistica para resolver problemas, para la aplicacién exitosa del
SPC se necesita algo mds que el aprendizaje y uso de estas herramientas. La participacién y com-
promiso de la administracién con el proceso de mejoramiento de calidad es el componente vital del
éxito potencial del SPC. La administracion desempeiia el papel de ser el modelo, y los demas inte~
grantes de la organizacién mirardn hacia la administracién como guia y ejemplo. También es impor 4.5 IMPLEMENTACION DEL SPC «185
tante un enfoque de equipo, ya que es generalmente dificil que una sola persona introduzca mejoras
en un proceso. Varias de las “siete magnificas” son titiles para formar un equipo de mejoramiento,
incluyendo los diagramas de causa y efecto, las gréficas de Pareto y los diagramas de concentracién
de defectos. El amplio conocimiento y uso de las herramientas para resolver problemas del SPC
deberd darse en toda la organizacién. La capacitacién continua del personal acerca del SPC y otros
métodos para reducir la variabilidad es necesaria para conseguir que el conocimiento de las herra-
mientas sea vasto en todos los niveles
El objetivo de un programa de reduccidn de la variabilidad basado en el SPC es el mejoramiento
continuo sobre una base Semanal. trimestral y anual. El SPC no es un programa que se aplique una
sola vez, cuando el negocio esti en problemas y se abandone después. El mejoramiento de calidad
que se enfoque en la reducci6n de la variabilidad debe convertirse en parte de la cultura de la organi
zacién.
La carta de control es una herramienta importante en el mejoramiento de los procesos. Los
procesos no operan naturalmente en un estado bajo control, y la utilizacién de las cartas de
control es un paso importante que debe darse temprano en un programa de SPC a fin de eliminar
las causas asignables, reducir la variabilidad del proceso y estabilizar el desempefio del proceso.
Para mejorar la calidad y la productividad, es necesario empezar a dirigir la organizacin con
hechos y datos, y no confiar sdlo en el criterio. Las cartas de control son una parte importante de
este cambio en el enfoque de la administracién.
Al implementar un esfuerzo para reducir la variabilidad y mejorar la calidad en toda la compa-
fifa, hemos encontrado que varios elementos suelen estar presentes en todos los esfuerzos exitosos.
Estos elementos son los siguientes:
Elementos de un programa de SPC exitoso
« Liderazgo de la administracién.
Enfoque de equipo.
Capacitaci6n de los empleados en todos Jos niveles,
Enfasis en la reduccidn de 1a variabilidad. |
Medir el éxito en términos cuantitativos (econémicos).
vee
ane
Un mecanismo para comunicar los resultados exitosos en toda la organizacién.
No puede hacerse demasiado hincapié en el liderazgo de la administracién y en el enfoque de
grupo. El mejoramiento de calidad exitoso es una actividad dirigida por la administraci6n “de arriba
hacia abajo”. También es importante medir el progreso y el éxito en términos cuantitativos (econd-
micos), y difundir el conocimiento de este’ éxito en toda la organizacién. Comunicar las mejoras
exitosas en toda la compaiifa proporciona motivaciGn e incentivacién para mejorar otros procesos
y para hacer del mejoramiento continuo una parte normal de la manera de hacer negocios. 186
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS
-6 UNA APLICACION DEL SPC
En esta seccidn se ofrece una relacién de la aplicacién de los métodos del SPC para mejorar I
idad y la productividad de la operacién de recubrimiento de cobre en unas instalaciones donde se
fabrican tarjetas de circuitos impresos. Este proceso se caracterizaba por altos niveles de defectos,
tales como cobre quebradizo y vacfos de cobre, asf como por el largo tiempo de flujo, el cual resul.
taba particularmente problematic, ya que habia llevado a severos retrasos del trabajo y era uno de
los principales factores que contribu‘an a que no pudiera cumplirse con el programa de produ
de la fabrica.
