CONTROL DE LA CALIDAD

Sesión 04- Control estadístico:

Gráficos de control - variables

 Control estadístico de la calidad

• Es el conjunto de herramientas de origen estadístico

utilizados con el fin de analizar y estudiar variables que
afectan la calidad del producto o servicio.

• Conjunto de técnicas usadas para medir y controlar el

desempeño de los procesos.
 Introducción

La estadística es la rama de la
matemática que utiliza grandes
conjuntos de datos numéricos para
obtener inferencias basadas en calculo
de probabilidades.
 Introducción
Involucra una serie de procesos que tiene como
finalidad lograr un mayor conocimiento de una
realidad desconocida y sobre la cual se toman
decisiones confiables.
 Definiciones
Estadística:

“La estadística estudia los métodos científicos para recoger,

resumir y analizar datos, así como para sacar conclusiones
validas y tomar decisiones razonables basadas en tal
análisis”
Murria R. Spiegel,(1991)

“La estadística es la ciencia que trata de la recolección,

clasificación y presentación de los hechos sujetos a una
apreciación numérica como base a la explicación,
descripción y comparación de los fenómenos”.
Yale y Kendal, 1954
 Definiciones
La Estadística surge ante la incertidumbre de que ocurran
algunos resultados.

Los conceptos asociados

– Experimento aleatorio
– Variable aleatoria
– Probabilidad
 Experimento Aleatorio
Es aquel que proporciona diferentes resultados aun cuando se repita siempre
de la misma manera.
Variables controladas

Experimento Resultado

Variables no – controladas
(componente aleatorio)
Por ejemplo:
•Un proceso embotella bebidas gaseosas en envases de 500ml, sin embargo
por las fluctuaciones naturales en el proceso, el volumen de embotellado
varia en torno al valor nominal de 10 ml.
Variable Aleatoria: Es una variable que toma valores numéricos
determinados por el resultado de un experimento aleatorio, esta puede ser
discreta o continua.

Por ejemplo: Un componente producido en un proceso industrial puede clasificarse

como “defectuoso” o “no defectuoso” y podemos asignar el valor 1 a la primera
posibilidad y 0 a la segunda.

No se puede enunciar con certeza que resultado va a ser observado en la

realización del experimento aleatorio.

Probabilidad: Es una función que permite cuantificar la posibilidad de que

se presente un resultado de un experimento aleatorio.
“ El sentido común reducido al calculo”
 Definición
La Estadística es la Ciencia de la

• Sistematización, recolección, ordenamiento y presentación

de los datos referentes a un fenómeno que presenta variabilidad
o incertidumbre para su estudio metódico, con objeto de

• deducir las leyes que rigen esos fenómenos (distribuciones de

probabilidad),

• y poder de esa forma hacer previsiones sobre los mismos, tomar

decisiones u obtener conclusiones.
 Áreas de la estadística
• Estadística descriptiva: describe y analiza las características de un
conjunto de datos, con lo cual se puede extraer conclusiones sobre las
características de dicho conjunto o efectuar comparaciones con otras
poblaciones. Puede no solo referirse a la observación de todos los
elementos de una población sino también a la de los elementos de una
muestra (observación parcial).

• Estadística Inferencial: se basa en los resultados obtenidos del análisis

de una muestra, con el fin de inferir acerca de una característica de la
población, de donde procede o acerca de la validez de afirmaciones en
torno a la misma.
 Población y muestra
• Población es el conjunto sobre el que estamos
interesados en obtener conclusiones (hacer
inferencia).
– Normalmente es demasiado grande para poder
abarcarla.

• Muestra es un subconjunto suyo al que tenemos

acceso y sobre el que realmente hacemos las
observaciones (mediciones)
– Debería ser “representativo”
– Está formado por miembros “seleccionados” de
la población (individuos, unidades
experimentales).
Parámetro
Es una medida descriptiva que resume una
característica de la población.
– la media (µ)
– La varianza (²).

