Medición y Análisis de la Calidad y la

Productividad (2da. Parte)

Dr. Juan J. Lugo Marín

Abril, 2011
Objetivos

Emplear los gráficos de control para variables y atributos como un

mecanismo que contribuya al mejoramiento continuo de las organizaciones
en el marco de lo que se conoce como control estadístico de procesos.

Comprender la gerencia de la productividad como un ciclo continuo
conformado por cuatro etapas formales: medición, evaluación, planeación y
mejoramiento.
 Contenido
II Parte del Curso

Unidad I. Control Estadístico de Procesos

Unidad II. Medición, análisis y mejora de la Productividad

Evaluación

Asistencia: 10%.

Actividades en la Web 2.0: 35%

Trabajo 1: 20%.

Trabajo 2: 20%

Talleres: 15%.
 Unidad III
Introducción al Control Estadístico de
Procesos -
Gráficos de Control
 Premisas Clave

“La Calidad medida en el producto fabricado está siempre

sujeta a un cierto grado de variación debido al azar. Cualquier
esquema de producción e inspección lleva implícito algún
“sistema estable de causas aleatorias”. La variación de este
patrón fijo es inevitable. Las razones por las que esa variación
rebasa los límites de dicho patrón deben descubrirse y
corregirse “ (Grant, E. Leavenworth, R. 2005)

6
 Premisas Clave

“En la vida real no existe la constancia. Sin embargo si existe algo así como
un sistema constante de causas. Los resultados producidos por él varían,
pudiendo hacerlo según intervalos de muy diversa amplitud. Varían pero
exhiben una característica importante denominada estabilidad. ¿Por qué se
aplican los términos “constante” y “estabilidad” a un sistema de causas cuyos
resultados varían?. Porque el mismo porcentaje de estos resultados quedaba
continuamente entre cualquier par dado de límites hora a hora, día a día,
tanto más cuanto más tiempo siga operando el sistema de causas. Es la
distribución de resultados lo que es constante o estable. Cuando un proceso
de fabricación actua como un sistema de causas constantes, produciendo unos
resultados estables, se dice que está bajo control estadístico”(W. E. Deming.
Some principles of the Shewhart Methods of Quality Control))

7
Control Estadístico de Procesos

Introducción

El “Control Estadístico de Procesos” nació a finales de los años 20 en

los Bell Laboratories. Su creador fue W. A. Shewhart, quien en su
libro “Economic Control of Quality of Manufactured Products” (1931)
marcó la pauta que seguirían otros discípulos distinguidos (Joseph
Juran, W.E. Deming, etc.). Sobre este libro han pasado más de 70
años y sigue sorprendiendo por su frescura y actualidad. Resulta
admirable el ingenio con el que plantea la resolución de problemas
numéricos pese a las evidentes limitaciones de los medios de cálculo
disponibles en su época.
Control Estadístico de Procesos

¿ Por qué varían los procesos?

Un proceso industrial está sometido a una serie de factores de carácter aleatorio

que hacen imposible fabricar dos productos exactamente iguales. Dicho de
otra manera, las características del producto fabricado no son uniformes y
presentan una variabilidad. Esta variabilidad es claramente indeseable y el
objetivo ha de ser reducirla lo más posible o al menos mantenerla dentro
de unos límites. El Control Estadístico de Procesos es una herramienta útil
para alcanzar este segundo objetivo. Dado que su aplicación es en el momento de la
fabricación, puede decirse que esta herramienta contribuye a la mejora de la
calidad de la fabricación. Permite también aumentar el conocimiento del
proceso (puesto que se le está tomando “el pulso” de manera habitual) lo cual en
algunos casos puede dar lugar a la mejora del mismo.
Control Estadístico de Procesos
Sustento Estadístico
a) Distribución Normal o Campana de Gauss. La distribución normal es desde luego la función de
densidad de probabilidad “estrella” en estadística. Depende de dos parámetros µ y s, que son la media y
la desviación típica respectivamente. Tiene una forma acampanada (de ahí su nombre) y es simétrica
respecto a µ . Llevando múltiplos de s a ambos lados de µ , nos encontramos con que el 68% de la
población está contenido en un entorno ±1s alrededor de µ , el 95% de la población está contenido en un
entorno ±2s alrededor de µ y que el 99,73% está comprendido en ±3s alrededor de µ .
Control Estadístico de Procesos
Sustento Estadístico

b) Teorema del Límite Central.