La administraci6n eligi6 esta rea del proceso para una implementacién inicial del SPC. Se
formé un equipo de mejoramiento, integrado por el operador del tangue de chapado, el ingeniero de
manufactura responsable del proceso y un ingeniero de calidad. Todos los integrantes del equipo
habfan participado en un seminario de SPC sobre las “siete magnificas” patrocinado por la compa
‘ifa, Durante la primera reunidn del equipo. se decidi6 concentrarse en Ia reduccién del tiempo de
flujo a través del proceso, pues se considers que el incumplimiento de los objetivos de entrega eran
el obsticulo més serio para mejorar la productividad. El equipo determiné pronto (con base en la
experiencia del operador) que el tiempo muerto excesivo del controlador que regulaba la concen-
traci6n de cobre en el tanque de chapado era un factor importante en el tiempo de flujo excesivo, ya
que el tiempo muerto del controlador se traducia directamente en produccién perdida,
El equipo decidié usar un andlisis de causa y efecto para aislar las causas potenciales del
tiempo muerto del controlador. En la figura 4-23 se muestra el diagrama de causa y efecto que se
elaboré durante la sesiGn de Iuvia de ideas enfocada en el tiempo muerto del controlador, El
equipo pudo identificar répidamente 11 causas potenciales principales del tiempo muerto del con-
Ratieno det || Falaenia ana || Corotacor || 4. tenimiento| | Fallaen
reactivo || Pemba elécrica |] 9% |!" Go tuperia | [ol sistema)
parastélica ture de alarma
Tareta del Mantenimiento
cercuito PV | Calentador ‘semanal | Baja PMC
Nuevo Fala en Cl de la
reactive | el motor fuente de
energia
2 Mantenimiento | Cerrada
Termistores on
Cael
e urgencia
calerimetio ie
detectuosos
Tareta madre [ase]
4 ruert del
Impulsor controlador
Fluctuacion |
del
Manteni
rmiento
etormados
de rutina
Ensamblaie
fen las juntas
Reemplazo
‘colorimetro al electrode
del aire
Reactivos
Varasin doa] S822 | conrlas] | Reenpiao || Falaenta
concentactn || Teesside || Cea] | da eacrodo ||, DoTBa de
Figura 4-23 Diagrama de causa y efecto para el tiempo muerto del controlador. 46
UNA APLICACION DEL SPC
187
CONTEO SEMANAL,
OPERADOR
FIN DE SEMANA,
ERRORES
DESCRIPCION | ACCION
I, VARIACION EN LA CONCE!
a. Desviacién del colorimetro
b, Falla det electrodo
fe. React
Tubos deformados
Errorfoperacién/no autorizada
TRACION
2. FALLAENE
a. Baja PMC
b. Cerrada
SISTEMA DE ALARMA
3. FALLA EN LA BOMBA DE RECIRCULACION
a. Esclusa del aire
b. Impulsor
4, Relleno del reactivo
a. Nuevo reactivo
5, MANTENIMIENTO DE LA TUBERIA
a, Mantenimiento semanal
b. Mantenimiento de urgencia
6. REEMPLAZO DEL ELECTRODO
a, Mantenimiento de rutina
7. CONTROLADOR DE TEMPERATURA
a. Calentador quemado
b. Termistores defectuosos
8. CONTROLADOR DE OXIGENO
a. Deschapado
b. Reemplazo del electrodo
9. Falla de la bomba parastélica
a, Falla del motor
10. FALLA BLECTRICA
a. Tarjeta del cireuito PV
b. CL de la fuente de energia
CL del colorimetro
4. Tarjeta madre
11, RECIRCULACION DESCHAPADO.
Ensamblaje en las juntas
CONTEO TOTAL
Figura 4.24 Hoja de verificacin de la bitécora (88
CAPITULO. 4 METODOS Y FILOSOFIA DEL CO
TROL,
ADISTICO DE PROCESOS
trolador, Sin embargo, cuando examinaron la bitécora del equipo para hacer un diagnéstico mis
definitive de las causas del tiempo muerto basado en el desempefio real del proceso, los resultados
fueron desalentadores. La bitécora contenfa poca informacién util acerca de las causas del tiempo
muerto; en cambio, contenfa Gnicamente un registro cronolégico de cuando la maquina estuvo
funcionando y cudndo estuvo apagada.
Entonces el equipo decidié que seria necesario colectar datos validos sobre las causas del
tiempo muerto del controlador. Disefiaron la hoja de verificacién que se muestra en la figura 4-24
como una pagina complementaria de la bitécora. El equipo acord6 que siempre que el equipo
estuviera ocioso, uno de los miembros del equipo asumiria la responsabilidad de Henar la hoja de
|. Obsérvese que las principales causas del tiempo muerto del controlador identificadas
en el diagrama de causa y efecto se han usado para estructura los encabezados y subencabezados
de la hoja de verificacién. El equipo acordé que los datos se colectarian durante un periodo de 4 a
6 semanas.
