1

CONTROL ESTADÍSTICO DE PROCESOS

Tanto la ciencia pura como la aplicada han necesitado de niveles cada vez
más altos de precisión y exactitud. Sin embargo, la ciencia aplicada,
particularmente en la producción masiva de bienes, es incluso más
exacta que la ciencia pura en ciertos aspectos de precisión y exactitud

W. SHEWART
 2
1.- CAUSAS DE LA VARIABILIDAD
DE LOS PROCESOS

El objetivo principal del control estadístico de procesos es detectar las causas asignables de variabilidad, de manera que
la única fuente de variabilidad del proceso sean las causas comunes o no asignables, es decir, puramente aleatorias.
Diremos entonces que el proceso se encuentra bajo control estadístico.
 3

2.- LA CAPACIDAD DEL PROCESO

Definimos el Intervalo de Tolerancia para una determinada característica de calidad X como su conjunto de valores
admisibles, de manera que un producto fabricado fuera de esas tolerancias se considerará un producto sin la calidad
requerida, es decir, defectuoso.
 4

Suponiendo que el proceso se encuentra bajo control y que la variable

aleatoria X sigue una distribución Normal de probabilidad N (µ, 𝛔) es fácil
comprobar cómo el 99,73% de las unidades fabricadas se encontrarán en un
intervalo, con respecto a la media del proceso, de 3 veces su desviación
típica, por lo que la amplitud de dicho intervalo es 6𝛔).

Si las tolerancias del proceso quedan definidas por el par (LT1, LT2),
definiremos el Índice o Indicador de Capacidad del proceso (IC) como el
cociente entre el rango de tolerancias del proceso y la capacidad del
mismo:

LT 2 − LT1
IC =
6σ
 5

EL ÍNDICE DE CAPACIDAD
DEL PROCESO

Si IC=1 (LT2-LT1=6σ ) ➤ el 0,27% de los Si IC>1 ➤ el proceso fabricará un porcentaje de Si IC<1 ➤ el proceso fabricará un porcentaje de
productos fabricados por este proceso no cumplen defectos inferior al 0,27% defectos inferior al 0,27%
las tolerancias de fabricación del proceso
 6

La capacidad del proceso se determinará cuando el proceso

se encuentre bajo control, ya que sólo entonces su
desviación típica (σ) recogerá la variabilidad del mismo
debido únicamente a causas no asignables. Para verificar si
el proceso se encuentra o no bajo control estadístico
emplearemos los siguientes gráficos de control:

1.- Gráfico de control de la media.

Tomaremos k muestras de n elementos cada una, de manera que obtengamos una muestra
aleatoria simple de nk elementos. Para cada una de las k muestras calcularemos su media y su
n
desviación típica: ( x
∑ ij i
− x ) 2
x ij
n
j =1
xi = ∑ ; si = ; i = 1,2,..., k
j =1 n n
 7

A continuación, estimaremos la media global del proceso y

su desviación típica:

k
xi S k
si
X =∑ ; σˆ = donde S =∑
i =1 k
c2 i =1 k

σ
LSC = µ + 3
n
Límites de control LC = µ
σ
LIC = µ − 3
n
 8
Gráfico para desviaciones típicas Gráfico para rangos

Tamaño Factor para Factores para límites Factor para Factores para límites de
muestral línea central de control línea central control
n c2 B3 B4 d2 D1 D2 D3 D4
2 0,5642 0,000 3,267 1,128 0,000 3,686 0,000 3,276
3 0,7236 0,000 2,568 1,693 0,000 4,358 0,000 2,575
4 0,7979 0,000 2,266 2,059 0,000 4,698 0,000 2,282
5 0,8407 0,000 2,089 2,326 0,000 4,918 0,000 2,115
6 0,8686 0,030 1,970 2,534 0,000 5,078 0,000 2,004
7 0,8282 0,118 1,882 2,704 0,205 5,203 0,076 1,924
8 0,9027 0,185 1,815 2,847 0,387 5,307 0,136 1,864
9 0,9139 0,239 1,761 2,970 0,546 5,394 0,184 1,816
10 0,9227 0,284 1,716 3,078 0,687 5,469 0,223 1,777
11 0,9300 0,321 1,679 3,173 0,812 5,534 0,256 1,744
12 0,9359 0,354 1,646 3,258 0,924 5,592 0,284 1,716
13 0,9410 0,382 1,618 3,336 1,026 5,646 0,308 1,692
14 0,9453 0,406 1,549 3,407 1,121 5,693 0,329 1,671
15 0,9490 0,428 1,572 3,472 1,207 5,737 0,348 1,652
16 0,9523 0,448 1,552 3,532 1,285 5,779 0,364 1,636
17 0,9551 0,466 1,534 3,588 1,359 5,817 0,379 1,621
18 0,9576 0,482 1,518 3,640 1,426 5,854 0,392 1,608
19 0,9599 0,497 1,503 3,689 1,490 5,888 0,404 1,596
20 0,9619 0,510 1,490 3,735 1,548 5,922 0,414 1,586
21 0,9638 0,523 1,477 3,778 1,606 5,950 0,425 1,575
22 0,9655 0,534 1,466 3,819 1,659 5,979 0,434 1,566
23 0,9670 0,545 1,455 3,858 1,710 6,006 0,443 1,557
24 0,9648 0,555 1,445 3,895 1,759 6,031 0,452 1,548
25 0,9696 0,565 1,435 3,931 1,804 6,058 0,459 1,541
 9

2.- Gráfico de la desviación típica

Dado el tamaño muestral n y el valor medio de las desviaciones típicas

muestrales, obtendremos los valores tabulados B3 y B4 que señalarán
el Límite Superior de Control y el Límite Inferior de Control:

LSC = B 4S
LIC = B 3S
k
si
LC = S =∑
i =1 k
 10

Si el proceso se encuentra bajo control estadístico y podremos determinar la

capacidad del mismo a través de la estimación de la desviación típica del proceso.

