CONTROL ESTADISTICO DE

PROCESOS
(SPC)

MANUAL DE REFERENCIA

Segunda Edición, Editada Julio de 2005

Editada 1992, Segunda Impresión Marzo 1995 (Solamente Nueva Portada)
Copyright © 1995, © 2005
Corporación Daimler Chrysler, Ford Motor Company, y Corporación General Motors.
ii
 CONTROL ESTADISTICO DE PROCESOS
SPC

PRÓLOGO de la Segunda Edición.

Este Manual de Referencia fue Desarrollado por el Grupo de Trabajo de Control Estadístico de Procesos
(SCP), sancionado por la fuerza de Tareas de Requerimientos de Calidad de Proveedores de Daimler
Chrysler, Ford, y General Motors, y bajo los auspicios de la sociedad Americana para la Calidad (ASQ) y el
Grupo de Acción de la Industria Automotriz (AIAG). El grupo responsable de esta segunda edición fue
preparado por el Staff de Calidad y evaluación de Proveedores en la Corporación Daimler Chrysler, Ford
Motor Company, Corporación General Motors,Omnex, INC. Y Robert Bosch Corporation, trabajando en
colaboración con el Grupo de Acción de la Industria Automotriz (AIAG).

La carta de la Fuerza de Tareas es estandarizar los Manuales de Referencia, los formatos de reporte y la
nomenclatura técnica utilizada por Daimler Chrysler, Ford, y General Motors en sus respectivos sistemas de
evaluación de proveedores. De acuerdo con esto, este Manual de Referencia puede ser utilizado por
cualquier proveedor para desarrollar información que responda a los requerimientos, bien sea de los
sistemas de evaluación proveedores de Daimler Chrysler, Ford, y General Motors. Esta segunda edición fue
preparada para reconocer las necesidades y cambios dentro de la Industria Automotriz en las Técnicas del
SCP que han sido involucradas desde que el manual original fue publicado en 1991.

El Manual es una introducción al control estadístico de procesos. No se pretende limitar la evolución de

los métodos de SCP a conveniencia de procesos o comodidades particulares. Por cuanto estos
delineamientos pretenden cubrir las situaciones que normalmente ocurren en el sistema SCP, hay preguntas
que surgen. Estas preguntas deben ser dirigidas a su departamento de Aseguramiento de la calidad del
Proveedor de su Cliente. (SQA). Si tiene incertidumbre de cómo contactar la actividad apropiada SQA, el
comprador de la oficina de compras del cliente podrá ayudarlo.

La Fuerza de tareas con agrado reconoce : el liderazgo y compromiso del Vice – presidente Peter Rosenfeld
de la Corporación Daimler Chrysler, Tomás K. Brown en la Corporación FordMotor Company y de Bo
Andersson de General Motors Corporation; la asistencia de la AIAG en el desarrollo, producción y
distribución del manual; la asesoría de los Gerentes de la fuerza de Tareas Hank Gryn (Daimler Chrysler),
Russ Hopkins (Ford Motor Co), y Joe Bransky (General Motors Co)
Por supuesto, este Manual fue desarrollado para cumplir con las necesidades específicas de la Industria
Automotriz.

Este Manual tiene los Derechos Reservados de Copia de Daimler Chrysler, Ford, y General Motors
Corporation, Todos los derechos Reservados, 2005, Manuales adicionales pueden ser pedidos a la AIAG y /
o los permisos de copia de partes del manual para uso dentro de las organizaciones que pueden obtenerse
de la AIAG en el 248-358-3570 oen http://www.aiag.org.

i
ii
RECONOCIMIENTOS a la Segunda Edición.

La junta consenso de los contenidos de este manual fue efectuada a través de los Miembros del
Subcomité del Equipo de Tareas que representan a Daimler Chrysler, Ford, y General Motors,
respectivamente, cuyas firmas de aprobación aparecen abajo, que con agrado reconocen la
contribución significativa de Gregory Gruska de Omnex INC, Gary A Hiner de la Corp[oración
Delphi, y de David W Stamps de la Corporación Robert Bosch.

La ultimas mejoras fueron actualizar el formato para conformidad con la documentación actual de
la AIAG / ISO / TS 16949:2002, más clarificación y ejemplos para hacer más amigable el manual
para el usuario, y áreas adicionales que no fueron incluidas o que no existían cuando fue escrito el
manual original.

El comité actual de re – escritura fué dirigido por Mike Down de la corporación General Motors y
completado por Todd Kerkstra, como representante deOmne Inc, y ASQ, Gary A Hiner de la
Corporación Delphi, y David W Stamps de Robert Bosch Corp.

Michael H Down Todd Kerkstra

General Motors Corp. Daimler Chrysler Cporp.

Peter Cvetkovski David R Benham

Ford Motor Corp. Daimler Chrysler Corp.

iii
iv
 CONTROL ESTADISTICO DE PROCESOS
SPC
PRÓLOGO a la Primera Edición.

Este Manual fue preparado por Personal calificado de Chrysler, Ford y General Motor que
trabajaron bajo el auspicio de la División Automotriz de la Sociedad Americana de Control de
Calidad en colaboración con el Grupo de Acción de la Industria Automotriz.

El carácter de la fuerza de trabajo ASQC/AIAG es estandarizar los Manuales de referencia,

reportando formatos y nomenclatura técnica usada por Chrysler, Ford y General Motor en sus
respectivos sistemas de evaluación del proveedor: Aseguramiento Calidad Proveedor, Excelencia
de Calidad Total y Metas para la Excelencia. De acuerdo con esto, este Manual puede ser usado
por cualquier proveedor para desarrollar información respondiendo a los requerimientos de los
sistemas de de evolución calidad de Chrysler, Ford y General Motors. Hasta ahora no ha habido
un acercamiento formal en la industria automotriz en el control del proceso estadístico. Ciertos
fabricantes suministran métodos a sus proveedores, mientras otros no tuvieron requerimientos
específicos. En un esfuerzo por simplificar y minimizar la variación en los requisitos de calidad del
proveedor, Chrysler, Ford y General Motors acordaron desarrollar a través de AIAG la distribución
de este manual. El equipo responsable por el trabajo del contenido del Manual fue liderado por
Leonard A. Brown de General Motor. Este manual debería ser considerado una introducción al
control del proceso estadístico. No es intención limitar la evolución de métodos estadísticos
ajustándolo a procesos particulares o acuerdos ni a que sean técnicas SPC comprensivas de
todo. Inquietudes en uso de métodos alternativos debería ser referidas a la actividad de calidad de
los clientes.

El equipo de trabajo agradece profundamente a: Thomas T. Stallkamp, Vicepresidente del Comité

de Chrysler; Clinton D. Lauer de Ford; y Donald A. Pais de General Motors; La competencia
Técnica y el trabajo duro de sus equipos de evaluación de calidad; y las invaluables contribuciones
del grupo de Acción de la Industria Automotriz (bajo la dirección ejecutiva de Joseph R. Phelan de
AIAG) en el desarrollo, producción y distribución del Manual en Referencia.

También deseamos agradecer al equipo de lectura ASQC liderado por Martin Tripp de Peterson
Spring, quien revisó el Manual y en el proceso realizó contribuciones valiosas en el contenido.

Bruce W. Pince
Task Force Coordinador
Sandy Corporación
Troy, Michigan
Diciembre, 1991

Este Manual tiene los Derechos Reservados de Copia de Daimler Chrysler, Ford, y General Motors
Corporation, Todos los derechos Reservados, 2005, Manuales adicionales pueden ser pedidos a la AIAG y /
o los permisos de copia de partes del manual para uso dentro de las organizaciones que pueden obtenerse
de la AIAG en el 248-358-3570
v
vi
RECONOCIMIENTOS a la Primera Edición.

El contenido fue discutido y unificado por los miembros del Subcomité del Equipo de Trabajo de
General Motors, Ford y Chrysler, respectivamente, cuyas firmas aparecen debajo, y quienes
reconocen la contribución significativa de Pete Jessup de la Compañía Ford Motor, quien fue
responsable de desarrollar la mayoría del material encontrado en los Capítulos I, II y III, y el
Apéndice de este documento.

Harvey Goltzar de la Corporación Chrysler contribuyó en la discusión y ejemplos relacionados con

los subgrupos y procesos de sobreajustes. La sección del Capítulo II la cual suministra en
entendimiento de la capacidad del proceso y las muestras fueron desarrolladas por el Comité de
Revisión Estadística de la Corporación General Motors. Este comité también contribuyó para el
desarrollo del capítulo IV, Análisis de Sistemas de Proceso de Medición, también como con items
de algunos apéndices.

La División de Empoderamiento de Entrenamiento de General Motors contribuyo con la discusión y

ejemplos relativos a la sub agrupación y sobre – ajuste. La sección en el Capítulo II que suministra
entendimiento de la capacidad de proceso y los temas relacionados fu}e desarrollada por el
Comité de Revisión Estadístico de General Motors Corp. Este comité, también contribuyo al
desarrollo dl Capítulo IV, Análisis del Sistema de Medición de Proceos, también como de algunos
ítems del Apéndice.

Finalmente, un valioso factor en todas las secciones del Manual fue suministrado por los
representantes de ASQC Greg Gruska, Doug Berg y Tripp Martin.

Leonard A. Brown, G.M. Victor W. Lowe, Jr., Ford David R. Benham, Chrysler

vii
viii
 TABLA DE CONTENIDOS

CAPÍTULO I 1
Mejoramiento continuo y control estadístico de procesos 1
Introducción 3
Seis puntos 4
CAPÍTULO I Sección A 7
Prevención contra detección 7
CAPÍTULO I Sección B 9
Un sistema de control de procesos 9
CAPÍTULO I Sección C 13
Variación causas comunes 13
y causas especiales 13
CAPÍTULO I Sección D 17
Acciones locales y acciones sobre el sistema 17
CAPÍTULO I Sección E 19
Control de Proceso y capacidad del proceso 19
Control v.s Capacidad 19
Índices de procesos 21
CAPÍTULO I Sección F 25
Ciclo de mejoramiento del proceso y control de procesos 25
CAPÍTULO I Sección G 29
Cartas de control: herramientas para el control y mejoramiento de procesos 29
Como Trabajan? 30
Enfoque 32
CAPÍTULO I Sección H 37
Uso efectivo y Beneficios de las cartas de control 37
CAPÍTULO II 41
Cartas de control de procesos 41
Introducción 43
Cartas de control por variables 45
Cartas de control por atributos 47
Elementos de las cartas de control 48
CAPÍTULO II Sección A 53
Cartas de control 53
Pasos Preparatorios 53
Mecánica Cartas de control 55
Establecimiento de los límites de control 59
Interpretación para control estadístico 60
Comentarios finales 63
Límites de Control Extendidos para Controles en Curso 65
CAPÍTULO II Sección B 69
Definición de señales “fuera de control“ 69
Punto Fuera de un Limite de Control 69
Patrones y Tendencias dentro de los Limites de Control 70
Criterio de causa especial 75
Promedio Longitud Corrida (ARL) 76
CAPÍTULO II Sección C 79
Fórmulas de cartas de control 79

ix
 Cartas de control por variables 79
Cartas Promedio y Rango X , R 79

Cartas Promedio y Desviación Estándar X , s 83

Carta Mediana y Rango X~ , R  85

Carta de individuos y rango móvil (X, MR) 87

Carta de control por atributos 89

Carta de control para ítems no conformes 89
Carta Proporción no conformes ( carta p ) 89
Carta Número de no conformes ( carta np ) 93
Carta Número de no conformidades por unidad ( carta u ) 95
Carta Número de no conformidades ( carta c ) 97
CAPÍTULO III 99
Otros tipos de cartas de control 99
Introducción 101
Cartas basadas en probabilidades 101
Carta de control corrida corta 107
Cartas de detección de pequeños cambios 109
Cartas no normales 113
Multivarianzas 116
Otras Cartas 117
Cartas de control Regresión 117
Cartas residuales 118
Cartas Autoregresión 118
Cartas zona 121
CAPÍTULO IV 125
Entendiendo la Capacidad de Proceso 125
y Desempeño del Proceso por Datos variables 125
Introducción 127
CAPÍTULO IV Sección A 131
Definición de términos de proceso 131
Medición de Procesos para procesos predecibles 132
Índices – Tolerancias bilaterales 132
Índices – Tolerancias unilaterales 137
CAPÍTULO IV Sección B 139
Descripción de condiciones 139
Manejo No – Normal y distribución multivariables 140
Relación Hip de índices y proporción de no conformes 140
Distribuciones no normal usando transformaciones 140
Distribuciones no normal usando formas no normales 142
Distribución multivriante 144
CAPÍTULO IV Sección C 147
Uso sugerido de medidas de proceso 147
El Concepto Perdida de Función 148
Alineando los procesos a los requisitos del cliente 153
APÉNDICE A 157
Algunos comentarios sobre muestreo 157
Efectos de subgrupos 157

x
 Datos Auto correlacionados 157
Ejemplo de Proceso Corriente Múltiple 162
Efecto del tamaño de muestra sobre índices 168
APÉNDICE B 171
Algunos comentarios sobre causas especiales 171
Sobre ajuste 171
Procesos dependientes del Tiempo 173
Patrones Repetidos 175
APÉNDICE C 177
Procedimiento para la selección y uso de cartas de control descritas en este manual 177
Manual 177
APÉNDICE D 179
Relación entre Cpm y otros índices 179
APÉNDICE E 181
Tabla de constantes y fórmulas para cartas de control 181
APÉNDICE F 185
Ejemplo de cálculo de índice de capacidad 185
Juego de Datos 186
Análisis 187
Diámetro estadístico 188
Conclusiones 190
APÉNDICE G 191
Glosario de términos y símbolos 191
Términos usados en este manual 191
Símbolos usados en este manual 204
APÉNDICE H 211
Referencias y Lecturas sugeridas 211
APÉNDICE I 215
Tabla de estándar normal 215
ÍNDICE 217
S.P.C. Manual del Usuario proceso de retroalimentación 221

xi
 LISTA DE ILUSTRACIONES
Figura I.1: Un Sistema de control de proceso 8
Figura I.2: Variación: causas comunes y causas especiales 12
Figura I.3: Control de proceso y capacidad de proceso 18
Figura I.4: El ciclo de mejoramiento del Proceso 24
Figura I.5: Cartas de control 28
Figura II.1: Datos variables 44
Figura II.2: Datos atributivos 46
Figura II.3: Elementos de las cartas de control 49
Figura II.4a Carta de control por Muestreo (lado frontal) 51
Figura II.4b: Carta de control por Muestreo (lado posterior) – Event log 52
Figura II.5: Extensión de los límites de control 56
Figura II.6: Recálculo de los límites de control 61
Figura II.7: Extensión de los límites de control para controles en curso 64
Figura II.8: Variación del proceso relativa a los límites de especificación 67
Figura II.9: Puntos fuera de los límites de control 70
Figura II.10: Corridas en una Carta de Control promedio 71
Figura II.11: Corridas en una Carta de Control Rango 72
Figura II.12: Patrones no aleatorios en una Carta de Control 74
Figura II.13: Cartas de control de rango y promedio 78
Figura II.14: Cartas de control de promedio y desviación Estándar 82
Figura II.15: Carta de mediana y rangos 84
Figura II.16: Carta por individuos y rango móvil 86
Figura II.17: Carta de proporción de no conformes 88
Figura II.18: Carta de número de no conformes 92
Figura II.19: Carta de número de no conformidades por unidad 94
Figura II.20: Carta de número de no conformidades 96
Figura III.1 Cartas de control 100
Figura III.2 Luz de parada Control 102
Figura III.3 Pre-control 105
Figura III.4 Cartas de control DNOM 108
Figura III.5 Cartas CUSUM con V- Mask 109
Figura III.6 Carta x, MR 110
Figura III.7 Carta de viscosidad EWMA 112
Figura III.8 Carta de viscosidad X, MR 112
Figura IV.1 Variación entre y dentro de los subgrupos 130
Figura IV.2 Comparación Cpk y Ppk 133
Figura IV.3 Comparación entre un proceso predecible y un proceso inmaduro 135
Figura IV.4 Valores de Cpk y Ppk producidos por un proceso predecible y un proceso inmaduro 136
Figura IV.5 “Meta Correo” vs. Perdida de función 148
Figura IV.6 Comparación de perdida de función y las especificaciones 150
Figura IV.7 Comparación de perdida de función 151
Figura IV.8 Un sistema de control de procesos 152
Figura IV.9 Procesos alineados a los requerimientos 154

xii
 CAPÍTULO I
Mejoramiento Continuo

Control Estadístico de Procesos

1
Página intencionalmente dejada en blanco

2
Introducción

Para prosperar en el clima económico de hoy, nosotros – fabricantes

automotrices, proveedores y organizaciones de concesionarios –
debemos estar dedicados a la mejora continua. Nosotros debemos
mirar constantemente vías más eficientes para producir productos y
servicios. Estos productos y servicios deben continuar mejorando en
valor. Debemos enfocarnos sobre nuestros clientes internos y
externos y hacer de la satisfacción del cliente un objetivo primario de
negocios.

Para alcanzar esto, cada uno en muestras organizaciones debemos

estar comprometidos a mejorar y con el uso de métodos efectivos.
Éste Manual describe varios métodos estadísticos básicos que
pueden ser usados para hacer nuestros esfuerzos de mejora más
efectivos. Se necesitan diferentes niveles de entendimiento para
realizar las diferentes tareas. Este manual esta dirigido a
profesionales y gerentes que comienzan la aplicación de métodos
estadísticos. El también servirá para refrescar estos métodos básicos
para aquellos que están usando ahora técnicas más avanzadas. No
todos los métodos básicos están incluidos aquí. El cubrimiento de
otros métodos básicos (tales como hojas de chequeo, cartas de flujo,
cartas de Pareto, diagramas de causa-efecto) y algunos métodos
avanzados (tales como otras cartas de control, diseño de
experimentos, despliegue de la función Calidad, etc.) están
disponibles en libros y folletos tales como aquellos que se referencian
en el Apéndice H.

Los métodos estadísticos básicos, direccionados en este libro

incluyen aquellos asociados con Control Estadístico de procesos y
análisis de capacidad de proceso.

El primer capítulo de este manual da algunos antecedentes del

control de procesos, explica varios conceptos importantes tales como
las causas especiales y comunes de variación. también introduce la
carta de control, la cual puede ser una herramienta muy efectiva, para
analizar y monitorear los procesos.

El capítulo segundo describe la construcción y uso de cartas de

1
control de datos por variables y datos por atributos.

El tercer capítulo describe otros tipos de cartas de control que pueden

ser usadas para situaciones especializadas – cartas basadas en
probabilidades, cartas de corridas cortas, cartas para detectar
pequeños cambios, no normales, multivariable y otras cartas.

El cuarto capítulo, direcciona el análisis de la capacidad de procesos.

El apéndice direcciona muestro, sobreajuste, un proceso para

selección de cartas de control, tabla de constantes y fórmulas la tabla
normal, un glosario de términos y símbolos y referencias.

1
El Término “Variables”, también suena poco elegante, es usado en orden a distinguir la diferencia entre algo que varía, y la carta de
control usada para toma de datos de una variable continua.
3
Seis puntos
Seis puntos deben ser realizados antes de comenzar la discusión central:

1) La Recolección de Datos y usando métodos estadísticos para

interpretarlos no son concluyentes por sí mismos. El propósito general
debe ser incrementar el entendimiento de los procesos por el lector.
Es muy fácil llegar a ser técnicos expertos sin realizar ninguna
mejora. Incrementar el conocimiento debe convertirse en una base
para la acción.

2) Los sistemas de medición son críticos para un análisis adecuado de

datos y ellos deberán ser muy bien entendidos antes de que los datos
de proceso sean recolectados. Cuando tales sistemas carecen de
control estadístico o sus variaciones cuentan para una porción
 substancial de la variación total de los datos de proceso, decisiones
inapropiadas pueden ser hechas. Para los propósitos de este manual,
se asumirá que este sistema está bajo control y no es un
contribuyente significativo de la variación total en los datos. El lector
es referido al Análisis Del Sistema De Medición (MSA), manual
publicado por la AIAG para más información sobre este tópico.

3) El concepto básico de estudiar la variación y usando señales

estadísticas para mejorar el desempeño puede ser aplicado a
cualquier área. Tales áreas pueden ser a nivel de planta o en las
oficinas. Algunos ejemplos son: máquinas (características de
desempeño); contabilidad (ratas de error); ventas brutas, análisis de
desperdicio (ratas de chatarreo); sistema de cómputo (características
de desempeño) y administración de materiales (tiempos en tránsito).
Este manual se enfoca sobre las aplicaciones a nivel planta. Se
alienta al lector a consultar algunas de las referencias del Apéndice H
para aplicaciones administrativas o de servicio.

4) Estrados SPC para control estadísticos de procesos. Históricamente

los métodos estadísticos son aplicados rutinariamente a las partes,
antes que a los procesos. La aplicación de técnicas estadísticas para
controlar las salidas (tales como partes) deberían ser solamente el
primer paso. En tanto que los procesos que generaran la salida
lleguen a ser el foco de nuestros esfuerzos, el poder total de esos
métodos para mejorar la calidad, incrementando la productividad y
reduciendo costos no podrán ser realizados.