Conforme se contaba con datos mis confiables acerca de las causas del tiempo muerto del
controlador, el equipo pudo analizarlo utilizando otras técnicas del SPC. En la figura 4-25 se presen-
ta el andlisis de Pareto de los datos de las fallas del controlador que ocurrieron durante el estudio de
6 semanas del proceso. Obsérvese que la variacidn en la concentracién es una de las causas principa-
les del tiempo muerto. En realidad, la situacién probablemente es més compleja de lo que parece. La
tercera categoria mas grande de las causas del tiempo muerto es el relleno del reactivo. Frecuente-
mente, el reactivo del colorimetro del controlador se rellena porque la concentraci6n ha variado a tal
grado fuera de las especificaciones del proceso que el relleno del reactivo y Ia recalibracién del
colorimetro son la tinica medida a la que puede recurrirse para volver a poner en linea el proceso.
Por lo tanto, posiblemente hasta 50% del tiempo muerto asociado con fallas en el controlador
puede atribuirse a la variacién en Ia concentracién. En la figura 4-26 se presenta un andlisis de
Pareto exclusivamente para los datos de la variacién en la concentracién. Por este diagrama se sabe
que la fluctuacién del colorimetro y los problemas con los reactivos son causas principales de la
variacién en la concentracién. Esta informacién Ilev6 a que el ingeniero de manufactura del equipo
concluyera que la reconstruccién del colorimetro seria un paso importante para mejorar el proceso.
verificaci6
40
26
g 20
2B
5
2 20
3 16
2 us
& 10 9
aa E ei z
OTNaracion Mantoni- — Relleno Falla en ls Falla en HE ‘Controle. Fata det
concen: Tatnara rescho eoraier per. Spore de esata
Figura 4-25 Anslisis de Pareto de las fallas del controlador. 4.6 UNA APLICACION DEL SPC 189
ih 30
Por clento del tiempo muerto
Z 6
Figura 4-26 Anillisis de Pareto de Ia v
sién,
\cién en la concentra-
Durante el tiempo en que se colectaron estos datos del proceso, el equipo decidié llevar cartas de
control estadistico del proceso. La informacién colectada hasta este punto acerca del desempefio del
proceso fue la base para construir los primeros planes de accién para condiciones fuera de control
(OCAP, por sus siglas en inglés) para estas cartas de control. La concentracién de cobre de este
proceso se midié manualmente tres veces al dfa, En la figura 4-27 se presenta la carta de control ¥
3.3667
3.1933
3.0200
2.8467
Concentracién promedio de cobre
2.6733
2.5000
ssdessesseses
Fecha de la muestra
Figura 4-27 Canta ¥ de la concentracién promedio diaria de cobre. 90
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCESOS.
1.2000
0.9600
0.7200
lor de cobre
0.4800
Cone
0.2400
0.0000
Fecha de la muestra
Figura 4-28 Carta R para la concentracién diaria de cobre,
para la concentracién promedio diaria de cobre: es decir, cada punto graficado en la figura es un
promedio diario, La carta muestra la linea central y los limites de control tres sigma. (En los siguien-
tes capitulos se discutiré con mayor detalle la construccién de estos limites.) Obsérvese que hay
varios puntos que se localizan fuera de los limites de control, indicando la presencia de causas asignables
en el proceso. En la figura 4-28 se presenta la carta del rango o R para la concentracién diaria de
cobre. En esta carta, R representa la diferencia entre las lecturas maxima y minima de la concentra-
cién de cobre en un dia, Obsérvese que la carta R también indica la falta de control estadistico. En
particular, la segunda mitad de la carta R parece ser mucho més inestable que la primera. Al examinar
las fechas en el eje horizontal, el equipo observ que la variacién severa de la concentracién prome-
dio diaria de cobre apareci6 después del 3 de enero. Las tiltimas observaciones de la concentraci6n de
cobre se habfan tomado el 22 de noviembre. Desde el 23 de noviembre hasta el 3 de enero el proceso
habia estado fuera de operacién por vacaciones. Aparentemente, cuando el proceso se reinicié, ocu-
rrid un deterioro sustancial del desempefio del controlador/colorimetro. Esto apresuré la decisién de
ingenieria de reconstruir el colorimetro.
