Control de Proceso

Juan Carlos Osorio

 Control de Proceso
Todo proceso esta expuesto a variaciones que hacen que dos productos no sean
exactamente iguales.
Existen diferencias pequeñas y grandes.

Causas de Variación

 Naturales – pequeñas causas “al azar”, presentes continuamente en el

proceso y no fáciles de identificar. (vibración de los equipos, exactitud de los
ajustes humanos, cambios ambientales pequeños)
 Asignables – Afectan al producto de manera más especifica. Variaciones
grandes. Se relacionan con cada proceso en particular.

El objetivo principal del control de proceso es prevenir, detectar y eliminar las

causas asignables de variación.

Juan Carlos Osorio

 Control de Proceso
El objeto del control estadístico de procesos es servir para establecer y mantener
un proceso a un nivel estable y aceptable, de tal forma que se asegure la
conformidad de los productos y de los servicios con requisitos especificados.

La principal herramienta estadística utilizada para hacer esto es el gráfico de

control, método gráfico que sirve para presentar y comparar información basado en
una secuencia de muestras que representa el estado actual de un proceso frente a
límites establecidos después de considerar la variabilidad inherente del proceso.

Juan Carlos Osorio

 Control de Proceso
El método del gráfico de control ayuda:

1. A evaluar si un proceso ha alcanzado o no un estado de control estadístico o

continúa en ese estado al nivel específico apropiado.
2. A obtener y mantener el control y un alto grado de uniformidad en
características importantes del producto o del servicio mediante el
mantenimiento de un registro continuo de la calidad del producto mientras la
producción sigue su curso.

El uso de un gráfico de control y su análisis cuidadoso conduce a un mejor

entendimiento y mejoramiento del proceso.

Juan Carlos Osorio

 Gráficos de Control
Para establecerlos, se requiere:

1. Elegir la característica que debe graficarse.

2. Elegir el tipo de gráfica de control.

3. Decidir la línea central que deben usarse y la base para calcular los límites. La
línea central puede ser el promedio de los datos históricos o puede ser el
promedio deseado.

4. Seleccionar el subgrupo racional. Cada punto en una gráfica de control

representa un subgrupo que consiste en varias unidades de producto.

Juan Carlos Osorio

 Gráficos de Control
Para establecerlos, se requiere:

5. Proporcionar un sistema de recolección de datos si la gráfica de control ha de

servir como una herramienta cotidiana en la planta.

6. Calcular los límites de control y proporcionar instrucciones específicas sobre la

interpretación de los resultados y las acciones que debe tomar cada persona en
producción.

7. Graficar los datos e interpretar los resultados.

Juan Carlos Osorio

 Gráficos de Control

Los gráficos de control ayudan en la

detección de patrones no naturales de
variación en los datos resultantes de
los procesos repetitivos y suministran
criterios para detectar una falta de
control estadístico.

Juan Carlos Osorio

 Gráficos de Control
El gráfico de control como un medio gráfico de aplicar los principios estadísticos de
la significancia al control de un proceso de producción, fue propuesto por primera
vez por el doctor Walter Shewhart en 1924.

Un proceso está bajo control estadístico cuando la variabilidad resulta únicamente

por causas aleatorias.

Una vez que se determina este nivel de variación aceptable, se supone que
cualquier desviación respecto de ese nivel es el resultado de causas asignables que
es necesario identificar y eliminar o reducir.

Juan Carlos Osorio

 Gráficos de Control

 Son un método de comparar información basada en muestras representativas

del estado actual de un proceso, frente a los límites establecidos después de
considerar la variabilidad inherente.

 Establecen una comparación gráfica de la situación actual del proceso y las

expectativas dadas por el modelo de distribución esperado.

 Permiten un monitoreo permanente del proceso.

Juan Carlos Osorio

 Gráficos de Control
El subgrupo racional representa datos recolectados durante un período de tiempo
corto, en condiciones esencialmente idénticas de material, ajuste del instrumento,
condiciones ambientales, etc.

Para la recolección de los datos y para la determinación de los límites de control se

debe utilizar la misma definición de subgrupo racional.

Juan Carlos Osorio

 Gráficos de Control
La especificación de los límites de control es una de las decisiones críticas que
deben tomarse al diseñar un grafico de control.
 (LC): Línea central localizada en un valor de referencia de la característica, el
cual es usualmente el promedio de los datos.
 (LSC y LIC): Limites de control superior e inferior determinados
estadísticamente a 3σ de la línea central, donde σ es la desviación estándar de
la población.

Juan Carlos Osorio

 Gráficos de Control
 Cuando los límites de control se alejan más de la línea central, se reduce el
riesgo de un error tipo I.

 El error tipo I, es el riesgo de que un punto se localice fuera de los límites de

control.

 Si se ensanchan los límites de control se incrementará el riesgo del error tipo II.

 El error tipo II, es el riesgo de que un punto se localice dentro de los límites de
control cuando el proceso está fuera de control.

Si LSC y LIC se colocan más cerca de la LC, el riesgo del error tipo I se incrementa
y la del tipo II se reduce.

Juan Carlos Osorio

 Gráficos de Control
Tipos de Gráficos

Por variables:
~
X Controla el centramiento del proceso.
 R Controla la dispersión utilizando el rango.
 σ Controla la dispersión utilizando la desviación.