Estadístico
Es una medida descriptiva que resume una
característica de la muestra.
– La media (X)
– la varianza (S²).
 Estimación de parámetros (1/2)

▪ Una variable aleatoria se encuentra descrita por su

distribución de probabilidad.
▪ La distribución de probabilidad esta descrita por sus
parámetros.
▪ Ejemplo:
• Parámetros de la distribución normal: μ y σ2
• Parámetros de la distribución de Poisson: λ
 Estimación de parámetros (2/2)
▪ Los parámetros de las distribuciones de probabilidad:
• por lo general son desconocidos.
• hay que estimarlos a partir de los datos muestrales

▪ Estimador puntual:
• Es un estadístico que produce un solo valor numérico como
estimación del parámetro desconocido. Ejemplo:
♦ La media muestral x es el estimador puntual de la media
poblacional μ
♦ La varianza muestral S2 es el estimador puntual de la varianza
poblacional σ2
 Variación

▪ El objetivo principal de los esfuerzos de la ingeniería de calidad

es la reducción sistemática de la variabilidad en las
características clave.
 Causas de la variación

▪ Causas fortuitas • El proceso esta bajo control estadístico

• Debido a variabilidad natura o ruido de fondo

• Efecto acumulado de muchas causas pequeñas e inevitables.

▪ Causas asignables • El proceso esta fuera de control estadístico

• Tres fuentes: maquinas ajustadas incorrectamente, errores del operador o materia

prima defectuosa

• Variabilidad grande en comparación con el ruido de fondo.

 Variación

▪ Descripción de la variación:
• Representación visual de:
• Diagrama de tallo y hoja • La forma de la distribución
•La tendencia central de los
datos
• Distribución de frecuencia y el histograma • La dispersión y variabilidad de
los datos.

• Resumen numérico de datos:

♦ Promedio muestral

♦ Varianza muestral y desviación estándar muestral

• Diagrama de caja Representación grafica de los datos:

• Localización o tendencia central
• Dispersión o variabilidad
• Apartamiento de la simetría
• Identificación de puntos atípicos
Medidas de tendencia central
La Media

La media, llamada también promedio

aritmético, se define como el cociente de
la suma de los valores observados de la
variable en estudio y el número de
observaciones.
 La Media
N

Media o promedio aritmético poblacional = 1

N
X i
=promedio()

i =1

n
Media o promedio aritmético muestral X =
1
n
X i
i =1
donde:

Xi = valor de la i-ésima observación de la variable en estudio

N = Tamaño de la población
n = Tamaño de la muestra
Medidas de dispersión
 El Rango
Es la diferencia entre el máximo valor y el
mínimo valor del grupo de datos que se está
analizando. Nos da una idea general de qué tan
grande es la variación. Si entre los datos hay
valores fuera de lo normal, extraños, outliers (a
estos datos se les llama espurios), el rango se
va a ver afectado porque ya sea el máximo
valor (o el mínimo) va a ser más grande (más
pequeño) de lo normal.

R = X max − X min =max()-min()

 La varianza
Es una medida que cuantifica el grado de concentración de
los datos alrededor del centro cuando el centro es definido
como la media.
N

(
 iX −  )2
=varp()
Varianza poblacional 2= i=1
N
n

 (X − X)
2
Varianza muestral
i =var()
S2 = i=1
n −1
 La desviación estandar
Es la raíz cuadrada positiva de la varianza, la
desviación estandar se encuentra en las mismas
unidades que la media.

= 
Desviación estandar
poblacional
2 =desvestp()

Desviación estándar muestral

S= S 2 =desvest()
 Distribución normal
Función densidad
• Se dice que la variable aleatoria X sigue una
distribución normal con parámetros  y  y se
denota X ~ N (, 2)

1 x−  2
1 − ·( )
f (x) = ·e 2 
2 
Características
• Simétrica y forma de campana.
• Medidas de tendencia central coinciden.
• Se extiende de - a +.
 Estandarización
Se toma como referencia una distribución normal estándar
con media  = 0 y  = 1. Se trabaja con la distancia entre
x y  en función de la desviación estándar, tal como se
muestra.

x −
Z =

 Función de Densidad
Área bajo la curva = 1 La fórmula de la función densidad de
 =1 probabilidad es …
=0
−z2
Cualquier distribución normal 1
puede convertirse en una f (z) = e 2
distribución normal estándar. 2

− − −  + + +

68.26%
95.46%
99.73%
 Teorema del Límite Central

Teorema del Límite Central: Para casi todas las poblaciones, la distribución de
las medias de muestras (de las mismas) puede ser suficientemente aproximada
por una distribución normal, siempre que el tamaño de la muestra sea lo
suficientemente grande.
 Teorema del Límite Central (TLC)
Observaciones Individuales Medias de muestra
representan la distribución de la población; e.j. valores representan la distribución de las medias;
reales de todas las observaciones en todos los subgrupos e.j. valores medios para los subgrupos