El teorema del límite central (TLC) establece que si una variable aleatoria (v. a.) se obtiene como una
suma de muchas causas independientes, siendo cada una de ellas de poca importancia respecto al
conjunto, entonces su distribución es asintóticamente normal. Es decir:
Control Estadístico de Procesos
Sustento Estadístico

c) Distribución de las medias muestrales

Si X es una v.a. N(µ, s) de la que se extraen muestras de tamaño n, entonces
las medias muestrales se distribuyen según otra ley normal:

Obsérvese que como consecuencia del TLC, la distribución de las medias

muestrales tiende a ser normal aún en el caso que la población base no lo sea,
siempre que el tamaño de la muestra sea suficientemente grande n ≥ 25, si
bien este número depende de la asimetría de la distribución.
EXPERIMENTO DE W. SHEWHART

En los años 20 del Siglo XX el Doctor W. Shewhart estudió el fenómeno

de la variación de los procesos. Condujo para ello un universo normal
conocido.

Parámetros del Universo: µ= 30 y ´σ =10.

Número de Individuos en el universo (N) = 1000.

Determinó el número de individuos (distribución de frecuencia)

para cada individuo dentro del intervalo 0 -60.
EXPERIMENTO DE W. SHEWHART

El experimento del Doctor W. Shewhart se condujo de la

siguiente manera.

Construyó 1000 “Chips” de madera con un diámetro de 2 cms.

Marcó un número en la superficie de cada “Chip”.
Los “chips” fueron colocados en un recipiente y mezclados.
Un “Chip” fue escogido aleatoriamente, el número indicado es su
superficie era registrado y se colocaba nuevamente en el recipiente.
El paso anterior se repitió 4000 veces.
Las observaciones se registraron en grupo de cuatro.
Para cada grupo se calculaba: Media (Xbarra), Rango (R) y
Desviación (s).
EXPERIMENTO DE W. SHEWHART

El experimento del Doctor W. Shewhart arrojó los siguientes

resultados:

Las medias de cada subgrupo (Xbarra) forman entre si una

Distribución Normal.
El Promedio de las Xbarra es aproximadamente igual a µ.
La desviación estándar de la distribución de frecuencia de las
Xbarra, es igual a la desviación estándar del universo (´σ) dividida
entre la raíz cuadrada del tamaño de los subgrupos.
El comportamiento de la variable en estudio está influenciada por
un sistema constante de causas.
EXPERIMENTO DE W. SHEWHART

Estimación parámetros del Universo

La teoría estadística predice el valor esperado entre s y la desviación

estándar del universo:

C2 = S (promedio) / ´σ

La teoría estadística predice el valor esperado entre el rango promedio y la

desviación estándar del universo:

D2 = R (promedio) / ´σ

Nota: estos cálculos son validos únicamente cuando el proceso está

influenciado por un sistema constante de causas.
APORTES DE W. SHEWHART

. El concepto de “control estadístico de la calidad” propuesto por W.

Shewhart de amplia aplicación en el campo de las ciencias
administrativas plantea, según Gutierrez (1989):

“ se dice que un fenómeno se controla cuando en base a experiencias

anteriores se puede predecir, al menos con base a ciertos límites,
como se espera que el fenómeno va a variar en el futuro, esta
predicción significa que se pueden establecer en forma al menos
aproximada, la probabilidad de que el fenómeno se va a dar entre
ciertos límites” (p. 30)
APORTES DE W. SHEWHART

Fundamento de su enfoque

Las causas que condicionan el funcionamiento de un sistema

son variables.
La variación siempre está presente en el ámbito de la
producción industrial, en donde las causas de la misma
siempre están presentes en la calidad de las materias prima,
en los equipos de producción, las habilidades de los
trabajadores, etc.
Las causas de variación pueden ser detectadas y eliminadas.
APORTES DE W. SHEWHART

Fundamento de su enfoque

Shewhart entendía la calidad como un problema de variación que

puede ser controlado y prevenido mediante la eliminación a tiempo
de las causas que lo provocaban, de tal forma que la producción
pudiese cumplir con la tolerancia de especificación de su diseño.
Para lograr este objetivo ideó las gráficas de control como
medio para visualizar el comportamiento de los procesos y poder
identificar la presencia de causas especiales de variación.
GRÁFICOS DE CONTROL (Definiciones)
Es un gráfico de corrida con dos líneas, una superior y otra
inferior (llamadas Límite de Control Superior y Límite de
Control Inferior), determinadas estadísticamente y dibujadas
a cada lado del promedio del proceso.