Una vez determinada la capacidad del proceso, comparamos ésta con el rango de
tolerancias técnicas del producto para determinar el índice de capacidad del proceso
y seleccionar la frecuencia de muestreo adecuada.

Índice de capacidad Frecuencia de inspección

IC<1 Todas las unidades
1<IC<1,4 Intensiva (cada 15 ó 30 minutos)
1,4<IC<1,7 Moderada (cada hora)
1,7<IC<2 Cada 2 horas
IC>2 En función de la frecuencia de causas anómalas
 11

3.- GRÁFICO DE CONTROL POR VARIABLES

Consideremos un proceso en el que examinamos una característica medible de la calidad de los productos, que
suponemos descrita por las diferentes realizaciones de una variable aleatoria X, con distribución Normal.
 12
DIAGRAMA DE CONTROL DE LA MEDIA
σ
LSC = µ + 3
n
Límites de control LC = µ
σ Estimador de la
LIC = µ − 3 desviación típica
n

∧ R
σ =
d2

3
LSC = X + R LSC = X + A2 R
d2 n
LC = X LC = X
3 LIC = X − A2 R
LIC = X − R
d2 n
 13
DIAGRAMA DE CONTROL DEL RECORRIDO

LSC = R D4
Límites de control LC = R
LIC = R D3
 14

PAUTAS DE COMPORTAMIENTO

Los gráficos de control identifican alteraciones en el funcionamiento de los procesos a través de pautas de
comportamiento específicas. Estas disfunciones del proceso indicarán la existencia de causas asignables de variabilidad,
es decir, que el proceso no está bajo control.
 15
1.- PUNTOS FUERA DE LOS LÍMITES DE CONTROL (3 SIGMA)

LSC (3 sigma)

LSC (2 sigma)

LÍNEA CENTRAL

LIC (2 sigma)

LIC (3 sigma)
 16
2.- EXISTENCIA DE TENDENCIAS

LSC (3 sigma)

LSC (2 sigma)

LÍNEA CENTRAL

LIC (2 sigma)

LIC (3 sigma)
 17
3.- EXISTENCIA DE RACHAS

LSC (3 sigma)

LSC (2 sigma)

LÍNEA CENTRAL

LIC (2 sigma)

LIC (3 sigma)
 18
4.- PERIODICIDAD O EXISTENCIA DE CICLOS

LSC (3 sigma)

LSC (2 sigma)

LÍNEA CENTRAL

LIC (2 sigma)

LIC (3 sigma)
 19
5.- INESTABILIDAD

LSC (3 sigma)

LSC (2 sigma)

LSC (1 sigma)

LÍNEA CENTRAL

LSC (1 sigma)

LIC (2 sigma)

LIC (3 sigma)
 20
6.- SUPERESTABILIDAD

LSC (3 sigma)

LSC (2 sigma)

LSC (1 sigma)

LÍNEA CENTRAL

LSC (1 sigma)

LIC (2 sigma)

LIC (3 sigma)
 21

4.- GRÁFICO DE CONTROL PARA ATRIBUTOS

Examina si los productos que se fabrican poseen o no cierta característica de calidad que denominamos atributo; por
ejemplo, si una bombilla se enciende o no, si una pieza encaja o no en otra, etc.
 22
DIAGRAMA DE CONTROL DE LA FRACCIÓN DISCONFORME

Siendo p la proporción de productos defectuosos obtenidos en

condiciones de control estadístico en una muestra de tamaño n.
⎛ n⎞
Distribución binomial P( D = x ) = ⎜ ⎟ p x (1 − p) n−x
⎝ x⎠

Límites de control
p(1 − p)
LSC = p + 3
n
LC = p
p(1 − p)
LIC = p − 3
n
 23
5.- GRÁFICO DE CONTROL POR
NÚMERO DE DEFECTOS

Cuando los defectos que aparecen en un producto lo hacen de manera continua, suele ser conveniente emplear como
medida de control de calidad el número de defectos que se presentan en cada unidad de producto que se analiza.
 24
DIAGRAMA DE CONTROL POR NÚMERO DE DEFECTOS

Si consideramos una variable aleatoria X definida como el número de defectos que aparecen por unidad de observación, dicha variable
aleatoria se distribuye como una Poisson de parámetro ƛ

Seleccionamos k muestras de tamaño n, determinando el número de defectos que aparecen en cada muestra: r1, r2, ..., rk.

k
ri
λˆ = ∑ . LC = n λˆ
i =1 nk

LSC = n λˆ + 3 n λˆ
LIC = n λˆ − 3 n λˆ
 25

CONTROL ESTADÍSTICO DE PROCESOS

Tanto la ciencia pura como la aplicada han necesitado de niveles cada vez
más altos de precisión y exactitud. Sin embargo, la ciencia aplicada,
particularmente en la producción masiva de bienes, es incluso más
exacta que la ciencia pura en ciertos aspectos de precisión y exactitud

W. SHEWART