Ejemplo:
• Haga una muestra de 5 piezas cada hora durante
20 horas y mida una dimensión. Distribución de
• Calcule la media de la dimensión para las 5 piezas Observaciones
muestreadas cada hora. Distribución de Individuales
• Realice una gráfica con las 100 mediciones (5 x 20)
Medias de Muestra
y observe la distribución de todas ellas (éstas son
“observaciones individuales”)
• Realice una gráfica con las 20 medias (que se
calcularon basadas en cada hora de producción) y
observe la distribución de las 20 medias (estas son
“medias de muestra”)
• El resultado debe parecerse al diagrama siguiente
 Teorema del Límite Central
Observaciones individuales Medias de muestra
Representan la distribución de la población, e.j. valores Representan la distribución de las medias, e.j.
reales de todas las observaciones en todos los valores medios para los subgrupos
subgrupos

Distribución de
medias de muestra Distribución de
observaciones individuales

Puntos significativos:
u La curva de medias de muestra es más estrecha (los valores extremos “se acercan”)
u La curva de medias de muestra tiende a ser normal, independientemente de la forma
de la distribución de observaciones individuales
u Podemos normalmente aproximar “distribuciones de media” con una distribución
normal
Desviación estándar de medias

x = x

n
x Desviación estándar de la distribución de
medias de muestra, X
x Desviación estándar de Xs individuales

n Tamaño de muestra utilizado para calcular X

NOTA:

x También es llamado Error estándar de la Media

Ejemplo del Teorema del Límite Central
 100
Ilustrando el TLC
90
80 Distribución 100
70 original n = 10

Frecuencia
Frecuencia

60
50
(exponencial)
40 50
30
20
10
0 0

0 10 20 30 40 50 60 70 80
0 10 20 30 40 50 60 70 80 Muestras de
Exp1 Media 10
distribución
exponencial
30
150

n = 20 n=50

Frecuencia
20
Frecuencia

100

10
50

0
0
0 10 20 30 40 50 60 70 80 90
0 10 20 30 40 50 60 70 80
Media 50

Media 20
 3.5 El control Estadístico de Procesos
(SPC)

▪ El SPC en línea es una herramienta básica para

alcanzar el siguiente objetivo:

• reducir la variabilidad de los parámetros clave.

 3.5 El control Estadístico de Procesos
(SPC)

▪ Técnicas básicas del SPC:

• Las cartas de control

♦ De variables

♦ De atributos

▪ Análisis de capacidad de proceso

 3.6 Técnica del gráfico de Control

▪ El gráfico de Control:
• Es la representación grafica de una característica de la
calidad que se ha medido o calculado a partir de una
muestra contra el número de muestra o tiempo.
 3.6 Técnica del gráfico de Control

• Usos fundamentales de una carta de control:

1. Reducción de la variabilidad del proceso

2. Monitoreo y vigilancia de un proceso

3. Estimación de los parámetros del producto o del

proceso
Gráficos de control por variables
 Gráficos de control
Herramienta estadística de análisis y presentación de datos. Sirve para llevar
un registro de una determinada característica de la calidad.
Permiten diferenciar entre variaciones naturales y las debido a causas
atribuibles.

Objetivos

a) Tomar decisiones relativas al proceso de producción. Se observa variación

natural u otra causa)
b) Tomar decisiones relacionadas a productos elaborados recientemente.
 Como construir una grafica de control
1. Definir una característica de la calidad.
2. Comprobar la normalidad de los datos.
3. Escoger un subgrupo racional.
4. Reunir los datos (20 a 25 subgrupos)
5. Calcular los limites de control y la línea central
6. Revisar los limites de control y la línea central,
eliminar los puntos fuera de control y de ser el
caso recalcular los limites de control.
7. Iniciar el control.
 Normalidad

Muchas de las herramientas estadísticas establecen como base que

los datos son normales, pero como determinar si los datos siguen una
distribución normal?, existen varios métodos:

-Prueba de Anderson-Darling
-Prueba de Kolmogorov-Smirnov
-Prueba de Smirnov-Cramér von Mises

Para fines del referencia desarrollaremos la Prueba de Anderson-

Darling.
 Prueba de normalidad A-D

1. Los datos deben ser colocados de menor a mayor

2. Se calcula la media y la desviación estándar
3. Se calcula los valores estandarizados de X

Xi − X
Yi =
s
 Prueba de normalidad A-D
4. Se procede a calcular A2 de la siguiente manera:

n
1
A = −n −  (2i −1)(ln (Yi ) + ln(1− (Yn+1−i )))
2

n i=1

Donde Φ es la función que

devuelve la distribución estándar
acumulativa (Z). Tiene media de =distr.norm.estd()
cero y distribución estándar de
uno.
 Prueba de normalidad A-D

