Modulo: Co Trol Estadístico de La Calidad: Selección de Textos de Apoyo

UTN - FRBA: Maestría en Ingeniería en Calidad
MODULO: CO TROL ESTADÍSTICO DE

LA CALIDAD
Selección de Textos de Apoyo
Docentes:
Lic. Wilfredo Barosio

Ing. Gustavo Vázquez
2006
APUNTE_CEP_1
Modulo : Control Estadístico de la Calidad
OBJETIVOS DEL MODULO: Proporcionar a los especialistas en calidad los elementos on

line de procesos industriales que aseguren su estabilidad y capacidad para que permitan
la detección de causas especiales de variabilidad.
CONTENIDO:
- Introducción a los gráficos de control.
- Gráficos de control.
- Estudios de aptitud de procesos.
- Control por atributos.
- Aplicaciones especiales. Cusum. EWMA. Short run.
DESARROLLO: Durante el desarrollo en 10 clases se presentaran los temas indicados en

el contenido a través de la presentación teórica de los fundamentos de los mismos
soportada en los conceptos ya presentados en módulos anteriores como Probabilidad y
Estadística aplicada y Herramientas para la Mejora de los Procesos. A través de la
realización de ejercicios prácticos en clase y a desarrollar fuera del aula se fijaran los
conceptos presentando casos reales extraídos de casos reales adaptados de la
bibliografía y la experiencia propia.
El presente texto tiene la función de resumir los aspectos principales de los temas
desarrollados, debiendo el alumno referirse a los textos recomendados que figuran en la
bibliografía adjunta.
Las condiciones para la aprobación del módulo incluyen el examen escrito individual y la
realización de Trabajos Prácticos a presentar por los alumnos.
BIBLIOGRAFÍA RECOMENDADA
Título Autor Editorial

Control Estadístico de la Calidad Montgomery Limusa - Wiley
Advanced Topics in Statistical Process Control Wheeler SPC Press
Understanding SPC Wheeler SPC Press
Evaluating the Measuring Process Wheeler SPC Press
Measurement System Analysis Ford, GM, Chrysler
Quality Control for Operators and Foremen Krishnamoorthi ASQC Quality Press
Short Run SPC Wheeler SPC Press
Statistical Quality Control Grant - Leavenworth Mc Graw Hill
Control de Calidad y Estadística Industrial Duncan Alfaomega
Quality Control Handbook Juran Mc Graw Hill
APUNTE_CEP_1 2/28
1- GRAFICOS DE CONTROL DE SHEWART - FUNDAMENTOS
I – INTRODUCCIÓN: En general, en la bibliografía referida al amplio tema del uso

de herramientas estadísticas para el aseguramiento de la calidad y la mejora continua se
encuentra bajo en nombre genérico Control Estadístico de los Procesos a un conjunto
de herramientas de mayor o menor contenido estadístico, a veces llamadas las “siete
herramientas de la calidad”, que se agrupan con los nombres:
− Histograma
− Hoja de registro o verificación
− Grafico de Pareto
− Diagrama Causa – Efecto
− Diagrama de Defectos
− Gráfico de Dispersión
− Cartas o Gráficos de Control
De estas herramientas desarrollaremos en particular los Gráficos de Control o

Gráficos de Shewart (por quien las desarrollo, Walter Shewart de Bell Telephone
Laboratories durante la década del ’20). El resto de las herramientas son vistas en otros
módulos durante la Maestría.
Para entender sus fundamentos retomemos algunos conceptos acerca de la

variación en los resultados mensurables de los procesos.
Sabemos que cualquier proceso real, independientemente de su capacidad para
obtener los resultados esperados y sea cual sea su grado de desarrollo en lo referente a
diseño, industrialización, seguimiento y mantenimiento, lleva implícita una variación en sus
características de salida que le es propia. Esta variación natural o de fondo del proceso
se considera en nuestro contexto como debida a un conjunto de causas de variación
fortuitas difíciles de discriminar y de asignarles una participación en la variación total. A
éstas causas no distinguibles se las llama causas fortuitas o causas comunes.
A un proceso en estas condiciones, es decir con variación natural debida a causas
comunes se lo considera en estado de control estadístico. Usando las herramientas ya
vistas podremos entonces inferir sus parámetros estadísticos de posición (ej. promedio) ,
de variación (ej. desviación estándar) y el tipo de distribución (normal, weibull, etc.)
conformando lo que se conoce como su patrón de variación. Si está condición de
estabilidad se mantiene en el tiempo, podemos predecir resultados y tomar decisiones
como hemos visto en PyE.
En ocasiones pueden aparecer otras fuentes de variación ocasionales o
inesperadas como pueden ser un error de operación, diferentes materiales, deterioro de
un medio de fabricación, que introducen en el proceso variaciones en los resultados, en
general de magnitud relevante, en una o varias de las características de su patrón.
Estas causas se denominan causas asignables o causas especiales y su
aparición trae aparejada cambios en los resultados del proceso que lo sacan de su estado
de control, tenemos entonces un proceso fuera de control sobre el cual las predicciones
o inferencias realizadas de acuerdo a su patrón no son válidas.
La figura siguiente ilustra ésta situación.
APUNTE_CEP_1 3/28
Causa asignable 3
presente, proceso
fuera de control
Causa asignable 2
presente, proceso
fuera de control
Causa asignable 1
presente, proceso fuera
de control
Solo causas
comunes de
variación, proceso
en control.
Los objetivos del Control Estadístico incluyen el encontrar la manera de establecer si

un proceso se encuentra en estado de control estadístico o no, en desarrollar
herramientas que permitan detectar la aparición de variaciones extraordinarias en su
patrón y reducir en lo posible la variación natural del proceso.
Las cartas o gráficos de control son una herramienta ampliamente aplicada para el
monitoreo de procesos en línea, es decir en tiempo real, lo más rápidamente posible para
evitar la producción de productos defectuosos y también para no perder oportunidades de
mejora ante la aparición de causas especiales temporales que lleven al proceso a un
estado en el que se obtienen mejores resultados, por ejemplo por reducción de su
variación, corrimiento de la media a un valor óptimo, etc.
II – PRINCIPIOS BÁSICOS: La carta de control parte del concepto básico de que