Por Atributos:
 p Controla la fracción o porcentaje defectuoso.
 np Controla el número de defectuosos.
 c Controla el número de defectos.
 u Controla el número de defectos por unidad.

Juan Carlos Osorio

 Beneficios de los Gráficos de Control

 Herramienta simple y de fácil manejo.

 Mejoran la productividad y la calidad del producto.

 Son efectivos para prevenir defectos.

 Previenen el ajuste innecesario del proceso.

 Proporcionan información de diagnóstico del proceso.

 Permiten establecer las capacidades del proceso de una manera confiable, para
que sean confrontadas con las especificaciones de tal manera que se puedan
orientar las estrategias de la empresa.

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
1. Tendencias

Tendencia de los valores de los puntos consecutivos del gráfico a incrementarse (o

disminuir).

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos

1. Tendencias

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
2. Ciclos

Patrón de fluctuaciones no aleatorias, los cuales son el resultado de causas que

varían periódicamente.

El rendimiento puede mejorarse mediante la eliminación o reducción de las fuentes

de variabilidad.

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
3. Estratificaciones.

Adhesión a la línea central. 15 puntos consecutivos a menos de 1 sigma.

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
Adhesión a los límites. 2 puntos consecutivos a más de dos desviaciones de la
línea central.

8 puntos consecutivos entre 1 y 2 desviaciones de la línea central.

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
4. Secuencias

 8 puntos consecutivos a un mismo lado de la línea central.

 10 de 11 puntos consecutivos a un mismo lado de la línea central (12 de 14; 14

de 17; 16 de 20).

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
4. Secuencias

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
5. Inestabilidad

Juan Carlos Osorio

 Análisis e Interpretación de los Gráficos
6. Un punto situado más allá de los límites de control

Juan Carlos Osorio

 Gráficos para variables
 Los factores para calcular sus limites se obtienen bajo la suposición de
normalidad mediante lo cual será posible identificar la variabilidad dentro de la
muestra.

 Se encuentra entre las técnicas estadísticas de monitoreo y control de una

característica o medida de un proceso o producto más importantes y útiles.

 Como efecto de las diferentes causas de variación, el proceso se puede

afectar, no solo en el valor central esperado, sino también en la dispersión o
homogeneidad.

 Por lo tanto, se recomienda controlar el centramiento y la dispersión.

Juan Carlos Osorio

 Gráficos X-R
 Controlan al mismo tiempo el centramiento y la dispersión de la variable.

 En realidad son dos gráficas separadas, una arriba de la otra. Dispersión

(variabilidad de muestra a muestra) y localización (promedio del proceso).

 Se aplican para procesos masivos, en donde en forma periódica se obtiene un

subgrupo de productos, se miden y se calcula la media y el rango R.

Juan Carlos Osorio

 Construcción de Gráficos X-R
1. Recopilación de los datos: muestras de tamaño 4 o X=
 X i
5. Mayores a 30 mediciones. N
2. Cálculos de X y R. LSC = X + A2 R

3. Cálculo de las líneas centrales.

LIC = X − A2 R

4. Cálculo de los límites de control.

R=
 R i

N
5. Recálculo de los límites de control.
LSC = D4 R
6. Trazado del gráfico. LIC = D3 R

Juan Carlos Osorio

 Construcción de Gráficos X-R
 x  3 x

x = X y  x =
n
R
ˆ =
d2
 R 
 
 d2  3
3 x = 3  = R = A2 R
n d2 n
 
 

Juan Carlos Osorio

 Gráficos X-R

Juan Carlos Osorio

 Gráficos X-R
 Los tamaños de las muestras deben ser pequeños y resultan de la construcción
de subgrupos racionales y del hecho de que los costos de muestreo e inspección
asociados con la medición de las variables son relativamente altos.

 Estos gráficos proporcionan información acerca del desempeño o capacidad del

proceso

Juan Carlos Osorio

 Gráficos X-σ

Son preferibles cuando:

1. El tamaño de la muestra n es moderadamente grande. (n>10)

2. El tamaño de la muestra n es variable.

Una alternativa del uso de límites de control de anchura variable, es basar los
cálculos de los límites en un tamaño promedio de la muestra n.

Juan Carlos Osorio

 Construcción de Gráficos X-σ
1. Recopilación de los datos: muestras de S
tamaño 4 o 5. Mayores a 30 mediciones.  s  3 s ˆ =
c4
2. Cálculos de X y σ.  s = c4 y  s =  1 − c4
3. Cálculo de las líneas centrales.
X=
 X i

Cálculo de los límites de control. N

4.

LSC = X + A1 =   i

5. Recálculo de los límites de control. N

LIC = X − A1 LSC = B4 
6. Trazado del gráfico.
LIC = B3 

Juan Carlos Osorio

 Constantes para el cálculo de los Límites de
Control
n A2 A1 D3 D4 B3 B4
2 1.880 3.759 0 3.268 0 3.267
3 1.023 2.394 0 2.574 0 2.568
4 0.729 1.880 0 2.282 0 2.266
5 0.577 1.596 0 2.114 0 2.089
6 0.483 1.410 0 2.004 0.030 1.970
7 0.419 1.277 0.076 1.924 0.118 1.882
8 0.373 1.175 0.136 1.864 0.185 1.815
9 0.337 1.094 0.184 1.1816 0.239 1.761
10 0.308 1.028 0.223 1.777 0.284 1.716

Juan Carlos Osorio

 Gráficos para variables
 Se han observado las siguientes medias y desviaciones estándar para
muestras de tamaño 10:
Muestra Media Desviación Muestra Media Desviación
1 1,23 0,08 11 1,26 0,1
2 1,21 0,06 12 1,32 0,08
3 1,26 0,07 13 1,27 0,04
4 1,22 0,06 14 1,27 0,07
5 1,25 0,08 15 1,28 0,08
6 1,2 0,07 16 1,27 0,08
7 1,26 0,09 17 1,24 0,04
8 1,27 0,06 18 1,31 0,06
9 1,2 0,05 19 1,22 0,04
10 1,19 0,04 20 1,27 0,09
 Elaborar el gráfico de control respectivo.