5) También cada punto en el texto es ilustrado con ejemplos de

resultados, el entendimiento real de los sujetos, involucra profundo
contacto con situaciones de control de procesos. El estudio de casos
reales de la propia localidad de trabajo del lector, o de actividades
similares podrían ser un suplemento importante al texto. No hay
substituto de la experiencia práctica.

6) Este manual debería ser considerado el primer paso hacia el uso de

métodos estadísticos. El suministra enfoques generalmente
aceptados, que funcionan en muchas instancias. Sin embargo,
existen excepciones donde es impropio usar a ciegas estas reglas
generales. Este manual no reemplaza la necesidad de los
profesionales de incrementar sus conocimientos de los métodos y
teorías estadísticas. Los lectores son estimulados a seguir una
educación estadística formal. Donde los procesos y aplicación de
métodos estadísticos del lector han avanzado más allá del material

4
aquí cubierto, el lector es también estimulado a consultar con
personas que tienen el conocimiento apropiado y la práctica en la
teoría estadística como de apropiarse de otras técnicas. En cualquier
caso, los procedimientos usados deben satisfacer los requerimientos
del cliente.

5
 LA NECESIDAD DE
CONTROLAR LOS PROCESOS
Detección - Tolera desperdicio

Prevención - Evita desperdicio

6
CAPÍTULO I – Sección A
Prevención versus Detección
En el pasado, la fabricación dependía a menudo de la producción
para hacer el producto, y del control de calidad para inspeccionar el
producto final y descartar los ítems que no cumplían las
especificaciones. En situaciones administrativas el trabajo es a
menudo, chequeado y re-chequeado en un esfuerzo para coger
errores. Ambos casos involucran una estrategia de detección que es
desperdiciadora, porque permite que tiempo y materiales sean
invertidos en productos o servicios que no siempre son utilizables.

Es mucho más efectivo evitar el desperdicio no produciendo salidas

inutilizables la primera vez, una estrategia de prevención.

Una estrategia de prevención suena sensible - más aún obvia - para

mucha gente, es fácilmente captada en eslogan tales como “Hazlo
bien desde el principio”. Sin embargo los eslogan no son suficientes.
Lo que se requiere es un entendimiento de los elementos del sistema
de control estadístico de procesos. Las siete sub-secciones faltantes
de esta introducción cubren esos elementos, y pueden ser miradas
como respuesta a las siguientes preguntas:

 ¿Qué se entiende por Sistema de Control de Proceso?

 ¿Cómo la variación afecta la salida del proceso?

 ¿Cómo pueden las técnicas estadísticas decir cuando un

problema es local en naturaleza o involucra sistemas variados?

 ¿Qué se entiende por un proceso estando en control estadístico?

¿Qué se entiende por un Proceso siendo capaz?

 ¿Cuál es el ciclo de mejoramiento continuo? y que parte puede

jugar el Control de Proceso en él?

 ¿Qué son cartas de control y cómo se usan?

 ¿Qué beneficios se pueden esperar del uso de cartas de control?

A medida que este material sea estudiado, el lector puede si lo desea

referirse al glosario en el Apéndice E para descripciones breves de
términos claves y símbolos.

7
 MODELO DE SISTEMA DE CONTROL DE PROCESO
CON RETROALIMENTACION

LA VOZ DE LOS PROCESOS

MÉTODOS
ESTADÍSTICOS

GENTE
EQUIPO
LA FORMA COMO PRODUCTOS
MATERIALES
TRABAJAMOS/ O SERVICIOS CLIENTES
MEDICIONES
COMBINACIÓN DE
MÉTODOS
RECURSOS
AMBIENTE
IDENTIFICANDO
NECESIDADES
DE CAMBIOS Y
EXPECTATIVAS
ENTRADAS PROCESOS / SISTEMA SALIDAS

VOZ DE LOS CLIENTES

Figura I.1. Un sistema de Control de Proceso

8
CAPÍTULO I – Sección B
Un Sistema de Control de Procesos
Un Sistema de Control de Procesos puede ser descrito como un
sistema de realimentación. El SPC es un tipo de sistema de
realimentación. También existen otros sistemas tales que, no son
estadísticos. Cuatro elementos de ese sistema son importantes para
la discusión que sigue:
1. El Proceso: Por el proceso se entiende la combinación total de
proveedores, productores, gentes, equipos, materiales de entrada,
métodos y ambiente, que trabajan juntos para producir una salida, y
los clientes que usan la salida. (Ver figura I. 1). El desempeño total de
los procesos depende de la comunicación entre proveedores y
cliente, la forma como el proceso es diseñado e implementado y
sobre la manera como es operado y administrado. El resto del
sistema de control de procesos es utilizable solo si él contribuye bien
sea a mantener un nivel de excelencia o a mejorar el desempeño total
del proceso.
2. Información acerca del Desempeño: Mucha información acerca
del desempeño real del proceso puede ser aprendida estudiando la
salida del proceso - la información que más ayuda acerca del
desempeño de un proceso viene, por supuesto, del entendimiento del
proceso en sí mismo, y de su variabilidad interna. Las características
del proceso (tales como temperaturas, tiempos de ciclo, ratas de
alimentación, ausentismo, cambios de turno, retardos o número de
interrupciones) deberían ser el último foco de nuestros esfuerzos.
Nosotros necesitamos determinar valores objetivos para aquellas
características que resultan de la operación más productiva del
proceso, y entonces monitorear que tan cerca o lejos estamos de
aquellos valores objetivos. Si esta información es reunida y
correctamente interpretada, ella puede mostrar cada vez que el
proceso esté actuando de manera usual o inusual. Las acciones
apropiadas pueden entonces ser tomadas, si son necesarias, para
corregir el proceso o la salida acabada de producir. Cuando es
necesaria una acción, ella debe ser a tiempo y apropiada o el
esfuerzo de recolección de información se desperdiciará.
3. Acción sobre el Proceso: Las acciones sobre el proceso son
frecuentemente más económicas cuando se toman para prevenir de
variaciones, las características importantes (proceso o salida) muy
cerca de sus valores objetivos. Esto asegura la estabilidad y se
mantiene la variación de la salida del proceso dentro de límites
aceptables. Tales acciones pueden consistir en:

• Cambios en las operaciones

 Entrenamiento del operario
 Cambios en los materiales entrantes

• Cambios en los elementos más básicos de los procesos en si;

 El equipo
 Como se relacionan y comunican las personas,
 El diseño de los procesos como un todo - cuales pueden ser
vulnerables a cambios de temperatura o humedad en
almacén.

El efecto de las acciones debe ser monitoreado, con posterior análisis

se toman las acciones si es necesario.

9
4. Acción sobre la Salida: Las acciones sobre la salida son
frecuentemente menos económicas cuando son restringidas para
detectar y corregir producto fuera de especificaciones sin direccionar
el problema subsiguiente del proceso. Infortunadamente, si las
salidas actuales no cumplen consistentemente los requerimientos del
cliente, puede ser necesario segregar todos los productos y
chatarrear o retrabajar los ítems con alguna no conformidad. Esto
puede continuar hasta que la acción correctiva necesaria sobre el
proceso haya sido tomada y verificada.

Es obvio que la inspección seguida por la acción solamente sobre la

salida, es un pobre substituto para la efectividad del proceso de
administración. (Ver Capítulo I, Sección E). Por consiguiente, las
discusiones que siguen se enfocan en recolectar la información del
proceso y analizar si, tal acción puede ser tomada para corregir el
proceso en sí. Recuerde, que el foco debería ser la prevención y no la
detección.

10
Esta página se deja en blanco intencionalmente

11
LAS PIEZAS VARÍAN UNAS DE OTRAS

PERO ELLAS FORMAN UN PATRÓN QUE, SI ES ESTABLE. PUEDE SER DESCRITO COMO UNA DISTRIBUCIÓN

LA DISTRIBUCIÓN PUEDE SER DIFERENTE EN:

UBICACIÓN EXTENSIÓN FORMA

TAMAÑO TAMAÑO TAMAÑO

SI SOLAMENTE ESTÁN PRESENTES CAUSAS

COMUNES DE VARIACIÓN, LAS SALIDAS DEL
PROCESO FORMAN UNA DISTRIBUCIÓN QUE
ES ESTABLE SOBRE EL TIEMPO Y SON
PREDECIBLES

TAMAÑO

SI ESTÁN PRESENTES CAUSAS ESPECIALES

DE VARIACIÓN, LA SALIDA DEL PROCESO NO
ES ESTABLE SOBRE EL TIEMPO

TAMAÑO

Figura I.2. Variación: Causas comunes y especiales

12
CAPÍTULO I – Sección C
Variación: Causas Comunes y Especiales
Con el fin de usar efectivamente los datos de mediciones del control de
proceso, es importante entender el concepto de Variación, como lo ilustra
la figura I.2.

Dos productos o características no son exactamente semejantes porque

cualquier proceso contiene muchas fuentes de variabilidad. Las
diferencias a lo largo de los productos pueden ser grandes, o ellas
pueden tener pequeñas inmesurabilidades, pero están siempre
presentes. El diámetro de un eje mecanizado, por ejemplo, podrá ser
susceptible de una variación potencial de la máquina (holguras,
alojamiento de rodamientos), herramienta (fatiga, rata de desgaste),
material (diámetro, dureza), operador (alimentación de partes, exactitud
de centrado), mantenimiento (lubricación, reemplazo de partes gastadas)
y ambiente (temperatura, constancia de suministro de energía). Otro
ejemplo, es el tiempo requerido para procesar un pedido, puede variar de
acuerdo con las personas que realizan varios pasos, la confiabilidad de
algún equipo que están usando, la precisión y legibilidad de un pedido en
sí mismo, los procedimientos siguientes y el volumen de otros trabajos en
la oficina.

Algunas fuentes de variación en el proceso causan a corto tiempo

diferencias - pieza a pieza - por ejemplo: reacción y holguras dentro de
una máquina y sus fijaciones, o la exactitud del trabajo de un contador.
Otras fuentes de variación tienden a causar cambios en la salida
solamente sobre un período largo de tiempo. Estos pueden ocurrir ya sea
gradualmente como la herramienta o la máquina se usan, pasos
prudentes como cambios de procedimientos, o irregularidades, como
cambios ambientales, tales como fuentes de energía. Por consiguiente, el
período de tiempo y las decisiones sobre las cuales las mediciones son
hechas son críticas por cuanto ellas afectarán la cantidad total de
variación que será observada.

Mientras que valores medidos individualmente pueden ser todos

diferentes, como un grupo, ellos tienden a formar un patrón que puede
ser descrito como una distribución. (ver figura I, 2). Esta distribución
puede ser caracterizada por:

 Ubicación (valor típico o “central”)

 Extensión (El espacio de valores desde el más pequeño al más
grande)
 Forma: (El patrón de variación- ya sea si es simétrico, torcido, etc.)

Desde el punto de arranque de requerimientos mínimos, el tema de

variación es siempre simplificado: partes dentro de tolerancias de
especificación son aceptables, partes fuera de las tolerancias de
 especificación no son aceptables; reportes a tiempo son aceptables,
reportes tardíos no son aceptables. Sin embargo, la meta debería ser
mantener la localización de un valor objetivo dentro de la variabilidad
mínima. Para administrar cualquier proceso y reducir la variación, ésta
debe ser trazada atrás hasta sus fuentes. El primer paso es hacer la
distinción entre causas comunes y causas especiales de variación.

Las causas comunes se refieren a las muchas fuentes de variación que

actúan consistentemente sobre el proceso. Las causas comunes dentro
de un proceso producen una distribución estable y repetible sobre el
tiempo. Esto es llamado “En estado de control estadístico”, “En control

13
 estadístico” o algunas veces solamente “En control”. Las causas
comunes se comportan como un sistema estable de causas fortuitas. Si
solamente están presentes causas comunes de variación, y no cambian,
la salida de un proceso es predecible.

Las causas especiales (Frecuentemente llamadas causas asignables) se

refieren a algunos factores causantes de variación que afectan solamente
algo de la salida del proceso. Ellas son a menudo intermitentes e
impredecibles. Las causas especiales son señaladas por uno o más
puntos fuera de los límites de control o por patrones no aleatorios de
puntos dentro de los límites de control. A menos que todas las causas
especiales de variación sean identificadas y se actúe sobre ellas, éstas
continuarán afectando las salidas del proceso en formas impredecibles.
Si las causas especiales de variación están presentes las salidas del
proceso no son estables con el tiempo.

Los cambios en la distribución del proceso debidas a causas especiales

pueden ser bien sea perjudiciales o benéficas. Cuando son perjudiciales
ellas necesitan ser identificadas y removidas. Cuando son benéficas ellas
 deben ser entendidas y hacerse parte permanente del proceso. Con
algunos procesos2 maduros, el cliente puede dar aceptación especial
para correr un proceso con una ocurrencia consistente de una causa
especial. Tales aceptaciones usualmente requerirán que los planes de
control del proceso puedan asegurar la conformidad con los
requerimientos del cliente, y protección del proceso de otras formas de
causas especiales. (ver Capítulo I Sección E).

2
Procesos que tienen que sufrir varios ciclos de mejoramiento continuo.
14
Esta página se deja en blanco intencionalmente

15
 ACCIONES LOCALES Y ACCIONES SOBRE EL SISTEMA

Acciones locales

 Se requieren usualmente para eliminar las causas especiales de variación.

 Pueden usualmente ser tomadas por las personas que cierran el proceso.
• Pueden corregir típicamente cerca del 15% de los problemas de producción .

Acciones sobre el Sistema

 Se requieren usualmente para reducir la variación debida a causas comunes.
 Casi siempre requieren acción administrativa para la corrección.
 Son necesarias para corregir típicamente cerca del 85% de los problemas del proceso.

16
CAPÍTULO I – Sección D
Acciones locales y Acciones sobre el sistema
Hay una conexión importante entre los dos tipos de variación
acabadas de discutir y los tipos de acción necesarias para reducirlas3.

Técnicas simples de control estadísticas de proceso pueden detectar

causas especiales de variación. El descubrimiento de una causa
especial de variación y la toma de las acciones adecuadas es
usualmente la responsabilidad de alguien que está directamente
conectado con la operación. También la administración algunas veces
debe estar involucrada en corregir la condición, la solución de una
causa especial de variación usualmente requiere acción local. E,j,.por
personas conectadas directamente con la operación. Esto es
especialmente cierto durante los primeros esfuerzos de mejora del
proceso. Así como hay resultados en la toma de una acción adecuada
sobre causas especiales, aquellas que permanecen requerirán casi
siempre acción gerencial antes que acciones locales.

Estas mismas técnicas estadísticas simples pueden también indicar la

extensión de causas comunes de variación, pero las causas, ellas
mismas, necesitan análisis más detallados para aislarlas. La
corrección de esas causas comunes de variación es usualmente
responsabilidad de la administración. Algunas veces las personas
conectadas directamente con la operación estarán en mejor posición
para identificarlas y pasarlas para una acción gerencial. Sobretodo, la
solución de causas comunes de variación requiere usualmente de
acción sobre el sistema.

Solamente una proporción relativamente pequeña de excesiva

variación de proceso - la experiencia industrial sugiere cerca del 15%
- es corregible localmente por personas conectadas directamente con
la operación. La mayoría - el otro 85% - es corregible solamente por
una acción administrativa sobre el sistema. La confusión acerca del
tipo de acción a tomar es muy costosa para la organización, en
términos de desperdicio de esfuerzos, solución retardada del
problema, y problemas que lo agravan. Sería equivocado por
ejemplo, tomar acción local (por ejemplo: ajustar una máquina),
cuando se requiere una acción gerencial sobre el sistema (ejemplo:
seleccionar proveedores que suministren una entrada consistente de
4
materiales). No obstante un equipo de trabajo cerrado entre la
gerencia y aquellas personas conectadas directamente con la
operación es un deber para mejorar la reducción de causas comunes
de variación del proceso.

3
* El Doctor W.E. Deming ha tratado este tema en muchos artículos: Ejemplo, ver Deming (1967).

4
Estas observaciones fueron hechas primero por el Dr J. M. Juran, y han renacido con la experiencia del Dr Deming.
17
 CONTROL DEL PROCESO

EN CONTROL
(ELIMINADA LA CAUSA ESPECIAL)

FUERA DE CONTROL
CAUSA ESPECIAL PRESENTE

CAPACIDAD DEL PROCESO

EN CONTROL Y
CAPAZ DE CUMPLIR
ESPECIFICACIONES
(LAS VARIACIONES DE
CAUSAS COMUNES
HAN SIDO REDUCIDAS)

EN CONTROL PERO NO CAPAZ

DE CUMPLIR ESPECIFICACIONES
(LA VARIACIÓN DE CAUSAS COMUNES
ES EXCESIVA)

Figura 3. Control de Proceso y Capacidad de Proceso

18
CAPÍTULO I – Sección E
Control de proceso y Capacidad de proceso
El Sistema de Control de Proceso es una parte integral de un todo de
administración del sistema de negocios5. Como tal, la meta del
sistema de control de procesos es hacer predicciones acerca del
estado actual y futuro del proceso. Estas llevan a tomar decisiones
económicamente profundas acerca de las acciones que afectan el
proceso Estas decisiones requieren balancear el riesgo de tomar una
acción cuando la acción no es necesaria (sobre control o “Apretado”)
6
contra fallar en tomar una acción cuando es necesaria (sub control) .
Estos riesgos deben ser manejados, aún, en el contexto de las dos
fuentes de variación mencionadas previamente – causas especiales y
causas comunes. (Ver figura No I.3).

Se dice que un proceso está operando en control estadístico, cuando

la única fuente de variación proviene de causas comunes. Una
función de un sistema de control de proceso, entonces, es suministrar
una señal estadística, cuando las causas especiales de variación
están presentes y permitir dar señales falsas cuando ellas no están
presentes. Esto permite que sean tomadas acciones apropiadas
sobre aquellas causas especiales (bien sea removiéndolas o si es
benéfico, haciéndolas permanentes).

 El sistema de control de procesos puede ser usado como una

herramienta a tiempo, pero el beneficio real de un sistema de control
de procesos es realizado cuando es usado como una herramienta de
aprendizaje continuo en lugar de cómo herramienta de conformidad
(bueno – malo. Estable / no estable, capaz / no capaz, etc.).

Control Vs. Capacidad

Cuando se discute la capacidad de proceso, dos conceptos un tanto

contrastantes necesitan ser considerados:

• Capacidad de proceso

• Desempeño del proceso

La capacidad del proceso es determinada por la variación que llega

de causas comunes. Esto representa generalmente el mejor
desempeño del proceso en sí. Esto es demostrado cuando el proceso
está siendo operado en estado de control estadístico observando las
especificaciones.

Los clientes, sin embargo, internos o externos están típicamente más

preocupados con el desempeño del proceso; esto es, la salida
general del proceso y como se relaciona con sus requerimientos,
(definidos por especificaciones) independientemente de la variación
del proceso.

5
Ver Ts 16949
6
Ver W. E Deming, (1994), y W Shewhart, (1931).
19
 En general, desde cuando un proceso en control estadístico puede
ser descrito por una distribución predecible, la proporción de partes
en especificación puede ser estimada de esta distribución. Tan largo
como el proceso permanezca en control estadístico y no sufre un
cambio en ubicación, extensión o forma, él continuará produciendo la
misma distribución de partes en especificación.

Una vez el proceso esta en control estadístico, la primera acción

sobre el proceso debería ser ubicar el proceso sobre el objetivo. Si la
dispersión del proceso es inaceptable, esta estrategia permite el
número mínimo de partes fuera de especificación a ser producidas.
Acciones sobre el sistema para reducir la variación de causas
comunes son requeridas para mejorar la habilidad del proceso (y sus
salidas) para cumplir consistentemente las especificaciones. Para una
comprensión más detallada de la capacidad de proceso, el
desempeño del proceso, y los supuestos asociados con él, refiérase
al Capítulo IV.

El proceso, primero debe ser puesto en control estadístico detectando

y actuando sobre las causas especiales de variación. Entonces su
desempeño es predecible y su capacidad de cumplir las expectativas
del cliente puede ser evaluada. Esta es una base para el
mejoramiento continuo.

Todo proceso es objeto de clasificación basado en capacidad y

control, un proceso puede ser clasificado entre 1 de 4 casos, como se
ilustra en la siguiente tabla:

Control Estadístico

En Control Fuera de Control

Aceptable Caso 1 Caso 3

Capacidad
No aceptable Caso 2 Caso 4

Para ser aceptable, el proceso debe estar en estado de control

estadístico y la capacidad (causas comunes de variación) debe ser
menor que la tolerancia proyectada. La situación ideal es tener un
proceso caso 1 donde está en control estadístico, y su habilidad para
cumplir los requerimientos es aceptable. Un proceso caso 2 está en
control, pero tiene excesivas causas comunes de variación, las cuales
deben ser reducidas. Un proceso caso 3 cumple aceptablemente los
requerimientos pero no está en control estadístico; las causas
especiales de variación deben ser identificadas y actuar sobre ellas. En
el caso 4 el proceso no está en control, no es aceptable, juntas, las
causas comunes y especiales de variación deben ser reducidas.