para una dada distribución típica en los procesos industriales, los valores se distribuyen
alrededor de un parámetro de posición con una probabilidad que decrece a medida que la
distancia aumenta respecto de ese valor central. Sabemos por ejemplo que para una
distribución normal, la probabilidad de encontrar valores individuales a una distancia de la
media igual o mayor a una desviación estándar es de aproximadamente 16 %, mientras
que si la distancia es de dos desviaciones estándar, la probabilidad se reduce a
aproximadamente 2,5 %. Como vimos en PyE, en la práctica se considera que más allá
de una distancia de tres desviaciones estándar alrededor de la media, la probabilidad se
reduce a cero (en realidad es 0,135 %).
Entonces, si el proceso se encuentra en estado de control estadístico, podemos
acordar que valores muy alejados de la media son muy poco probables y su aparición con
una frecuencia mayor a la esperada se debe a la aparición de causas especiales que
llevaron al proceso al descontrol.
Como resulta obvio, el punto clave consiste en cuantificar estadísticamente lo
subrayado en el texto anterior de manera de cumplir satisfactoriamente el objetivo,
detectar desviaciones del proceso con rigurosidad estadística.
La figura siguiente ilustra una carta de control típica utilizada para el seguimiento de
un proceso, en este caso suponemos que estamos midiendo una dada característica
APUNTE_CEP_1 4/28
representando su evolución en el tiempo. La línea central LC representa el valor
esperado de la media de la variable, mientras que las otras líneas línea superior de
control LSC y línea inferior de control LIC representan respectivamente los valores
más alto y más bajo que los resultados pueden obtener con una probabilidad lógica según
lo visto más arriba.
LIC Datos LSC LC
En principio, siempre que los resultados obtenidos se encuentren dentro de los

límites de control, el proceso se haya bajo control (más adelante veremos algunas señales
de descontrol aún con los puntos dentro de los límites). Un punto fuera de los límites
estaría indicando una situación de descontrol a investigar, dada su escasa probabilidad de
ocurrencia en caso de mantenerse el patrón de proceso.
En general los límites de control para un parámetro de proceso “w” cualquiera se
obtienen a partir de las expresiones siguientes:
LSC= µw + L σw
LC = µw
LIC= µw - L σw
donde µw es la media del parámetro, σw su desviación estándar y L es la distancia

medida en unidades de desvío que nos asegura la probabilidad buscada de no hallar
valores si el proceso es estable.
En general L se toma de manera tal de que la probabilidad sea mucho menor al 1 %,
por ejemplo si hacemos L = 3 para una distribución de w según una normal, la
probabilidad de encontrar puntos por encima o por debajo de los límites se hace igual a
0,135 %. Estos límites son llamados límites 3 sigma y son los más difundidos en la
práctica.
Para el caso de otras distribuciones, los límites 3 sigma nos dan una probabilidad en
general aceptablemente baja, teniendo como mayor probabilidad según la desigualdad de
Chebychev un valor igual a 1/9. Muchos autores justifican el casi universal del uso de los
límites 3 sigma incluso para distribuciones no asimilables a la normal con frases como “los
límites se usan por que funcionan”. Recomendamos el estudio que se presenta en
Wheler.1
1
Understanding Statistical Process Control, Donald J. Wheler, SPC Press
APUNTE_CEP_1 5/28
En la literatura especializada se hace mención ocasionalmente a otros límites
aplicables, como los límites asociados a probabilidades y no a distancias
(conceptualmente los límites 3 sigmas serían límites de 0,135 %) como los límites de
probabilidad 0,1 % (que corresponden a L = 3,09) o los límites de advertencia que
como su nombre indica no señalan descontrol pero “advierten” que los valores se
encuentran “cercanos” al límite, para lo cual se suele tomar L = 2.
III - LONGITUD MEDIA DE CORRIDA (ARL): Como hemos visto antes, si bien la
probabilidad de encontrar un punto fuera de los límites para un proceso estable, es muy
baja, no es nula, por lo que un punto fuera de los límites puede estar indicando una “falsa
alarma”.
El ARL (por las siglas en ingles de Average Run Length) nos da el número de
resultados a graficar hasta encontrar una señal de descontrol con el proceso estable. Para
cualquier carta de control es:
1
ARL =
p
donde p es la probabilidad de encontrar un punto fuera de los límites.
Para límites 3 sigma, la probabilidad total de un punto fuera de los límites (sea por
encima o por debajo) es de 0,27 %, de donde ARL = 370
Por otra parte, el ARL nos permite estimar cuantas mediciones son necesarias para
detectar un cierto corrimiento en la media de un proceso estable. Supongamos que la
media se desplaza hacia el LSC un valor igual a σ (ver figura siguiente)
LSC
3
1 sigma LC
0
1 3 5 7 9 1 1 1 3 1 5 1 7 1 9
-1
-2
-3
LIC
-4
La probabilidad de encontrar un resultado por encima del LSC es ahora de 2,25 %,

por lo que resulta ARL = 1/0,0225 = 44,4, lo que significa que en este gráfico de control un
desvío de la media igual a 1 sigma será detectado (en promedio y a largo plazo) si
permanece el tiempo necesario para recolectar al menos 45 resultados.
IV – SUBGRUPOS RACIONALES: En muchos casos es conveniente que el valor

representado en el gráfico no sea un valor individual sino el resultado obtenido a partir de
la toma de una muestra del proceso en estudio, por ejemplo obteniendo de la muestra el
valor medio de una característica mensurable.
En ese caso en necesario establecer claramente el muestreo en lo que hace a su
tamaño, modo de selección, modo y sistema de evaluación de la característica, etc.
Desde el punto de vista de la base teórica planteada más arriba para la aplicación de
los gráficos de control, o sea la capacidad para distinguir entre las variaciones debidas a
las causas comunes (parte del patrón del proceso estable) y las debidas a las causas
APUNTE_CEP_1 6/28
especiales, deberíamos seleccionar los grupos de manera de maximizar la posibilidad de
detectar rápidamente cualquier variación en el patrón y minimizar el riesgo de falsas
alarmas.
En principio, debemos seleccionar los subgrupos de manera tal que de existir causas
especiales estas aparezcan entre los subgrupos para maximizar la posibilidad de
detectarlas y no dentro de los subgrupos donde, como veremos más adelante
contribuyen a “agrandar” los límites deteriorando la capacidad de detección del gráfico.
En extremo, una forma de generar subgrupos es tomar una cantidad definida de

unidades consecutivas, método adecuado cuando la finalidad es detectar rápidamente
cambios en el patrón de variación del proceso. Este método permite además una buena
estimación de la variabilidad natural del proceso. Se suele decir que se toma en cada
muestra “una instantánea” del proceso.
Por otro lado, una toma de muestras con componentes separados entre sí en el
tiempo, buscando que cada subgrupo sea representativo de todos los componentes
individuales fabricados entre la muestra anterior y ésta, se suele aplicar cuando lo que se
busca es utilizar la gráfica de control para tomar decisiones acerca de los productos
individuales. Esta práctica de formación de subgrupos debe aplicarse con sumo cuidado
pues si aparecen causas especiales dentro del subgrupo la estimación de la variabilidad
puede verse afectada “escondiendo” la presencia de la fuente de variación.
Un aspecto a tomar en cuenta es el caso de que el proceso tiene varios medios de

producción (herramientas múltiples, moldes de inyección, etc.) que confluyen en una
salida común. En ese caso si la multiplicidad no se tiene en cuenta al formar los grupos y
graficar, será muy difícil determinar la fuente de la causa especial si la hubiera, o peor
aún, la variación natural de cada medio acumulada en una única variación total puede
generar límites exagerados que no permitan el monitoreo del proceso.
A veces no tiene sentido o no se puede formar subgrupos sino que la observación