Los gráficos de control son un indicador del “estado de control estadístico” para el operador, el
ingeniero, el administrador y el gerente de producción o de planta.. El grafico puede sugerir
cuando en el proceso ha entrado una causa asignable, pero se requiere un estudio
independiente para determinar la naturaleza de esa causa asignable y la acción correctiva que
se necesita.
GRÁFICOS DE CONTROL (Definiciones)
Los gráficos de control de Shewhart requieren datos obtenidos mediante el
muestreo del proceso a intervalos aproximadamente regulares. A partir de cada
subgrupo se deducen una o mas características del subgrupo, tal como el
promedio del subgrupo X, y el rango del subgrupo R, o la desviación estándar s. El
grafico consta de una línea central (LC) localizada en un valor de referencia de la
característica representada. El grafico de control tiene dos limites de control
determinados estadísticamente, uno a cada lado de la línea central, los cuales se
denominan limite superior de control LSC y limite inferior de control LIC.

LSC

LC

LIC

1 2 3 4 5 6 7 8
N° de subgrupo
GRÁFICOS DE CONTROL (Definiciones)

Un gráfico de corrida con límite de control superior e inferior

en el cual los valores de alguna medición estadística tomadas
de una serie de muestras o sub grupos son graficadas en el
tiempo.
GRÁFICOS DE CONTROL (Definiciones)

La Línea central es el promedio de los datos que están siendo

graficados. Los límites de control están ubicados a + ó - 3σ
de la línea central.
GRÁFICOS DE CONTROL
Causas comunes y causas especiales de variación.

De acuerdo con lo dicho en la introducción, el proceso está afectado por un gran número de factores
sometidos a una variabilidad (por ejemplo oscilaciones de las características del material utilizado,
variaciones de temperatura y humedad ambiental, variabilidad introducida por el operario,
repetibilidad propia de la maquinaria utilizada, etc.), que inciden en él y que inducen una variabilidad
de las características del producto fabricado. Si el proceso está operando de manera que existen
pequeñas oscilaciones de todos estos factores, pero de modo que ninguno de ellos tienen un efecto
preponderante frente a los demás, entonces en virtud del TLC es esperable que la característica de
calidad del producto fabricado se distribuya de acuerdo con una ley normal. Al conjunto de esta
multitud de factores se denominan causas comunes. Por el contrario, si circunstancialmente incide
un factor con un efecto preponderante, entonces la distribución de la característica de calidad no
tiene por qué seguir una ley normal y se dice que está presente una causa especial o asignable. Por
ejemplo, si en un proceso industrial se está utilizando materias primas procedentes de un lote
homogéneo y se continúa la fabricación con materias primas procedentes de otro lote, cuyas
características son muy diferentes de las anteriores, es muy posible que las características de los
productos fabricados sean significativamente distintas a partir de la utilización del nuevo lote.
GRÁFICOS DE CONTROL

Causas comunes y causas especiales de variación.

La fluctuación de los puntos dentro de los límites de control

representan causas comunes de variación, son variaciones propias
del proceso.
Puntos fuera de los límites de control representan causas especiales
de variación. Por ejemplo: errores de la gente, descalibración de
equipos, materia prima fuera de especificaciones, etc. Estas causas
de variación tienen que ser controladas y eliminadas antes que
vuelvan a aparecer, ya que sus efectos son impredecibles.
GRÁFICOS DE CONTROL

Gráfico de Control de las medias

GRÁFICOS DE CONTROL

Gráfico de Control del rango

GRÁFICOS DE CONTROL
Tabla de Coeficientes
GRÁFICOS DE CONTROL

Gráfico de Control de la Desviación

GRÁFICOS DE CONTROL
GRÁFICOS DE CONTROL
GRÁFICOS DE CONTROL
GRÁFICOS DE CONTROL

• Cuando se elaboran los gráficos de control por primera vez, a

menudo se encuentra que el proceso esta fuera de control.
Los limites de control calculados con base en datos
procedentes de un proceso fuera de control conducirán a
conclusiones erróneas.

• En consecuencia siempre es necesario poner bajo control un

proceso que haya estado fuera de control, antes de establecer
los parámetros permanentes para los gráficos de control.