Bajo ciertas circunstancias, el cliente puede permitir al productor correr

un proceso aún pensado que es un Caso 3. Estas circunstancias
pueden incluir:

 El cliente no es sensitivo a variaciones dentro de especificación (Ver

discusión sobre pérdida de función en el Capítulo IV).

20
  La economía involucrada actuando sobre las causas especiales excede
los beneficios a algunos y a todos los clientes. Causas especiales
económicamente admisibles pueden incluir gasto de herramientas,
afilado de herramientas, variaciones cíclicas (climáticas) etc.

 La causa especial ha sido identificada y ha sido documentada como

consistente y predecible.

En estas situaciones, lo siguiente puede ser requerido por el cliente:

 El proceso es maduro,

 La causa especial a ser admitida ha mostrado actuar de manera

consistente sobre un período conocido de tiempo.

 Un plan de Control de Proceso surte efecto cuando asegura

conformidad con la especificación con todas las salidas del proceso, y
protege de otras causas especiales o inconsistencias en la causa
especial admitida.

Índices de proceso
La práctica aceptada en la industria automotriz es calcular la capacidad
(causas comunes de variación)solamente después que un proceso ha
demostrado estar en estado de control estadístico. Estos resultados son
usados como una base para predecir, cómo el proceso se realizará. Hay
muy poco valor en hacer predicciones, basándose sobre datos
recolectados de un proceso que no es estable y repetible con el tiempo.
Las causas especiales son responsables de cambios de forma, extensión y
 ubicación de la distribución de un proceso y por consiguiente pueden
invalidar rápidamente la predicción de capacidad. Esto es, en orden para
los varios índices del proceso y las ratas a ser usadas como
herramienta predictiva, el requerimiento es que los datos usados
para calcularlos sean recolectados del proceso que está en control
estadístico.

Los índices de proceso pueden ser divididos en dos categorías; aquellas

que son calculadas usando estimados de variación dentro de subgrupos y
aquellas calculadas usando la variación total cuando se estima un índice
dado (Ver también capítulo IV).

Han sido desarrollados varios índices diferentes porque:

1) Índices simples no pueden ser aplicados universalmente a todos los

procesos y

2) Procesos dados no pueden ser descritos completamente por un índice

sencillo.

Por ejemplo, se recomienda que el Cp y Cpk se usen juntos (ver capítulo IV)
y en el futuro que ellos se combinen con técnicas gráficas para un mejor
entendimiento de las relaciones entre la distribución estimada y los límites
de la especificación. En otro sentido, esto resulta de comparar (y tratar de
alinear) la “voz del Proceso” con la “voz del Cliente” Ver también
Sherkenbach 1991).

Todos los índices tienen debilidades y pueden ser malentendidos. Algunas

 referencias trazadas de índices computadas deben ser manejadas con una
interpretación adecuada de los datos de donde tales índices fueron
computados.
21
Las compañías automotrices han ajustado los requerimientos para la
capacidad del proceso. Es responsabilidad del lector comunicarse con
sus clientes y determinar cuáles índices utilizar. En algunos casos, lo
mejor sería no utilizar los índices del todo. Es importante recordar que
muchos índices de capacidad incluyen las especificaciones del
producto en la fórmula. Si la especificación es inapropiada o no se
basa sobre los requerimientos del cliente, mucho tiempo y esfuerzo
puede ser desperdiciado tratando de forzar el proceso a ser conforme.
El Capítulo IV trata con los índices de capacidad y desempeño
seleccionado, y contiene advertencias sobre la aplicación de aquellos
índices.

22
Esta página se deja en blanco intencionalmente

23
 ETAPAS DEL CICLO DE MEJORAMIENTO CONTINUO DEL PROCESO

1. ANALIZAR EL PROCESO 2. MANTENIMIENTO DEL PROCESO

 Qué debería estar haciendo el  Monitorear el desempeño del
proceso? proceso
 Qué puede ir mal?  Detectar causas especiales de
 Que está haciendo el proceso? variación y actuar sobre ellas.
 Alcanza un estado de control
estadístico
 Determina la capacidad

3. MEJORANDO EL PROCESO
 Cambiar el proceso para
mejor entendimiento de las
causas comunes de
variación.
 Reducir las causas comunes
de variación

Figura I.4: El Ciclo de Mejoramiento del Proceso

24
CAPÍTULO I – Sección F
Ciclo de Mejoramiento del Proceso y Control del Proceso
Aplicando el concepto de mejora continua del proceso, hay un ciclo
de tres etapas que pueden ser útiles. (Ver Figura I, 4). Cada proceso
sujeto a mejoramiento puede localizarse en alguna parte en este ciclo
de mejoramiento.

1. Analizar el Proceso
Un entendimiento básico del proceso es un deber cuando se
considera la mejora del proceso. Entre otras, las preguntas que deben
responderse con el fin de alcanzar un mejor entendimiento del
proceso son:

• Qué podría estar haciendo el proceso?

 Cuál es la expectativa en cada paso del proceso?
 Cuáles son las definiciones operacionales de los
despachables?

* Qué puede estar mal?

 Qué puede variar en este proceso?
 Qué sabemos ahora acerca de la variabilidad de este
proceso?
 Qué parámetros son más sensibles de variación?

• Qué está haciendo el Proceso?

 Está el proceso produciendo desechos, o salidas que
requieren retrabajo?
 El proceso produce una salida que está en estado de control
estadístico?
 Es capaz el proceso?
 Es confiable el proceso?

Muchas técnicas discutidas en el Manual APQP7 pueden ser

aplicadas para lograr un mejor entendimiento del proceso. Estas
actividades incluyen:

• Encuentro de grupos,
• Consultas a personas que han desarrollado o que operan el
proceso
• (“Expertos en la materia”).
• Revisión de la historia del proceso,
• Construcción de un (FMEA) Análisis de los modos y efectos de
falla.

Las cartas de control explicadas en este manual son herramientas

poderosas que pueden ser utilizadas durante ciclo de mejoramiento
continuo del proceso. Estos métodos estadísticos simples ayudan a
diferenciar entre causas comunes y especiales de variación. Las
causas especiales de variación deben ser direccionadas. Cuando ha
sido alcanzado un estado de control estadístico, los niveles actuales
de capacidad a largo plazo pueden ser evaluados. (Ver Capítulo IV)

7
Chrysler, Ford y General Motors (1995).
25
2. Mantener (en control) el Proceso
Una vez se ha alcanzado un mejor entendimiento del proceso, el
proceso debe ser mantenido en un nivel adecuado de capacidad. Los
procesos son dinámicos y cambian. El desempeño del proceso debe
ser monitoreado de tal forma que puedan ser tomadas medidas
efectivas para prevenir cambios indeseados. Los cambios deseables
también deben ser entendidos e institucionalizados. Una vez más, los
métodos estadísticos simples explicados en este manual pueden
asistirlo. La construcción y uso de cartas de control y otras
herramientas son admisibles para un monitoreo eficiente del proceso.
Cuando la herramienta usada señala que el proceso ha cambiado,
pueden tomarse medidas rápidas y eficientes para aislar la causa(s) y
actuar sobre ellas.

Es muy fácil parar en esta etapa del ciclo de mejoramiento continuo

del proceso. Es importante darse cuenta que hay un límite en los
recursos de cualquier compañía. En algunas, tal vez muchas, los
procesos deberían estar en esta etapa. Sin embargo fallar en
proceder a la etapa siguiente en este ciclo, puede resultar en una
desventaja significativa competitiva. El logro de “clase mundial”
requiere de un minucioso y planeado esfuerzo par avanzar a la etapa
siguiente del ciclo.

3. Mejorar el proceso
Sobre este punto, el esfuerzo ha sido estabilizar y mantener el
proceso. Sin embargo, para algunos procesos, el cliente será
sensible incluso a variación dentro de la especificación de ingeniería.
( Ver Capítulo IV). En esta instancia, el valor de la mejora continua no
será determinado hasta que la variación sea reducida. En este punto,
las herramientas de análisis adicional del proceso, incluyendo
métodos estadísticos más avanzados tales como diseño de
experimentos y cartas de control avanzadas serían muy útiles. En el
apéndice H se listan algunas referencias útiles para estudios futuros.

La mejora del proceso a través de la reducción de la variación

involucra típicamente el propósito total de introducir cambios en el
proceso, y medir sus efectos. La meta es mejor entendimiento del
proceso de tal modo que las causas comunes de variación puedan
reducirse en el futuro. El propósito de esta reducción es calidad
mejorada a menor costo.

Cuando los parámetros de un proceso nuevo han sido determinados,

el ciclo retorna atrás para analizar el proceso. Desde que se han
hecho cambios, la estabilidad del proceso necesita ser reconfirmada.
El proceso entonces continuará moviéndose alrededor del ciclo de
mejoramiento del proceso.

26
Esta página se deja en blanco intencionalmente

27
 CARTAS DE CONTROL

Límite de control superior

Línea central

Límite de control inferior

1. Recolección

 Reunir datos y graficarlos en una carta.

2. Control

 Calcule los límites de control experimentales de los datos del proceso.

 Identifique las causas especiales de variación y actúe sobre ellas.

3. Análisis y Mejora

 Cuantificar las causas comunes de variación, tomar acción para reducirlas.

Estas tres fases se repiten para mejorar continua del proceso.

Figura I.5 Cartas de Control

28
CAPÍTULO I – Sección G
Cartas de control:
Herramientas para control del proceso y Mejoramiento
En sus libros8, el Dr. W. E. Deming identifica dos errores
frecuentemente cometidos en el control de procesos.
“Error 1. atribuye una variación o un error por una causa
especial cuando de hecho la causa pertenece al sistema
(causas comunes)
“Error 2. atribuye una variación o un error al sistema (causa
común) cuando de hecho la causa fue especial.
Sobre ajuste (apisonado) es un ejemplo común de error. No.
1. Nunca hacer nada tratando de encontrar una causa
especial; es ejemplo común del error No. 2.

Para una gestión efectiva de la variación durante la producción, debe

haber un medio efectivo de detectar las causas especiales. Hay una
falsa idea que los histogramas pueden ser usados para este
propósito. Los Histogramas son representaciones gráficas en forma
de distribución de la variación del proceso. La forma de distribución es
estudiada para verificar que la variación del proceso es simétrica y
unimodal y que sigue una distribución normal.

Infortunadamente la normalidad no garantiza que no hay causas

especiales actuando sobre el proceso. Esto es, algunas causas
especiales pueden cambiar el proceso sin destruir la simetría o la
 unimodalidad. También una distribución no normal puede no tener
causas especiales actuando sobre el proceso pero su forma de
distribución es no simétrica.

Métodos estadísticos y probabilísticos de tiempo - base suministran

necesarios y suficientes métodos para determinar la existencia de
causas especiales. También varias clases de métodos son útiles en
esta tarea, el más robusto y versátil es el genero de cartas de control
que fueron desarrolladas e implementadas por el Doctor Walter
Shewhart de los laboratorios Bell9, mientras estudiaba datos de
proceso en los años 1920. Él fue el primero en hacer la distinción
entre variación controlada e incontrolada, debido a eso nosotros las
llamamos causas comunes y causas especiales. Él desarrolló una
herramienta simple pero poderosa para separar las dos - la carta de
control. Desde ese tiempo, las cartas de control han sido usadas
exitosamente en una amplia variedad de situaciones de control de
proceso y situaciones de mejoramiento. La experiencia ha
demostrado que las cartas de control dirigen efectivamente la
atención en torno a las causas especiales de variación cuando
aparecen, y reflejan la extensión de las causas comunes de variación
que deben ser reducidas por el sistema o mejora del proceso.

Es imposible reducir los errores arriba a cero. El Dr. Shewhart realizó

esto, y desarrolló un enfoque gráfico para minimizar, sobre las
corridas largas las perdidas económicas de juntos errores.

8
Deming 91989) y Deming (1994).
9
Shewhart (1931).
29
 Si las actividades del proceso aseguran que no hay fuentes de
causas especiales de variación activas10, el proceso se dice en
control estadístico o “en control”.Tal proceso se dice ser estable,
11
predecible y consistente por cuanto es posible predecir el
desempeño de este proceso.

La existencia activa de cualquier causa especial llevara el proceso

fuera de control estadístico, o “fuera de control”. El desempeño de tal
proceso inestable no se puede predecir.

Como Trabajan?
Límites de control
Cuando Shewhart desarrolló las cartas de control estaba
comprometido con el control económico del proceso; e,j,.Se toma
acción sobre el proceso, solamente cuando están presentes causas
especiales. Para hacer esto, las muestras estadísticas se comparan
con los límites de control. Pero Como se han determinado esos
límites?

Considere la distribución de un proceso que puede ser descrito como

de forma normal. La meta es determinar cuando las causas
especiales están afectándolo. Otra forma de decirlo es: “Ha cambiado
el proceso desde la última observación, o durante el periodo de
muestreo?”

Las dos reglas de Shewhart para la presentación de datos

Los Datos siempre deben presentarse en tal forma que preserven la
evidencia en los datos de todas las predicciones que pueden ser
hechas de estos datos.
Cuando un promedio, rango o histograma se usa para resumir datos,
el resumen no debe conducir equivocadamente al usuario a tomar
ninguna decisión qu4e el usuario no tomaría si los datos fueran
presentados en series tiempo.


Ha Cambiado el
Proceso

Desde que la distribución normal es descrita por la localización de

sus procesos (media) y el ancho de los procesos (rango o desviación
estándar) esta pregunta se vuelve: Han cambiado la localización o
el ancho del Proceso?

Considere solamente la localización. Que enfoque puede ser utilizado

para determinar si la localización del proceso ha cambiado?

10
Esto se hace usando la información del proceso para identificar y eliminar la existencia de causas especiales o detectarlas y remover
sus efecto cuando ellas ocurren.
11
Como en todos los métodos de probabilidades algún riesgo está involucrado. El nivel exacto de credibilidad en la predicción de
acciones futuras no puede ser determinado por medidas estadísticas solas. Se requiere de la experiencia de los maestros en el tema.
30
 Una posibilidad podría ser mirar cada parte producida en el proceso,
pero no es usualmente económico. La alternativa es usar una
muestra del proceso y calcular la media de la muestra.

Ha cambiado la
localización del Proceso


Tome n muestras
calcule X

Si el proceso no ha cambiado, es igual la media de la muestra a la

media de la distribución?
La respuesta es que esto raramente sucede. Pero como es posible?
Después de todo, el proceso no ha cambiado. No implica esto que la
media del proceso se mantiene la misma? La razón de esto es que la
media de la muestra es solamente una estimación de la media del
proceso.
Para hacer esto un poco mas claro, considere tomar una muestra de
tamaño uno La media de la muestra es la media individual en si. Con
tales muestras aleatorias de la distribución, las lecturas
eventualmente cubrirán el rango entero del proceso. Usando la
fórmula:


Rango de Distribución de Medias =  1
 Rango del Proceso

 n
Para una muestra de tamaño cuatro, el rango resultante de promedios
1
de muestra será 1 
del rango del proceso; para una muestra
2 4
1
de tamaño cien será 1  del rango del proceso.12
100 10

Shewhart uso esta distribución de muestreo para establecer una

definición operacional de “en Control Estadístico.” Primero inició con
el supuesto que el proceso esta en control estadístico, ej, inocente
hasta probarlo culpable. Entonces la muestra con la distribución del
muestreo usando los límites  3de desviación estándar. Estos son
13

llamados límites de control si la muestra cae fuera de esos límites

entonces hay una razón para creer que hay presente una causa
especial. Posteriormente, se espera que todas las muestras
(aleatorias) exhibirán un ordenamiento aleatorio dentro de esos
límites. Si un grupo de muestras muestra un patrón hay una razón
para creer que una causa especial está presente. ( ver Capítulo I,
sección C, y Capítulo II, Sección A).

12
Ver el Teorema Límite Central.
Shewhart selecciono los límites  3 de desviación estándar como límites útiles para lograr un control económico de procesos.
13

31
 Distribución de promedios Distribución de individuos

Tome n muestras
Calcule X

Debido a la Variación del muestreo

En general, para establecer una carta de control calculamos:

Línea central =promedio de la estadística que está siendo analizada

UCL = Limite de control superior = línea central + 3 x desviación estándar de

los promedios
LCL = Limite de control inferior = línea central + 3 x desviación estándar de
los promedios

Enfoque

Desde cuando las Cartas de Control suministran la definición

operacional de “en control estadístico, ellas son herramientas útiles
en cualquier etapa del Ciclo de Mejoramiento (ver Capítulo I Sección
F)” Dentro de cada etapa, el ciclo PDSA14 puede ser usado..

Para análisis de juegos de Datos Existentes

Para el análisis y mejoramiento de las etapas del ciclo:
• Revise los Datos:
 La métrica es apropiada; e.j: refleja un atributo del proceso y se
dirige a un factor clave de negocios?
 Son los datos consistentes; e.j , es usada la misma definición
operacional por todas las partes que recolectan los datos?.
 Son los datos confiables E.j; se utiliza un esquema planificado
de recolección de datos?
 Es apropiado y aceptable el sistema de medición?

• Grafique los datos:

 Grafique en orden cronológico
 Compare con los límites de control y determine si hay algunos
puntos por fuera de los límites de control.

14
Ciclo Planifique – Haga - Estudie –Actúe; también conocido como Ciclo PDCA, ( Planifique -Haga Cheque Actue ).
32
  Compara con la línea central y determine si hay patrones no
aleatorios claramente discernibles

• Analice los datos

• Tome la acción apropiada
Los datos son comparados con los límites de control para ver
cuando la variación es estable y parece venir solamente de
causas comunes. Si son evidentes causas especiales de variación,
el proceso es estudiado para determinar posteriormente que la
está afectando. Luego de que se han tomado las acciones (ver
Capítulo I, Sección D), se recolectan datos posteriores, son
recalculados los límites de control si es necesario, y se actúa
sobre cualquier causa especial adicional

Después que las causas especiales han sido direccionadas y el

proceso está corriendo en control estadístico, la carta de control
continúa como una herramienta de monitoreo. También puede ser
calculada la capacidad del proceso. Si la variación por causas
comunes es excesiva, el proceso no puede producir salidas que
cumplan consistentemente los requerimientos del cliente. El
proceso en si debe ser investigado, y, típicamente, acciones
gerenciales se deben tomar para mejorar el sistema.

Para control

• Revise el esquema de recolección de datos antes de

comenzar:
 La métrica es apropiada; Ej. refleja un atributo del proceso y
esta encadenada a un factor clave de negocios?
 Serán los datos consistentes; Ej. es la misma definición
operacional usada por todas las partes que recolectan los
datos?
 Serán los datos confiables; Ej. se usa un esquema
planificado de recolección de datos?
 Es apropiado y aceptable el sistema de medición?

• Grafique cada punto como es determinado:

 Compare con los imites de control y determine si hay
algunos puntos fuera de los límites de control
 Compare con la línea central y determine si hay algunos
patrones no aleatorios claramente discernibles.

• Analice los datos

• Tome la acción apropiada:
 Continúe la corrida sin tomar ninguna acción; o
 Identifique la fuente de la causa especial y remuévala (sin
respuesta inaceptable) o refuerce (si respuesta aceptable); o
 Continúe la corrida sin tomar acción y reduzca el tamaño de
la muestra o la frecuencia; o
 Inicie una acción de mejoramiento continuo.

A menudo se encuentra que aunque el proceso fue apuntado al valor

objetivo durante la puesta a punto inicial, la ubicación actual del
proceso (  )15 puede no emparejar ese valor. Para aquellos procesos

15
La letra Griega  se usa para indicar la media del proceso actual, la cual es estimada por la media de la muestra X
33
 donde la localización actual se desvía del objetivo y la habilidad para
relocalizar el proceso es económica, deberá darse consideración a
ajustar el proceso para que, se alinee con el objetivo (ver Capítulo IV
Sección C). Se asume que este ajuste no afecta la variación del
proceso. Esto no siempre puede resultar cierto, pero las causas de
cualquier incremento en la variación del proceso luego de re objetivar
el proceso deberán ser entendidas y evaluadas contra juntas, la
satisfacción del cliente y la economía.

El desempeño del proceso a largo plazo deberá continuar siendo

analizado. Esto se puede conseguir con una revisión periódica y
sistemática de las cartas de control en curso. Pueden revelar nuevas
evidencias de causas especiales. Algunas causas especiales,
cuando son entendidas, serán benéficas y útiles para mejoramiento
del proceso. Otra pueden ser perjudiciales, y no necesitarán ser
corregidas o removidas.

El propósito del ciclo de mejoramiento continuo es ganar un

entendimiento del proceso y su variabilidad para mejorar su
desempeño. Tanto como este entendimiento madure, la necesidad
de monitoreo continuo de variables del producto se hará menor-
especialmente en procesos donde el análisis documentado muestre
que la fuente dominante de variación es más efectiva y
eficientemente controlada por otros enfoques. Por ejemplo: en
procesos donde el mantenimiento es la fuente dominante de
variación, el proceso es mejor controlado con mantenimiento
preventivo y predictivo; para procesos donde la puesta a punto es la
fuente dominante de variación, el proceso es controlado mejor con
cartas de control puesta a punto.