En la figura 4-29 se presenta un diagrama de tolerancia de las lecturas de la concentraci6n
diaria de cobre. En esta figura se grafican las lecturas de la concentracién de cobre de cada dia,
y los extremos se unen con una linea vertical. En algunos casos se grafica més de una observa-
cidn en una sola posicién, por lo que se usa un numeral para indicar el ntimero de observaciones
graficadas en cada punto particular. La linea central de esta carta es el promedio del proceso en
el periodo de tiempo estudiado, y los limites superior e inferior son los limites de la especifica~
cién para la concentracién de cobre, Cada situacién de un punto que se localiza fuera de los
limites de la especificacién corresponderia a un tiempo muerto no programado del proceso.
Varias cosas son evidentes al examinar el diagrama de tolerancia, Primera, el promedio del
proceso es significativamente diferente de la especificacién nominal para la concentracién de
cobre (el punto medio de la banda de la tolerancia superior ¢ inferior). Esto implica que la
calibraci6n del colorimetro podria ser inadecuada. Es decir, literalmente, se estarfa apuntando al 4.6 UNA APLICACION DEI
191
Concentracién de cobre
0.0000 Fis us
Fecha de la muestra
Figura 4-29 Diagrama de tolerancia de la concentracién diaria de cobre.
objetivo equivocado, Segunda, se observa que la variaci6n en las lecturas diarias de la concen-
tracién de cobre es considerablemente mas grande después del 3 de enero que antes del cierre de
operaciones. Por iltimo, si la variaci6n en el proceso pudiera reducirse a un nivel aproximadamen-
te consistente con el observado antes del cierre de operaciones y si pudiera corregirse el centrado
del proceso, muchos de los puntos fuera de las especificaciones no habrian ocurrido, y el tiempo
muerto del proceso deberia reducirse.
A principios de febrero, ingenieria de manufactura reconstruy6 el colorimetro y el controla-
dor. El resultado de esta actividad de mantenimiento fue la restauracién de la variabilidad en las
lecturas diarias de la concentracién de cobre en el nivel antes del cierre de operaciones. El
colorimetro reconstruido volvié a calibrarse y subsecuentemente pudo mantenerse en el objetivo co-
recto. El recentrado y la recalibracién del proceso redujo el tiempo muerto del controlador de
aproximadamente 60% a menos de 20%. En este punto, el proceso pudo cumplir con Ia veloc’
dad de produccién requerida.
Una vez que se mejoré este aspecto del desempeno del proceso, el equipo dirigié sus esfuerzos
a reducir el ntimero de unidades defectuosas producidas por el proceso. En general, como ya se
sefialé, los defectos estaban incluidos en dos categorfas principales: cobre quebradizo y vacios de
cobre. El equipo decidié que, aun cuando era posible aplicar cartas de control y técnicas de control
del proceso a este problema, el uso de los métodos de disefio experimental podria llevar a una
solucin més rapida, Como se sefial6 en el capitulo 1, el objetivo de un experimento disefiado es
generar informacién que permitiré entender y modelar la relaci6n entre estas variables del proceso
y las medidas del desempefio del mismo.
En la tabla 4-2 y en la figura 4-30 se muestra el experimento disefiado para el proceso de recubri
miento metilico 0 chapado. El objetivo de este experimento fue proporcionar informacién que fuera
de utilidad para minimizar los defectos de chapado. Las variables del proceso consideradas en el
experimento fueron la concentracién de cobre, la concentracién de hidréxido de sodio, la concen- D2
_ CONTROL ESTADISTICO DE PROCESOS,
CAPITULO 4 METODOS Y FILOSOFIA DI
bla 4-2 Un experimento diseftado para el proceso del recubrimien-
to metilico 0 chapado
minimizar los defectos de chapado
Variables del proceso Nivel bajo
4 = Concentracién de cobre -
B = Conventiaci6n de hidréxido de sodio - +
C = Concentracién de formaldehido - +
D = Temperatura =
E = Oxigeno 4 ‘
Diseito experimental
Variables Respuesta
Corda A B ie DE __(defectos)
1 = - 2 5
2 : - a .