Nota: En estos casos se trabaja con límites de control revisados

GRÁFICOS DE CONTROL

¿QUÉ CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR

EL GRÁFICO DE CONTROL?

Para que tenga sentido la aplicación de los gráficos de control, el proceso ha de

tener una estabilidad suficiente que, aún siendo aleatorio, permita un cierto
grado de predicción. En general, un proceso caótico no es previsible y no
puede ser controlado. A estos procesos no se les puede aplicar el gráfico de
control ni tiene sentido hablar de capacidad. Un proceso de este tipo debe ser
estudiado mediante herramientas estadísticas avanzadas hasta que el grado de
conocimiento empírico obtenido sobre el mismo permita conocer las causas de
la estabilidad y se eliminen.
GRÁFICOS DE CONTROL
El Proceso está bajo control

Por definición, se dice que un proceso está bajo control estadístico cuando
no hay causas asignables presentes. El Control Estadístico de Procesos se
basa en analizar la información aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construcción gráfica denominada Gráfico de Control.
Si el proceso se encuentra bajo control estadístico es posible realizar una
predicción del intervalo en el que se encontrarán las características de la pieza
fabricada.
GRÁFICOS DE CONTROL

El Proceso está bajo control - Acciones

Desarrolle un análisis formal de la capacidad del proceso. Calcule ´σ

= Rbarra/d2.
Determine que proporción de la característica de la calidad cumple
con las especificaciones.
Haga lo obvio: Centre el proceso, reduzca la dispersión, centre el
proceso y reduzca la dispersión.
ANÁLISIS DE LA CAPACIDAD DEL PROCESO
El análisis de la capacidad del proceso (ACP) se
refiere a la habilidad del proceso de cumplir con las
especificaciones.

Como consecuencia de todo lo anterior, si un proceso normal está en control estadístico, la

característica de calidad del 99,73% de los elementos fabricados estará comprendida entre m - 3s y
m + 3s. El parámetro m depende del punto en el que centremos el proceso. Sin embargo s depende
del número y variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él. Por lo
tanto 6s es la Variabilidad Natural del Proceso o Capacidad del Proceso.

Es esencial resaltar que la variabilidad natural del proceso, 6s, es intrínseca a él e independiente de las
tolerancias que se asignen. Por lo tanto si 6s es mayor que el intervalo de las tolerancias a cumplir,
necesariamente algunos productos fabricados estarán fuera de tolerancia y serán no conformes. Si no
se tiene en cuenta este hecho y se pretende corregir a base de reajustar el proceso, es decir modificar
el centrado, lo único que se consigue es aumentar la variabilidad del mismo.
ANÁLISIS DE LA CAPACIDAD DEL PROCESO

El análisis de la capacidad del proceso (ACP) se

refiere a la habilidad del proceso de cumplir con las
especificaciones.

No realice un ACP a menos que el proceso esté bajo control

estadístico.
Estime el valor de ´σ, empleando los gráficos de R o RM: ´σ=Rbarra
/ d2 ´σ = RMbarra/d2.
Dibuje un histograma del proceso, usando: datos de las
observaciones que están bajo control estadístico, utilice Xbarrabarra
para estimar µ. Utilice Xbarrabarra + ó – 3 ´ ´σ, para estimar los
extremos de la distribución.
Compare el dibujo con las especificaciones.
Calcule Cp.
Calcule Cpk.
ANÁLISIS DE LA CAPACIDAD DEL PROCESO
CP y CPk
Con objeto de comparar la capacidad del proceso y la amplitud de las tolerancias a satisfacer, se
define el índice de capacidad de proceso CP:

CP = (Ls – Li) / 6σ

Si se pretende que la producción esté dentro de tolerancia, es necesario que CP debe ser mayor
que 1

Si el proceso no estuviese centrado, el valor de este índice falsearía el grado de cobertura con
respecto a fabricar piezas fuera de tolerancias. En estos casos es más significativo el índice Cpk que
se define:

CPk = Mínimo [ (Ls – µ) / 3σ; (µ - Li)/ 3σ]

De este modo se define un proceso capaz como aquel que Cpk > 1.
ANÁLISIS DE LA CAPACIDAD DEL PROCESO
ACP y Seis Sigma

En 1.988 Motorola alcanzó el prestigioso Malcom Baldrige National Quality Award. Una de las
bases fundamentales de su estrategia de calidad era el “Programa 6s”. El objetivo de este
programa fue reducir la variación de los procesos de manera que el intervalo de tolerancia fuera
igual a 12 s (6 a cada lado).
GRÁFICOS DE CONTROL

Cambios en el Universo: La falta de control estadístico en un

gráfico de control implica que el universo ha cambiado.