constará de una sola medición, como puede ser el caso de los procesos por lotes
(procesos “batch”) de la industria química, del caucho o alimenticia como ejemplos o
cuando la medición de la característica resulte muy difícil, larga en el tiempo, o muy
costosa, o cuando su variación es muy lenta en el tiempo. La repetición de varias
mediciones sobre un mismo grupo solo aportaría información sobre la variación del
sistema de medición y no sobre el comportamiento del proceso.
En el análisis de cada tipo de gráfico de control que se realiza de aquí en adelante

se ampliara el concepto de la formación de los subgrupos racionales, un tema clave para
la adecuada aplicación de las cartas.
APUNTE_CEP_1 7/28
2- GRAFICOS DE CONTROL PARA VARIABLES
I – GRAFICOS DE CONTROL DE PROMEDIOS Y RANGOS ( - R): Es el modelo x

tal vez más difundido en la práctica. A partir de subgrupos adecuados de tamaño n
definido se evalúan como parámetro de posición la media de cada muestra x y como
parámetro de variación el rango R. En general, n no es mayor a 5.
Entonces, siendo xi una medición de la variable correspondiente a un subgrupo,
tendremos para ese subgrupo que:
n
∑ xi
x= i =1
n
R = xmax - xmin
y siendo m la cantidad de subgrupos generados, tendremos:
m
∑ xj
∑ Ri
R= x= j =1
m m
Los límites naturales, del tipo 3 sigmas se calculan haciendo, para el gráfico de
control de las medias:
LSC x = x + A2 R LC x = x LIC x = x − A2 R
y para el grafico de los rangos:
LSC R = D4 R LC R = R LIC R = D3 R
donde A2, D3 y D4 son constantes tabuladas que dependen del tamaño de cada
subgrupo n.2
Por otra parte, podemos estimar el valor de la desviación estándar de los valores
individuales a partir del rango promedio R , que es un estimador sesgado de la misma,
haciendo la siguiente corrección:
R
σˆ =
d2
donde d2 es también una constante función de n
2
Ver anexo al final del texto
APUNTE_CEP_1 8/28
II – DESARROLLO DE UN GRAFICO DE CONTROL DE PROMEDIOS Y RANGOS

x
( - R): Para desarrollar éste gráfico (y para los siguientes también) el primer paso es
tratar de que el proceso a evaluar se encuentre en un estado de funcionamiento lo más
controlado y estable posible, ya que debemos obtener con la mayor precisión posible su
patrón natural, el cual representaremos con los límites naturales de control pero al
mismo tiempo debemos asegurar que las causas comunes se hallen presentes.
Por ejemplo, si el proceso habitualmente se abastece de materias primas de
diferentes proveedores o varios operadores trabajan en él, bloqueando estas variables en
una sola fuente o solo el operario más capaz, obtendremos una variación natural
artificialmente reducida.
Luego con el proceso en funcionamiento se lo utilizará para detectar cualquier
variación en el proceso, comparándolo con cada “instantánea” (subgrupo) obtenido.
Es necesario llevar durante todo el desarrollo un registro adecuado de todas las
circunstancias que puedan ayudar a posteriori en la búsqueda e identificación de
eventuales causas especiales (ej. cambio de lotes de materia prima, ajuste de algún
parámetro, cambio de operador o medios auxiliares, etc). Generalmente se lo denomina
diario de a bordo o bitácora.
En general se toman muestras de tamaño n = 4 o 5, la cantidad de subgrupos m no

debería ser menos a 20. Algunas especificaciones establecen un tamaño mínimo de 30
subgrupos, es especial si los resultados van a ser explotados también para calcular
indicadores de aptitud o capacidad del proceso (a ver más adelante).
Partiendo de la hipótesis de que el proceso se encuentra en estado de control

estadístico (proceso estable y predecible), los pasos a seguir para obtener el grafico de
control son:
1. Para cada subgrupo obtener la media x y el rango R.

2. Se calcula la media de las medias obtenidas x y el rango promedio
R.
3. Se calculan los límites naturales superior e inferior para el Rango y la
media.
4. Se grafican los límites y los valores de cada estadístico. Teniendo en
cuenta que R se usa en el cálculo de los limites para la media, es
necesario graficar primero el grafico de R y seguir el paso siguiente.
5. Se verifica la consistencia de los datos, es decir si la hipótesis
original de proceso estable es cierta, verificando si todos los puntos
están dentro de los límites 3, tanto para un gráfico como para el otro.
6. Si se verifica la consistencia de la hipótesis para ambos gráficos, los
mismos sirven entonces como patrón de variación del proceso.
Si detectamos señales de descontrol, se deben analizar el o los subgrupos cuyos

valores están fuera de los límites para buscar entonces con ayuda del diario de a bordo la
o las causas especiales responsables y desde que momento y hasta cuando han estado
presentes (las herramientas de calidad ya vistas o a conocer durante la Maestría como 5
¿por qué?, diagrama espina de pescado, etc. son de obvia aplicación)
Todos los subgrupos para los cuales la causa especial estuvo presente
corresponden a estados de desequilibrio del proceso y por ende la media y el rango de
esos subgrupos no pueden usarse para estimar los del proceso estable y calcular los
3
Más adelante se presentan otras señales de descontrol.
APUNTE_CEP_1 9/28
límites naturales. Esos valores deben descartarse y un nuevo cálculo de límites debe ser
realizado. En general, se acepta que se recalcule con los subgrupos restantes, siempre
que al menos resten 20 subgrupos válidos. Se debe tener en cuenta que al recalcular los
límites se debe verificar nuevamente la consistencia de la hipótesis de proceso estable,
dado que puntos que estaban cerca de los límites pueden ahora estar fuera.
Ambos gráficos de control, a través de los límites naturales superior e inferior de

cada uno y su línea central, son la representación gráfica del patrón de variación del
proceso estable y a partir de su obtención se pueden utilizar para el monitoreo del mismo
y la detección de causas asignables para su tratamiento.
III – EJEMPLO DE LA OBTENCIÓN DE UN GRAFICO DE CONTROL DE

x
PROMEDIOS Y RANGOS ( - R): La tabla que sigue a continuación muestra los valores
obtenidos de un proceso en 25 (m = 5) subgrupos de 5 valores (n = 5), así como las
medias y rangos de cada subgrupo.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 98 92 101 108 107 110 87 99 107 93 96 90 89 94 95 87 97 98 101 98 98 98 108 99 99
2 97 112 105 114 96 110 90 103 105 112 99 97 104 98 105 91 95 91 98 100 100 98 113 90 96
3 85 109 92 96 105 103 105 104 92 93 104 102 94 99 101 103 101 95 111 103 100 105 105 96 94
4 107 93 91 104 104 113 109 108 101 100 103 100 94 89 105 103 104 101 94 107 98 95 95 97 97
5 97 105 103 96 108 89 103 99 100 96 97 105 105 103 104 110 102 104 111 98 106 101 107 99 95
Media 97 102 99 104 104 105 99 103 101 99 100 99 97 96 102 99 100 98 103 101 101 99 106 96 96
Rango 22 19 15 18 12 24 22 9,2 15 18 8,3 15 16 13 9,6 22 8,8 13 17 9,6 8,2 10 18 9,9 4,4
De donde obtenemos R= 14,32 y x = 100,16, y calculamos los límites para el