Para un proceso que está en control estadístico, los esfuerzos de

mejoramiento se enfocan a menudo en reducir las causas comunes

 de variación en el proceso. Reducir esta variación tendrá el efecto

de “encogimiento” de los límites de control en la carta de control
( Ej. los límites luego de ser recalculados, podrán estar más cerca
juntos). Muchas personas, no familiarizadas con las cartas de
control, sienten que esto es “penalizar” el proceso de mejora. Ellos
no hacen esto si un proceso es estable y los límites de control han
sido calculados correctamente; el chance de que el proceso
produzca erróneamente un punto fuera de control es el mismo a
pesar de la distancia entre los límites de control. Ver capítulo I,
Sección E).

Un área digna de mención es el asunto de recalcular los límites de

las cartas de control. Una vez adecuadamente computadas, y si no

 hay cambios en las causas comunes de variación del proceso,

entonces los límites de control se mantienen legitimados. Las
señales de causas especiales de variación no requieren recalcular
los límites de control. Para cálculos a largo plazo de las cartas dde
control, lo mejor es recalcular los límites tan frecuentemente como
sea posible; solamente como lo dicten los cambios en el proceso.

Para mejoramiento continuo de los procesos, repita las tres etapas

del Ciclo de Mejoramiento: Análisis del Proceso; Mantener (Control)
el Proceso; Mejorar el Proceso, ver Figura I.4.

34
Esta página se deja en blanco intencionalmente

35
 BENEFICIOS DE LAS CARTAS DE CONTROL

Usadas adecuadamente las cartas de control pueden:

 Ser usadas por los operadores para control de un proceso en

curso
 Ayudar para realizar el proceso consistente, y predecible por
 Permitir al proceso alcanzar:
- Más alta calidad
- Menor costo por unidad
- Mayor capacidad efectiva
 Suministrar un lenguaje común para discutir el desempeño del
proceso
 Distinguir las causas especiales de Variación, como guía para
una acción local o una acción sobre el sistema

36
CAPÍTULO I – Sección H
Uso efectivo y Beneficios de las Cartas de control
Importantes beneficios pueden ser obtenidos del uso efectivo de las
cartas de control. Las ganancias y beneficios de las cartas de
control son directamente relacionadas con lo siguiente:
Filosofía de Administración: Cómo la compañía sea administrada
puede impactar directamente la efectividad del SPC.

Los siguientes son ejemplos de que se necesita tener presente:

• Enfocar la organización sobre la reducción de la variación.

• Establecer un ambiente abierto que minimice la competencia

interna y soporte el trabajo de equipo cruzado- funcional.

• Soporte y fundamente administración y entrenamiento de los

empleados en el uso y aplicación adecuado del SPC.

• Muestre soporte e interés en la aplicación y beneficios

resultantes de la aplicación adecuada del SPC. Haga visitas y
preguntas frecuentes en esas áreas.

• Aplique el SPC para promover el entendimiento de variación en

procesos de ingeniería.

Aplique el SPC para administrar los datos y use la información en la

tomo de decisiones día a día

Los ítems anteriores soportan los requerimientos contenidos en

ISO 9000:2000 e ISO/TS 16949:2002

Filosofía de Ingeniería: Cómo ingeniería use los datos para

desarrollar diseños puede y tendrá influencia sobre el nivel y tipo de
variación en el producto terminado.
Las siguientes son algunas vías en las que Ingeniería puede
mostrar efectivo uso del SPC:

• Enfoque la organización de ingeniería sobre la reducción de la

variación en todos los procesos de diseño; e.j., número de
cambios de diseño, diseño de manufacturación y ensamble,
movimiento de personal, etc.

• Establecer un ambiente abierto de ingeniería que minimice la

competencia interna y soporte los equipos de trabajo
multifuncionales cruzados.
• Soporte y fundamente la administración de ingeniería y el
entrenamiento de los empleados en el uso y aplicación
adecuado del SPC.

• Aplique el SPC para promover el entendimiento de la variación

en los procesos de ingeniería.

• Requiere un entendimiento de variación y estabilidad en relación

con medición y los datos que son usados para desarrollo del
diseño.
37
• Soporte los cambios de ingeniería propuestos producto del análisis de
la información del SPC y ayude a la reducción de la variación.

Manufactura: Cómo manufacturación desarrolla y opera máquinas y la

transferencia de sistemas puede impactar el nivel y tipo de variación en el
producto terminado:

• Enfoca la organización de manufacturación sobre la reducción de la

variación; Ej., número de procesos diferentes, impacto de procesos con
multi-fijaciones y multi-herramientas, mantenimiento de herramientas y
máquinas, etc.

• Establece un ambiente de ingeniería abierto que minimiza la

competencia interna y soporta el equipo de trabajo multifuncional
cruzado.

• Soporta y fundamenta la administración de manufactura y el

entrenamiento de los empleados en el uso y aplicación adecuado del
SPC.

• Aplica el SPC en el entendimiento de la variación en los procesos de

manufactura.

• Requiere un entendimiento de variación y estabilidad en relación con la

medición y los datos que son usados para desarrollo del proceso de
diseño.

• Usa el análisis de la información del SPC para soportar los cambios de

proceso para reducir la variación.

• No libera las cartas de control a los operarios hasta que el proceso sea
estable. La transferencia de la responsabilidad por el proceso de
producción debe hacerse luego de que el proceso sea estable.

• Asegura el adecuado emplazamiento de los datos del SPC para su

óptimo uso por los empleados.

Control de calidad: la Función Calidad es un componente crítico en

proveer soporte para un proceso efectivo SPC:

• Soporta un entrenamiento en SPC para la administración, ingeniería, y

los empleados de la organización.

• Personas claves en la organización mentoras en la aplicación adecuada

del SPC.

• Asiste en la identificación y reducción de las fuentes de variación.

• Asegura el óptimo uso de los datos e información del SPC.

Producción: El personal de producción está directamente relacionado con

el proceso y puede afectar la variación del proceso. Ellos deben:

• Estar entrenados adecuadamente en la aplicación del SPC y la solución

de problemas

• Tener entendimiento de variación y estabilidad en relación con medición

y datos que son usados para control y mejoramiento del proceso.

• Estar alerta e informar cuando las condiciones cambien.

• Actualizar, mantener y desplegar las cartas de control dentro el área de

responsabilidad.
38
• Interactúa y aprende acerca del proceso de la información
recolectada.

• Usa la información del SPC en tiempo real para correr el

proceso.

La aplicación de los conceptos descritos arriba resultará en el

ambiente adecuado para el entendimiento y reducción de la
variación. Entonces el proceso Planifique – Haga – Estudie – Actúe
puede ser utilizado para mejoramiento posterior del proceso.

Como mínimo, el uso del SPC para monitoreo del proceso resultará
en un proceso que está siendo mantenido en su nivel actual de
desempeño. Sin embargo, las mejoras reales pueden ser
alcanzadas cuando el, SPC sea usado para dirigir la vía en que el
proceso sea analizado.

El uso apropiado del SPC puede resultar en una organización

enfocada sobre el mejoramiento de la calidad de producto y
proceso.

39
Esta página se deja en blanco intencionalmente

40
 CAPÍTULO II

Cartas de Control

41
Esta página se deja en blanco intencionalmente

42
Introducción
Las cartas de control pueden ser usadas para monitorear o evaluar
un proceso. Hay básicamente dos tipos de cartas de control,
aquellas para datos por variables y aquellas para datos por
atributos. El proceso por si mismo indicará cual tipo de carta de
control usar. Si los datos del proceso son de una naturaleza discreta
(e.j., pasa – no pasa, aceptable – no aceptable) entonces un carta
tipo por atributos se deberá usar. Si los datos derivados del proceso
sonde naturaleza continua (Ej., Diámetro, longitud) entonces una
carta por variables se deberá usar. Dentro de cada tipo de carta hay
varias combinaciones de cartas que pueden ser usadas para
evaluación posterior del proceso.

Algunas de las cartas mas comunes, Carta Promedio  X  y rango (R

), Cartas individuales ( I ). Carta rango móvil ( MR), etc., pertenecen
a la familia de cartas por variables. Cartas basadas en conteo o
datos porcentuales (Ej., p, np, c, u ) pertenecen a la familia cartas
por atributos.

Cuando se introducen cartas de control en una organizaci1>n, es

importante priorizar las áreas problema y usar cartas donde sea más
necesario. Las señales de problema pueden venir del costo del
sistema de control, las reclamaciones del cliente, cuellos de botella
internos, etc. El uso de las cartas de control por atributos en
medidas clave de calidad generales a menudo apuntan a la vía de
áreas de proceso específicas que podr161an necesitar examen mas
detallado incluyendo el uso posible de cartas de control por
variables.

Si están disponibles, los datos por variables son preferidos porque

ellos contienen mas información útil que los datos por atributos con
la misma cantidad de esfuerzo. Por ejemplo usted necesita un
tamaño de muestra mas grande de datos por atributos que por
variables para obtener la misma cantidad de confianza en los
resultados. Si el uso de sistemas de medición de variables es
imposible, la aplicación del análisis por atributos no se deberá sobre
examinar

43
 CARTAS DE CONTROL PARA ANÁLISIS DEL PROCESO
Proceso

El proceso de evaluación requiere mediciones

Gente Equipo Ambiente

El resultado es una decisión

Materiales Método Medición basada en las mediciones

Ejemplos de resultados Ejemplos de cartas de control

 Diámetro del eje en pulgadas  X  del promedio

 Distancia del hueco de la superficie de referencia (mm) de las mediciones
 Resistencia del circuito (ohms)
 Tiempo de tránsito de la cadena (horas) Carta R para rangos
 Cambio de ingeniería del tiempo de proceso (horas) de mediciones

El método de medición debe producir resultados exactos y precisos en el tiempo

No preciso Preciso

No exacto

Exacto*

* Alguna literatura de metodología actual define exactitud como carencia de sesgo

Fig. II.1 Datos de Variables

44
Cartas de Control por Variables
Las cartas de control por variables son la aplicación típica del control
estadístico de procesos, donde el proceso y sus salidas pueden ser
caracterizadas por mediciones de variables (ver Figura II. 1)

Las Cartas de Control por variables son particularmente útiles por

varias razones:

• Un valor cuantitativo, (ejemplo: “el diámetro es 16,45mm”)

contiene más información que un simple postulado si-no
(ejemplo: “el diámetro está dentro de especificación”).

• También recolectar datos por variables es usualmente más

costoso que recolectar datos de atributos (Ej., pasa - no pasa).
Una decisión puede tomarse mas rápidamente con un tamaño
de muestra mas pequeño. Esto puede resultar en que los costos
de medición total pueden ser más bajos debido a que se
incrementa la eficiencia.

• Debido a que algunas pocas piezas necesitan ser chequeadas

antes de tomar decisiones confiables, el lapso de tiempo entre
una señal “fuera de control” y la acción correctiva es usualmente
mas corto, y

• Con datos de variables, el desempeño de un proceso puede ser

analizado y la mejora puede ser cuantificada, aún si valores
individuales están dentro de límites de especificación. Ésto es
importante en la búsqueda del mejoramiento continuo.

Las cartas de variables pueden explicar los datos de procesos en

términos de la variación de su proceso, variación pieza-a pieza y sus
promedios del proceso. A causa de esto, las cartas de control por
variables deben ser siempre preparadas y analizadas en pares - una
carta para promedio del proceso, y otra para la variación del
proceso. El par más comúnmente usado es el de cartas. X y R.
X es el promedio aritmético de valores en subgrupos pequeños -
una medida de promedio del proceso; R es el rango de valores
dentro de cada subgrupo (el más alto menos el más bajo) – una
medida de variación del proceso. Sin embargo, hay un número de
otras cartas de control que pueden ser mas útiles bajo ciertas
circunstancias.

 Las cartas X y R. pueden ser las cartas más comunes, pero ellas
pueden no ser las más apropiadas para todas las situaciones.

45
 CARTAS DE CONTROL PARA CLASIFICAR LOS PROCESOS

La decisión se basa sobre la

Método
clasificación del resultado
Equipo Ambiente

Materiale Método Medición

s

Ejemplo de Resultado Ejemplos de cartas de control

El vehículo no sale p cartas para proporción de unidades

no conformes
Luces de las lámparas/no alumbran

Diámetro del hueco subdimensionado o sobredimensionado np cartas para número de unidades no

(galga pasa/No pasa) conformes

Embarque al distribuidor correcto o incorrecto

Burbujas en el vidrio panorámico c carta para número de no
conformidades por unidad
Imperfecciones de pintura sobre la puerta
u carta para número de no
Errores en un pedido conformidades por unidad

El criterio de conformidad debe ser definido claramente y los procedimientos para definir que
esos criterios cumplidos producen resultados consistentes sobre el tiempo

Ejemplos de criterios de aceptación Comentario

La superficie debe estar libre de imperfecciones ¿Qué es imperfección?

La superficie debe estar conforme con el estándar de ¿Lo acepta el inspector?

color, textura, brillo y no debe tener imperfecciones ¿Cómo lo mide?
¿Conforme a qué grado?

Cualquier material aplicado al espejo trasero no debe  ¿Visible por quién?

causar manchas visibles del espejo ¿Bajo qué condiciones?

Figura II.2: Datos por atributos

46
Cartas de control por atributos
Aunque las cartas de control son a menudo pensadas en términos de
variables, también han sido desarrolladas versiones por atributos (ver
figura II. 2). Los datos por atributos tienen valores discretos y pueden
contar para análisis y registro. (conforme/no conforme, pasa/no pasa,
pasa/falla, presente/ausente, bajo/medio/alto). Los Ejemplos incluyen la
presencia de una etiqueta requerida, la continuidad de un circuito
eléctrico, o errores en un documento mecanografiado.

Otros ejemplos son de características que son medibles, pero donde los
resultados son grabados en un simple modelo si/no, tal como la
conformidad del diámetro de un eje cuando se mide con una galga
pasa/no pasa, la aceptabilidad de los marcos de una puerta contra una
galga o chequeo visual, o el desempeño de despacho a tiempo. Las
cartas de control por atributos son importantes por varias razones:

• Situaciones de datos por atributos existen en cualquier proceso

técnico o administrativo, por tanto, las técnicas de análisis por
atributos, son útiles en muchas aplicaciones. La dificultad más
significativa es desarrollar definiciones operacionales precisas de lo
qué es conforme.

 Los datos por atributos están ahora disponibles en muchas

situaciones – donde quiera que existan inspecciones, registros de
reparaciones, clasificación de material rechazado, etc. En esos
casos, no se requiere esfuerzo adicional para la recolección de
datos. El único gasto involucrado es el esfuerzo de convertir esos
datos en forma de cartas de control.

 Donde deben ser recolectados nuevos datos, la información por

atributos es generalmente rápida y económica de obtener. Con un
simple calibrado (ejemplo: una galga pasa-no pasa o estándares
visuales), esto a menudo no requiere habilidades especiales de
recolección. Hay muchas ocasiones donde habilidades especiales
de medición se requieren especialmente cuando la parte medida
cae en el área gris.16
II II
 Muchos datos recolectados para resumen de reportes
administrativos están en forma de atributos y pueden beneficiarse
del análisis de las cartas de control. Ejemplos incluyen ratas de
desperdicio, auditorías de calidad y rechazos de material. A causa
de la habilidad para distinguir las causas especiales y comunes de
variación, el análisis las cartas de control puede ser de valor en la
interpretación de esos reportes administrativos.

Este manual usará a lo largo discusiones simples por atributos, porque:

• Éstas categorías son usadas “tradicionalmente”,

• Las organizaciones que justo arrancan sobre el sendero del
mejoramiento continuo comienzan con estas categorías
• Muchos de los ejemplos en la literatura disponible usan estas
categorías.

No debe ser interpretado que esas son las únicas categorías

 “aceptables” o que las cartas por atributos no pueden ser usadas en
Procesos Caso 1 (ver Capítulo 1, sección E). 17

16
Ver Capítulo Estudio Sistema de Medici1ón Atributos, en El manual de referencian MSA.
17
Ver también: Montgomery (1997), Wheeler (1991 , 19905) , Wise y Fair (1998).
47
Elementos de las cartas de control

No hay una simple manera “aprobada” de exponer las cartas de

control. Sin embargo, las razones para el uso de las cartas de control
(ver Capítulo I, Sección E) deben tenerse en mente. Cualquier
formato es aceptable tan como el contenga lo siguiente: (ver Figura
II.3.)

 (A) Escala apropiada

La escala debe ser tal que la variación natural del proceso pueda
ser vista fácilmente. Una escala que produce una carta de
control “angosta” no permite un análisis y control del proceso.

NO SI

 (B) UCL, LCL

La habilidad para determinar detectores los cuales señales
especiales causa que la carta de control requiera límites basados
 sobre la distribución del muestreo. Los límites de especificación
no deben ser usados en lugar de los límites de control válidos
para análisis y control del proceso.

 (B) Línea Central

La carta de control requiere una línea central basada sobre la
distribución del muestreo en orden a permitir la determinación de
los patrones no aleatorios; los cuales señalan causas especiales.

 (C ) Secuencia /Línea de tiempo Subgrupo

Mantener la secuencia en la cual los datos son recolectados
suministra indicaciones de „cuando‟ ocurre una causa especial y
si esa causa especial es orientada en el tiempo.

 (D) Identificación de los valores Fuera de Control graficados

Los puntos graficados que están fuera de control estadístico

deberán ser identificados en la carta de control. Para control de
procesos el análisis de causas especiales y su identificación
deberá ocurrir así como cada muestra es graficada así mismo las
revisiones periódicas de las cartas de control como un todo para
patrones no aleatorios.

 (E) Registro de Eventos

Además de la recolección, el carteo y el análisis de datos,

información adicional de soporte debe ser recolectada Esta

48
 información debería incluir cualquier fuente potencial de variación
también como cualquier acción tomada para solucionar señales
de fuera de control (OCS). Esta información puede ser registrada
sobre la carta de control o en carta separada de Registro de
Eventos.

Si no ha habido cambio en el proceso entre subgrupos, no es

necesario incluir una entrada en el registro de eventos.

OCS Subgrupo Registro de Eventos

1 Primer turno – nueva puesta a punto; Inserto IC27, Lote material #1948
4 Segundo turno – nueva puesta a punto; inserto IC27; lote material #1931
6 Tercer turno- nueva puesta a punto; Inserto IC84; lote material # 1QR50
*** 7 Primer turno – lote material #2179; reemplazo inserto malo
9 Tercer turno- lote material # 2193
12 Primer turno – lote material # 1950
23 Segundo turno – lote material # ZM18
Etc.

Figura II.3 Elementos de las Cartas de Control.

Durante el análisis del proceso, el conocimiento de que podría

constituir una causa potencial para este proceso específico puede ser
incompleto. Consecuentemente, las actividades de recolección de
información inicial pueden incluir eventos los cuales probarán no ser
causas especiales. Tales eventos no necesitan ser identificados en
las actividades de recolección de información subsecuente. Si las
actividades de recolección de información iniciales no son
suficientemente comprensivas, entonces debe gastarse tiempo en
identificar eventos específicos que causan señales de fuera de
control.

49
Para cartas de control que están incluidas como parte de un reporte y
para aquellas que son mantenidas manualmente, la siguiente
información deberá ser incluida:

● Que: parte/producto/nombre de servicio y número de

Identificación

● Donde: operación/información paso proceso,

nombre/identificación

● Quién: operador y observador

● Como: sistema de medición usado, nombre/número, unidades

(escala)

● Cuanto: tamaño sub grupo, uniforme o por muestra

● Cuando: esquema de muestreo (frecuencia y tiempo)

La figura II.4 muestra una carta de control completa mantenida

manualmente ka cual incluye todos estos elementos.

50
 Incluir aqui la Figura II. 4ª.

Figura II.4a: Carta de Control Muestra (Lado Frontal)

51
OCS Subgrupo
Registro de Eventos
1 S1 – nueva puesta a punto; inserto MH18; lote material #121950
2 S1 – n/c
3 S1 – Lote material #081984
4 S1 – n/c
5 S2 – lote material # 081950
6 S2 – Nueva puesta a punto; inserto DA14; lote material #081950
7 S2 – lote material # 111951
8 S2 - - n/c
9 S3 – nueva puesta a punto; inserto DM19; lote material #111952
10 S3 – reemplazo inserto roto con DM23, continúa el lote de material
11 S3 – lote material #111953
12 S3 – n/c
13 S1 – nueva puesta a punto; inserto JK10; lote material #111954
14 S1 – n/c
15 S1 – lote material # 111955
16 S1 – n/c
17 S2 – lote material # 111956
18 S2 – retorno operador – DA
19 S2 – lote material #111957
A 20 S2 – material malo- producción parada; material marcado rojo y
secuestrada producción de cambio de lote.
21 S3 – nueva puesta a punto; inserto JK28; lote material #031942
22 S3 – n/c
23 S3 – lote material #081943
24 S3 – n/c
25 S1 – nueva puesta a punto; inserto GG16; lote material # 031942
26 S1 – n/c
27 S1 – lote material #111940
28 S1 – n/c.

Nota: S.xx indica el turno; n/c indica no cambio en el proceso.

Figura II.4b : Carta de Control Muestra (lado posterior) – Registro de Eventos.