Formas en la cuales una condición fuera de control (cambio

en el universo) puede ocurrir:

Cambio en la Media del proceso.

Cambio en la Dispersión del Proceso.
Cambio en la Media y en la Dispersión.
 CAMBIOS EN LA MEDIA DEL UNIVERSO

Caso No. 1

Proceso estable (bajo control estadístico).

La media se desplaza de µ a µ – 1.´σ.
La dispersión no cambia.
La distribución es Normal antes y después del cambio de la media.

Calcular la probabilidad de que el gráfico de control detecte el cambio que se ha

experimentado en el universo.
 CAMBIOS EN LA MEDIA Y EN LA DESVIACIÓN DEL
UNIVERSO

Caso No. 2

Proceso estable (bajo control estadístico).

La media se desplaza de µ a µ – 1.´σ.
La dispersión se duplica.
La distribución es Normal antes y después del cambio de la media.

Calcular la probabilidad de que el gráfico de control detecte el cambio que se ha

experimentado en el universo.
GRÁFICOS DE CONTROL

Cambios en la Media del Universo

Cambios en la media del proceso son detectados en el Gráfico de

Xbarra. El Gráfico de R estará bajo control estadístico.
Si un cambio sostenido en la media del proceso ocurre después que
los límites de control han sido determinados, el Gráfico de Xbarra
mostrará puntos cayendo fuera de uno de los límites.
Si los límites de control son calculados antes que un cambio
sostenido de la media ocurra, la falta de control en el gráfico de
Xbarra se evidenciará con puntos desplazándose de un límite a otro.
Cambios en la media del proceso usualmente se deben a descuido
de los operadores en el momento de ajustar las máquinas de
producción.
GRÁFICOS DE CONTROL

Cambios en la Desviación del Universo

Cambios en la Desviación del universo son detectados en el Gráfico R.

Si un incremento sostenido de la Desviación del Universo ocurre después
que los límites de control han sido calculados, ocurrirá lo siguiente:
» Gráfico de Control de R mostrará falta de control estadístico
puesto que los valores de R se incrementarán.
» Gráfico de Control de Xbarra, mostrará mayor dispersión, y
posiblemente algunos puntos estarán fuera de control.
Si los límites de control se calculan después que un incremento sostenido en
la dispersión ocurra, el valor de Rbarra se incrementará y los límites de
control tanto de los gráficos de la Xbarra como del R estarán más lejos de la
línea central. Bajo estas condiciones pocos puntos estarán fuera de los
límites de control.
Los gráficos de control de R juegan un importante papel en aquellos
procesos donde la concentración y habilidad del operador es vital para una
salida consistente.
GRÁFICOS DE CONTROL

ERROR TIPO I y TIPO II

Error Tipo I: Si se concluye que el universo ha cambiado cuando

realmente no es así. Viene dado por la probabilidad que uno o
varios puntos caigan fuera de los límites de control sin que haya
ocurrido ningún cambio en el universo del proceso.

Error Tipo II: Si se concluye que el universo no ha cambiado cuando

realmente si ha cambiado. Viene dado por la probabilidad de que
uno o varios puntos no caigan fuera de los límites de control al
producirse un cambio en el universo del proceso.
GRÁFICOS DE CONTROL

REGLAS DE LA ATT

Permiten detectar condiciones fuera de control debido a corridas de

puntos por encima o debajo de la línea central.
Los fundamentos teóricos están basados en las pruebas de hipótesis
estadísticas.
Las reglas de la ATT hacen los gráficos de control más sensibles.
GRÁFICOS DE CONTROL
REGLAS DE LA ATT
La indicación más clara de que el proceso está fuera de control es que alguno de
los puntos esté fuera de los límites. Además el aspecto de los gráficos pueden
indicar anomalías en el proceso. En efecto, si dividimos el gráfico en zonas A, B
y C, ver Figura, el porcentaje de puntos contenidos en cada una de ellas deberá
acercarse sensiblemente al área relativa de la campana de Gauss cubierta por
cada una de ellas.
 REGLAS DE LA ATT
LSC LSC
A A