Rango4:
LSCR = 2,115 x 14,32 = 30,3 LCR = 14,32 LICR = 0 x 14,32 = 0
Graficamos R y sus límites:
Grafico R
35,0
30,0
25,0
20,0
15,0
10,0
5,0
0,0
1 6 11 16 21
Como no existen señales de descontrol, podemos seguir adelante porque el valor de

R está entonces estimado a partir de datos obtenidos del proceso estable.
Calculamos ahora los límites para la media:
LSCx = 100,16 + 0,577 x 14,32 = 108,42 LCx = 100,16

LICx = 100,16 - 0,577 x 14,32 = 91,89
4
Las constantes se obtuvieron de la tabla que se encuentra al final del apunte.
APUNTE_CEP_1 10/28
Graficamos x y sus límites:
Grafico x
110
108
106
104
102
100
98
96
94
92
90
1 6 11 16 21
No se observan señales de descontrol, por lo que hemos obtenido el par de gráficos

que representan el patrón de variación del proceso.
Finalmente podemos terminar el análisis estimando la desviación estándar del
proceso (el estimador de la media del proceso es, obviamente x = 100,16):
R 14,32
σˆ = = = 6,15
d 2 2,326
IV – APLICACIÓN DEL GRAFICO DE PROMEDIOS Y RANGOS ( - R): Una vez x

obtenido el par de gráficos como se vio más arriba, podemos utilizarlos para el monitoreo
del proceso. La tabla siguiente muestra un conjunto de 15 subgrupos obtenidos del
funcionamiento en serie del proceso anterior, para los cuales se han calculado su media y
rango, que representamos en los gráficos de control.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 98 92 101 98 107 110 87 99 107 93 107 109 120 94 95
2 87 97 98 101 98 98 98 108 99 99 100 108 105 114 96
3 110 90 103 97 112 99 97 104 98 100 106 112 113 98 100
4 100 98 113 90 96 85 109 98 96 102 99 106 106 92 93
5 104 102 94 99 101 103 101 95 111 103 106 108 110 96 94
Media 100 96 102 97 103 99 98 101 102 99 104 109 111 99 96
Rango 23 12 19 11 16 26 22 14 15 9,4 8,2 6,1 15 22 6,5
Gr a f i c o R Gr a f i c o x
35
30
110,00
25
20
15
100,00
10
0 90,00
1 3 5 7 9 11 13 15 1 3 5 7 9 11 13 15
APUNTE_CEP_1 11/28
Del análisis del grafico de Rangos no surgen señales de descontrol, mientras que del
de x surge que el valor correspondiente a los subgrupos 12 y 13 están fuera del LSC,
señalando en principio que una causa especial se encuentra presente. Se debe entonces
recurrir nuevamente al diario de a bordo para iniciar la búsqueda de la (o las) posible
causa del aumento en la media del proceso. Se debe destacar que éste análisis se hace
en realidad en tiempo real, es decir en cuanto el valor correspondiente al subgrupo 12 da
un valor fuera de los límites se debe iniciar la búsqueda.
V –SUBGRUPOS RACIONALES EN UN GRAFICO DE PROMEDIOS Y RANGOS

x
( - R): El concepto de subgrupo racional es sumamente importante en éste tipo de
gráfico, para lo cual debemos recordar que se espera que las causas especiales
aparezcan entre los subgrupos, por lo que se debe extremar el diseño del muestreo para
maximizar ésta ocurrencia. Se puede decir que el grafico x monitorea la variabilidad
entre las muestras o sea la variabilidad del proceso en el tiempo y la carta R monitorea
la variabilidad dentro de la muestra o sea la variabilidad instantánea del proceso en un
momento dado.
Al iniciar el estudio de éste gráfico suele aparecer la inquietud de por qué no estimar
la dispersión a través del valor de S de todos los datos recogidos. De hacer esto
estaríamos incluyendo en esta variación las diferencias entre las medias de cada muestra
que difieren entre sí, aumentando el “ancho” de los límites de control. En otras palabras
estaríamos acumulando la variación entre las muestras y dentro de las muestras,
cuando del análisis de la forma en que se construyen y aplican los gráficos está claro que
los límites deben basarse sólo en la variación dentro de la muestra.
Un buen conocimiento de las características de funcionamiento del proceso es una
fuente clave para la buena definición del tamaño y frecuencia del muestreo a aplicar.
VI – OTRAS SEÑALES DE DESCONTROL: Una crítica realizada a éste tipo de

gráfico fue en su inicio el hecho de que sólo se aprovechaba la información instantánea
(punto a punto) y la “historia” del proceso representada por los datos anteriores.
A partir del concepto inicial de que la aparición de un suceso de baja probabilidad

señala un cambio en el patrón del proceso estable, se han desarrollado algunas otras
señales de gran utilidad para mejorar la capacidad de detección de causas especiales.
Señalamos a continuación las más aplicadas con un breve comentario:
1. Patrones cíclicos: en la figura siguiente se muestra un ejemplo. La aparición

de éste tipo de secuencias señala la presencia de causas sistemáticas con un
patrón propio (temperatura ambiente, tensión eléctrica, etc.)
Gr a f i c o x
110,00
100,00
90,00
1 3 5 7 9 11 13 15
APUNTE_CEP_1 12/28
2. Varios puntos consecutivos todos por encima o por debajo de la línea
central (7 o más): si consideramos la probabilidad de un punto por encima de
la media igual al 50%, la secuencia de 7 o más tendría una probabilidad de
0,57 = 0,8 %, demasiado baja si el proceso mantiene su patrón estable.
Gr a f i c o x
110,00
100,00
90,00
1 3 5 7 9 11 13 15
3. Varios puntos consecutivos todos ascendentes o todos descendentes (7

o más): si consideramos dado un punto que el siguiente sea ascendente tiene
una probabilidad del 50% (o es mayor o es menor), nuevamente tendríamos
una probabilidad de 0,57 = 0,8 %.
Gr a f i c o x
110,00
100,00
90,00
1 3 5 7 9 11 13 15
4. Dos de tres puntos consecutivos en el mismo tercio exterior dentro de

los límites: la probabilidad de un punto entre 2 y 3 sigmas (tercio exterior
dentro de los límites) para una distribución normal, es de aproximadamente
2,15 %, la probabilidad de 2 de 3 en el tercio medio sería de 2,15%2 por la
probabilidad del tercero, pero aún asignando a éste una probabilidad 1, el
total será de 0,05% (o menos).
Gr a f i c o x
110,00
100,00
90,00
1 3 5 7 9 11 13 15
APUNTE_CEP_1 13/28
VII - GRAFICOS DE CONTROL DE VALORES INDIVIDUALES Y RANGO MOVIL
(x – R): En algunas ocasiones, como ya se mencionó, no tiene sentido formar subgrupos
y se toma en cambio el valor individual de una medición:
• Inspección automatizada en la que cada unidad es inspeccionada.