52
CAPÍTULO II – Sección A
Cartas de Control Proceso
Pasos preparatorios

 Antes que las cartas de control puedan ser usadas deben realizarse
varios pasos preparatorios:

 Establecer un ambiente adecuado para la acción

 Definir el Proceso
 Determinar las propiedades o características a ser carteadas
basadas sobre:
● Las necesidades del cliente
● Áreas problema actuales y potenciales
● Correlación entre características.

Cuidado La correlación entre variables no implica una relación casual. En

ausencia de conocimiento del proceso, un diseño de experimentos
puede ser necesario para verificar tales relaciones y su significado.

 Definir la Característica

La característica debe ser definida operacionalmente así que

los resultados puedan ser comunicados a todos los
implicados de forma que tengan el mismo significado hoy
como ayer. Esto involucra especificar que información debe
ser recopilada, donde, como y bajo que condiciones.

Una definición operacional describe la característica que es

evaluada y cuando la característica es cualitativa (discreta) o
cuantitativa (continua). Las cartas de control por atributos se
usarán para monitorear y evaluar variables discretas mientras
que las cartas de control por variables se usarán para
monitorear y evaluar variables continuas.

 Definir el sistema de medición

La variabilidad total del proceso consiste de la variabilidad

parte - a - parte y de la variabilidad del sistema de medición.
Es muy importante evaluar el efecto de la variabilidad del
sistema de medición sobre el total de la variabilidad del
proceso y determinar si es aceptable. El desempeño de la
medición debe ser predecible en términos de exactitud,
precisión y estabilidad.

La calibración periódica no es suficiente para validar la

capacidad del sistema de medición para el uso pretendido.
En adición a estar siendo calibrado, el sistema de medición
debe ser evaluado en términos de estabilidad para el uso
pretendido.

53
Para más detalles sobre este objeto ver el Manual de Referencia
Análisis del Sistema de Medición (MSA). La definición del sistema de
medición determinará que tipo apropiado de carta usar, variables o
atributos.
 Minimizar la variación innecesaria

Las causas externas de variación innecesarias deberán ser

reducidas antes de que comiencen los estudios. Esto puede
simplemente hacerse observando que el proceso esta
siendo operado como se pretende. El propósito es eliminar
problemas obvios que podrían y deberían ser corregidos sin
el uso de cartas de control. Esto incluye ajustes del proceso
o sobre control. En todos los casos, un registro de eventos
debe tenerse anotando todos los eventos relevantes tales
como cambio de herramientas, nuevos lotes de material,
cambios en el sistema de medición, etc. Esto ayudará en el
proceso de análisis subsiguiente.

 Asegurar que la selección del sistema es la adecuada para

detectar las causas especiales esperadas.

ADVERTENCIA: Incluso aunque el conveniente muestreo y/o el

muestreo al azar es frecuente pensar que esta siendo aleatorio, no
lo es. Si uno asume que lo es, y en realidad no, uno carga un riesgo
innecesario que puede resultar en conclusiones erróneas o
desviadas.

Para mas detalles ver Capítulo I , Sección H.

54
Mecánica de las Cartas de Control

Los pasos para usar las cartas de control son:

1. Recolección de datos

2. Establecer los Límites de Control

3. Interpretar para control Estadístico

4. Extender los limites de control para controles en curso.(ver

figura II.5)

Recolección de Datos

Las cartas de control son desarrolladas de mediciones de una

característica particular o rasgo del proceso. Esas mediciones son
combinadas en una estadística (control), (e.j., promedio, mediana,
rango, desviación estándar, individual), la cual describe un atributo de
la forma de distribución del proceso. Los datos de medición son
recolectados de muestras individuales de una corrida del proceso.
Las muestras son recolectadas en subgrupos y pueden consistir de
una o mas piezas. En general, un tamaño grande de subgrupos hace
mas fácil detectar pequeños giros en el proceso
.

Crear un Plan de Muestreo.

 Para que las cartas de control sean efectivas el plan de muestreo

debe definir subgrupos racionales. Un subgrupo racional es uno en el
cual la muestra es seleccionada de forma que el chance de variación
debida a causas especiales que ocurra dentro del subgrupo sea
minimizado, mientras que el chance de que la variación por causas
especiales entre subgrupos sea maximizada. El item clave para
recordar cuando se desarrolle un plan de muestreo es que la
variación entre subgrupos va a ser comparada con la variación dentro
de subgrupos. Tomando muestras consecutivas de los subgrupos
minimiza la oportunidad de cambios del proceso y podría minimizar la
variación dentro de subgrupos. La frecuencia de muestreo
determinara la oportunidad que el procesa tiene para cambiar entre
subgrupos.

La variación dentro de un subgrupo representa la variación pieza-a-

pieza en un corto periodo de tiempo.18 Cualquier variación
significativa entre subgrupos podría reflejar cambios en el proceso
deben ser investigados para una acción apropiada.

Tamaño de subgrupo.- El tipo de proceso bajo investigación dicta

como se define el tamaño del subgrupo. Como se estipuló antes, un
tamaño de subgrupo grande hace mas fácil detectar pequeños giros
del proceso. El equipo responsable tiene que determinar el tamaño
apropiado del subgrupo. Si el giro esperado es relativamente
pequeño, entonces un tamaño de subgrupo mas grande podría ser
necesario comparado con el requerido si el giro anticipado es grande.

18
Ver también Apéndice A.
55
 Insertar aqui la figura II.5

Figura II.5: Límites de Control Extendidos.

56
El tamaño del subgrupo debería conservarse constante pero hay
situaciones donde el tamaño del subgrupo varía dentro de una carta de
control sencilla. El cálculo de los límites de control depende del tamaño
del subgrupo y si uno varía el tamaño del subgrupo los límites de control
cambiarán para ese subgrupo. Hay otras técnicas que tratan con el los
tamaños variables de subgrupos;por ejemplo, ver Montgomery (1997) y
Grant & Leavenworth (1996).

Frecuencia de Subgrupos – Los subgrupos son tomados

secuencialmente en el tiempo, Ej., una vez cada 15 minutos o dos por
turno. La meta es detectar cambios en el proceso en el tiempo. Los
subgrupos deberán ser recolectados a menudo suficientemente, y a
tiempos adecuados así que ellos puedan reflejar las oportunidades
potenciales de cambio. Las causas potenciales de cambio pueden ser
debidas a diferencias en los turnos de trabajo, cambio de operarios,
tendencias al calentamiento, lotes de material, etc.

Número de subgrupos. – El número de subgrupos necesario para

establecer los límites de control deberá satisfacer el siguiente criterio:
suficientes subgrupos deben ser reunidos para asegurar que las fuentes
mayores de variación que puedan afectar el proceso hayan tenido la
oportunidad de aparecer. Generalmente, 25 o mas subgrupos
conteniendo cerca de 100 o mas lecturas individuales dan un buen test
de estabilidad y, si es estable, buenos estimativos de la localización y
dispersión del proceso. Este número de subgrupos asegura que el
efecto de cualquier valor extremo en el rango de la desviación estándar
sea minimizado.

En algunos casos, los datos existentes pueden estar disponibles los

cuales podrían acelerar esta primera etapa del estudio. Sin embargo,
ellos deberán ser usados solamente si ellos son recientes y si la base
para establecer los subgrupos esta claramente entendida. Antes de
continuar, un plan racional de muestreo debe ser desarrollado y
documentado.

Esquema de Muestreo. – si las causas especiales afectan el proceso

pueden suceder impredeciblemente, el esquema apropiado es una
muestra aleatoria (o de probabilidad). Una muestra aleatoria es una en
la cual cada punto de muestra (subgrupo racional) tiene la misma
oportunidad (probabilidad) de ser seleccionada. Una muestra aleatoria es
sistemática y planificada; esto es, todo punto de muestra es determinado
antes que cualquier dato sea recolectado. Para causas especiales que se
conoce que ocurren en eventos o tiempos específicos, el esquema de
muestreo deberá utilizar este conocimiento. El muestreo al azar o
muestreo de conveniencia no basado sobre la ocurrencia esperada de
una causa especial específica debe ser evitado por cuanto este tipo de
muestreo suministra un falso sentido de seguridad; el puede conducir a
un resultado desviado y consecuentemente a una posible decisión
errónea.

Cualquier esquema de muestreo escogido que usa todos los puntos de

muestra deberá ser determinado antes que sean recolectados los datos.
(ver Deming (1950) y Gruska (2004)).

Nota: para una discusión acerca del subagrupamiento racional y el

efecto de subagrupar en la interpretación de las cartas de control ver
Apéndice A.

57
Puesta a punto de la Carta de Control.

Una carta de control debe tener secciones para:

 Encabezar información incluyendo la descripción del proceso

y el plan de muestreo.

 Registrar-mostrando los valores de los datos reales

recolectados. Esto debe también incluir los datos & tiempo o
la identificación de otros subgrupos.

Éstos deberían incluir también la fecha y el tiempo u otra

identificación de subgrupos.

 Para cálculos interinos de datos (opcional para cartas

automatizadas).
Esto debe también incluir un espacio para los cálculos
basados sobre las lecturas y las estadísticas de control
calculadas.

 Para graficar cada estadística de control que está siendo

analizada.
El valor para el control estadístico es usualmente
graficado sobre la escala vertical y la escala horizontal es
la secuencia en el tiempo. Los valores de datos y los
puntos de graficar para control estadístico se deben
alinear verticalmente. La escala debe ser lo
suficientemente ancha para contener toda la variación en
el control estadístico. Un delineamiento es que la escala
inicial puede ser ajustada a dos veces la diferencia entre
el máximo (esperado) y el valor mínimo.

 Para anotar observaciones.

Esta sección debe incluir detalles tales como ajustes del
proceso, cambios de herramental, cambios de material, u
otros eventos los cuales puedan afectar la variabilidad del
proceso.

Registro datos sin procesar

 Ingrese los valores individuales y la identificación por cada

subgrupo

 Registre cualquier información pertinente

Calcule el Control (es) Estadístico por cada subgrupo

El control estadístico a ser graficado es calculado de los datos de

medición del subgrupo. Esas estadísticas pueden ser la media de la
muestra, la mediana, el rango, la desviación estándar, etc. Calcule las
estadísticas de acuerdo con la fórmula para cada tipo de carta que
está siendo usada.

58
 Grafique la Estadística (s) de Control sobre la Carta

Grafique el control estadístico sobre la carta. Esté seguro que los puntos
graficados para el correspondiente control estadístico estén alineados
verticalmente. Conecte los puntos con líneas para ayudar a visualizar los
patrones y tendencias.

Los datos deben ser revisados mientras se recolectan en orden a

identificar problemas potenciales. Si algún punto es substancialmente
mas alto o mas bajo que los otros, confirme que el cálculo y los puntos
son correctos y registre cualquier observación pertinente.

Establezca los límites de Control

Los límites de control son definidos por la variación del control

estadístico. Ellos definen el rango de valores en los que puede caer
aleatoriamente el control estadístico, dado esto son solamente las
causas comunes de variación. Si el promedio de dos subgrupos
diferentes de el mismo proceso se calcula, es razonable esperar que
ellos sean cercanamente los mismos. Pero como ellos fueron calculados
usando partes diferentes, no se espera que los dos promedios sean
idénticos. Aún aunque los dos promedios son diferentes, hay un límite
para cuan diferente se espera que sean, debido al azar aleatorio.
Esto define la localización de los límites de control.

Esta es la base para todas las técnicas de las cartas de control.

Si el proceso es estable (Ej., que tiene solamente causas comunes de
variación), entonces hay una alta probabilidad de que para cualquier
muestra subgrupo el control estadístico calculado caiga dentro de los
límites de control. Si el control estadístico excede los límites de control
entonces eso indica que una causa especial de variación puede estar
presente.

Hay dos fases en los estudios de control estadístico de procesos.

1. La primera es identificar y eliminar las causas especiales de

variación en el proceso. El objetivo es estabilizar el proceso. Un
proceso estable, predecible se estar en control estadístico.

2. La segunda fase concierne con predecir medidas futuras para de

ese modo verificar la estabilidad de los procesos en curso.
Durante esta fase, el análisis de datos y la reacción a las causas
especiales es hecho en tiempo real. Una vez estable, el proceso
puede ser analizado para determinar si es capaz de producir lo
que desea el cliente.

Identifique la línea central y los límites de control de la carta de

control.

Para asistir en el análisis gráfico de las estadísticas de control graficadas,

trace líneas para indicar la localización estimada (línea central) y los
límites de control del control estadístico sobre la carta.

En general, para poner a punto una carta de control calcule:

 Línea central,
 Límite de control superior (UCL).
 Límite de control inferior (LCL).

Ver Capítulo II, Sección C para las Fórmulas.

59
Interpretar para Control Estadístico.
Si el proceso no tiene causas especiales que afecten su variabilidad,
entonces el control estadístico caerá dentro de los limites de control
en un modelo aleatorio. (e.j., los patrones no serán evidentes).

Las causas especiales pueden afectar ya sea la localización del

 proceso (Ej., promedio, mediana) o la variación (Ej., rango,
desviación estándar), o juntos. El objetivo del análisis de las cartas
de control, es identificar cualquier evidencia de que la variabilidad o la
localización del proceso no están operando a un nivel de control
constante - una o juntas están fuera de control estadístico – y tomar
las acciones apropiadas.

En la discusión siguiente, el promedio será usado para la localización

del control estadístico y el Rango para la variación del control
 estadístico. Las conclusiones sacadas para esos controles
estadísticos también aplican igualmente para otros posibles controles
estadísticos.

Desde que los límites de control estadísticos de la localización son

dependientes del variación estadística, el control estadístico de la
variación debe ser analizado primero para la estabilidad. La variación
y la localización estadísticas son analizadas separadamente, pero la
comparación de patrones entre las dos cartas puede algunas veces
proporcionar comprensión adicional de las causas especiales que
afectan el proceso.

Un proceso no puede decirse ser estable (en control estadístico) a

menos que juntas cartas no tengan condiciones de fuera de control
(indicación de causas especiales)

Analizar los datos graficados en la carta Rango.

Por cuanto, la habilidad para interpretar bien sea los rangos

subgrupos o los promedios subgrupo depende la variabilidad
estimada pieza a pieza, la carta R se analiza primero. Los puntos
dato son comparados con los límites de control, para puntos fuera de
control o por patrones o tendencias inusuales (ver Capítulo II,
Sección D ).

Encuentre y Direccione las Causas Especiales (Carta Rango)

Por cada indicación de una causa especial en los datos de la carta
rango, conduzca un análisis de la operación del proceso para
determinar la causa y mejorar el entendimiento del proceso; corregir
la situación, y prevenir su recurrencia. La carta de control en si
deberá ser una guía útil en el análisis del problema, sugerir cuando
la condición puede comenzar y cuán largo puede continuar. Sin
embargo, se reconoce que no todas las causas especiales son
negativas; algunas causas especiales pueden resultar en
mejoramiento positivo del proceso en términos de decrecer la
variación en el rango - aquellas causas especiales deben ser
evaluadas para posible institucionalización dentro del proceso, donde
sea apropiado.

El menor tiempo en un análisis de un problema es importante, en

términos de minimizar la producción de una salida inconsistente, y en
términos de tener evidencia fresca para diagnóstico. Por ejemplo, la

60
 aparición de un simple punto más alla de los límites de control es
razón para comenzar un análisis inmediato del proceso Un registro de
eventos del proceso es una fuente útil de información en términos de
identificar las causas especiales de variación.

Introducir aqui la figura II.6

Figura II.6 : Recálculo de los Límites de Control.

Se debe enfatizar en que la solución de problemas es a menudo

el paso mas difícil y de gasto de tiempo. Las entradas
estadísticas de las cartas de control pueden ser un punto
adecuado de inicio, pero otros métodos tales como las cartas de
Pareto, diagrames de causa – efecto, u otro análisis gráfico
pueden ser útiles (ver Ishikawa (1976)). Últimamente, sin
embargo, las explicaciones para una conducta recaen dentro
del proceso y la gente que está involucrada con el.
Meticulosidad, paciencia, perspicacia y entendimiento serán
necesarias para desarrollar acciones que mejoren el desempeño
en forma medible.

61
 Recalcular los Límites de Control (Carta Rango).

Cuando se conduce un estudio inicial de proceso o una re

evaluación de la capacidad del proceso, los límites de control deben
ser re calculados para excluir los efectos de los periodos fuera- de –
control para los cuales las causas del proceso han sido claramente
identificadas y removidas o institucionalizadas. Excluir todos los sub
grupos afectados por las causas especiales que han sido
identificadas y removidas o institucionalizadas, entonces recalcular y
graficar el nuevo rango promedio R   y los límites de control.
Confirme que todos los puntos muestran control cuando se
comparan con los nuevos límites; si no, repita la secuencia de
identificación, corrección, recálculo.

Si algunos subgrupos fueron sacados de la carta R por la

identificación de causas especiales, también deberían ser excluídos

de la carta  
X . Las cartas revisadas R y   X deben ser
usadas para recalcular los límites de control de carrera para

promedios, X  A2 R (ver Figura II.6).

Nota: La exclusión de subgrupos que representan condiciones

inestables es no solo “ quitar datos malos” En vez de eso,
excluir los puntos los puntos afectados por causas especiales
 conocidas, es un buen estimativo del nivel de realimentación de
la variación debida a causas comunes. Esto en cambio, da la
mas apropiada base a los límites de control para detectar futuras
ocurrencias de causas especiales de variación. Recordando, sin
embargo, que el proceso debe ser cambiado asi que las causas
especiales no recurran (si son indeseables) como parte del
proceso.

Encuentre y Direccione las Causas Especiales (Carta Promedio)

Una vez que las causas especiales que afectan la variación (Carta
Rango) han sido identificadas y sus efectos han sido removidos, la
Carta Promedio puede ser evaluada para causas especiales. En la
figura II.6 estos límites de control nuevos para promedio indican que
dos muestras están fuera de los límites de control.

Para cada indicación de una condición fuera- de –control en los

datos de la carta promedio, conduzca un análisis de la operación del
proceso para determinar la razón de la causa especial; corrija esa
condición, y prevenga que recurra. Use los datos de la carta como
una guía de cuándo esa condición comienza y cuanto tiempo
continúa. El tiempo en el análisis es importante, tanto como para
diagnóstico como para minimizar la salida inconsistente. Otra vez,
esté advertido que no todas las causas especiales necesitan ser
indeseables (ver Capítulo I, Sección E, y Capítulo II, Sección B).

Las técnicas de solución de problemas tales como análisis Pareto y

análisis causa- efecto pueden ayudar. (Ishikawa (1976)).

Recalcule los Límites d Control (Carta Promedio).

Cuando conduzca un estudio inicial de proceso o reevalúe la

capacidad de proceso, excluya cualquier punto fuera- de control_
para el cual las causas especiales han sido encontradas y
removidas; recalcule y grafique el promedio y los límites de
62
 control. Confirme que todos los puntos de datos muestran control
cuando se comparan con los nuevos límites; si no, repita la
secuencia de Identificación, corrección y recálculo.

Comentarios finales La discusión precedente pretendió dar una introducción funcional al

análisis de las Cartas de Control. Aún aunque esa discusión se usó
en las cartas Promedio y Rango, los conceptos aplican a todos los
enfoques de Cartas de Control.

Mas adelante hay otras consideraciones que pueden ser útiles para
el analista. Una de las mas importantes es recordar que, aún con
procesos que están en control estadístico, la probabilidad de tener
una señal falsa de una causa especial o o cualquier subgrupo
individual se incrementa cuantos mas datos son revisados.

Mientras es sabio investigar todas las señales de posible evidencia

de causas especiales, debe reconocerse que ellas pueden ser
causadas por el sistema y que ellas pueden no pueden subrayar
problemas locales del proceso. Si no hay evidencia clara de que se
encontró una causa especial, cualquier acción “ correctiva” servirá
probablemente para incrementar, en vez de decrecer, la variabilidad
total en la salida del proceso.

Para posterior discusión de la interpretación, ensayos de falta de

aleatoriedad en los datos y solución de problemas, ver AT&T (1984),
Duncan (1986), Grant y Leavenworth (1976), Juran y Godfrey
(1999), Charbonneu y Gordon (1978), Ishikawa (1976), Wheeler
(1991, 1995) y Ott (2000).

63
 Pegar aqui la figura II.7

Figura II.7: Límites de Control Extendidos Para Controles en Curso.

64
Límites de Control Extendidos Para Controles en Curso.

Cuando los datos iniciales (o históricos) están consistentemente

contenidos dentro de los límites de control procesados, extienda los
límites para cubrir periodos futuros. Sería deseable aquí ajustar el
proceso a la meta si el centro del proceso está fuero de la meta.
Esos límites pueden ser utilizados para monitoreo en curso del
proceso, con el operario y la supervisión local respondiendo a
signos de condiciones fuera- de- control ya sea en localización o
variación de las cartas  X  o R con acción rápida. Ver Figura II.7.