B B
C
C X
X C
C
B
B
A
A LIC
LIC

Regla 1: Un punto mas allá de la zona A. Regla 2: Dos de tres puntos sucesivos (de
un mismo lado) caen en la zona A o más
allá.
LSC LSC
A A

B B
C
C X
X C
C
B
B
A
A LIC
LIC

Regla 3: Nueve puntos sucesivos caen en la zona C Regla 4: Cuatro de cinco puntos en una fila
o más allá (de un mismo lado) en la zona B (del mismo lado) o más alla.
GRÁFICOS DE CONTROL
PROCESOS FUERA DE CONTROL

Controlable por el trabajador:

El trabajador identifica la causa (algunas veces el mismo operador

puede solucionar el problema).
Elimine toda la data afectada por la causa.
Recalcule los límites de control.
Construya los gráficos.
Observe patrones anormales.
Use las opciones según sea el caso.
GRAFICOS DE CONTROL PARA VARIABLES

Limitaciones:

Su empleo se limita a aquellas características de calidad que pueden

medirse.
El uso de gráficos de control para variables para todas las
características de calidad es antieconómico.
El costo de la obtención de datos para los gráficos de control de
variables puede ser alto en diversas aplicaciones.
GRÁFICOS DE CONTROL PARA VARIABLES

Los datos variables representan observaciones obtenidas midiendo y registrando la

magnitud numérica de una característica para cada una de las unidades del subgrupo
considerado.

Los gráficos de control de variables son especialmente útiles por varias razones:

I. La mayoría de los procesos y su producción tienen características que son

medibles.

II. Un valor de medición contiene mas información que una simple afirmación de si o
no.

III. El desempeño de un proceso se puede analizar sin tener en cuenta la

especificación.

IV. Aunque obtener una porción de datos medidos suele ser mas costoso que obtener
una porción de datos pasa/no pasa, los tamaños de los subgrupos para variables
son mas eficientes.

V. Para todas las aplicaciones de gráficos de control de variables considerados se

supone una distribución normal (de Gauss) para la variabilidad dentro de la
muestra.
GRÁFICOS DE CONTROL – Selección de
la Variable

Es importante seleccionar la variable de decisión que ofrezca

mayores oportunidades para la reducción de costos (usualmente
rechazos y retrabajos).
No utilice los Gráficos de Control para monitorear únicamente el
producto final.
Selecciones una variable en la que desea desarrollar un análisis
formal de la capacidad del proceso.
AGRUPACIÓN RACIONAL O GRUPO HOMOGENEO RACIONAL

Agrupación Racional: Las muestras dentro de cada subgrupo

deberían ser tan homogéneas como sean posible, a fin de
minimizar la variación dentro de cada subgrupo y dar la
oportunidad para la variación entre subgrupos.

Tamaño del subgrupo y frecuencia de muestreo: Es

importantes armonizar los dos siguientes planteamientos: “es
conveniente seleccionar los subgupos lo más pequeño posible
para que sean homogeneos”; y “mientras mayores sean los
valores de “n” más sensibles serán los gráficos de control”.
Frecuencia de muestreo: 1, 2, 4, 8, 12 y 24 horas son
bastante comunes.
ESQUEMAS PARA LA FORMACIÓN DE
SUBGRUPOS

Construya subgrupos con muestras obtenidas durante el

mismo periodo de tiempo:

» Minimiza la variación dentro del subgrupo y

proporciona el mejor estimado de µ y ´σ.

» Hace los gráficos Xbarra y R más sensibles.

» El objetivo es detectar cambios sostenidos en los

parámetros del universo.
ESQUEMAS PARA LA FORMACIÓN DE
SUBGRUPOS

Construya subgrupos con muestras aleatorias durante un

periodo de tiempo dado:

» Este método proporciona más oportunidad para

la variación dentro de los subgrupos.

» Hace los gráficos de control Xbarra y R menos

sensibles, ya que los límites de control estarán
más alejados de la línea central.

» Este método es utilizado para combinar control y

aceptación.
AGRUPACIÓN RACIONAL DE SUBGRUPOS

Caso 1: Considere dos máquinas con n = 4.

M1 N(30,100) M2 N(60,100)

Máquina 1 Máquina 2

Construya subgrupos con muestras obtenidas durante el

mismo periodo de tiempo.
Los límites de control en este caso serán:
RESULTADOS CASO No. 1

El gráfico R estará bajo control debido a que la desviación de los

dos procesos es la misma.
El gráfico Xbarra discriminará apropiadamente.
El gráfico de X barra estará fuera de control.
Solución: Utilice un gráfico de control para cada máquina.
AGRUPACIÓN RACIONAL DE SUBGRUPOS

Caso 2: Considere dos máquinas con n = 4.