5. Se procede a calcular A2* de la siguiente manera, con el fin de

ajustar el valor según el tamaño de la muestra

 0.75 2.25 
+ 2 
A 2*
= A 1 +
2

 n n 

Si A2* excede 0.752 entonces la hipótesis de normalidad es rechazada a un

nivel de 5% de confianza
Estadísticas > Estadística básicas > Prueba de normalidad…

Si el P Value es
mayor a 0.05
entonces se
puede concluir
que los datos
son normales
Estadísticas > Grafica de probabilidad…

Si el P Value es
mayor a 0.05
entonces se
puede concluir
que los datos
son normales
 Sub grupos Racionales
• Datos aleatorios no son sub grupos racionales
• Seleccionar subgrupos o muestras de manera
que si hay causas atribuibles, la posibilidad de
diferencia entre subgrupos sea máxima,
mientras que la probabilidad dentro del
subgrupo sea mínima.
• Base: Orden de producción
• Tener en cuenta diferencias entre turnos
 Sub grupos Racionales
• Normalmente unidades consecutivas.
• Tienen que provenir de una población simple
y definida.
• El subgrupo necesita representar la población
definida.
• Establezca el tamaño mínimo del subgrupo
para reflejar la variación dentro.
Leer: Besterfield (pp 111-114) Escoja el subgrupo racional
 Limites de control
• Los límites de control, para cualquier gráfica, se
calculan de la siguiente manera:

• LCS = Esperado (x) + k Desviación estándar (x).

• LCI = Esperado (x) - k Desviación estándar (x).

Generalmente se utiliza k=3

Grafico de Control (medias)

x − 3 x + 3
 Grafico de Control (medias)
Limite Superior de
Línea Central Control

Tiempo
Limite Inferior de
Control Limites de
especificación
¿Por qué cada 2 horas? Esto depende principalmente de la sensibilidad del proceso y de la
capacidad que tengamos de formar subgrupos racionales.

7:00 a.m. – 9:00 a.m. 9:00 a.m. – 11:00 a.m. 11:00 a.m. – 1:00 p.m.

Total
producido

Cada uno de
Muestra estos valores
representa
característica de la
media de una
calidad del
producto (pero
¿Por qué en puede ser
grupos? también del
proceso)
¿Por qué 3?

Porque es una forma de eliminar la anormalidad de los datos y podemos

aprovechar para controlar la variabilidad entre el grupo, y 3 porque nos permite
controlar los errores tipo I y tipo II
 Gráfico x - R
Procedimiento:

1. Calculamos la línea central

m m

x i R i
x= i=1 R= i=1

m m
 Gráfico x - R
Procedimiento:

2. Se calculan los limites de control

LCS x = x + 3

R LCS x = x + A2 R
= n
d2 LCI x = x − 3
 LCI x = x − A2 R
n

ˆR = d 3
R LCS R = R + 3ˆR = R + 3d 3
R
d2
LCS R = D 4 R
d2
R LCI R = D3 R
LCI R = R − 3ˆR = R − 3d 3
d2
 Factores para el calculo de las líneas centrales y limites de control por variables