Juan Carlos Osorio

 Índice de Inestabilidad
 Se dice que un proceso es inestable cuando se encuentra fuera de control
estadístico.

 El índice de inestabilidad (St) proporciona una medición de que tan inestable

es un proceso, así se podrán diferenciar los procesos que tengan señales
especiales de variación, de los que con frecuencia funcionan en presencia de
causas especiales de variación.

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑐𝑖𝑎𝑙𝑒𝑠

St = 𝑥 100
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠

Juan Carlos Osorio

 Índice de Inestabilidad
 Número de puntos especiales: Cantidad de puntos que indicaron en ese periodo,
una señal de que una causa especial ocurrió en el proceso.

(puntos fuera de los límites + puntos

que indicaron los patrones no aleatorios)

 Número total de puntos: Cantidad de puntos que fueron graficados en una carta
de control en cierto periodo.

Juan Carlos Osorio

 Índice de Inestabilidad
Para interpretar el índice de inestabilidad (St) …

 Se parte de que el valor ideal es cero, que ocurre cuando no hay puntos
especiales.

 Si todos los puntos graficados son especiales, entonces el valor del índice St es
100.

 Valores de pocas unidades porcentuales del índice St, indican un proceso con
poca inestabilidad, lo que se considera estable.

Juan Carlos Osorio

 Índice de Inestabilidad
Para interpretar el índice de inestabilidad (St) …

 Estabilidad relativamente buena: si St está entre 0 y 2%

 Estabilidad regular: si St está entre 2 y 5%

 Estabilidad mala: si St > 5%

Cuando el índice St es grande, no se puede atender a todas las señales especiales,

por tanto, se debe analizar los principales patrones en la carta de control.

Juan Carlos Osorio

 Gráficos para atributos
 Representan observaciones obtenidas notando la presencia o ausencia de una
característica en la unidades del subgrupo.

 No son tan informativas como las cartas para variables, pero son útiles en
industrias de servicios y esfuerzos de mejoramiento de calidad fuera de la
manufactura.

 Se establecen básicamente, para el control de productos defectuosos o de

defectos en el producto.

 Cuando se quiere establecer control sobre la cantidad de unidades defectuosas

se puede utilizar el gráfico p o el np. Cuando el tamaño de muestra no varía se
utiliza el np, cuando varía se utiliza el p.

 Los gráficos c y u son los apropiados para controlar el número de defectos. c

requiere que la muestra sea de igual tamaño.

Juan Carlos Osorio

 Gráficos para atributos
 A diferencia de los gráficos de control por variables, en este tipo de gráficos será
suficiente un gráfico que tiene solo un parámetro independiente, el nivel del
promedio.

 En el caso en el que la muestra varía entre cada sub grupo, se deben calcular
límites de control separados. Cuanto más pequeños sea el tamaño del subgrupo,
más amplias serán las bandas de control y viceversa.

 Los grafico p y np se basan en la distribución binomial; y los gráficos c y u en la

Poisson.

Juan Carlos Osorio

 Gráficos de Control np
Representa el número de unidades defectuosas por muestra. Es condición que el
tamaño de la muestra n sea constante.
k
LC = n p  (np) j
j =1
np =
LSC = n p + 3 n p (1 − p ) k
np
LIC = n p − 3 n p (1 − p ) p=
n

k = número de muestras n  50 o n p  4

Juan Carlos Osorio

 Gráficos de Control p
Representa la fracción o porcentaje de defectuosos en la muestra. El valor de n
puede ser variable. Lo cual se presenta frecuentemente.

LC = p
p (1 − p )
LSC = p + 3
n p=
 unidades defectuosas
 unidades inspeccionadas
p (1 − p )
LIC = p − 3
n
 Si los valores de n se encuentran en el rango n 0.1n, entonces n se considera
constante. Si n no es constante, se calculan los límites muestra a muestra.

Juan Carlos Osorio

 Gráficos de Control c
Representa el número de defectos en la muestra. El valor de n debe ser
constante. Se asume distribución de poisson.