M1 N(30,100) M2 N(60,100)

Máquina 1 + 2

Construya subgrupos con muestras obtenidas de ambas

máquinas.
30 subgrupos.
El gráfico R será más amplio que en el caso No. 1.
RESULTADOS CASO No. 2

El gráfico Xbarra muestra una alta dispersión.

Ninguno de los gráficos Xbarra y R hizo su trabajo.
Solución: se debe utilizar un gráfico de control para cada máquina.
GRÁFICOS DE CONTROL –Consideraciones
Adicionales

Cuando usar gráficos de R vs. Gráficos de S:

» Usar Gráficos R para n= 2, 3, 4…9
» Usar Gráficos s para n mayor a 9.

Número de subgrupos requeridos para calcular límites de control:

» 30 excelente.
» 20 bueno.
» 15 o.k.
» 12 mínimo.
 Resumen Curricular del Facilitador
Dr. Juan J. Lugo Marín
Ingeniero industrial egresado de la Universidad Nacional Experimental “Francisco de Miranda” (UNEFM,
1992), Especialista y Magíster Scientiarum en Gerencia de la Calidad y Productividad (UNEFM 1995 Y
1997), Doctor en Ciencias Administrativas, Universidad “Simón Rodríguez” (UNESR, 2006), formación
avanzada en Negocios y Estudios de Futuros en la Universidad Corvinus de Budapest en Hungría (2007),
desarrollando también Investigaciones en el Departamento de Estudios de Futuros de la misma universidad
conjuntamente con la Asociación de Futuristas de la Academia de las Ciencias de Hungría.
Es Profesor Titular del Departamento de Gerencia del Área de Tecnología de la UNEFM desde 1993, adscrito
a los Programas de Ingeniería Industrial, Mecánica y Química. Se ha desempeñado como Profesor de los
Postgrados de Gerencia de la Calidad y Productividad, Gerencia de la Construcción y Computación Aplicada a
la Ingeniería, de la UNEFM, en el dictado de las asignaturas: Prospectiva Estratégica, Medición y Análisis de la
Calidad y Productividad, Sistemas de Gestión de la Calidad, Aseguramiento de la Calidad, Investigación de
Operaciones I y II, ha sido Profesor Invitado de La Universidad del Zulia (LUZ) en los Postgrados de Gerencia
de Operaciones y Gerencia Financiera en el dictado de las asignaturas: Gerencia de Operaciones I y II. Fue
Jefe del Departamento de Gerencia de la UNEFM en el periodo 2001- 2003 y Director de Postgrados del Área
de Tecnología de la UNFEN 2007-2008. Es investigador activo en el Centro de Investigaciones Tecnológicas,
Industriales y Pesqueras de la UNEFM, centrando sus intereses de investigación en las áreas de Gerencia,
Estudios de Futuros y Prospectiva.
Su experiencia en el sector privado ha sido como ingeniero de proyectos para la industria petrolera nacional
en el área de ingeniería de consulta (1992-1999), especialmente con las empresas Maraven S.A, Jantesa y
Bechtel American INC, entre otras, desarrollando funciones en las áreas de Gestión de la Calidad y
Mejoramiento de Productividad en la Construcción, habiendo participado en los proyectos: Proyecto de
Adecuación de la Refinería Cardón (PARC), Proyecto de Crudos Pesados Amuay, Proyecto de Coquización
Retardada Amuay (CRAY), entre otros, fue coordinador para la certificación con la Norma ISO 9001 de la
empresa Jantesa en la línea de Producto de Gerencia de la Construcción (empresa certificada).
Desde el año 1999 se desempeña como consultor empresarial en el área gerencial especialmente en el
diseño, desarrollo, implantación, mantenimiento y mejoramiento de Sistemas de Gestión de la Calidad IS0
9000, ha asesorado empresas de diversos sectores a nivel nacional, habiéndose formado como Auditor de
Calidad con la Asociación Francesa de Normalización (AFNOR) y FONDONORMA.
Actualmente culmina una especialización en Procesos E-Learning en la Fundación para la Actualización
Tecnológica de Latino América (FATLA), y se formó en el programa on-line de Inquiry Education que imparte
la Universidad de Florida