• Velocidad de producción muy lenta.
• Procesos por lotes (“batch”) como en las industrias químicas, donde la variación
del subgrupo solo refleja las del sistema de medición.
• Mediciones múltiples en una misma unidad producida.
• Mediciones de parámetros como espesores de recubrimiento en alambres
(proceso continuo) en que varias mediciones en el tiempo diferirán muy poco
entre sí.
En éstos casos, se usan una carta de valores individuales como carta de control de
la media y una carta de rango móvil para estimar la dispersión, que se define como:
RMi = xi – xi-1 
Para la carta de control de los Rangos móviles, se calcula entonces el promedio de

los rangos así calculados para cada medición (menos la primera, como es obvio),
haciendo:
∑ RM i
RM =
m −1
Con lo cual se calculan los límites como antes para el gráfico x- R, pero
considerando que debemos tomar n = 2 para determinar las constantes.
Para el gráfico de los Rangos, los límites serán:
LSC RM = 3,267.R M LC RM = R M LICRM = 0
Para el gráfico de los valores individuales, en cambio, las constantes A2 son

reemplazadas por un valor constante que tiene en cuenta que no trabajamos con
promedios, quedando entonces:
LSC x = x + 2,659 R M LC x = x LIC x = x − 2,659 R M
donde x es el promedio de los m valores individuales medidos.
APUNTE_CEP_1 14/28
De la misma forma que hicimos antes, podemos estimar la dispersión de la
distribución haciendo:
RM RM
σˆ = =
d2 1,128
La secuencia de creación y aplicación del gráfico no difiere en mucho de lo

presentado para el grafico de promedios y rangos.
VIII – SEÑALES DE DESCONTROL EN UN GRAFICO DE VALORES

INDIVIDUALES: Existe abundante literatura acerca de la conveniencia o no de aplicar las
señales de descontrol presentadas para el gráfico de promedio y rangos en éste tipo de
gráfico, así como acerca de la necesidad o no de construir el grafico de rangos móviles.
En principio, no se puede asegurar que las señales de descontrol basadas en las
propiedades de la distribución normal sean aplicables al gráfico de valores individuales si
no se ha probado antes la “normalidad” de la distribución.
Sin embargo, las señales presentadas en éste texto pueden aplicarse sin mayores
salvedades, de acuerdo a la experiencia acumulada en varios años de aplicación.
Recomendamos remitirse a la bibliografía adjunta.
IX – GRAFICOS DE CONTROL DE PROMEDIOS Y DESVIACIONES ESTÁNDAR

x
( - S): Como su nombre lo indica, éste gráfico difiere del grafico de medias y rangos, en
que se utiliza la desviación estándar de cada subgrupo Si para la estimación de la
dispersión del patrón del proceso. Considerando la sencillez y facilidad de cálculo del
gráfico de promedios que facilita su aplicación en tiempo real “en taller”, su aplicación es
muy escasa aunque el aumento en la capacidad de cálculo de los últimos años a ayudado
a su difusión.
En general se justifica su aplicación cuando el tamaño de subgrupo racional no
puede ser menor a n = 10, valor a partir del cual el rango deja de ser un estimador
eficiente de la desviación del proceso.
La secuencia de cálculo de límites no difiere demasiado de la ya presentada,
empezamos calculando para cada uno de los m subgrupos de tamaño n los valores de la
media y la desviación estándar que llamaremos xi y Si respectivamente.
A partir de ellos calculamos las líneas centrales de cada gráfico haciendo:
m
∑ xj
∑ Si
S= x= j =1
m m
Para el gráfico de las desviaciones tendremos como límites naturales de control:
LSC S = B4 S LC S = S LICS = B3 S
APUNTE_CEP_1 15/28
Y para el gráfico de los promedios tendremos ahora:
LSC x = x + A3 S LC x = x LSC x = x − A3 S
Igual que antes, las constantes B3, B4 y A3 están tabuladas en función del tamaño
de subgrupo n.
Para estimar la dispersión total de los valores individuales, hacemos:
S
σˆ =
c4
donde c4 está tabulada en función de n.
APUNTE_CEP_1 16/28
3- GRAFICOS DE CONTROL POR ATRIBUTOS
I – INTRODUCCIÓN: Como ya se ha visto con anterioridad en Estadística, existen

determinadas características no mensurables en forma de variable continua. Por ejemplo,
el cumplimiento o no de una cualidad en un producto dado, la presencia o no de aspectos
no conformes en una muestra, la cantidad de éstos defectos, etc. Decimos en esos casos
que éstas características son atributos para diferenciarlos de las características
continuas o variables.
Cuando solo diferenciamos entre producto conforme (o no defectuoso) y
producto disconforme (o defectuoso) nos interesa mantener bajo control la fracción
defectuosa p, como sabemos estas características siguen en general una distribución
binomial.
En cambio, cuando evaluamos la cantidad de defectos o disconformidades nos
interesará controlar la cantidad de defectos por unidad de control, aplicando como
sabemos (en general) una distribución de Poisson.
En éste tipo de evaluaciones, el tamaño de la muestra es en general grande

comparado con el caso de los gráficos de control por variables y no necesariamente
constante.
La tabla siguiente resume los tipos de gráficos de control a aplicar según el tipo de
seguimiento a realizar (defectuosos o defectos) y el tamaño de muestra (constante o
variable):
Tipo de Control
Defectuosos o No Defectos o No
Conformes Conformidades
Constante
Tamaño
(número) np c
de
Variable
Muestra
(proporción) p u
A continuación desarrollaremos cada uno de los gráficos teniendo en cuenta la
aplicación de límites de control del tipo “3 sigma” según lo visto anteriormente, de la forma
LNC = µw + 3 σw
II – GRAFICOS DE CONTROL PARA DEFECTUOSOS (GRAFICOS “p” y “np”):

Ya hemos visto que el conteo de defectuosos referido a un tamaño de muestra n ( a lo
que llamamos “fracción defectuosa” o “proporción” p) sigue una distribución binomial cuya
media y desviación estándar son respectivamente:
µp = p σp = p (1-p) / n
En la práctica, el valor de p real de la distribución es desconocido, por lo que

debemos estimarlo a partir de los valores obtenidos de repetir m veces la extracción de
una muestra de tamaño n en cada de las cuales contaremos cuantos productos son
defectuosos, valor al que llamaremos x.
Entonces, para una muestra genérica cualquiera podemos calcular un valor de
proporción pi, a partir del cual obtenemos el estimador de la proporción defectuosa como
el promedio de las m pi calculadas:
APUNTE_CEP_1 17/28
m pˆ i m xi
pˆ i =
xi p=∑ =∑
i =1 m i =1 mn
ni
Entonces, ahora podemos calcular los límites naturales de control para la fracción
defectuosa para el gráfico de control “p” haciendo:
p (1 − p ) p (1 − p )
LIC = p − 3 LSC = p + 3
ni ni
LC = p
Siendo tanto la posición de la distribución como su dispersión funciones de un