Observaciones en
la muestra A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2
2.1210 1.8806 2.6586 0.7979 1.2533 0 3.2664 0 2.6063 1.1280 0.8865 0.8530 0 3.6870 0 3.269
3
1.7320 1.0231 1.9545 0.8862 1.1284 0 2.5684 0 2.2761 1.6930 0.5907 0.8880 0 4.3570 0 2.574
4
1.5000 0.7285 1.6281 0.9213 1.0854 0 2.2662 0 2.0879 2.0590 0.4857 0.8800 0 4.6990 0 2.282
5
1.3420 0.5768 1.4273 0.9400 1.0638 0 2.0889 0 1.9635 2.3260 0.4299 0.8640 0 4.9180 0 2.114
6
1.2250 0.4833 1.2872 0.9515 1.0510 0.0300 1.9700 0.0286 1.8744 2.5340 0.3946 0.8480 0 5.0780 0 2.004
7
1.1340 0.4193 1.1819 0.9594 1.0423 0.1180 1.8820 0.1133 1.8055 2.7040 0.3698 0.8330 0.2050 5.2030 0.0758 1.924
8
1.0610 0.3726 1.0991 0.9650 1.0363 0.1847 1.8153 0.1783 1.7517 2.8470 0.3512 0.8200 0.3870 5.3070 0.1359 1.864
9
1.0000 0.3367 1.0317 0.9693 1.0317 0.2390 1.7610 0.2317 1.7069 2.9700 0.3367 0.8080 0.5460 5.3940 0.1838 1.816
10
0.9490 0.3082 0.9753 0.9727 1.0281 0.2843 1.7157 0.2765 1.6689 3.0780 0.3249 0.7970 0.6870 5.4690 0.2232 1.777
11
0.9050 0.2851 0.9273 0.9754 1.0252 0.3220 1.6780 0.3141 1.6367 3.1730 0.3152 0.7870 0.8120 5.5340 0.2559 1.744
12
0.8660 0.2658 0.8859 0.9776 1.0229 0.3541 1.6459 0.3462 1.6090 3.2580 0.3069 0.7780 0.9240 5.5920 0.2836 1.716
13
0.8320 0.2494 0.8496 0.9794 1.0210 0.3815 1.6185 0.3736 1.5852 3.3360 0.2998 0.7700 1.0260 5.6460 0.3076 1.692
14
0.8020 0.2353 0.8173 0.9810 1.0194 0.4067 1.5933 0.3990 1.5630 3.4070 0.2935 0.7630 1.1180 5.6960 0.3281 1.672
15
8.7750 0.2231 0.7886 0.9823 1.0180 0.4279 1.5721 0.4204 1.5442 3.4720 0.2880 0.7560 1.2040 5.7400 0.3468 1.653
 Ejercicio 3.1
En la tabla siguiente se presentan 10 sub grupos
de tres mediciones de la dimensión critica de una
pieza producida en el proceso de maquinado.
a) Establecer las cartas de control x – R
b)Si los limites de especificación son [150,90]
calcular la fracción de elementos no conformes.
 1 138.1 110.8 138.7
2 149.3 142.1 105.0
3 115.9 135.6 124.2
4 118.5 116.5 130.2
5 108.2 123.8 117.1
6 102.8 112.0 135.0
7 120.4 84.3 112.8
8 132.7 151.1 124.0
9 136.4 126.2 154.7
10 135.0 115.4 149.1

n=3 (tamaño del subgrupo)

m=10 (numero de subgrupos)

 xi Ri
1 138.1 110.8 138.7 129.2 27.9
2 149.3 142.1 105.0 132.1 44.3
3 115.9 135.6 124.2 125.2 19.7
4 118.5 116.5 130.2 121.7 13.7
5 108.2 123.8 117.1 116.4 15.6
6 102.8 112.0 135.0 116.6 32.2
7 120.4 84.3 112.8 105.8 36.1
8 132.7 151.1 124.0
135.9 27.1
9 136.4 126.2 154.7
139.1 28.5
10 135.0 115.4 149.1
133.2 33.7
125.5 27.9

x
 R 27.9
= = = 16.47
d2 1.693

16.46
LCS x = 125.5 + 3 = 154.05
3
16.46
LCI x = 125.5 − 3 = 97
3

LCS R = D 4 R = 2.574(27.9) = 71.81

LCI R = D 3 R = 0(27.9) = 0
 90 −125.5 150 −125.5
P(90  x  150) = P( Z ) = P(−2.15  Z  1.49)
16.47 16.47

= P(Z 1.49) − P(Z  −2.15) = 0.930563− 0.015778 = 0.914785

1 − P(90  x 150) = 1 − 0.91475 = 0.085215

Fracción de no
conformes
Estadísticas > Gráficas de Control > Graficas de variables para subgrupos >Xbarra-R…
 Relación entre el grafico de control y la
prueba de hipótesis.

Obsérvese (del grafico anterior) que elegir los

limites de control es equivalente a establecer la
región critica para probar las hipótesis:

H0 :  = 125.53
H1 :  ≠ 125.53
 Análisis de los gráficos
Variación uniforme
Predecible, todos los puntos dentro de los límites y
distribuidos proporcionalmente a ambos lados de la línea
central. Representa al proceso ideal (baja dispersión).

65
Peso de las piezas (Gr.)

60

55

50

45
1

13
11

15

17

19
Nº de pieza
 Análisis de los gráficos
Puntos fuera de los límites
Situación no controlada, con "saltos", incremento notable de
la dispersión, posiblemente por fallas "locales" o causas
fortuitas

65

Lím. Superior
Peso de las piezas (Gr.)

60

55 Valor Central
Punto fuera de control
50
Lím. Inferior

45
21

23

25

27

29

31

33

35

37

39
Nº de pieza
 Análisis de los gráficos
Carrera, corrida o mal de rachas
Cambio de nivel repentino, corrimiento o sesgo del valor de
la media:
• De 7 a 8 puntos sucesivos a un lado de la línea media.
• 11 de 12 ó 13 de 15 puntos consecutivos / alternados.
 Análisis de los gráficos
Tendencia
Cambio progresivo, gradual, inclinación hacia un
límite (tendencia ascendente o descendente).
 Análisis de los gráficos
Ciclo
Cambio estacional, de patrón repetido
 Análisis de los gráficos
Inestabilidad
Serie/conjunto de puntos erráticos, presencia de
fluctuaciones muy saltantes o "anchas". Alta dispersión.