Un cambio en el tamaño de muestra del subgrupo podría afectar el

promedio de rango esperado y los límites de control para ambos
promedios y rangos. Esta situación podría ocurrir, por ejemplo, , si
se decidió tomar pequeñas muestras mas frecuentemente, par
detectar mas rápidamente giros en procesos largos sin incrementar
el número total de piezas muestreadas por día. Para ajustar la línea
central y los límites de control para un nuevo tamaño de muestra del
subgrupo, se deben tomar los siguientes pasos:

 Estime la desviación estándar del proceso ( el estimado se

muestra como ̂
- “sigma sombrero”19. Usando el tamaño de
muestra existente del subgrupo calcule:

ˆ c  Rˆ d donde R̂ es el promedio de rangos del subgrupo

2
(para periodos con los rangos en control) y d2 es una constante
que varía con el tamaño de la muestra n, el número de
muestras en un subgrupo, como se muestra en la tabla parcial
abajo, tomada del Apéndice E:

n 2 3 4 5 6 7 8 9 10
d2 1.13 1.69 2.06 2.33 .2.53 .2.70 2.85 2.97 3.08

 Usando los factores de la tabla basados en el Nuevo tamaño

del subgrupo, calcule el nuevo rango y los límites de control.

Rnuevo  ˆ c * d 2
Grafique estos nuevos límites de control sobre la carta como
base para control procesos en curso. Tanto como el proceso
permanezca en control para los dos promedio y rango, los límites
en curso pueden extenderse por periodos adicionales. Si sin
embargo, hay evidencia de que el promedio o rango del proceso
ha cambiado (en cualquier dirección), la causa debe ser
determinada y, si el cambio es justificable, los límites de control
se deben de recalcular basados en el desempeño real.

19
Este manual distinguirá entre la desviación estándar estimada debida a la variación dentro del subgrupo y la variación total usando
los sobre escritos “C” y “P” respectivamente.
65
 Conceptos finales de en “Control” para consideración
Posterior.

Un perfecto estado de control nunca es alcanzable en un proceso de

producción”. La meta de las cartas de control proceso no es la
perfección, sino un estado de control razonable y económico. “Para
propósitos prácticos, por consiguiente, un proceso controlado no es uno
donde la carta nunca se sale de control. Si una carta nunca estuvo fuera
de control, podemos cuestionarnos seriamente si esa operación debería

 ser controlada con cartas. Para propósitos de compra un proceso

controlado se considera ser uno donde solamente un pequeño porcentaje
de los puntos van fuera de control, y donde los puntos fuera de control
son seguidos por la acción adecuada”. 20 (Ver también la Figura II.8).

Obviamente, hay diferentes niveles o grados de control estadístico. La

definición de control usada puede ir desde el ámbito de solas salidas
(fuera de los límites de control) entre corridas, tendencias y
estratificación, hasta análisis total de la zona. Como la definición de
control usada avanza hacia un análisis total de zona, la probabilidad de
encontrar caídas fuera de control se incrementa (por ejemplo, un
proceso sin salidas puede demostrar carencia de control dentro de una
corrida aún dentro de los límites de control). Por esta razón, la definición
de control usada debe ser consistente con su habilidad para detectar
esto en el punto de control y deberá permanecer la misma dentro de un
periodo de tiempo, dentro de un proceso. Algunos proveedores pueden
no estar dispuestos a aplicar las definiciones totales de control sobre el
piso de una base de tiempo- real debido a etapas inmaduras de
entrenamiento del operario o carencia de sofistificación en la habilidad
del operario. La habilidad para detectar carencia de control en el punto
de control en una base de tiempo- real es una ventaja de la carta de
control. La sobre interpretación de los datos puede ser un peligro para
mantener un verdadero estado de control económico.

20
AT&T (1984)
66
 Pegar aqui la Figura II.8

Figura II.8. Variación del Proceso Relativa a los límites de Especificación

67
Esta página se deja intencionalmente en blanco

68
CAPÍTULO II – Sección B
Definiendo señales “Fuera de Control”
Puntos Fuera de un Límite de
Control
La presencia de uno o mas puntos fuera de cualquier límite de
control es evidencia primaria de una causa especial en ese punto.
Esta causa especial pudo haber ocurrido antes de ese punto.

Puesto que puntos fuera de los límites de control serían raros si

solamente estuvieran presentes causas comunes de variación, la
presunción es que una causa especial ha contado para ese valor
extremo. Por lo tanto, cualquier punto fuera de un límite de control
es señal para analizar la operación por la causa especial. Marque
cualquier dato que esté fuera de los límites de control para
investigación y acción correctiva basado sobre cuando comenzó
esa causa especial.

Un punto por fuera de los límites de control es generalmente un

signo de uno o más de lo siguiente:

 El límite de control o punto graficado ha sido mal calculado o

mal graficado
 La variabilidad pieza- a- pieza o la dispersión de la distribución
se ha incrementado ( e.j., empeorado) , bien sea en un punto en
el tiempo o como parte de una tendencia.
 El sistema de medición ha cambiado (e.j., un apreciador o
instrumento diferente).
 El sistema de medición carece de apropiada discriminación.

Para cartas que tratan con la dispersión, un punto por debajo del
límite de control es generalmente un signo de uno o mas de lo
siguiente:

 Esta en error el límite de control o el grafico.

 La dispersión de la distribución ha decrecido (e.j., se hizo mejor)
 El sistema de medición ha cambiado (incluyendo posible edición
o alteración de los datos).

Un punto mas allá de cualquier límite de control es generalmente un

signo de que el proceso ha girado bien sea en un punto o como
parte de una tendencia. (ver Figura II.9).

Cuando los rangos están en control estadístico, la dispersión del

proceso- la variación entre subgrupos- es considerada estable. Los
promedios pueden entonces ser analizados para ver si la
localización del proceso está cambiando en el tiempo.
Por cuanto los límites de control para X están basados sobre la
cantidad de variación en los rangos, entonces si los promedios
están en control estadístico, su variación es relacionada con la
cantidad de variación vista en los rangos –la causa –común- de
variación del sistema. Si los promedios no están en control, alguna

69
 causa especial de variación está haciendo la localizaciónn del
proceso inestable

Pegar aqui la figura II.9

Figura II.9: Puntos Fuera de un Límite de Control

Patrones o Tendencias dentro de

los Límites de Control
La presencia de patrones o tendencias inusuales, aún cuando todos
los rangos están dentro de los límites de control, puede evidenciar la
influencia de una causa especial durante el periodo del patrón o
tendencia. Esto puede dar la primera alerta de una condición
desfavorable la cual deberá ser corregida. Por el contrario, ciertos
patrones o tendencias podrían ser favorables y deben ser estudiadas
para posibles mejoras permanentes del proceso. La comparación de
patrones entre las cartas rango y promedio puede dar comprensión
adicional.

Hay situaciones donde un “patrón fuera de control” puede ser un mal

evento para un proceso y un buen evento para otro proceso. Un
ejemplo de esto es que en una carta X y R una serie de 7 o mas
puntos sobre un lado de la línea central pueden indicar una situación
de fuera de control. Si esto sucede en una carta p , el proceso puede
realmente ser mejorado si la serie esta por debajo de la línea promedio
(son producidas menos inconformidades). Así en este caso la serie es
una cosa buena – si nosotros identificamos y retenemos la causa.

70
 Carreras
Carreras – cada una de las siguientes son señales de que un
proceso giró o ha comenzado una tendencia:
 7 puntos en fila en un lado de X o de R .
 7 puntos en una fila que se incrementan consistentemente
(igual o mas grandes que el punto precedente), o decrecen
consistentemente.
Marque los puntos que provocan la decisión; puede ser de
ayuda extender una línea de referencia hacia atrás hasta el
principio de la carrera. El análisis deberá considerar el tiempo
aproximado en el cual aparece tal tendencia o giro que primero
empezó.

Pegar aqui la figura II.10

Figura II.10: Carreras en una Carta de Control Promedio

Una carrera por encima del rango promedio, o una carrera

arriba, significa uno o más de lo siguiente:

 Dispersión mayor en los valores de salida, los cuales

pueden ser de una causa irregular (tal como mal
funcionamiento de un equipo, o pérdida de fijación) o
de un giro en uno de los elementos del proceso (
ejemplo un lote nuevo, menos uniforme).
 Un cambio en el sistema de medición (Ej. un inspector
o galga nuevos).

71
 Pegar aqui la figura II.11

Figura II.11 Carreras en una Carta de Control Rango.

Una carrera por debajo del rango promedio, o una carrera abajo,
significa uno o mas de lo siguiente:

 Dispersión mas pequeña en los valores de salida, la cual es

usualmente una buena condición que debería ser estudiada
para una aplicación mayor y mejoramiento del proceso.
 Un cambio en el sistema de medición, el cual puede
enmascarar los cambios reales del proceso.

NOTA: Como el tamaño (n) del subgrupo se hace más pequeño (5 o

menos). La probabilidad de carreras por debajo de R se incrementa,
así una carrera de 8 o mas podría se necesaria para señalar un
decrecimiento en la variabilidad del proceso.

Una carrera relativa al promedio del proceso es generalmente un

signo de uno o mas de lo siguiente:

 El promedio del proceso ha cambiado, y puede todavía estar

cambiando
 El sistema de medición ha cambiado (deriva, sesgo,
sensitividad, etc.).
72
Patrones Obvios No aleatorios
En adición a la presencia de puntos mas allá de los límites de control
o carreras largas, otros patrones distintos pueden aparecer en los
datos que suministran pistas de causas especiales. Debe tenerse
cuidado de no sobre-interpretar los datos, por cuanto aún datos
aleatorios (ej, causa común) pueden algunas veces dar la ilusión de
no aleatoriedad (ej, causa especial). Ejemplos de patrones no
aleatorios pueden ser ciclos de tendencias obvias ( aún aunque ellos
no satisfagan los ensayos de carrera), la dispersión general de los
puntos de datos dentro de los límites de control, o aún las relaciones
a lo largo de los valores dentro de subgrupos (ej, la primera lectura
siempre es mas alta).Un ensayo de la dispersión general de los
puntos de datos de subgrupos se describe abajo:

Distancia de puntos de R o X : Generalmente cerca de 2/3 de los

puntos graficados deben resultar dentro de la tercera mitad de la
región entre los límites de control; cerca de 1/3 de los puntos debe
estar en los dos tercios exteriores de la región. Si mas de los 2/3 de

los puntos graficados caen cerca de la región R o X : investigue

uno o más de lo siguiente:

 Los límites de control o los puntos graficados han sido mal

calculados o mal graficados.
 El proceso o el método es estratificado; cada subgrupo contiene
sistemáticamente mediciones de dos o mas corrientes de proceso
que tienen muy diferentes promedios de proceso (ej, una pieza
de cada uno de varios husillos).
 Los datos han sido editados (subgrupos con rangos que se
desvían mucho del promedio han sido alterados o removidos).

Si sustancialmente pocos de los 2/3 de los puntos graficados caen

cerca de R (para 25 subgrupos si el 40% o pocos están en la tercera
mitad), investigue uno o mas de lo siguiente:

 Los límites de control o los puntos graficados han sido calculados

erróneamente o mal graficados.
 El proceso o el método de muestreo causan sucesivos subgrupos
para contener mediciones de dos o mas corrientes de proceso
que tienen dramáticamente diferente variabilidad ( ej, lotes
mezclados de materiales de entrada).

Si varias corrientes de proceso están presentes, ellas deberían ser

identificadas y seguidas separadamente (ver también Apéndice A).
La figura II.12 muestra un patrón no aleatorio de la carta R.

73
Figura II.12. Patrones no Aleatorios en una Carta de Control

74
Criterio Causa Especial

Hay muchos criterios para identificar las causas especiales (ver

Tabla abajo y AT&T (1984). El más utilizado comúnmente se discute
abajo. La decisión de que criterio usar depende del proceso que está
siendo estudiado/controlado.

Resumen de Criterio Típico de Causa Especial.

21
1 1 punto con más de 3 desviaciones estándar de la línea central.

2 7 puntos en fila en el mismo lado de línea central

3 6 puntos en fila, todos incrementando o decreciendo

4 14 puntos en fila, alternando arriba, abajo.

5 2 de 3 puntos fuera > a 2 desviaciones estándar de la línea central (al mismo lado)

6 4 de 5 puntos fuera > a 1 desviación estándar de la línea central (al mismo lado)

7 15 puntos en fila dentro de 1 desviación estándar de la línea central (cualquier lado)

8 8 puntos en fila > a 1 desviación estándar de la línea central (cualquier lado)

Tabla II.1

Nota 1: Excepto para el primer criterio, los números asociados con el

criterio no establecen un orden o prioridad de uso. La determinación de
cual de los criterios adicionales a usar depende de las características
especiales del proceso y de las causas especiales las cuales son
dominantes dentro del proceso.

Nota 2 : Deberá ponerse cuidado de no aplicar múltiples criterios excepto

en aquellos casos donde tenga sentido. La aplicación de cada criterio
adicional incrementa la sensitividad de encontrar una causa especial,
pero también incrementa el chance de un error del tipo 1.

Revisando lo anterior, se debe notar que no todas esas consideraciones

de interpretación de control pueden ser aplicadas al nivel de producción.
Hay simplemente mucho que recordar por el observador y utilizar las
ventajas de un computador no es a menudo posible a nivel de
producción. Así, mucho mas de este detallado análisis puede necesitar
hacerse fuera de línea en vez de en tiempo real. Esto soporta la
necesidad del registro de eventos y del análisis minucioso a ser realizado
después del hecho.

Otra consideración es el entrenamiento de los operarios. Deberán usarse

aplicaciones del criterio adicional de control a nivel de producción cuando
sea aplicable, pero no hasta que el operario esté listo para ello; con
juntos, el apropiado entrenamiento y las herramientas. Con tiempo y
experiencia el operador reconocerá esos patrones en el tiempo real.

21
En esta tabla,”desviación estándar” se refiere a la desviación estándar usada en los cálculos de los límites de control.
75
Longitud Promedio de Carrera. (ARL).

E la Capítulo I establece que esas decisiones hechas sobre cartas

deberán balancear los riesgos de error Tipo I (sobre control, falsa
alarma) con los errores Tipo II (sub control). Una medida de este
balance es el (ARL) longitud Promedio de Carrera.

La Longitud Promedio de Carrera es el número de subgrupos de

muestras esperado entre las señales fuera- de- control. La Longitud
Promedio de Carrera en- Control (ARL0)es el número esperado de
subgrupos de muestras entre falsas alarmas..

1
ARL 0 
PrError.Tipo.I 

El ARL es dependiente de cómo las señales Fuera de Control son

definidas, los valores meta verdaderos de desviación del estimado,
y la variación verdadera relativa con el estimado.

Abajo hay una tabla de ARL aproximados para la carta de control

estándar Shewhart X con excedencia de los límites de control de
 3 X como la única señal de fuera – de- control

Giro en Meta
X ARL
0 370.4
0.1 352.9
0.2 308.4
0.3 253.1
0.5 155.2
1.0 43.9
1.5 15.0
2.0 6.3
3.0 2.0
4.0 1.2

Esta tabla indica que un giro medio de 1.5 desviaciones estándar

(de la media) podría ser señalada (sobre el promedio) por el 15avo
subgrupo después del giro. Un giro de 4 desviaciones estándar
podría ser identificado dentro de 2 sub grupos.

76
Esta tabla muestra también que una falsa señal puede ser indicada
para un proceso sin un giro (ej. el proceso se mantiene en control
estadístico) cada 370 subgrupos (en promedio)


Por X  , la magnitud práctica de los giros puede ser
n
reducida incrementando el número de ítems en cada subgrupo.
Subgrupos mas grandes reducen el tamaño de  X y aprietan los

límites de control alrededor de X .

Alternativamente, los ARLs pueden ser reducidos adicionando mas

criterios de fuera – de – control. Otras señales tales como ensayos
de carreras y análisis de patrones solo con los límites de control
reducen el tamaño de los ARLs.

La siguiente tabla aproxima los ARLs para la misma carta

adicionando las carreras de ensayo de 7 puntos en una fila sobre el
lado de X .

Giro en Meta
 X ‟s ARL
0 59.8
0.1 53.9
0.2 41.8
0.3 30.8
0.5 17.9
1.0 8.7
1.5 6.9
2.0 6.1
3.0 2.0
4.0 1.2

Como puede verse, una adición extra del criterio uno de fuera
– de control reduce significativamente le ARLs para pequeños
giros en la media, una reducción en el riesgo de error Tipo II.
Note que en el giro-cero (el en-control) el ARL también se
reduce significativamente. Esto es un incremento en el riesgo
de un error Tipo I o de falsa alarma.

Este balance entre esperar un ARL largo cuando el proceso

está en control versus un ARL corto cuando hay un cambio en
el proceso ha llevado a otros métodos de carteo. Algunos de
esos métodos son descritos brevemente en el Capítulo III.

77
 Pegar aqui la figura II.13

Figura II.13: Cartas Promedio y Rango.

78
CAPÍTULO II – Sección C
Fórmulas cartas de Control

Las constantes de las Cartas de Control para todas las cartas de

control discutidas en esta sección están listadas en el Apéndice E.

Cartas de Control por Variables

Cartas Promedio y Rango X , R 

Promedio Subgrupo:

x1  x2  .....  xn
X  ;
n

n = número de muestras en el subgrupo.

Rango subgrupo:

R  xMax  xMin (dentro de cada subgrupo)

Gran Promedio:

X 1  X 2  ....  X k
X  ;
k

k = número de subgrupos usados para determinar

el Gran Promedio y el Promedio Rango.

Rango Promedio:

R1  R2  ......RK
R
k

Estimado de Desviación Estándar de X :

ˆ c  R d
2

Estimado de Desviación Estándar de X :

ˆ X  ˆ c
n

79
Características de las Cartas:

Línea Central Límites de Control

CL X  X UCLX  X  A2 R LCLX  X  A2 R

CLR  R UCLR  D4 R LCLR  D3 R

80
Esta Página se deja intencionalmente en blanco.

81
 Insertar aqui la Figura I.14

Figura II.14: Cartas Promedio y Desviación Estándar

82
Cartas Promedio y Desviación Estándar  X , s 

Promedio Subgrupo

x1  x2  ......  xn
X
n
n = número de muestras del subgrupo

Desviación Estándar Subgrupo (Variación dentro del subgrupo):

 X Xk
2

sk 
i .k

n 1
Gran Promedio:

X 1  X 2  ....  X k
X
k

k= número de subgrupos usados para

determinar el Gran Promedio y el
Promedio Desviación Estándar

Promedio Desviación Estándar:22

s1  s2  ......  sk
s
k

Estimado de la Desviación Estándar de X :

ˆ c  s c
4

Estimado de la Desviación Estándar de X :

ˆ X  ˆ c
n

Características de las Cartas

Línea Central Límites de Control

CL X  X UCLX  X  A3 s LCLX  X  A3 s

CLsR  s UCLs  B4 s LCLs  B3 s

22
También conocida como desviación estándar pooled.
83
 Insertar aqui la grafica II.15.

Figura II.15: Cartas Mediana y Rango

84
Cartas Mediana y Rango ( X~ , R )

Valor de la Muestra; xi , i  1....n (Tamaño de la Muestra).

Mediana Subgrupo:

X 0  es el valor del 0
avo
elemento en la muestra
cuando los datos son ordenados en orden
ascendente.

Si n no es parejo
Formula
aquí
Si n es uniforme

n = número de elementos por grupo

k = número de subgrupos usados para determinar el promedio

mediana y el Promedio Rango.

Rango Subgrupo:

R  xMax  xMin (dentro de cada subgrupo)

Promedio Mediana:

~ X~1  X~ 2  ....  X~ k
X ;
k
Promedio Rango:

R1  R2  .......  Rk
R ;
k
Estimado de la Desviación Estándar de X:

ˆ c  R d
2

23
Características de la Carta

Línea Central Límites de Control

CL~x  X~ UCLX~  ~ ~ R
xA ~ R
LCLX  X~  A
2 2

CL R  R UCLR  D4 R LCLR  D3 R

23
Este enfoque de la Carta Mediana usa promedios en el cálculo de la línea central y los límites de control. Hay otros enfoques en la
literatura que no usan promedios.
85
 Pegar aquí la figura II.16

Figura II.16: Cartas Individuo y Rango Móvil

86
Cartas Individuos y Rango Móvil  X , MR 

Valor Individual: xi , i  1,......, k Valores individuales:

Promedio de Valores Individuales:

x1  x2  .......  xk
X
k
Rango Móvil:

MRi  xi  xi 1 , i  2....k
(rango entre valor actual y valor previo)

Promedio Rango Móvil:

MR2  MR3  .......MRk

MR 
k 1
Estimado de la Desviación Estándar de X:

ˆ c  R d
2

Línea Central Límites de Control

CLX  X UCLX  X  E2 R LCLX  X  A3 s

CLR  R UCLR  D4 R LCLR  D3 R

Por causa de que están involucrados los rangos móviles, los puntos que están
siendo graficados sobre la carta son correlativos. Por consiguiente, señales
válidas ocurren solo en la forma de puntos fuera de los límites de control. Otras
reglas usadas para evaluar los datos de patrones no-aleatorios (ver Capítulo II,
Sección B) no son indicadores confiables de las condiciones fuera- de –control.

87
 Insertar aqui la figura II.17.

Figura II.17: Carta Proporción No Conformes.

88
Cartas de Control por Atributos

Cartas de control para Ítems No Conformes.24

Las caras por atributos son parte de las cartas basadas en

probabilidad discutidas en el Capítulo III. Esas cartas de control
usan datos categóricos y las probabilidades relativas a las
categorías par identificar la presencia de causas especiales. El
análisis de datos categóricos por esas cartas generalmente usan la
distribución binomio o poisson aproximadas por la forma normal.