LC = c
Total número de defectos
c=
LSC = c + 3 c Total muestras

LIC = c − 3 c

Juan Carlos Osorio

 Gráficos de Control u
Representa el número de defectos en la muestra. El valor de n debe ser variable.
N debe estar por fuera del rango n 0.1n

LC = u
u
LSC = u + 3 _
c Total de defectos
n u= =
n Total unidades inspeccionadas
u
LIC = u − 3
n

Juan Carlos Osorio

 Ejercicio Se tienen los siguientes datos de un proceso. Realizar el análisis del
mismo a partir de los gráficos de control
Unidades Unidades
Día Producción Día Producción
defectuosas defectuosas
1 1310 59 16 1650 95
2 1420 62 17 1450 86
3 1500 15 18 1350 59
4 1650 42 19 1250 84
5 1580 58 20 1145 75
6 1275 87 21 1275 51
7 1650 78 22 1354 52
8 1750 98 23 1325 35
9 1500 96 24 1256 36
10 1600 58 25 1782 95
11 1400 95 26 1485 96
12 1200 62 27 1650 68
13 1300 35 28 1470 84
14 1100 63 29 1590 47
15 1540 86 30 1350 75

Juan Carlos Osorio

 Ejercicio Se tienen los siguientes datos de un proceso. Realizar el análisis del mismo a partir
de los gráficos de control
Articulos No de Articulos No de
Día Día
inspeccionados defectos inspeccionados defectos
1 450 15 16 520 15
2 500 25 17 550 13
3 350 14 18 475 10
4 475 13 19 465 20
5 400 26 20 500 28
6 650 18 21 515 24
7 560 22 22 530 26
8 525 19 23 375 27
9 550 24 24 390 28
10 475 35 25 425 15
11 425 27 26 475 14
12 420 16 27 450 19
13 465 19 28 425 18
14 480 25 29 500 27
15 490 20 30 375 26

Juan Carlos Osorio

 Ejercicio
Un elemento se fabrica en lotes de 200 y se efectúa una inspección al 100%. La
hoja de recuento de los 25 lotes recientes mostraba que 75 elementos eran
defectuosos. Determinar los límites de control para un gráfico np indicando el
número de artículos defectuosos en cada lote.
Suponiendo que todos los puntos caen dentro de los límites de control, ¿qué
estimación puede hacerse de la fracción defectuosa media del proceso?.
Si p permaneciera constante ¿cuál es la probabilidad de que el lote vigésimo sexto,
contenga 7 elementos defectuosos exactamente? ¿Que contenga 7 o más artículos
defectuosos?

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la corrida)

La forma tradicional de medir la velocidad con la que una carta de control detecta un cambio
es a través del ARL (Average Run Lenght).

ARL es el tiempo medio (número promedio de puntos representados en el gráfico) necesario

para obtener un punto fuera de los límites de control cuando una variación de c unidades se
da de forma continuada en la media de la variable que se está controlando.

Se utiliza para comparar gráficos y para medir la sensibilidad de los mismos.

Juan Carlos Osorio

 La habilidad de las cartas 𝑥ҧ y R para detectar corrimientos en la calidad del proceso se
describe por sus curvas de operación característica (OC).

Considérese la curva OC de una carta 𝑥ҧ con desviación estándar  conocida y constante. Si la

media se corre del valor bajo control por ejemplo, 𝜇0 a otro valor 𝜇1 = 𝜇0 + 𝑘 , la
probabilidad de NO detectar este corrimiento en la primera muestra subsecuente, o el riesgo
𝛽, es:

𝛽 = 𝑃 𝐿𝐶𝐿 ≤ 𝑥ҧ ≤ 𝑈𝐶𝐿ȁ𝜇 =𝜇1 = 𝜇0 + 𝑘

Juan Carlos Osorio

 Puesto que 𝑥~𝑁(𝜇,
ҧ 𝜎2Τ ) y los límites de control superior e inferior son 𝑈𝐶𝐿 = 𝜇 + 𝐿𝜎 y
𝑛 0 ൗ 𝑛
𝐿𝐶𝐿 = 𝜇0 − 𝐿𝜎ൗ 𝑛 se puede escribir:

𝑈𝐶𝐿 − (𝜇0 + 𝑘) 𝐿𝐶𝐿 − (𝜇0 + 𝑘)

𝛽=𝜙  −𝜙 
ൗ 𝑛 ൗ 𝑛

𝜇0 + 𝐿𝜎ൗ − (𝜇0 + 𝑘) 𝜇0 − 𝐿𝜎ൗ − (𝜇0 + 𝑘)

𝑛 𝑛
𝛽=𝜙  −𝜙 
ൗ 𝑛 ൗ 𝑛

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la corrida)
1
ARL =
(1 −  )
 = ( L − k n ) − (− L − k n )
 = Probabilidad de no detectar el corrimiento k en la primera muestra después de ocurrido.
 = Función de distribución acumulada de la distribución normal estándar.
L = Número de desviaciones del gráfico (3).
k = Número de desviaciones que se corre la media.
n = Tamaño de la muestra.

Juan Carlos Osorio

 Para construir la curva OC de la carta 𝑥,ҧ se grafica el riesgo 𝛽 contra la magnitud del
corrimiento que quiere detectarse expresado en unidades de desviación estándar para varios
tamaños de la muestra n.
1,2

1 n=2
n=2 n=3
n = 10 n=4
0,8
n=3 n=5
n=4
n=5 n=6
0,6
n=7
n=6
n=8
0,4 n=9
n = 10
n = 15
0,2
n = 20

0
0 0,5 1 1,5 2 2,5 3 3,5

Juan Carlos Osorio

 La probabilidad de que el corrimiento se detecte en la r-ésima muestra subsecuente
es 1 − 𝛽 veces la probabilidad de no detectar el corrimiento en cada una de las 𝑟 − 1
muestras iniciales, o:
𝛽𝑟−1 1 − 𝛽

El número esperado de muestras tomadas antes de que se detecte el corrimiento es

simplemente la longitud promedio de la corrida, o:

∞
1
𝐴𝑅𝐿 = ෍ 𝑟𝛽 𝑟−1 1−𝛽 =
1−𝛽
𝑟=1

Juan Carlos Osorio

 Tiempo medio hasta la señal (ATS)

Tiempo medio hasta la señal esta dado por:

ATS = ARL  h
h = Intervalos de tiempo entre mediciones.