mismo parámetro, solo es necesario construir un gráfico para la determinación y
monitoreo del patrón de variación del proceso.
Como puede apreciarse del análisis de las expresiones, si los tamaños de muestras
ni no son constantes para cada una de las m muestras, los límites de control serán
variables. Esto puede complicar la aplicación en taller en tiempo real pues no se puede
tener una gráfica ya trazada si no se conocen los tamaños de muestra previamente.
Algunos autores aceptan utilizar un “tamaño de muestra promedio” si la diferencia entre
las muestras no supera un 15%, de manera de tener límites constantes levemente
distorsionados.
En algunos casos, para simplificar la comprensión de los resultados y la explotación

de los gráficos, se prefiere expresar los resultados por medio del número de productos
defectuosos en lugar de utilizar la fracción defectuosa “p”. Obviamente el tamaño de
muestra debe ser constante y en ese caso se aplica la carta o gráfico de control “np”.
Para ello se “cuenta” la cantidad de productos no conformes en cada muestra de
tamaño n constante y se calculan los límites aplicando las expresiones siguientes:
LIC = np − 3 np (1 − p ) LSC = np + 3 np (1 − p )
LC = np
Resulta evidente que entre un gráfico “p” y uno “np” aplicado al mismo proceso, la
única diferencia será un factor de escala de valor “n”.
III – GRAFICOS DE CONTROL PARA DEFECTOS (GRAFICOS “c” y “u”): En

general, los conteos de defectos en áreas de muestreo de igual oportunidad siguen una
distribución de Poisson. Recordando que el parámetro de la distribución λ tiene la
propiedad de ser la media y la varianza de la distribución, podemos establecer límites 3
sigma a partir de su estimación, que obtendremos de dividir la cantidad total de defectos
encontrados en m muestras por la cantidad m de muestras iguales controladas.
APUNTE_CEP_1 18/28
Llamando c a ésta estimación calculamos los límites con las expresiones siguientes para
construir un grafico de control “c”:
LIC = c − 3 c LC = c LSC = c + 3 c
Como se puede observar, el tamaño n de cada una de las m muestras no

interviene en la determinación de los límites siempre y cuando el mismo se mantenga
constante para todas las muestras.
De la misma forma que para los gráficos de defectuosos, un solo parámetro sirve
para evaluar posición y dispersión, por lo que un solo gráfico es suficiente.
Para los casos en que por cuestiones prácticas los tamaños de muestra no pueden
ser constantes (por ejemplo se hace un muestreo de toda una producción, se sigue un
flujo tenso, etc.) se debe recurrir al gráfico de control “u” que toma en cuenta el
promedio de defectos encontrado en cada muestra.
Para cada muestra i se cuentan la cantidad de defectos encontrados xi y se lo
divide por el tamaño de esa muestra en particular ni obteniéndose el valor medio ui. El
parámetro para la distribución es el promedio de todos los valores ui y los límites se
calculan entonces haciendo:
m
∑ ui
u = i =1
x
ui = i
ni m
u u
LIC = u − 3 LC = u LSC = u + 3
ni ni
Como se observa, los límites de control varían con el tamaño de muestra ni.
IV – SEÑALES DE DESCONTROL PARA GRAFICOS POR ATRIBUTOS:
En general, las mismas señales de descontrol consideradas para gráficos para

variables son válidas para los gráficos por atributos.
Se debe tener en cuenta que aquellas basadas en características propias de la

distribución normal no siempre son aplicables en éstas cartas.
APUNTE_CEP_1 19/28
En resumen podemos decir que existe una señal de descontrol (a confirmar con un
análisis de causas) en los casos siguientes:
• Puntos fuera de los límites de control.

• Varios puntos consecutivos todos por encima o todos por debajo de la línea
central.
• Varios puntos consecutivamente ascendentes o descendentes.
• Patrones cíclicos.
APUNTE_CEP_1 20/28
4 – CAPACIDAD Y PERFOMANCE DE PROCESOS
I - INTRODUCCIÓN: En los puntos anteriores se presentaron las herramientas

elementales para obtener y monitorear la variación natural de un proceso estable, es
decir su patrón de variación.
En general, se puede aceptar (y es válido para una gran parte de las distribuciones
que se encuentran en la práctica) que entre los límites naturales 3 Sigma se encuentra
la totalidad de los valores de la salida del proceso.
Se suele decir que ésta variación natural es la “voz del proceso”, la cual nos “dice”
que es lo que podemos obtener del mismo.
Debemos distinguir, sin embargo, entre la variabilidad instantánea o inherente (o

a corto plazo) del proceso, que es la menor que podemos hallar, en condiciones de
perfecta estabilidad del mismo y de sus variables de control, y la variabilidad total (o a
largo plazo) del mismo, que es la que observaríamos en un período normal de
funcionamiento del mismo en condición de estabilidad pero considerando las pequeñas
derivas del mismo y sus parámetros (así como, eventualmente, causas especiales no
detectadas por su corta duración y efecto)
Siguiendo la nomenclatura más difundida actualmente, en el primer caso hablaremos

de Capacidad de Proceso y en el segundo de Perfomance de Proceso.5
Para la primera, se estima el valor de sigma a través de la relación ya vista:
R
σˆ i =
d2
y tendremos entonces:
Capacidad de proceso = 6 x σˆ i = 6 x R
d2
Mientras que en el segundo caso, estimamos sigma como el valor correspondiente a

la desviación estándar de todos los valores individuales:
( xi − x )2
S=
−1
y entonces será:
Perfomance de Proceso = 6 x S
Resulta claro que la Capacidad de un Proceso es menor que su Perfomance, en el

límite serán iguales para un proceso perfectamente estable en el tiempo. La Capacidad es
5
Anteriormente se hablaba de “Capacidad de Máquina” y “Capacidad de Proceso” respectivamente.
APUNTE_CEP_1 21/28
la menor variación que el proceso dará en condiciones de estabilidad, mientras que la
Perfomance es la variación que realmente obtendremos en funcionamiento real bajo
estabilidad estadística.
II – INDICES DE CAPACIDAD Y PERFOMANCE DE PROCESOS: Resulta

importante poder relacionar lo que el proceso nos brinda realmente con aquello que se
espera o se desea obtener de él, es decir lo que el cliente (en sentido amplio) espera. Así
como llamamos “voz del proceso” a la capacidad (o perfomance) del proceso, se suele
llamar “voz del cliente” a la especificación expresada en la misma variable.
Generalmente ésta se expresa en términos de un intervalo de tolerancia aceptado, es
decir que no se desean (o aceptan) productos cuya variable medida esté por debajo de un
Límite Inferior Especificado (LIE) ni por encima de un Límite Superior Especificado
(LSE), o sea:
Intervalo de Tolerancia IT = LSE – LIE
Para poder comparar procesos similares se utilizan los índices de capacidad de

proceso que relacionan la variabilidad de proceso con la exigencia del cliente. Tendremos
entonces un INDICE DE CAPACIDAD DE PROCESO (Cp) si consideramos como
variabilidad la instantánea, y un INDICE DE PERFOMANCE DE PROCESO (PP) si en
cambio tenemos en cuenta la variabilidad total.
Índice de Capacidad de Proceso = Intervalo de Tolerancia / Capacidad de Proceso
Índice de Perfomance de Proceso = Intervalo de Tolerancia / Perfomance de Proceso
O sea, en forma simbólica el índice de Capacidad de Proceso es:
IT
Cp =
R
6
d2
y el índice de Perfomance de Proceso es:
IT
Pp =
6 xS
El diagrama siguiente ilustra el sentido de las expresiones anteriores, que relacionan