Un proceso bajo control, estadístico no debe presentar

casos de puntos fuera de límites ni de inestabilidad.
 Ejercicio

Hay:
¿Puntos fuera?
¿Carrera?
¿Tendencia?
¿Ciclo?
¿Inestabilidad?

Dónde?
Zonas de una gráfica de control

• Zona A= media + 3= 99% de los datos

• Zona B= media + 2= 95% de los datos
• Zona C= media +  = 68% de los datos
 Gráficas de control
Ocho pruebas para verificar que una gráfica está bajo
control estadístico:
Prueba # 1: un dato fuera del límite de control

LSC
A
B
C
C LC
B
A
LIC
tiempo
 Gráficas de control
Prueba # 2: Prueba # 3:

Ocho puntos en forma consecutiva Cinco puntos consecutivos en forma

por arriba o por debajo del promedio ascendente o descendente

LSC
LSC
A
A
B
B
C
C LC
C LC C
B
B
A
A
LIC
LIC
tiempo
tiempo
 Gráficas de control
Prueba # 4: Prueba # 5:

Catorce puntos alternándose en Dos o tres puntos en la zona A o más

forma consecutiva arriba y abajo. allá

LSC
LSC
A
A
B
B
C
C LC
C LC C
B
B
A
A
LIC
LIC
tiempo
tiempo
 Gráficas de control
Prueba # 6: Prueba # 7:

Cuatro de cinco puntos consecutivos Quince puntos consecutivos en la

en la zona B o más allá zona C

LSC
LSC
A
A
B
B
C
C LC
C LC C
B
B
A
A
LIC
LIC
tiempo
tiempo
 Gráficas de control
Prueba # 8:

Ocho puntos consecutivos que no caigan en la zona C

LSC
A
B
C
C LC
B
A
LIC
tiempo
 Algunas reglas de sensibilidad para las cartas
de control
1. Uno o mas puntos fuera de los límites de control
2. Dos de tres puntos consecutivos fuera de los límites de
advertencia dos sigma pero aun dentro de los limites de control
3. Cuatro de cinco puntos consecutivos fuera de los límites una Reglas de Western
sigma Electric
4. Una corrida de ocho puntos consecutivos en el mismo lado de
la línea central
5. Seis puntos seguidos que se incrementan o se decrementan
de manera sostenida
6. Quince puntos seguidos en la zona C (tanto arriba como abajo
de la línea central)
7. Catorce puntos seguidos alternandose arriba y abajo
8. Ocho puntos seguidos en ambos lados de la línea central pero
ninguno de ellos en la zona C
9. Un patron inusual o no aleatorio de los datos
10. Uno o mas puntos cerca de un límite de control o de
advertencia
Causas típicas de situaciones fuera
de control
Puntos fuera
• Error de cálculo.
• Error de medición.
• Error en graficar.
• Cambio de escala.
• Procesamiento incompleto u omitido.
• Alteración aislada de un factor del proceso.
.
Causas típicas de situaciones fuera
de control
Tendencias - Para X-barra
• Error de operario.
• Envejecimiento del equipo.
• Deterioro de instrumentos de medición.
• Cambio de parámetros estacionales o temporales.
• Cambio gradual de estándares.
• Cambio gradual de los lotes.
 Causas típicas de situaciones fuera
de control
Tendencias - Para R
Ascendente:
• Desgaste gradual del equipo o herramienta.
• Pérdida gradual de alguna propiedad del material.

Descendente:
• Mejora de métodos y tecnologías.
• Mejora del mantenimiento.
• Mejor resultado de las operaciones precedentes.
• Cambio gradual de estándares.
 Causas típicas de situaciones fuera
de control
Carreras, corridas o rachas
• Nuevo elemento, recurso o parámetro.
• Operario: cambio de ánimo, de ritmo, de atención,
fatiga.
• Máquina: desajuste, descalibración, máquina reparada.
• Especificaciones: error, cambio.
 Causas típicas de situaciones fuera
de control
Ciclos – Para Xbarra
• Fatiga de materiales.
• Fatiga del operario.
• Rotación del personal.
• Efec

Ciclos – Para R
• Horarios de mantenimiento.
• Desgaste.
 Causas típicas de situaciones fuera
de control
Inestabilidad – Para Xbarra
• Ajuste excesivo/frecuente del equipo.
• Diferentes lotes de materiales mezclados.
• Piezas mezcladas en la línea.