Número esperado de unidades individuales muestreadas:

I = nARL

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la corrida)
Otra manera de expresar el ARL es:

1
ARL =
(1 −  )
 = PD  nLCS / p− PD  nLCI / p
 = Px  LCS / c− Px  LCI / c
 = Probabilidad de no detectar el corrimiento en la primera muestra después de ocurrido.
n = Tamaño de la muestra.

Juan Carlos Osorio

 Gráficos de control para mediciones individuales

Aplica cuando el tamaño de la muestra usado para monitorear el proceso es uno:

• Cuando se usa tecnología que permite inspeccionar cada uno de los artículos
producidos.
• La velocidad de producción es muy lenta.
• El costo de muestrear es muy alto.
En muchas aplicaciones de este gráfico se usa el rango móvil como base para estudiar la
variabilidad del proceso.
También se puede establecer un gráfico para el rango móvil.

Juan Carlos Osorio

 Gráficos de control para mediciones individuales

• Gráfico de promedio móvil:

~
LC = MR
~ ~ MRi = xi − xi −1
LCI = D4 MR LCS = D3 MR
• Gráfico de medidas individuales:
~
LC = X
~ ~
~ 3MR ~ 3MR
LC = X + LC = X − d2= 1.128 para n = 2
d2 d2

Juan Carlos Osorio

 Gráficos de control para mediciones individuales:
En la producción de tequila, para medir la eficacia del proceso se controla el grado brix residual después de la
molienda (cantidad de azúcar que queda en el bagazo del agave), esta es una variable del tipo entre más pequeña
mejor y se ha definido el valor máximo permitido en 3.5%. Se ha propuesto controlarlo con un gráfico de medidas
individuales y se tienen los datos de los últimos 40 lotes molidos. Que se puede concluir sobre este proceso?

Juan Carlos Osorio

 Gráficos de control para mediciones individuales:
Lote Brix Residual Lote Brix Residual Lote Brix Residual Lote Brix Residual
1 2 11 1,6 21 1,2 31 1,7
2 2,4 12 2,2 22 1,8 32 2,1
3 2,2 13 1,9 23 2 33 1,6
4 1,4 14 2,4 24 2,4 34 2,4
5 2,3 15 3,3 25 1,9 35 2,1
6 1,8 16 2,1 26 2,4 36 1,8
7 1,5 17 2,1 27 2,4 37 1,3
8 1,5 18 1,8 28 1,7 38 1,8
9 2,1 19 1,6 29 1,8 39 1,7
10 2 20 2,1 30 2,1 40 1,6

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM):

Carta en la cual se grafica la suma acumulada de las desviaciones con respecto a la media
global.
Se usa cuando se requiere identificar una variación pequeña en el proceso (media) y es
particularmente efectiva con muestras de tamaño igual a 1.
Hay dos formas de representar cusums:
▪ Cusum tabular (o algorítmica). Es preferible sobre la otra.
▪ Máscara V de la cusum.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM):

 La carta CUSUM incorpora directamente toda la información contenida en la secuencia de

los valores muestrales respecto del valor objetivo.

 Las cartas de suma acumulada son más efectivas para detectar corrimientos pequeños en el
proceso porque combinan información de varias muestras.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
Ci+ = máx [ 0, xi – (µ0 + K) + Ci-1+ ]

Ci- = máx [ 0, (µ0 - K) - xi + Ci-1- ]

C0+ = C0- = 0 Valores iniciales.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
▪ K= valor de referencia, se escoge como el valor medio entre el objetivo µ0 y el valor fuera
de control µ1 que se quiere detectar con rapidez.

▪ Ci+ y Ci- se les llama cusums unilaterales superior e inferior. Acumulan las desviaciones del
valor objetivo µ0 que son mayores que k y cuando se hacen negativas, se reinician en
cero.

▪ Si Ci+ o Ci- excede el intervalo de decisión H, se considera que el proceso está fuera de
control.

▪ Un valor razonable para H es cinco veces la desviación estándar del proceso.

Juan Carlos Osorio

 Muestra, i Xi Xi-10 Ci=(Xi-10)+Ci-1
1 9,45 -0,55 -0,55
2 7,99 -2,01 -2,56 Gráfico de control de suma acumulada
3 9,29 -0,71 -3,27
4 11,66 1,66 -1,61 (CUSUM) tabular:
5 12,16 2,16 0,55
6 10,18 0,18 0,73
7 8,04 -1,96 -1,23
8 11,46 1,46 0,23
9 9,20 -0,80 -0,57
10 10,34 0,34 -0,23
11 9,03 -0,97 -1,20
12 11,47 1,47 0,27
13 10,51 0,51 0,78
14 9,40 -0,60 0,18
15 10,08 0,08 0,26
16 9,37 -0,63 -0,37
17 10,62 0,62 0,25
18 10,31 0,31 0,56
19 8,52 -1,48 -0,92
20 10,84 0,84 -0,08
21 10,90 0,90 0,82
22 9,33 -0,67 0,15
23 12,29 2,29 2,44
24 11,50 1,50 3,94
25 10,60 0,60 4,54
26 11,08 1,08 5,62
27 10,38 0,38 6,00
28 11,62 1,62 7,62
29 11,31 1,31 8,93
30 10,52 0,52 9,45