 Tradicionalmente las cartas por atributos son usadas para el

seguimiento de partes inaceptables por la identificación de items no
conformes y de no conformidades dentro de un ítem. No hay nada
intrínseco en las cartas por atributos que las restrinja para ser
usadas solamente en el carteo de ítems no conformes. También
pueden ser usadas para el seguimiento de eventos positivos. Sin
embargo, nosotros seguiremos la tradición y nos referimos a esto
como no conformidad y no conformidades.

Proporción No conformes (Carta p)

Directriz:

Por cuanto los límites de control están basados sobre una aproximación
normal, el tamaño de muestra usado deberá ser tal que n p  5.

Valor Individual.
ni = número de partes inspeccionadas.
np
Pi  i
ni npi = número de ítems no conformes encontrados.

Promedio de valores individuales

np1  np2  ......  npk

p donde k = número de subgrupos
n1  n2  ......  nk

p1  p2  ......  pk
p si todas las ni son iguales.
k

24
Una alternativa a estas cartas es la Carta Individuos y rango Móvil (ver Wheeler (1995)).
89
 Características de la Carta:

Línea Central Límites de Control

p1  p 
CL p  p UCLpi  p  3
n1

p1  p 
LCL pi  p  3
n1

Si el tamaño de muestra es constante (n)

p1  p 
UCLp  p  3
n

p1  p 
LCL p  p  3
n

Límites de control constantes cuando el tamaño de muestra varía;

min .ni
(para situaciones donde  0.75 )
max .ni

Límites de Control

p1  p 
UCLp  p  3 ( n  promedio tamaño de muestra)
n

p1  p 
LCL p  p  3 ( n  promedio tamaño de muestra)
n

Ejemplo De usos:

 Decisiones Aceptar / Rechazar con tamaños de subgrupo constantes o

variables.
25
 Resultados Calidad Primera vez (FTQ).
 Proporción no conformes
 Proporción conformes.26
 Proporción de ítems arriba (o abajo) de un valor umbral.

 Decisiones de juicio.

 Proporción de ítems dentro de una categoría especificada.

 Proporción de ítems arriba (o abajo) de un valor umbral.
 Proporción Uptime (equipo).

25
Esta es conocida alternativamente como FTC (Capacidad Primera Vez) y RTY
26
Esta Carta es algunas veces llamada carta q ; Esto es basado sobre la práctica de calcular el parámetro q = 1-p.
90
Esta página se deja intencionalmente en blanco.

91
 Insertar Figura 11.8

Figura 11.8: Carta Número de No conformes

92
Carta Número de No conformes (carta np)

Restricción:

Requiere un tamaño de grupo constante

Directriz:

Por cuanto los límites de control están basados sobre una aproximación
normal, el tamaño de muestra usado deberá ser tal que np  .5

Valor individual:

np1 n = número de partes inspeccionadas

np = número de ítems no conformes encontrado.

Promedio de valores individuales:

np1  np 2  ........  np k
np 
k
Características de la Carta:

Línea Central Límites de Control

CLnp  np
 np 
UCLnp  np  3 np1    np  3 np 1  p 
 n 

 np 

LCLnp  np  3 np1    np  3 np 1  p 
 n 

Ejemplos de uso:

 Decisiones Aceptar / Rechazar con tamaños de subgrupo constantes .

 Resultados Calidad Primera vez (FTQ).
 Número no conformes
 Número conformes.
 Número de ítems arriba (o abajo) de un valor umbral.

 Decisiones de juicio.
 Número de ítems dentro de una categoría especificada.
 Número de ítems arriba (o abajo) de un valor umbral.
 Número de veces que ocurre una condición.

93
 Pegar aquí la Figura II.19

Figura II.19: Carta Número de No conformes por Unidad.

94
Carta Número de No conformidades por Unidad. ( Carta u)
Directriz:

Por cuanto los límites de control están basados sobre una aproximación normal, el
tamaño de muestra usado debe ser lo suficientemente grande de forma que el
número de subgrupos con c = 0 sea pequeño.

Valor Individual:

ci
u1  ci = número de no conformidades encontradas en la muestra i
ni
ni = tamaño de la muestra.
Promedio de valores individuales:

u1  u u  .........  u k
u
k
Características de la Carta:

Línea Central Límites de Control

3 u u
CLu  u UCLu  u  u3
n1 n1

3 u u
LCLu  u   u 3
ni n1

Para límites de control constantes cuando el tamaño de muestra varía

min .ni
(para situaciones donde  0.75 )
max .ni

Límites de control:

3 u u
UCLu  u  u3 ( n = promedio tamaño de muestra)
n n

3 u u
LCLu  u   u 3 ( n = promedio tamaño de muestra)
n n

Ejemplo de usos:

• Decisiones Aceptar / Rechazar con tamaños de subgrupo variables.

 Ratas de calidad para designación especificada unidad.
 Número promedio (rata) de no conformidades por unidad
 Número promedio (rata) de ítems dentro de una o mas categorías

• Decisiones de juicio.
 Número Promedio (rata) de ítems dentro de una o mas categorías
 Número promedio (rata) de ítems arriba (o abajo) de un valor umbral por
unidad.
95
 Pegar aquí la Figura II.20

Figura II.20: Carta Número de No Conformidades.

96
Carta Número de No Conformidades (Carta c)

Restricción:

Requiere de un tamaño constante de subgrupo 0 n

Directriz:

Por cuanto los límites de control están basados sobre una aproximación
normal, la muestra usada debe ser lo suficientemente grande si que el número
de subgrupos con c = 0 sea pequeño.

Valor Individual:

c i = número de no conformidades encontradas en la muestra i = 1, ……..,k

Promedio de valores individuales:

c1  c2  ........  ck
c k = número de muestras
k

Características de la Carta:

Línea Central Límites de Control

Cl c  c UCLc  c  3 c

LCLc  c  3 c

Ejemplo de usos:

 Decisiones Aceptar / Rechazar con un número de ítems por unidad

constante.

 Nivel de calidad para designación especificada unidad.

 Número total de no conformidades por unidad
 Número total de ítems dentro de una o mas categorías

 Decisiones de juicio.

 Número total de ítems dentro de una o mas categorías por unidad

 Número total de ítems arriba (o abajo) de un valor umbral por unidad
 Número total de veces que ocurre una condición dentro de una
unidad.

97
Esta página ha sido dejada intencionalmente en blanco

98
 CAPITULO III

Otros Tipos de Cartas de Control.

99
 CARTAS DE CONTROL

Límite de control superior

Línea central

Límite de control inferior

1. Recolección

 Reunir datos y graficarlos en una carta.

2. Control

 Calcule los límites de control experimentales de los datos del proceso.

 Identifique las causas especiales de variación y actúe sobre ellas.

3. Análisis y Mejora

 Cuantificar las causas comunes de variación, tomar acción para reducirlas.

Estas tres fases se repiten para mejorar continua del proceso.

Figura III.1: Cartas de Control.

100
Introducción
Hay varios tipos de cartas de control otras diferentes a aquellas que
se discutieron en los capítulos anteriores. Muchas de esas cartas
fueron desarrolladas para direccional situaciones específicas de
proceso, o condiciones que pueden afectar el uso óptimo de las
cartas de control estándar. Una descripción breve de las cartas más
comunes sigue abajo. Esta descripción definirá las cartas, discutirá
cuando deberían ser utilizadas y listará las fórmulas asociadas con la
carta, como sea apropiado. Si desea más información con respecto
a esas u otras cartas, por favor consulte un texto de referencia que
trata específicamente con esos tipos de cartas de control.

Cartas Basadas en Probabilidad

Las Cartas Basadas en Probabilidad pertenecen a una clase de

cartas de control que usan datos categóricos y las probabilidades
relativas a las categorías. El análisis de datos categóricos
generalmente usa distribución binomio, multi binomio o poisson.
Ejemplos de esas cartas son las cartas por atributos discutidas en el
Capítulo II, Sección C. Las cartas por atributos usan categorías de
“Bueno” y “Malo” ( ej.,conforme y no conforme). Sin embargo, no hay
nada inherente en cualquiera de esas formas (o alguna otra forma)
que requiera una o más categorías para ser “malo”.

El problema es que los usuarios tienden a aplicarlas por ejemplo, en

vez de por conocimiento. Esto es con mucho la falla de profesionales
y profesores, con sus estudiantes. Hay una tendencia a tomar la vía
más fácil, usando ejemplos tradicionales (y estereotipados). Esto
conduce a una falla para darse cuenta que los profesionales en
calidad, de repente tuvieron (o fueron obligados a) la filosofía de la
tolerancia; ej,. hágalo para “imprimir” (o suficientemente cerca).

Semáforo de Control

Con cartas semáforo de control, la localización del proceso y la

variación son controladas usando una carta. La carta traza el número
de puntos de datos en la muestra en cada una de las categorías
designadas. El criterio de decisión está basado sobre las
probabilidades esperadas para esas categorías.

Un escenario típico dividirá la variación del proceso en tres partes:

alerta baja, meta, alerta alta. Esas áreas por fuera de la variación
esperada del, proceso (6 ˆ ) son las zonas de parada. Un simple
pero efectivo procedimiento de control con este control semáforo el
cual es una técnica de semi-variables (más de dos categorías)
usando doble muestreo. En este enfoque la meta es el área
designada verde, las áreas de alerta en amarillo, y las zonas de
parada en rojo. El uso de estos colores le da realce a la designación
„semáforo”.

101
 Pegar aquí la figura III.2

Figura III.2: Semáforo de Control.

Con esta categorización el proceso puede se controlado por la

identificación y carteo de la proporción de puntos dato designados
como “alerta” dentro de una muestra. El proporcionamiento (%
alerta) controla el tamaño de muestra y la frecuencia requerida. Por
supuesto, esto permite el control del proceso solo si la distribución
del proceso es conocida. La cuantificación y análisis del proceso
requiere datos por variables.

El foco de esta herramienta es detectar cambios (causas especiales

d variación) en el proceso. Esto es una herramienta apropiada para
las actividades Etapa 227 solamente. En su implementación básica,
el semáforo de control no requiere cómputos o graficado,
haciéndolo así más fácil de implementar que las cartas de control.
Por cuanto el separa la muestra total (ej,. 5( en un muestreo de dos
etapas (ej,. 2 ,3), este enfoque puede señalar condiciones fuera de
control con la misma o más eficiencia que una carta d control con el
mismo tamaño de muestra total (ver Heaphy y |Gruska (1982)).

También, el desarrollo de esta técnica rigurosamente fundamentada

en teoría estadística, puede ser implementada y pensada a nivel de
operario sin involucrar matemáticas.

27
Ver Capítulo I, Sección F.
102
 Los supuestos en un semáforo de control son:

 El proceso está en control estadístico

  El desempeño del proceso (incluyendo la medición de variabilidad) es

aceptable,

 El proceso está en el objetivo.

Una vez los supuestos han sido verificados por un estudio de desempeño
del proceso usando técnicas de datos variables, la distribución del proceso
puede ser dividida de forma que el promedio de ± 1.5 desviaciones estándar
esté etiquetado como área verde y el resto del área dentro de la distribución
del proceso es amarilla. Cualquier área fuera de la distribución del proceso
(el rango 99.73%) es etiquetado con rojo.

Si la distribución del proceso sigue la forma normal, aproximadamente

86.6% de la distribución está en el área verde, 13.2% en el área amarilla y
0.3% en el área roja. Condiciones similares pueden ser establecidas si se
encuentra que la distribución es no normal.

Para control equivalente a una carta X y R con tamaño de muestra 5, los

pasos para el semáforo de control pueden delinearse como sigue:

1. Chequee 2 piezas; si juntas estan en el área verde continúe con la

carrera.

2. Si una o juntas están en la zona roja, pare el proceso, notifique a la

persona designada para las acciones correctivas y clasifique el
material. Cuando la puesta a punto u otras correcciones se hayan
hecho, repita el paso # 1

3. Si una o juntas están en la zona amarilla, chequee tres piezas más Si

alguna cae en zona roja, pare el proceso, notifique a la persona
designada para las acciones correctivas y clasifique el material.
Cuando la puesta a punto u otras correcciones se hayan hecho, repita
el paso # 1.

 Si ninguna pieza cae en zona roja, pero tres o mas están en zona
amarilla ( 5 piezas fuera) notifique a la persona designada para
las acciones correctivas y clasifique el material. Cuando la puesta
a punto u otras correcciones se hayan hecho, repita el paso # 1.
 Si tres piezas caen en la zona verde y el resto son amarillas
continúe con la carrera.

Se pueden hacer mediciones con variables tan bien como con galgas de
atributos. Ciertos controles con galgas tales como indicadores de dial, o
columnas electrónicas de aire son más apreciados para este tipo de
programa, por cuanto el fondo del indicador puede ser codificado con
colores. Tampoco se requieren cartas o gráficas, se recomienda un carteo
especialmente si son posibles en el proceso tendencias sutiles (giros en un
periodo de tiempo relativamente largo).
En cualquier situación de tomar-decisiones hay un riesgo de tomar una
decisión equivocada. Con el muestreo, los dos tipos de errores son:

 Probabilidad de llamar malo el proceso cuando realmente es bueno.

(rata de falsa alarma).
 Probabilidad de llamar el proceso bueno cuando es realmente malo
(rata de error).

103
 En adición a esas dos medidas, la sensitividad del plan de muestreo puede
ser cuantificada. La sensitividad se refiere a la habilidad del plan de muestreo
para detectar condiciones fuera de control debidas al incremento de variación
o giros del promedio del proceso.

La desventaja del semáforo de control es que hay una alta rata de falsas
alarmas que en una carta X y R del mismo tamaño de muestra total.

La ventaja del semáforo de control es que es tan sensitivo como una carta
X y R del mismo tamaño de muestra total.

Los usuarios tienden a aceptar mecanismos de control basados en ese tipo

de datos debido a la fácil recolección y análisis de datos. El foco es la meta
de no límites de especificación – esto es compatible con la filosofía meta y
mejoramiento continuo.

Pre – Control
Una aplicación del enfoque semáforo de control para el propósito de
control no conformidad en vez del control de proceso se llama
Pre – control. Es basado sobre las especificaciones y no sobre la
variación del proceso. Sus orígenes pueden ser trazados al trabajo
de Frank Satterthwaite, de Rath & Strong en la Compañía de
Máquinas Jones & Lamson en 1954.28

Los supuestos del pre-control son:

 El proceso tiene una plana función ( ver pérdida de función, en el

Capítulo IV)

 El desempeño del proceso (incluyendo la variabilidad del sistema
de medición) es menor o igual a la tolerancia.

El primer supuesto significa que todas las fuentes especiales de

variación en el proceso han sido controladas, El segundo supuesto
establece que el 99.73% de las piezas que están siendo producidas
están dentro de especificación sin clasificarlas.

Si los supuestos anteriores están satisfechos, la tolerancia se puede

dividir así que la tolerancia nominal de ± ¼ sea etiquetada como
área verde y el resto del área dentro de especificación es amarilla.
El área por fuera de especificación se etiqueta como roja. Para u
proceso que es normal, con C p ' C pk igual a 1.00, aproximadamente
el 86.6% están en el área verde, 13.2% están en el área amarilla, y el
0.3% en el área roja. Cálculos similares se pueden hacer si se
encontró que la distribución es no normal o altamente capaz.

El muestreo pre-control usa un tamaño de muestra de dos. Sin

 embargo, antes de empezar el muestreo, el proceso debe producir 5

partes consecutivas en la zona verde. Cada una de los dos puntos
de datos se grafican en la carta y se revisan contra las reglas.

28
Ver Bhote (1991) y Estadísticas Newsletter ASQ volumen 05 No 2 Feb. 1984.
104
 Insertar la figura III.3

Figura III.3: Pre-Control.

Cuando se usa un pre-control, se deben utilizar las siguientes reglas:

 Dos puntos de datos en zona verde – continúe el proceso

 Un punto de datos en zona verde y uno en zona amarilla –
continúe corriendo proceso.
 Dos puntos amarillos en fila (en la misma zona) – ajuste el
proceso.
 Dos puntos amarillos en fila ( en zona opuesta) – pare el
proceso e investigue.
 Un punto de datos rojo – pare el proceso e investigue.

Cada vez que el proceso es ajustado, antes que el muestreo

pueda empezar el proceso debe producir 5 partes consecutivas
en zona verde.

El pre-control no es una carta de control proceso pero si un carta de

control de no conformidad así que se debe poner especial cuidado en
como esta carta se usa e interpreta. Las cartas pre-control no deberán
ser usadas cuando usted tiene un C p ' C pk mas grande que uno, o
pérdida de función que no es plana dentro de las especificaciones
(ver Capítulo IV).

105
 Pérdida de Funciones.

Pegar grafica.

El beneficio del pre-control es su simplicidad. La desventaja del pre-

control es que el diagnóstico potencial que está disponible con los

 métodos de control normales del proceso no lo está con el pre control.

Más aún, el pre control no evalúa ni monitorea la estabilidad del
proceso. El pre control es una herramienta basada en el cumplimiento,
no una herramienta de control proceso.

106
Cartas de Control Corrida Corta

Los enfoques de cartas de control estándar son bien adecuados para

producciones de corridas largas. Sin embargo hay procesos que
solamente producen un pequeño número de productos durante una
corrida simple (Ej. Trabajos de almacén). Más aún, el incremento sobre
el foco inventarios justo a tiempo (JIT) y los métodos de manufactura
estrechos está llevando a hacer las corridas de producción más cortas.
Desde una perspectiva de negocios, producir grandes lotes de
producto muchas veces por mes y mantener el inventario para
distribuirlo después, puede conducir a costos evitables e innecesarios.
Los fabricantes se están moviendo ahora hacia JIT – produciendo más
pequeñas cantidades en una base mas frecuente para evitar los costos
de sostener un “trabajo en proceso”, y un inventario. Por ejemplo, en el
pasado, pudo haber sido satisfactorio hacer 10.000 partes por mes en
lotes de 2.500 por semana. Ahora, demanda del cliente, métodos
flexibles de manufactura y requerimientos JIT pueden conducir a hacer
y enviar solamente 500 piezas por día.

Para darse cuenta de las eficiencias de procesos de corridas corta es

esencial que los métodos de SPC estén disponibles para verificar que
el proceso está verdaderamente en control estadístico, (Ej. predecible)
y ser capaz de detectar causas especiales de variación durante esas
“corridas cortas”.

Wheeler (1991) describe cuatro requerimientos para un “estado ideal”

de operación del proceso esenciales para competir en esa arena:

a. El proceso debe ser inherentemente estable sobre el tiempo.

b. El proceso debe ser operado de una manera estable y consistente.

c. El objetivo del proceso debe ser ajustarlo y mantenerlo al nivel

adecuado.

d. Los Límites Naturales del Proceso deben caer dentro de los límites
de especificación.

Cartas de control efectivas pueden ser construidas aún con pequeñas

cantidades de datos. Cartas carrera – corta orientadas, permiten a una
carta sencilla ser usada para el control de múltiples productos. Hay un
número de variaciones sobre este tema. Entre las cartas de carrera
29
corta mas ampliamente descritas están:

a. Diferencia o Desviación de la Nominal (DNOM), Carta X y R.

Procesos de producción para carreras cortas de productos
diferentes se pueden caracterizar fácilmente sobre una carta
simple graficando las diferencias entre las mediciones del
producto y su valor meta. Esas cartas se pueden aplicar a juntas,
mediciones individuales a o grupos de datos.

29
Se debe tener cuidado cuando se formen los subgrupos en pequeñas poblaciones o donde los subgrupos usen mediciones que se
hacen por extensos periodos de tiempo (ver Apéndice A). Wheeler (1991) discutió la evaluación de datos con una carta de individuos y
rango móvil (I ^ MR) para asegurar que información importante en el entorno del proceso no sea ocultada por el subagrupamiento.

107
 Pegar figura III.4

Figura III.4: Carta de Control DNOM

b. Carta estandarizada X yR.

El enfoque DNOM asume una variancia común, constante a lo largo de los

productos que están siendo seguidos sobre una carta simple. Cuando hay
diferencias substanciales en las variancias de esos productos, usar la
desviación de la meta del proceso se vuelve problemático. En tales casos
los datos pueden ser estandarizados para compensar las medias de los
diferentes productos y la variabilidad usando una transformación de la
forma:
X 
Z

Algunas veces se refieren a esta clase de cartas como Z o Cartas Zed.

En algunos procesos de carrera corta, el volumen total de producción

puede ser muy pequeño para utilizar efectivamente el sub agrupamiento.
En esos casos las mediciones de sub agrupamiento pueden trabajar
contrario al concepto de controlar el proceso, y reducir la carta de control a
una carta reporte de función. Pero cuando es posible el sub agrupamiento,
las mediciones pueden ser estandarizadas para alojar este caso.

c. Cartas de Control por Atributos Estandarizadas

Muestras de datos por atributos, incluyendo aquellos de tamaño variable,

pueden ser estandarizadas así que múltiples tipos de partes se pueden
graficar en una carta sencilla.
Las estadísticas estandarizadas tiene la forma:

Diferencia .de.la.media
Zi 
Desviación.estándar .
Por ejemplo, una estadística u para detectar rata podría ser
estandarizada como:
ui  u
Zi 
u.I .n
Este método también aplica para las cartas np, p , c y u.
108
 Ver Farnum (1992), Juran & Godfrey (1999), Montgomery (1997),
Wheeler (1991), y Wise y Fair (1998), para detalles discusiones y
ejemplos de aplicaciones corrida corta.