Inestabilidad – Para R
• Operario sin capacitación.
• Equipo averiado.
• Equipo descalibrado.
• Efecto de controles en otras áreas.
Revisión de los límites de control
Identificadas las causas "especiales o
asignables", se realiza la mejora del
proceso, se descartan las muestras
involucradas, se completan las 25
muestras, se calculan los “nuevos” límites.

Esto se repite hasta obtener un proceso

estable, bajo control
Nuevos límites = norma de control.
 Revisión de los límites de control
Ejemplo de fórmulas, si utilizamos el cálculo de σ:

σ 0 = desv. estándar de población del proceso bajo control.

“j” indica los grupos (muestras) descartados.
 Proceso bajo control estadístico
Es un proceso estable en el tiempo y cuyos gráficos
de control (media y dispersión) presentan:

• Todos los "puntos" dentro de los límites de control.

y si se trata de UN punto fuera, de 30 o más sin causa
atribuible?
• Cerca del 50% de los puntos a ambos lados de la
"LM".
• Muy pocos puntos cerca a los límites (baja
frecuencia).
Proceso bajo control estadístico
Además dichos gráficos no deben presentar:

• Carreras.
• Tendencias.
• Ciclos.
• Inestabilidad marcada.
 Gráfico de lecturas individuales
Características:
• Se observa dato a dato, no se trabaja con muestras.
• EI tamaño de muestra: n = 1 (individuo)
• EI número de lecturas: m ≥ 20

Inconvenientes:
• TLC no es aplicable (datos individuales).
• Es válido si la variable presenta una distribución normal.

Ejemplos:
• pH de soluciones
• Temperatura de sustancias
• Ensayo de resistencia a la tracción
• Procesos administrativos: ventas/semana, reclamos/mes
 Gráfico de lecturas individuales
Justificación:
• Altos costos de inspección y/o ensayo.
• Ensayos destructivos.
• Alto consumo de tiempo para las mediciones.
• Producto de tipo uniforme o continuo.
• Producción en escala reducida (bajo volumen).
• Procesos administrativos.
• Entre otros ...
 Gráfico de lecturas individuales
Cálculos:
• Estadísticos: X –barra, R-barra, S
• R: rango móvil (Ri = Xi - X¡-1 , i = 2, 3, ... m)
• Lecturas: m
• Rangos: m – 1
• Límites: µ +/- 3σ
• LIR = 0 (ya que n = 1).
 Ejercicio
Índice de cuentas por cobrar
En días equivalentes
ICC = (Monto adeudado)/(monto de venta promedio por día)
 Gráfico x - S
1. Si tenemos "m" muestras de "n" unidades cada
una:

S
n

 (x i − x) 2
i

S= i=1 S= i=1

n −1 m
 Gráfico x - S
Calcular los limites de control:

S
E (S ) = S = c 4 .  =
ˆ
c4
Var(S 2 ) = (1− c 4 2 ) . 2
Para el grafico X barra: Para el grafico S:

LCS x = x + 3
 LCSS = S + 3
S
1 − c 24
n c4

LC I x = x − 3
 S
LCI S = S − 3 1 − c 24
n c4
 Gráfico x - S

LCS x = x + A3 S LCS S = B 4 S
LCI x = x − A3 S LCI S = B3 S
Ejemplo:
a) Halle los límites de control.
xi Si
1 138.1 110.8 138.7 129.2 15.9
2 149.3 142.1 105.0 132.1 23.8
3 115.9 135.6 124.2 125.2 9.9
4 118.5 116.5 130.2 121.7 7.4
5 108.2 123.8 117.1 116.4 7.8
6 102.8 112.0 135.0 116.6 16.6
7 120.4 84.3 112.8 105.8 19.0
8 132.7 151.1 124.0 135.9 13.8
9 136.4 126.2 154.7 139.1 14.4
10 135.0 115.4 149.1 133.2 16.9
125.5 14.6

x = 125,5 S= 14,6
 Distribución Chi - cuadrado
Así como la media sigue una distribución normal, la desviación estándar sigue una
distribución Chi - cuadrado

Es decir que cuando se

desee calcular alguna
probabilidad relativa a la
desviación estándar se
deberá estandarizar con
la desviación chi –
cuadrado:

(n −1)s 2
 n2−1 =
2
 Estadística de las gráficas de control
• Prueba de hipótesis:
•Ho: El proceso está bajo control vs
Ha: El proceso no está bajo control

• – Error tipo I: Rechazar Ho cuando Ho es verdadero. Se

concluye que “el proceso no está bajo control, cuando
realmente si lo está”.