“el ancho” de la distribución representado por 6 veces σ (estimado por el rango o la
desviación estándar según corresponda) aquí representado por el segmento B y “el
ancho” de la especificación a satisfacer, representado por el segmento A.
APUNTE_CEP_1 22/28
LEI LES
6.σ
III – EJEMPLO DE CALCULO DE LOS INDICES CP Y PP: Retomamos el ejemplo

dado para gráfico de promedio y rangos6 aceptando que el cliente establece una
especificación que solicita productos por encima de 75,50 y por debajo de 120,50.
Tenemos entonces:
IT = LSE – LIE = 125,50 – 75,50 = 50,00

Ya habíamos obtenido anteriormente:
R 14,32
σˆ i = = = 6,15
d2 2,326
Entonces podemos calcular el Índice de Capacidad de Procesos Cp:
Cp = 50,00 / 6 x 6,15 = 1,355
Por otro lado, de los 125 valores individuales (25 subgrupos de tamaño 5)
obtenemos el valor de S:
S = 6,28
Podemos calcular entonces el índice de Perfomance de Procesos Pp:
Pp = 50,00 / 6 x 6,28 = 1,327
6
Ver página 10, párrafo 2 - III
APUNTE_CEP_1 23/28
En general, a mayor valor del índice, mayor es la capacidad del proceso de
satisfacer la especificación requerida. Sin embargo, debemos tener en cuenta que aún
teniendo un valor de Cp (o Pp) mayor que la unidad, podríamos encontrarnos con que
ninguno de los productos satisface la especificación, si es que la distribución de los
valores individuales se encuentra fuera del intervalo de tolerancia, como en el esquema
que sigue:
LEI LES
6.σ
Obviamente, entre cualquiera de las situaciones posibles entre la planteada aquí y la
anterior de la distribución centrada perfectamente dentro del intervalo de tolerancia
tendremos casos en que con el mismo valor de Cp o Pp, el porcentaje de productos fuera
de especificación será diferente. El valor de éstos índices es que nos indican el valor
potencial a obtener en un proceso suponiendo que podemos modificar actuando sobre él
el valor de posición, características que generalmente se encuentran en la mayor parte de
los procesos industriales.
Valores menores a 1 (Cp ó Pp < 1) nos indican que aún en la situación ideal existirá
un porcentaje de productos fuera de especificación, valores mayores a 1 (Cp ó Pp > 1)
nos señalan que de ser posible “centrar” la distribución, tendríamos prácticamente todos
los productos aptos.
En el límite (Cp ó Pp = 1) tendríamos un mínimo porcentaje de productos no
conformes (aprox. 0,27 % si la distribución es normal), pero cualquier perturbación que
afecte a la distribución producirá un aumento de los mismos.
En el próximo párrafo veremos los indicadores de capacidad “reales” que toman en
cuenta también el centrado además de la dispersión.
IV – INDICES DE CAPACIDAD Cpk y Ppk: Estos indicadores toman en cuenta la

posición del promedio de la distribución con respecto a cada uno de los límites así como
la amplitud de la dispersión.
Para cada situación tendremos entonces un valor calculado tomando en cuenta cada
uno de los límites especificados, se toma en cuenta solamente el menor de ellos que es
el que nos da la situación de mayor riesgo de disconformidades.
Para el caso de la Capacidad de Proceso, las fórmulas de cálculo son:
x − LEI LSE − x
C pk inf = C pk sup =
R R
3 3
d2 d2
Y el indicador será entonces:
Cpk = mínimo (Cpkinf ; Cpksup)
APUNTE_CEP_1 24/28
De forma similar, para la Perfomance de Procesos, las fórmulas son:
x − LIE LSE − x
Ppk inf = Ppk sup =
3 xS 3 xS
Y el indicador es entonces:
Ppk = mínimo (Ppkinf ; Ppk sup)
V – INTERPRETACIÓN DE LOS INDICES: Los índices anteriores permiten obtener

una visión más clara de lo que nos puede ofrecer el proceso. En general se suele informar
el valor de Cpk (o Ppk) como indicador de los resultados que se esperan del proceso en
su estado actual y el de Cp (o Pp) como indicador de la potencialidad del proceso en caso
de funcionar centrado.
Es fácil ver que si la media del proceso coincide con el centro del Intervalo de
Tolerancia, tendremos que Cpkinf = Cpksup = Cp (y Ppkinf = Ppksup = Pp)
En forma general, siempre será Cpk ≤ Cp (y Ppk ≤ Pp)
El siguiente esquema muestra como con iguales valores de Cp se pueden presentar

valores de Cpk muy diferentes y por ende resultados del proceso muy distintos en lo que
hace al porcentaje de productos no conformes:
APUNTE_CEP_1 25/28
Si retomamos el ejemplo del grafico de promedio y rangos, podemos calcular los
índices correspondientes y obtenemos:
Cpk inf = (100,16 – 70,50) / 3 x 6,15 = 1,602

Cpk = 1,102
Cpk sup = (120,50 – 100,16) / 3 x 6,15 = 1,102
Ppk inf = (100,16 – 70,50) / 3 x 6,28 = 1,574

Ppk = 1,080
Ppk sup = (120,50 – 100,16) / 3 x 6,28 = 1,080
Como la media calculada del proceso es mayor que el valor central del intervalo de
tolerancia, el menor valor corresponde al índice superior (el proceso “se sale” por el lado
correspondiente al límite superior)
Si aceptamos que el proceso sigue una distribución normal, podemos calcular el

porcentaje de productos defectuosos por defecto y exceso.
Si recordamos que para normalizar una distribución debíamos hacer la relación
siguiente: z = (valor – media) / desviación estándar, es fácil ver que podemos obtener el
valor de z sup y z inf (los valores que corresponden a los límites especificados inferior y
superior respectivamente) a partir de los respectivos Cpk (o Ppk según nos pongamos en
el caso más favorable o menos favorable, o en otras palabras el valor instantáneo o a
largo plazo) haciendo:
Zinf = 3 x Cpkinf Zsup = 3 x Cpksup
Y en nuestro ejemplo resulta:
Zinf = 3 x 1,602 = 4,806 % No conforme por defecto = 0,00008 % = 0,8 ppm
Zsup = 3 x 1,102 = 3,306 % No conforme por exceso = 0,05 % = 500 ppm
A continuación resumimos en una tabla algunos valores de Cpk y el porcentaje de no

conformes y ppm correspondientes (considerando un solo extremo de la distribución),
asumiendo que se trata de una distribución normal:
Cpk 0 0,5 0,75 1 1,33 1,5 1,67 1,75 2
No 50,00% 6,68% 1,22% 0,135% 0,00331% 0,00034% 0,00003% 0,00001% 0,00000%