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
Estimación de la nueva media cuando el corrimiento se ha dado:

+
 C 
o + K + N + Si Ci  H 
i +

ˆ =  − 
o − K − Ci Si Ci −  H 
 N − 

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:

Valores de k y los valores correspondientes de h que producen ARL₀ = 370 para la cusum
tabular bilateral:
k 0,25 0,5 0,75 1 1,25 1,5
h 8,01 4,77 3,34 2,52 1,99 1,61
1 es muy utilizado en la práctica.
k=
2
Nota:
Las pruebas para corridas, y otras reglas de sensibilidad como las reglas de zona, no pueden
aplicarse con seguridad a la cusum, ya que los valores sucesivos de Ci+ y Ci- no son
independientes.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:

Longitud promedio de la corrida ARL:

0
+
exp(−2b) + 2b − 1  = −k para Ci
ARL = −
22  = −  − k para Ci
1 1 1 b = h + 1.166
= +
ARL ARL +
ARL−  
=
(1 − o )


Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
La cusum estandarizada:
yi =
xi − o
+

Ci = máx 0, yi − k + Ci+−1 
 = máx 0,−k − y + C 
− −
Ci i i −1

La cusum a escala (para monitorear la variabilidad del proceso):

yi − 0,822
+

Si = máx 0, vi − k + Si+−1 
vi =
= máx 0,−k − v + S 
− −
0,349 Si i i −1

Señal de la cusum a escala, presume cambio en la variación.

Señal de la cusum a escala y cusum de estatus, cambio en la media.

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado exponencialmente (EWMA):
Carta en la que se grafica la suma ponderada de las medias de los subgrupos observados
hasta el tiempo de inspección, que asigna pesos decrecientes a las medias anteriores.
Esta carta tiene un desempeño muy parecido a la CUSUM en la detección de pequeños
cambios de nivel del proceso, con la ventaja de que es más fácil de construir.
Buena alternativa para detectar corrimientos pequeños.
Se usa típicamente para observaciones individuales.

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado exponencialmente (EWMA):

Promedio móvil ponderado exponencialmente Zi:

Z i = xi + (1 −  ) Z i −1
Si las observaciones Xi son variables aleatorias independientes:

  
 2
=  2

 1 − (1 −  )
2i

 2− 
Zi

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado exponencialmente (EWMA):
Los límites para este gráfico de control:

0,05    0,25
Linea central =  0
Valores usados en

LCS =  0 + L
(2 −  )

1 − (1 −  ) 
2i
la práctica

 = 0,05
LCI =  0 − L
(2 −  )

1 − (1 −  ) 
2i
 = 0,10
 = 0,25

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado exponencialmente (EWMA):
Muestra, i Xi zi LCS LCI
1 9,45 9,945 10,27 9,73
2 7,99 9,7495 10,3632 9,63675
3 9,29 9,70355 10,424 9,576
4 11,66 9,8992 10,4675 9,53254
5 12,16 10,1253 10,4999 9,5001
6 10,18 10,1307 10,5247 9,47529
7 8,04 9,92167 10,544 9,45602
8 11,46 10,0755 10,5591 9,44091
9 9,2 9,98796 10,571 9,42895
10 10,34 10,0232 10,5805 9,41945
11 9,03 9,92384 10,5881 9,41187
12 11,47 10,0785 10,5942 9,4058
13 10,51 10,1216 10,5991 9,40092
14 9,4 10,0495 10,603 9,397
15 10,08 10,0525 10,6062 9,39385
16 9,37 9,98426 10,6087 9,3913
17 10,62 10,0478 10,6107 9,38925
18 10,31 10,074 10,6124 9,38759
19 8,52 9,91864 10,6137 9,38626
20 10,84 10,0108 10,6148 9,38517
21 10,9 10,0997 10,6157 9,3843
22 9,33 10,0227 10,6164 9,38359
23 12,29 10,2495 10,617 9,38302
24 11,5 10,3745 10,6174 9,38255
25 10,6 10,3971 10,6178 9,38218
26 11,08 10,4654 10,6181 9,38187
27 10,38 10,4568 10,6184 9,38163
28 11,62 10,5731 10,6186 9,38143
29 11,31 10,6468 10,6187 9,38127
30 10,52 10,6341 10,6189 9,38113

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado exponencialmente (EWMA):
Longitudes promedio de la corrida para varios esquemas de control EWMA:
Corrimiento de la
media (múltiplo L=3,054 2,998 2,962 2,814 2,615
de σ) λ=0,40 0,255 0,2 0,1 0,05
Funciona bien para
0 500 500 500 500 500 distribuciones diferentes de la
0,25 224 170 150 106 84,1
0,5 71,2 48,2 41,8 31,3 28,8
normal, por lo que se
0,75 28,4 20,1 18,2 15,9 16,4 recomienda su uso en
1 14,3 11,1 10,5 10,3 11,4 mediciones individuales.
1,5 5,9 5,5 5,5 6,1 7,1
2 3,5 3,6 3,7 4,4 5,2
2,5 2,5 2,7 2,9 3,4 4,2
3 2 2,3 2,4 2,9 3,5
4 1,4 1,7 1,9 2,2 2,7

Juan Carlos Osorio

 Un cambio se considera pequeño si es menor 1.5 veces la desviación estándar de la media.