3 ~ + - -
4 i + - - +
_ - - a = =
6 + # = +
7 - + e z
8 + 5 = =
9 - - = +
10 + - - + +
n - + - + +
12 + + - + -
13 - a + + +
14 + - + + =
1s - + + a =
16 + + + os Ee
tracién de formaldehido, la temperatura y el oxigeno. Se eligié un nivel bajo y uno alto, represen-
tados simbdlicamente con ios signos menos y més en la tabla 4-2, para cada variable del proceso.
El equipo consideré inicialmente un experimento factorial —es decir, un disefio experimental en
el que se correrfan todas las combinaciones posibles de estos niveles de los factores. Este diseflo
habria requerido 32 corridas —es decir, una corrida en cada uno de los 32 vértices de los cubos de
la figura 4-30. Puesto que se trata de un ntimero demasiado grande de corridas, al final se seleccio-
n6 un disefio factorial fraccionado que usaba tinicamente 16 corridas. Este disefio factorial frac-
cionado se muestra en la mitad inferior de la tabla 4-2 y, geométricamente, en la figura 4-30.'En
este disefio experimental, cada renglén de la tabla es una corrida del proceso. La combinacién de
signos menos y mds en cada columna de ese rengl6n determina los niveles bajo y alto de las cinco
variables del proceso que van a usarse en esa corrida. Por ejemplo, en la corrida | la concentracion
de cobre, la concentracién de hidréxido de sodio, 1a concentracin de formaldehido y 1a temper
tura se corren en el nivel bajo y el oxigeno se corre en el nivel alto. El proceso se correrfa en cada
uno de los 16 conjuntos de condiciones descritas por el disefio (por razones que se discutirdn més
adelante, las corridas no se realizarfan en el orden mostrado en la tabla 4-2), y se registraria una 4-7 APLICACIONES DEL CONTROL ESTADISTICO DE PROCESOS 193.
Figura 4-30 Vista geométrica del disefio factorial fraccionado
para el experimento del proceso de chapado.
variable de respuesta —un ndmero observado de defectos de chapado— en cada corrida, Después,
estos datos podrian analizarse utilizando técnicas estadisticas simples para determinar los factores
que tienen una influencia significativa en los defectos de chapado, independientemente de que
cualquiera de los factores influya conjuntamente en la ocurrencia de los defectos y de que sea
posible ajustar estas variables en nuevos niveles que reduciran los defectos de chapado abajo del
nivel actual. Aun cuando la discusién completa del diseiio de experimentos sale del alcance de este
texto, en la parte IV se presentarn ejemplos de experimentos disefiados para mejorar el desempe-
io del proceso.
Después de que el equipo realiz6 el experimento que se muestra en la tabla 4-2 y de que analiz6
los datos resultantes del proceso, determiné que varias de las variables que identificaron para hacer el
estudio eran importantes y tenfan un impacto significativo en la ocurrencia de defectos de chapado.
Pudieron ajustar estos factores en nuevos niveles y, como resultado, los defectos de chapado se
redujeron en un factor aproximado de 10. Por lo tanto, al concluir el csfuerzo inicial del equipo para
aplicar el SPC al proceso de chapado, se habfan conseguido mejoras sustanciales en el tiempo de
flujo del producto a través del proceso y se habia dado un paso importante en el mejoramiento
de la capacidad del proceso. ‘
4-7 APLICACIONES DEL CONTROL ESTADISTICO DE PROCESOS
FUERA DE LA MANUFACTURA
En este libro se presentan los principios fundamentales del control estadistico de procesos. La
mayoria de los ejemplos usados para reforzar estos principios estén en un marco industrial, orien- 4
CAPITULO 4 METODOS Y FILOSOFIA DEL CONTROL ESTADISTICO DE PROCI
SOS
tado a productos. Ha habido muchas apiicaciones exitosas de los métodos de control estadistico de
procesos en el Ambito de la manufactura, Sin embargo, los principios son en sf mismos generale;
por consiguiente, existen muchas aplicaciones no industriales, o de la industria de servi
metodologia del control estadistico de procesos y del mejoramiento de calidad.