Conformes
ppm 500000 66807 12224 1350 33 3,4 0,3 0,1 0,001
APUNTE_CEP_1 26/28
VI – LOS VALORES ADECUADOS DE Cpk: Aunque existen varios criterios al
respecto, actualmente no se considera aceptable que sobre una característica importante
de un proceso o producto el valor de Cpk sea menor que 1,33. Según la tabla anterior, si
bien el porcentaje no conforme es escaso, cualquier corrimiento importante en la media
(mayores por ejemplo a 0,5 σ) pondrían suponer riesgos importantes.
En características asociadas a aspectos de seguridad o reglamentaciones se exige
en general valores de Cpk mayores o iguales a 1,67.
En otro modulo desarrollaremos el concepto del modelo de gestión conocido como

“Six Sigma” en el cual se busca obtener valores de Cpk de 2 o más en los procesos
clave.
VII – OTRO INDICADOR DE CAPACIDAD: En los último años se ha abandonado el

concepto de intervalo de tolerancia “cajón” tradicional por el más adecuado de considerar
que existe un “valor óptimo” de la variable considerada que debe ser el objetivo y a
medida que nos alejamos de éste perdemos calidad de la misma hasta que la pérdida se
hace inaceptable7.
Aplicando el concepto de Cálculo de Cpk o Ppk podríamos encontrarnos en la

paradoja de tener un valor del mismo adecuado, superior a la unidad y sin embargo no
tener ningún valor en el óptimo o cercano a él, como muestra el esquema siguiente:
LEI LES
Cota Optima
Esto llevo a desarrollar (entre otros) un indicador que toma en cuenta ésta situación,
denominado Cpm:
CP
Cpm =
( µ − CO ) 2
1+
σ2
donde Cp se calcula como antes y CO es el valor de la Cota Optima objetivo.
7
Ver Función de Pérdida de Taguchi, como ejemplo.
APUNTE_CEP_1 27/28
TABLA DE CONSTANTES PARA LOS GRAFICOS DE CONTROL
APUNTE_CEP_1 28/28

Modulo: Co Trol Estadístico de La Calidad: Selección de Textos de Apoyo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo: Co Trol Estadístico de La Calidad: Selección de Textos de Apoyo

Cargado por

Copyright:

Formatos disponibles

UTN - FRBA: Maestría en Ingeniería en Calidad

MODULO: CO TROL ESTADÍSTICO DE

Selección de Textos de Apoyo

Lic. Wilfredo Barosio

OBJETIVOS DEL MODULO: Proporcionar a los especialistas en calidad los elementos on

- Estudios de aptitud de procesos.

- Control por atributos.

- Aplicaciones especiales. Cusum. EWMA. Short run.

DESARROLLO: Durante el desarrollo en 10 clases se presentaran los temas indicados en

Título Autor Editorial

I – INTRODUCCIÓN: En general, en la bibliografía referida al amplio tema del uso

De estas herramientas desarrollaremos en particular los Gráficos de Control o

Para entender sus fundamentos retomemos algunos conceptos acerca de la

Los objetivos del Control Estadístico incluyen el encontrar la manera de establecer si

II – PRINCIPIOS BÁSICOS: La carta de control parte del concepto básico de que

LIC Datos LSC LC

En principio, siempre que los resultados obtenidos se encuentren dentro de los

donde µw es la media del parámetro, σw su desviación estándar y L es la distancia

La probabilidad de encontrar un resultado por encima del LSC es ahora de 2,25 %,

IV – SUBGRUPOS RACIONALES: En muchos casos es conveniente que el valor

En extremo, una forma de generar subgrupos es tomar una cantidad definida de

Un aspecto a tomar en cuenta es el caso de que el proceso tiene varios medios de

A veces no tiene sentido o no se puede formar subgrupos sino que la observación

En el análisis de cada tipo de gráfico de control que se realiza de aquí en adelante

I – GRAFICOS DE CONTROL DE PROMEDIOS Y RANGOS ( - R): Es el modelo x

y siendo m la cantidad de subgrupos generados, tendremos:

y para el grafico de los rangos:

donde d2 es también una constante función de n

II – DESARROLLO DE UN GRAFICO DE CONTROL DE PROMEDIOS Y RANGOS

En general se toman muestras de tamaño n = 4 o 5, la cantidad de subgrupos m no

Partiendo de la hipótesis de que el proceso se encuentra en estado de control

1. Para cada subgrupo obtener la media x y el rango R.

Si detectamos señales de descontrol, se deben analizar el o los subgrupos cuyos

Ambos gráficos de control, a través de los límites naturales superior e inferior de

III – EJEMPLO DE LA OBTENCIÓN DE UN GRAFICO DE CONTROL DE

De donde obtenemos R= 14,32 y x = 100,16, y calculamos los límites para el

LSCR = 2,115 x 14,32 = 30,3 LCR = 14,32 LICR = 0 x 14,32 = 0

Graficamos R y sus límites:

Como no existen señales de descontrol, podemos seguir adelante porque el valor de

LSCx = 100,16 + 0,577 x 14,32 = 108,42 LCx = 100,16

No se observan señales de descontrol, por lo que hemos obtenido el par de gráficos

IV – APLICACIÓN DEL GRAFICO DE PROMEDIOS Y RANGOS ( - R): Una vez x

V –SUBGRUPOS RACIONALES EN UN GRAFICO DE PROMEDIOS Y RANGOS

VI – OTRAS SEÑALES DE DESCONTROL: Una crítica realizada a éste tipo de

A partir del concepto inicial de que la aparición de un suceso de baja probabilidad

1. Patrones cíclicos: en la figura siguiente se muestra un ejemplo. La aparición

3. Varios puntos consecutivos todos ascendentes o todos descendentes (7

4. Dos de tres puntos consecutivos en el mismo tercio exterior dentro de

• Inspección automatizada en la que cada unidad es inspeccionada.

RMi = xi – xi-1 

Para la carta de control de los Rangos móviles, se calcula entonces el promedio de

LSC RM = 3,267.R M LC RM = R M LICRM = 0

Para el gráfico de los valores individuales, en cambio, las constantes A2 son

LSC x = x + 2,659 R M LC x = x LIC x = x − 2,659 R M

donde x es el promedio de los m valores individuales medidos.

La secuencia de creación y aplicación del gráfico no difiere en mucho de lo

VIII – SEÑALES DE DESCONTROL EN UN GRAFICO DE VALORES

IX – GRAFICOS DE CONTROL DE PROMEDIOS Y DESVIACIONES ESTÁNDAR

A partir de ellos calculamos las líneas centrales de cada gráfico haciendo:

Para el gráfico de las desviaciones tendremos como límites naturales de control:

Para estimar la dispersión total de los valores individuales, hacemos:

donde c4 está tabulada en función de n.

I – INTRODUCCIÓN: Como ya se ha visto con anterioridad en Estadística, existen