Las cartas de control tradicionales no son rápidas para detectar “cambios pequeños” en el
proceso.

Las cartas especiales como CUSUM y EWMA son capaces de detectar brincos de magnitudes
0.8  ~x y 0.1 ~x al menos cuatro veces más rápido que las cartas tipo Shewhart.
La diferencia fundamental entre estas cartas con respecto a la carta tradicional es la manera
en que ponderan los datos. Las cartas Shewhart sólo considera la información obtenida en el
tiempo t, mientras que CUSUM y EWMA toman en cuenta toda la información.

Juan Carlos Osorio

 La capacidad del proceso se refiere a la uniformidad del mismo.

Hay dos formas de conceptualizar la variabilidad:

1. La variabilidad natural o inherente en un tiempo especificado; es decir, la

instantánea.

2. La variabilidad con el tiempo.

Juan Carlos Osorio

 ÍNDICE Cp (índice de capacidad potencial del proceso)

ES − EI
Cp =
6
Cp compara el ancho de las especificaciones o la valoración tolerada para el proceso
con la amplitud de la variación real de éste:

Variacióntolerada
Cp =
Variación real

6σ : variación real

Juan Carlos Osorio

 INTERPRETACIÓN DEL ÍNCIDE Cp

Se requiere que la variación real siempre sea menor que la variación tolerada.

De aquí, que lo deseable es que Cp > 1

Si Cp < 1 es una evidencia de que el proceso no cumple con las especificaciones.

Juan Carlos Osorio

 Las siguientes dos tablas están fundamentadas en cuatro supuestos:

1. La característica de la calidad se distribuye de manera normal.

2. El proceso está centrado.
3. El proceso está bajo control estadístico.
4. Se conoce la desviación estándar del proceso.

Juan Carlos Osorio

 Valores del cp y su interpretación
VALOR DEL ÍNDICE CLASE O CATEGORÍA DECISIÓN (SI EL PROCESO ESTÁ
Cp DEL PROCESO CENTRADO)
Cp ≥ 2 Clase mundial Se tiene calidad Seis Sigma
Cp > 1.33 1 Adecuado
Parcialmente adecuado, requiere de
1 < Cp < 1.33 2
un control estricto

No adecuado para el trabajo

Es necesario un análisis del proceso
0.67 <Cp < 1 3
Requiere modificaciones serias para
alcanzar una calidad satisfactoria

No adecuado para el trabajo

Cp <0.67 4
Requiere modificaciones muy serias

Juan Carlos Osorio

 Los índices Cp, Cpi y Cps en términos de la cantidad de piezas malas; bajo normalidad y proceso centrado en el
caso de doble especificación.
VALOR DEL ÍNDICE PROCESO CON DOBLE ESPECIFICACIÓN (ÍNDICE CON REFERENCIA A UNA SOLA
(CORTO PLAZO) Cp) ESPECIFICACIÓN ( Cpi, Cps, Cpk)

% FUERA DE LAS DOS PARTES POR MILLÓN % FUERA DE UNA PARTES POR MILLÓN
ESPECIFICACIONES FUERA (PPM) ESPECIFICACIÓN FUERA (PPM)

0.2 54.8506 % 548 506.130 27.4253 % 274 253.065

0.3 36.8120 % 368 120.183 18.4060 % 184 060.092
0.4 23.0139 % 230 139.463 11.5070 % 115 069.732
0.5 13.3614 % 133 614.458 6.6807 % 66 807.229
0.6 7.1861 % 71 860.531 3.5930 % 35 930.266
0.7 3.5729 % 35 728.715 1.7864 % 17 864.357
0.8 1.6395 % 16 395.058 0.8198 % 8 197.529
0.9 0.6934 % 6 934.046 0.3467 % 3 467.023
1.0 0.2700 % 2 699.934 0.1350 % 1 349.967
1.1 0.0967 % 966.965 0.0483 % 483.483
1.2 0.0318 % 318.291 0.0159 % 159.146
1.3 0.0096 % 96.231 0.0048 % 48.116
1.4 0.0027 % 26.708 0.0013 % 13.354
1.5 0.0007 % 6.802 0.0003 % 3.401
1.6 0.0002 % 1.589 0.0001 % 0.794
1.7 0.0000 % 0.340 0.0000 % 0.170
1.8 0.0000 % 0.067 0.0000 % 0.033
1.9 0.0000 % 0.012 0.0000 % 0.006
2.0 0.0000 % 0.002 0.0000 % 0.001

Juan Carlos Osorio

 ÍNDICE Cr razón de capacidad potencial (inverso de Cp)

6
Cr = , Cr  1
ES − EI
Cr representa la proporción de la banda de especificaciones que es ocupada por el
proceso.

Juan Carlos Osorio

 ÍNDICES Cpi, Cps, Cpk

Evalúa por separado el cumplimiento de la especificación inferior y superior.

Índices Cpi Índice Cps

(índice de capacidad para la (índice de capacidad para la
especificación inferior) especificación superior)

 − EI ES − 
Cpi = Cps =
3 3

Juan Carlos Osorio

 Estos índices (Cpi y Cps) toman en cuenta μ, al calcular la distancia de la media del
proceso a una de las especificaciones. Esta distancia representa la variación tolerada
para el proceso de un solo lado de la media. Por esto sólo se divide en 3σ.