• P(Error tipo I)= 

 Estadística de las gráficas de
control
– Error tipo II: Aceptar Ho cuando Ho es falsa.
Se concluye que “el proceso está bajo control,
cuando realmente no lo está”.
P(Error tipo II)= 

Para fines de cálculo de  y , suponga que

el proceso no está bajo control si hay un
cambio en la media del mismo.
Estadística de las gráficas de
control

• Fórmulas:

x − x 
Z =
x
x =
n
 Estadística de las gráficas de
control

LSC

La media cambia

LIC

El error tipo II se obtiene con la nueva media

 Curvas OC
La función característica de operación o curva de OC:
Operación Característica. (CO:Operating Characteristic)
Describe la idoneidad de un grafico de control, para
detectar cambios en el proceso que se está
controlando. La medición de dicha idoneidad o
eficiencia se determina mediante las curvas OC.
Dichas curvas se preparan a partir del calculo del error
tipo II, es decir, la probabilidad de que un punto
(parámetro que es monitoreado) caiga dentro de los
límites de control, dado que el valor real del parámetro
ha cambiado.
 Curva OC
1,2
Pa
1

0,8

0,6

0,4

0,2

0
0 20 40 60 80 100

valor de la media
 Curva OC
• Denominaremos Pa = probabilidad de que el punto caiga dentro de los límites de
control

• Fórmula alterna:

•
Pa =  = P{LCL  x  UCL  = 1 = o + r  }
Donde:

Pa =  =  ( K − r n ) − (−K − r n )

K: Numero de desviaciones a los cuales se han establecido los limites de control, generalmente toma el valor de
3.
r: Numero de desviaciones estándar que se corre la media.
n: Tamaño de subgrupo (o tamaño de muestra)
 Curva OC
1.2

1 n=1

0.8 n=1
n=2
n=3
β 0.6
n=4
n=5
0.4
n=10
n=15
0.2
n=20
n=20
0
0 1 2 3 4 5 6
r
β=P(no detectar un corrimiento de rσ en la media en la primera muestra despues del corrimiento)
 ARL (Average Run Length)
La longitud de corrida promedio es el número de
muestras necesarias que se tomarán hasta darnos
cuenta de que el proceso se encuentra fuera de control,
es decir hasta que tengamos una señal de fuera de
control. La fórmula para calcular el valor del ARL esta
dada por:
1
El ARL fuera de control es: ARL =
1− 

1
ARL o =
El ARL en control es:


 ARL
400

350

300

250
n=1 n=1
ARL

200 n=2
n=3
150
n=5
n=10
100

50

0
0 0.5 1 1.5 2 2.5 3
n=10 r
 Toma de muestras
a) Del instante o momento justo.
Los items de c/muestra se toman de forma
consecutiva, al tiempo o en breve lapso, de
la producción en curso.
• Variaciones dentro de muestras: mínimas.
• Variaciones entre muestras: máximas.
 Toma de muestras
b) Del lapso o intervalo.
Los items de cada muestra se toman al
azar de un conjunto o lote producido (o
almacenado) durante el intervalo de
muestreo (predefinido).
• Variaciones dentro de muestras: máximas.
• Variaciones entre muestras: mínimas.
 Tamaño de muestra (n)
Pautas:
• A mayor "n", mayor sensibilidad del gráfico, los límites se
"acercan".
• A mayor "n" mayor costo de inspección.
• Ensayos destructivos: "n" menor.
• Cálculos: con “n” = 5.
• X~ Normal si “n” ≥ 4.
• Si "n" ≥ 10, aplicar gráfico "s" en vez de "R".
• Para gráficos de control por variables: "n" = 4 ó 5.
• Para gráficos de control por atributos: "n" ≥ 20.
• Opción: cálculo estadístico (CO y ARL) y evaluación de
impactos económicos.
 Beneficios de los gráficos
de control de procesos
• Registro histórico (datos útiles).
• Predictibilidad (características del proceso),
• Confiabilidad (proceso estable?).
• Determinar causas especiales (evitables).
• Acciones correctivas (evitar puntos fuera).
• Acciones preventivas (evitar tendencias).
• Mejoras (causas de "rachas" convenientes).
• Diagnóstico, evaluación y toma de decisiones.
• Autocontrol, control en las fuentes.
• Respuesta rápida (durante el proceso, no al terminar).
Ejercicios