tas aplicaciones fuera de las manufacturas no difieren sustancialmente de las aplicaciones
industriales mas comunes. Como un ejemplo, la carta de control para la fraccién disconforme (que se
discute en el capitulo 6) podria aplicarse para reducir los errores de facturacién en una ope
tarjetas de crédito bancarias, con la misma facilidad con la que podria usarse para red fraccivin
de tarjetas de circuitos impresos disconformes producidas en una planta de productos electrnicos,
Las cartas X y R discutidas en este capitulo y aplicadas al proceso de manufactura de anillos para
pistones podrfan usarse para monitorear y controlar el tiempo de flujo de las cuentas por pagar a
través de una funci6n financiera. Las aplicaciones fuera de las manufacturas 0 no relacionadas con
productos de la metodologfa del control estadistico de procesos y del mejoramiento de calidad. en
‘ocasiones requiere una cuota mayor de inventiva de la que se necesita normalmente en las aplicacio-
nes més tipicas en las manufacturas. Parece haber dos razones principales para esta diferencia:
ios, de la
ion de
1. La mayorfa de las operaciones no manufactureras carecen de un sistema de medicién natu-
ral que permita al analista definir fécilmente la calidad.
El sistema que debe mejorarse por lo general es bastante obvio en un escenario de manufac
turas, mientras que la observabilidad del proceso en un escenario fuera de las manufacturas,
puede ser muy baja.
Por ejemplo, si se esta intentando mejorar el desempefio de una linea de ensamblaje de computadoras
personales, es probable que la linea esté contenida dentro de una sola instalacién y que las activida-
des del sistema sean observables con facilidad. Sin embargo, si se esté tratando de mejorar la opera-
cién de una organizacién financiera, entonces la observabilidad del proceso puede ser limitada.
Quizé las actividades reales del proceso sean realizadas por un grupo de personas que trabajan en
sitios diferentes, y los pasos de la operacién o la secuencia del flujo del trabajo puede ser dificil de
observar. Ademés, la ausencia de un sistema de medicién cuantitativo y objetivo en la mayoria
de los procesos no manufactureros complica el problema.
La clave para aplicar los métodos del control estadistico de procesos y del mejoramiento de
calidad en un escenario fuera de la manufactura es enfocar los esfuerzos iniciales a resolver estas
dos cuestiones. Hemos encontrado que una vez que el sistema se ha definido adecuadamente y que
se ha desarrollado un sistema de medicién vélido, 1a mayoria de las herramientas del SPC discuti-
das en este capitulo pueden aplicarse fécilmente a una amplia variedad de operaciones no manu-
factureras, incluyendo las finanzas, la comercializacién, materiales y requerimientos, el apoyo al
cliente, el servicio en campo, el desarrollo y disefio de ingenierfa, y el desarrollo de software y la
programacién.
Los diagramas de flujo y los diagramas de operaciéri del proceso son particularmente «tiles
para desarrollar la definicién y la comprensién del proceso. Un diagrama de flujo es tan s6lo una
secuencia cronolégica de los pasos del proceso 0 flujo del trabajo. En ocasiones, a la elaboracién
de diagramas de flujo se le Mama el mapeo del proceso. Los diagramas de flujo o mapas del
proceso deben construirse con el detalle suficiente para identificar la actividad laboral con valor
agregado, contra el trabajo sin valor agregado del proceso.
En la mayorfa de los procesos no manufactureros hay desechos, reprocesamiento y otras ope-
raciones sin valor agregado, tales como pasos innecesarios en el trabajo y los puntos de conges- 4-7 APLICACIONES DEL CONTROL ESTADISTICO DE PROCESOS 195
tionamiento 0 cuellos de botella. Con frecuencia el andlisis sistemdtico de estos procesos puede
eliminar muchas de estas actividades sin valor agregado. El diagrama de flujo es muy util para
sualizar y definir el proceso de tal modo que puedan identificarse las actividades sin valor agre-
gado. En el recuadro siguiente se resumen algunas maneras de eliminar las actividades sin valor
agregado y de simplificar el proceso.
[ Maneras de eliminar las actividades sin valor agregado |
|
1. Reordenar la secuencia de los pasos del trabajo.
2. Reordenar la ubicacién fisica del operador en el s
3. Cambiar los métodos de trabajo.
4. Cambiar el tipo de equipo utilizado en el proceso.
5. Redisefiar las formas y los documentos para un uso mas
6. Mejorar la capacitacién del operador.
7. Mejorar la supervision.
8. Identificar con mayor claridad la funcién del proceso para todos los empleados.
9. Intentar eliminar los pasos innecesarios.
10. Intentar consolidar los pasos del proceso. |
istema. |
eficiente. |
La figura 4-31 es un ejemplo de un diagrama de flujo de un proceso en la industria de los servicios.