Juan Carlos Osorio

 ÍNDICE Cpk (Índice de capacidad real del proceso)

Toma en cuenta el centrado del proceso.

  − EI ES −  
Cpk = Mínimo , 
 3 3 
Cpk > 1,25 es satisfactorio, indica que el proceso es capaz.

Cpk < 1 el proceso no cumple con por lo menos una de las especificaciones.

Juan Carlos Osorio

 Elementos adicionales para la interpretación del Cpk:

 Cpk ≤ Cp cuando son próximos, indica que la media del proceso está muy cerca del
punto medio de las especificaciones, por lo que Cp y Cpk son similares.

 Cpk es mucho más pequeño que Cp, indica que la media del proceso está alejada del
centro de las especificaciones. El índice Cpk estará indicando la capacidad real del
proceso , y si se corrige el problema de descentrado se alcanzará la capacidad
potencial indicada por el índice Cp.

Juan Carlos Osorio

  Cuando Cpk sea mayor 1,25 en un proceso ya existente, se tiene un proceso con
capacidad satisfactoria.

 En procesos nuevos el Cpk > 1,45.

 Es posible tener valores del índice Cpk iguales a cero o negativos, e indican que la
medida del proceso está fuera de las especificaciones.

Juan Carlos Osorio

 ÍNDICE K (índice de centrado del proceso)

−N
K= *100
1 ( ES − EI )
2

Interpretación de K
 Si el signo del valor de K es positivo la media del proceso es mayor al valor nominal
μ >N.
 Si es negativo, μ< N.

Juan Carlos Osorio

  Valores de K menores al 20% en términos absolutos se consideran aceptables, pero
si el valor absoluto de K es mayor al 20% indica un proceso muy descentrado.

 El valor nominal N, es la calidad objetivo y óptima; cualquier desviación con

respecto a este valor lleva un detrimento en la calidad.

Juan Carlos Osorio

 ÍNDICE Cpm (Índice de Taguchi): mejor indicador del centrado
ES − EI
Donde τ (tau) está dada por: Cpm =
6

 =  2 + ( − N )2
N: valor nominal de la característica de calidad; por lo general N= 0,5 (ES-EI).

Si el proceso está centrado, es decir si μ = N entonces Cp, Cpk y Cpm son iguales.

Juan Carlos Osorio

 INTERPRETACIÓN ÍNDICE Cpm (Índice de Taguchi)

 Cpm < 1: El proceso no cumple con especificaciones, por problemas de centrado o

por exceso de variabilidad.

 Cpm > 1: El proceso cumple con especificaciones, la medida del proceso está dentro
de la tercera parte central de la banda de las especificaciones.

 Cpm > 1,33: El proceso cumple con especificaciones y la media del proceso está
dentro de la quinta parte central del rango de especificaciones.

Juan Carlos Osorio

 CAPACIDAD DE CORTO PLAZO

Se calcula a partir de muchos datos tomados durante un período corto para que no
haya influencias externas en el proceso, o con muchos datos de un período largo, pero
calculando σ con el rango promedio (σ = R/d₂).

R: Promedio de los rangos de los subgrupos

d₂: Depende del tamaño del subgrupo (se encuentra en las tablas).

Juan Carlos Osorio

 CAPACIDAD DE LARGO PLAZO

Se calcula con muchos datos tomados de un período muy largo para que los factores
externos influyan en el proceso, y σ se estima mediante la desviación estándar de
todos los datos (σ=S).

S: desviación estándar

Juan Carlos Osorio

 ÍNDICES Pp y Ppk

Están enfocados al desempeño del proceso a largo plazo, y no sólo a su capacidad.

Índice Pp (Índice de desempeño potencial del proceso).

ES − EI
Pp =
6L

Juan Carlos Osorio

 Donde σL es la desviación estándar de largo plazo.

Pp no toma en cuenta el centrado del proceso, por ello suele complementarse con el
índice de desempeño real del proceso Ppk, que se obtiene con:

  − EI ES −  
Ppk = mínimo − 
 3L 3L 

Juan Carlos Osorio

 Plantea una aspiración o meta común en calidad para todos los procesos de una
organización.

ÍNDICE Z
Es la métrica de capacidad de procesos de mayor uso en Seis Sigma. Se obtiene
calculando la distancia entre la media y las especificaciones, y esta distancia se divide
entre la desviación estándar.
ES −   − EI
Zs = Zi =
 
Z = mínimo [Zs, Zi]

Juan Carlos Osorio

 Índice Zc
Valor del índice Z en el cual se emplea σ de corto plazo.

Índice ZL
Valor del índice Z que utiliza σ de largo plazo.

Desplazamiento o movimiento del proceso ( diferencia entre la capacidad de corto y

largo plazo)
Z M = ZC − Z L

Zm representa la habilidad para controlar la tecnología.

Juan Carlos Osorio

 En un proceso de envasado de cemento de una empresa cementera se tiene como
especificación del contenido de los costales 50 kg, con una tolerancia de 0.6 kg. De
esta forma, la especificación inferior es EI = 49.4 kg, y la superior ES = 50.6 KG. De
acuerdo con los datos históricos se tiene que la media del proceso es μ = 50.01 y la
desviación estándar es 0.2 kg. De aquí que,

50.6 − 50.01 50.01 − 49.4

ZS = = 2.95 y Zi = = 3.05
0.2 0.2

Juan Carlos Osorio