Lo construyé un equipo de mejoramiento del proceso de un despacho contable que estudiaba el
proceso para lenar la forma 1040 para la devolucién del impuesto sobre la renta, y en este diagra-
ma de flujo particular s6lo se documenta un subproceso particular, el de conjuntar los documentos
fiscales finales. Obsérvese el alto nivel de detalle del diagrama de flujo, el cual ayudaré al equipo
a encontrar actividades superfluas o sin valor agregado. En este ejemplo, el equipo utiliz6 simbolos
especiales en el diagrama de flujo. Especificamente, emplearon los sfmbolos del diagrama de
‘operacién del proceso que se muestran abajo:
Carta de simbolos del proceso de operacién
en: |
Bs cases,
> = movimiento 0 traslado
V7
También podría gustarte
- Estudio de Factibilidad de Un ProyectoDocumento31 páginasEstudio de Factibilidad de Un ProyectoPedro QuishpeAún no hay calificaciones
- Guía Base Desarrollo WebDocumento121 páginasGuía Base Desarrollo WebPedro QuishpeAún no hay calificaciones
- Estuches 24-12-2021Documento6 páginasEstuches 24-12-2021alex lmlAún no hay calificaciones
- Balances y AportesDocumento81 páginasBalances y AportesPedro QuishpeAún no hay calificaciones
- LV Auditor AviaciónDocumento5 páginasLV Auditor AviaciónPedro QuishpeAún no hay calificaciones
- Ideas de NegocioDocumento20 páginasIdeas de NegocioWilder TelloAún no hay calificaciones
- Conceptos Básicos de SolidWorks Piezas y EnsamblajesDocumento483 páginasConceptos Básicos de SolidWorks Piezas y EnsamblajesVictor Maturana Castillo83% (6)
- LIDERAZGODocumento41 páginasLIDERAZGOPedro QuishpeAún no hay calificaciones
- Una Multa y 7,5 Puntos Menos para Los Taxistas Que No Aceptan CarrerasDocumento2 páginasUna Multa y 7,5 Puntos Menos para Los Taxistas Que No Aceptan CarrerasPedro QuishpeAún no hay calificaciones
- Fasc Grado 6Documento565 páginasFasc Grado 6Eber Espinoza Chipana100% (2)
- Cultura Empresarial. 2008Documento31 páginasCultura Empresarial. 2008Rene Morales GutierrezAún no hay calificaciones
- Z Desarrollo de Hablidades DirectivasDocumento101 páginasZ Desarrollo de Hablidades DirectivasNestor Calderon AllendesAún no hay calificaciones
- ConfiabilidadDocumento30 páginasConfiabilidadPedro QuishpeAún no hay calificaciones
- Inteligencia EmocionalDocumento40 páginasInteligencia EmocionalWendy BañuelosAún no hay calificaciones
- Cultura Empresarial. 2008Documento31 páginasCultura Empresarial. 2008Rene Morales GutierrezAún no hay calificaciones
- Manual de Funciones PDFDocumento74 páginasManual de Funciones PDFPedro QuishpeAún no hay calificaciones
- 120 Indi Ges IndDocumento57 páginas120 Indi Ges IndNilton García JuárezAún no hay calificaciones
- Cracking Wifi Al Completo PDFDocumento11 páginasCracking Wifi Al Completo PDFcreepy3Aún no hay calificaciones
- Libro Dado 7 Con Portada 2 Luigi ValdesDocumento241 páginasLibro Dado 7 Con Portada 2 Luigi ValdesGuillefode100% (9)
- BDDistribuidasDocumento25 páginasBDDistribuidasDianeri Barreras RiveraAún no hay calificaciones
- DEJALADocumento3 páginasDEJALAPedro QuishpeAún no hay calificaciones
- Cracking Wifi Al Completo PDFDocumento11 páginasCracking Wifi Al Completo PDFcreepy3Aún no hay calificaciones
- Nanotecnología, Actualidad y FuturoDocumento8 páginasNanotecnología, Actualidad y FuturoPedro QuishpeAún no hay calificaciones
- InterfacesDocumento6 páginasInterfacesPedro QuishpeAún no hay calificaciones