Cartas para detectar Pequeños

Cambios

Hay situaciones donde cambios pequeños en la media del proceso

pueden causar problemas. Las cartas de control Shewhart pueden no
ser suficientemente sensitivas para detectar eficientemente esos
cambios., ej., menos de 1.5 ζ. Las dos cartas alternativas discutidas
aquí fueron desarrolladas para mejorar la sensitividad para detectar
pequeñas salidas de la media del proceso. Mientras que la carta típica
Shewhart usa solamente la información suministrada por los puntos de
datos mas recientes, la Suma Acumulativa (CUSUM) y las carta
Promedio – movible, Exponencialmente Sopesadas (EWMA) explotan
la información disponible en datos históricos acumulados. Ver
Montgomery (1997), Wheeler (1995), y Grant & Leavenworth (1996),
para discusiones de profundidad de esos métodos y comparaciones
con las reglas de detección suplementarias para realzar la sensitividad
de la carta Shewhart a giros del proceso de pequeños procesos.

CARTA CUSUM (Suma acumulativa).

Una carta CUSUM grafica la suma acumulativa de las desviaciones

estándar de las medias de muestras sucesivas de una especificación
meta aún cuando hayan eventualmente ocurrido giros menores
permanentes (0.5 sigma o menor) en la media del proceso. Para giros
grandes, las cortas de control Shewhart son justo tan efectivas y
requieren menor esfuerzo.

Esas cartas son a menudo usadas para monitorear procesos

continuos, tales como en la industria química, donde pequeños giros
pueden tener efectos significativos.

Figura III.5

Figura III.5: Carta CUSUM con V- Mask

109
 La carta CUSUM evalúa la pendiente de la línea graficada. Una
herramienta gráfica (V-Mask) es puesta sobre la carta con una línea
offset de referencia vertical desde el origen de la V pasando a través
del último punto graficado (ver figura III.5). El offset y el ángulo de los
brazos son funciones del nivel de
sensitividad deseado para giros del proceso.
Una condición de fuera de conrol (ej., un
giro significativo del proceso) es indicado
cuando los puntos previos graficados caen
fuera de los brazos de la V- Mask. Esos
Brazos toman el lugar de los límites de
control superior e inferior-

La carta en la figura III.5 indica que ocurrió

Insertar la figura V-mask un giro en el proceso alrededor del tiempo
de la muestra 14 o 15. debido a la
naturaleza de esta carta, el giro no fue
detectado hasta que la muestra 23 fue
graficada. Cuando fue posicionada la v-
Mask en los puntos de datos posteriores,
todas las muestra cayeron dentro de los
límites de control, así que esta no fue
indicación de una situación de fuera de
control

En comparación, una carta individual de Rango móvil (X , MR)

graficando los mismos datos, (ver figura III.6) no detecta el giro del
proceso hasta la muestra 27.

Pegar la figura III.6

Figura III.6: Carta X , MR.

Una CUSUM tabular es una alternativa al enfoque V-Mask Ver

Montgomery, (1997) para una discusión de este procedimiento.
110
 Cartas EWMA (Promedio Móvil Exponencialmente
Sopesado)

Una Carta EWMA grafica los promedios móviles de datos pasados y

actuales en los cuales a los valores que están siendo promediados les
son asignados pesos que decrecen exponencialmente del presente al
pasado.30 Consecuentemente, los valores promedio son más
influenciados por el desempeño reciente del proceso.31 El promedio
móvil exponencialmente sopesado es definido por la ecuación:

Z t  X t  1   Z t 1
donde λ es la constante de peso 0 < λ < 1.

t es un número índice ( t = 1…….),

X1 es el valor actual de la muestra, y

Z1 es el promedio móvil sopesado.

Un valor inicial, Zo debe ser estimado para iniciar el proceso con la primera muestra .

Por medio de una substitución recursiva, valores sucesivos de Zt se pueden

determinar por la ecuación:

t 1
Z t    1    X t i  1    Z 0 0   1
i i
para
i 0
El valor de λ es determinado por las tablas o graficas basadas en el
desempeño del Promedio de Largo de Carrera (ARL). Algunos autores
también consideran los límites de control más anchos que tres sigma
cuando diseñan una carta EWMA. Pero la literatura actual indica que
este enfoque puede no ser necesario. La carta EWMA se vuelve una
carta X para λ = 1.0 . Ver Montgomery (1997) y Wheeler (1995) para
discusiones detalladas.

La ventaja de esta carta es su habilidad para detectar con eficiencia

pequeños giros en la media del proceso, típicamente menos de 1.5
sigma, y puede se usada con un proceso autocorrelacionado32 con
una deriva lenta de la media.

Su desventaja es su inhabilidad para detectar con eficiencia cambios

grandes en la media del proceso. En situaciones donde son esperados
giros de la media en procesos grandes, se recomienda la carta de
control Shewhart.

Un uso común de EWMA es en la industria química donde grandes

fluctuaciones día a día son comunes pero que pueden no ser
indicativas de carencia de la predictabilidad del proceso.

Las Figuras III.7 y III.8 son gráficos X, y MR de los mismos datos. La

carta EWMA detecta un giro en la media en la muestra 29, pero no hay
indicación de este giro en la carta X, y MR.

30
En contraste, la carta CUSUM da igual peso a los datos previos.
31
Otro tipo de carta de control sopesada en el tiempo es la carta de promedio móvil (Carta MA). Este enfoque está basado en un
simple, promedio móvil sin sopesar, ver Montgomery (1997).
32
Ver Apéndice A.
111
 Ocurren señales válidas solamente en la forma de puntos más allá de
los límites de control33. Otras reglas usadas para evaluar los datos d e
patrones no aleatorios (ver Capítulo II, Sección B) no son indicaciones
confiables de condiciones de fuera de control.

Insertar figura II.7

Figura III.7: Carta de Viscosidad EWMA

Figura III.*: Carta de Viscosidad X, MR.

EWMA y CUSUM son esencialmente equivalentes en su habilidad para

detectar la presencia de causas asignables que resultan en un
pequeño giro en la media. Sin embargo, la EWMA también puede ser
usad para pronosticar una “nueva” media del proceso para el siguiente
periodo de tiempo. Esas cartas pueden ser de utilidad para señalar una

33
Por causa de que los promedios móviles están involucrados, los puntos que están siendo graficados son correlativos
(dependientes) y por consiguiente, la detección de causas especiales usando análisis de patrones no es apropiada por cuanto ella
asume Independencia entre los puntos.
112
 necesidad de ajustar (mantener) un proceso. Pero ellas no son
apropiadas para mejoramiento del proceso (ver Wheeler (1995)).

Formas Multivariación de esas cartas, MCUSUM y MEWMA, han sido

desarrolladas. Ver Lowery et al. (1992) y Lowry y Montgomery (1995).

Cartas No- Normal

Si la distribución subyacente de un proceso es conocida como ser no-

normal, hay varios enfoques que se pueden usar:

 Use las cartas de control estándar Shewhart con tamaño de

muestra apropiado.
 Use factores de ajuste para modificar los límites de control para
reflejar la forma no- normal.
 Use una transformación para convertir los datos en una (cercana)
forma normal y use las cartas estándar.
 Use límites de control basados sobre la forma nativa no- normal.

El enfoque a ser usado depende de la cantidad que la distribución del

proceso se desvía de las condiciones normales y específicas
relacionadas con el proceso.

Cartas de Control Shewhart

También la sensitividad y los riesgos asociados con las cartas de
control estándar han sido analizados asumiendo que la distribución del
proceso fue normal. El desarrollo de Shewhart no se baso sobre una

 asunción de normalidad. Su meta fue desarrollar una herramienta útil

para el control de calidad económico. Las cartas de control de
Shewhart pueden ser usadas para todos los procesos. Sin embargo,
como la distribución de los procesos se desvía de la normalidad, la
sensibilidad a los cambios decrece, y el riesgo asociado con el tipo de
Error I se incrementa.

Para muchas distribuciones no- normal de procesos, el teorema Límite

Central se puede usar para mitigar el efecto de no – normalidad. Esto
34
es, si un tamaño de muestra suficientemente grande es usado, las
cartas de control Shewhart pueden usarse con sensitividad y grado de
riesgo cerca al normal.

34
Por ejemplo, ver Wheeler (1995).
113
 Teorema Límite Central.

Dejemos que X1,……..Xn sea un juego de n diferencias aleatorias

independientes de la misma arbitraria probabilidad de distribución
P (X1,………,Xn) con media µx y variancia ζx .

X i
Considere el promedio Xn  i 1

La distribución de X n se aproxima a la distribución normal

  
N   x , x  como n → ∞
 n 

La “regla general” es que la carta rango deberá ser utilizada con

tamaños de subgrupo de quine o menos. La carta desviación estándar
puede ser usada en todos los tamaños de muestra.

Factores de Ajuste.
Cuando no son posibles tamaños grandes de subgrupo, los límites de
control de las cartas de control Shewhart pueden modificarse usando
factores de ajuste para compensar el efecto de no- normalidad. Por
cuanto las distribuciones no- normal son bien asimétricas, tienen colas
mas pesadas que las de distribución normal, o ambas, el uso de los
límites de control estándar ± 3 sigma puede incrementar el riesgo de
falsa alarma, especialmente si se usa el análisis del patrón para
causas especiales.

En este enfoque la forma de distribución no- normal está caracterizada

por su “ skewness o kurtois” o ambos. Tablas de factores de corrección
sonn aplicadas entonces a los límites de control normales.35

fIgura.

Este enfoque requiere un estudio inicial de capacidad con tamaños de

muestra suficientemente grandes para capturar efectivamente la forma
no- normal

35
Por ejemplo ver: Burr, I.W. (1967), Chan, L.K. y Cui, Heng, J y (2003) Pham, H (2001).
114
 Para este y los siguientes enfoques, el proceso debe ser estudiado
periódicamente para verificar que la forma de distribución no ha
cambiado. Cualquier cambio significativo en la distribución es un
indicador de que el proceso está siendo afectado por causas
especiales.

Transformaciones.
Una alternativa a los factores de ajuste es convertir los datos en vez de
los límites de control. En este enfoque, una transformación es
determinada, la cual transforma la distribución no- normal del proceso
en una (cercana) a la distribución normal. Ejemplos de
36
transformaciones usadas en esas situaciones son la familia Jonson
de transformaciones y las transformaciones Box & Cox.

La transformación seleccionada, es entonces usada para transformar

cada punto de dato y luego la metodología de las cartas de control
Shewhart se usa sobre los datos convertidos.

Figura

Para que este enfoque sea efectivo, la transformación debe ser válida.
Esto requiere típicamente un estudio de capacidad con tamaño de
muestra suficientemente grande para capturar efectivamente la forma
no- normal, también, porque las transformaciones tienden a ser
matemáticamente complejas, este enfoque es efectivo y eficiente solo
cuando se implementa con un programa de computador.

Forma No- Normal

Hay situaciones cuando los enfoques anteriores no son manejados
fácilmente. Ejemplos de esas situaciones ocurren cuando la
distribución del proceso es altamente no- normal y el tamaño de
muestra no puede ser grande, e.j., cuando se traza la confiabilidad de
un equipo. En esas situaciones se puede desarrollar una carta de
control usando la forma no- normal directamente para calcular los
límites de control de la carta.

36
Por ejemplo, ver Johnson (1949) y Box And Cox (1964).
115
 Figura.

En el ejemplo de trazar la confiabilidad de un equipo, se puede usar una

Carta Tiempo- para Falla con un tamaño de muestra de uno. Los límites de
control están basados sobre la distribución exponencial con parámetro θ
igual al tiempo medio entre fallas (MTBF). En general los límites de control
para este enfoque son seleccionados para ser el 0.135 y el 99.865 puntos
porcentuales de la distribución subrayada.

Como los otros enfoques anteriores, para que este enfoque sea efectivo,
requiere típicamente un estudio de capacidad con tamaño de muestra
suficientemente grande para capturar la forma no- normal. Ventajas de
este enfoque son que los datos pueden ser graficados sin cálculos
complejos y el suministra límites de control mas exactos que los factores
de ajuste.

Multivariantes.
Las cartas Multivariantes son apropiadas cuando se desea controlar
simultáneamente dos o mas características relacionadas que influyen en el
desempeño de un proceso o producto. Su ventaja es que el efecto
combinado de todas las variables puede ser
monitoreado usando una estadística simple. Por
ejemplo, los efectos combinados de pH y temperatura
de una parte de fluido de lavado pueden ser
encadenados a una parte de limpieza medida por
partícula contada. Una carta multivariantes suministra
el medio para detectar giros en la media y cambios en
las relaciones de parámetros.

Se puede usar una matriz de correlación de variables

para probar cuando una carta de control multivariantes
puede ser útil. Para que el enfoque multivariantes sea
viable las entradas de la matriz deben indicar que las
variables son suficientemente correlacionadas.

Tres de las cartas de control estadísticas multivariantes

Figuras. mas populares son Hotelling”s T2 La Promedio Móvil
Multivariantes Exponencialmente Sopesadas (NEWMA)
y la Suma Acumulativa Multivariante (MCUSUM).

Una carta multivariantes reduce el Tipo de Error I, e.j.,

son menos probable que ocurran falsas señales de fuera
de control comparado con el uso de cartas
univariante, para tomar decisiones separadamente por
cada variable.

La simplicidad de este enfoque es también una

desventaja. Una condición de fuera de control se puede
116
 detectar usando una estadística simple pero el análisis de los
resultados carteados pueden no decir cual variable la ha causado.
Puede ser requerido un análisis adicional usando otras herramientas
estadísticas para aislar la causa (s) especial. Ver Kouri & Mac Gregor
(1996).

Las cartas multivariante son matemáticamente complejas, y es

esencial la implementación computarizada de esos métodos para
aplicación práctica. Es importante, sin embargo, que sea verificado
el uso de técnicas apropiadas para estimar las estadísticas de
dispersión. Ver Wheeler (1995), (2001), para discusión detallada de
las cartas de control multivariante.

Otras Cartas

Cartas de Control Regresión

En el capítulo I Sección E, un proceso Caso 3 fue definido como uno
no en control estadístico pero aceptable por tolerancia. Las causas
especiales de variación están presentes, la fuente de variación es
conocida y predecible pero no puede ser eliminada por razones
económicas. Sin embargo, esta predictibilidad de las causas
especiales puede requerir monitoreo y control. Un método para
determinar variaciones en la predictibilidad de las causas especiales
de variación es la Carta de Regresión.

Las cartas de control regresión son usadas para monitorear las

relaciones entre dos variables correlacionadas en orden a
determinar si y cuando ocurre una desviación de las relaciones
predecibles conocidas. Esta cartas fueron originalmente aplicadas
para administrar procesos pero también han sido usadas para
analizar la correlación entre muchos tipos de variables.

Las cartas regresión trazan la correlación lineal entre dos variables,

por ejemplo:

 Costo producto contra peso.

 Tráfico contra tiempo de ciclo máquina. (velocidad de línea).

 Temperatura contra presión

 Cambio dimensional relativo a ciclos de herramental.

Por ejemplo, si una herramienta tiene desgaste constante

relacionado con cada ciclo de proceso, una característica
dimensional tal como diámetro (Y) se puede predecir basada sobre
los ciclos (X) realizados. Usando los datos recolectados sobre el
tiempo esta relación lineal puede ser modelada como:

Y  b0  b1 X

Cuando X igual a cero ciclos, el Y predicho es igual a b0. así, b0 es

la dimensión predicha de una herramienta que nunca se ha usado.

117
 b0 y b1 son estimados usando la ecuación para regresión lineal

simple. La carta se construye trazando la línea

Yˆ  ˆ0  ˆ1 X la

cual es el estimado de
Y b b X
0 1 y computando el intervalo
predictivo de 95% o 99%. Los límites predictivos computados son
líneas curvas con el punto mas estrecho en X . A menudo son

reemplazados con
Yˆ  3
s en orden a estrechar los límites de
control a cada extremo de X.

Los puntos que exceden los límites de control indican herramental

que tiene una vida de herramienta significativamente diferente de la
base de vida de la herramienta. Esto puede se ventajoso o
desventajoso dependiendo de la situación específica.

Una línea es solo un tipo de correlación entre variables. Las cartas

de regresión pueden ser aplicadas a cualquier relación para la cual
el modelo matemático puede ser determinado.

Se debe tener cuidado al hacer predicciones (extrapolando) por

fuera del rango de las observaciones originales. La exactitud del
modelo de regresión para uso fuera de este rango debería ser vista
como altamente sospechosa. Juntos el intervalo de predicción para
valores futuros y el intervalo de confianza para la ecuación de
regresión se vuelven incrementadamente pesados. Datos
adicionales se pueden necesitar para la validación del modelo.

Se puede encontrar discusión sobre los intervalos de confianza en

Hines y Montgomery (1980).

Cartas Residuales

Un enfoque alternativo de la carta de regresiones la carta de valores

residuales. De la ecuación de regresión, el valor residual () es Y–
Ŷ.
Una carta de valores residuales podría ser tratada de la misma
manera como una carta individual con X igual a cero..

La Carta Residual y la Carta Regresión son técnicamente equivalentes

y difieren solamente en su presentación.

Este enfoque podría ser más útil e intuitivo cuando las relaciones
entre variables son más complejas

Cartas Auto regresivas

Los métodos de las cartas de control generalmente asumen que los
datos de salida de un proceso son independientes e idénticamente
distribuidos. Para muchos procesos este supuesto no es correcto.

118
Los datos de una serie en tiempo, tomados secuencialmente en el
tiempo, son a menudo dependientes de la serie. Esos tipos de procesos
tienen salidas que son auto-correlacionadas y el análisis con métodos de
carteo estándar puede resultar en conclusiones erróneas.

Un enfoque común para competir con la dependencia serial es tomar

muestras lejos suficientemente aparte en el tiempo que la dependencia
no sea aparente. Esto a menudo trabaja en la práctica pero su
efectividad recae en posponer la recolección de muestras y puede
extender el intervalo de muestreo mas allá de lo apropiado. También este
enfoque ignora información la cual puede ser útil o aún necesaria para
predicción precisa en orden a utilizar técnicas que no fueron diseñadas
para ese tipo de datos.

El promedio Móvil Auto regresivo (ARMA) es un método de análisis para

datos de series en tiempo y el resulta en la predicción de observaciones
futuras basadas sobre su dependencia en observaciones pasadas.
Procesos los cuales derivan, caminan o ciclan a través del tiempo son
buenos candidatos para análisis de serie en tiempo y un método ARMA
puede ser el apropiado.

El modelo auto regresivo (AR) es definido por:

X i    1 X i 1   2 X i 2 ....   1 (AR)

El valor actual observado es igual a una constante, una combinación

sopesada de observaciones anteriores y un componente aleatorio.

El modelo promedio móvil (MA) es definido por

X i    1 i 1   2 i 2 ...   1 (MA)

El valor actual observado es igual a una constante, una combinación

sopesada de observaciones anteriores y un componente aleatorio.

El modelo ARMA, es una combinación de los modelos AR y MA.

X i    1 X i 1  1 i 1   2 X i 2   2 i 2 .....   i (ARMA)

Box y Jenkins definen la terminología ARMA (p.d.q.) Para Definir sub

juegos del modelo ARMA total, donde p es el número de parámetros
auto regresivos, d el número de veces que los datos son diferentes
(definidos abajo), y q es el número de promedio parámetros móviles.

Así, ARMA (1.0.0) es el primer orden modelo AR sin diferenciar

X i    1 X i 1   i
ARMA (0,0,1) es el primer orden modelo MA sin diferenciar

X i    1 i 1   i
y ARMA (1,1,1) es el primer orden modelo ARMA diferenciado una vez

Yi    1Yi 1  1 i 1   i
Para el primer orden modelos AR y ARMA el parámetro Ф debe estar en
el intervalo –1 < Ф < 1 para el modelo a ser estacionario , Ej., no
difiere de infinito. (hay restricciones similares para Ф en el orden de
modelos mas altos). Para procesos que no son estacionarios, los datos

119
necesitan ser diferenciados. Diferenciar remueve la dependencia
serial entre una observación y otra observación demorada.

Yi = Xi – X i – k

La observación diferenciada es igual a la observación actual menos

la observación k muestra hecha anteriormente. Los datos solo d ser
diferenciados si el modelo no es estacionario. Muchos datos de
procesos de manufactura no necesitarán diferenciarse Los proceso
no divergen de infinito.

El siguiente paso es determinar el número parámetros auto

regresivos y de promedio móvil para incluirlos en el modelo.
Típicamente el número de Ф o de θ no deberán ser más de dos.
ARMA (1,d,0), ARMA (2,d,0), ARMA (1,d,1), ARMA (2,d,1) ARMA
(1,d,2) ARMA (2,d,2) ARMA (0,d,1), ARMA (0,d,2,) son las
combinaciones y es factible estimarlas todas antes de seleccionar la
mejor.

Para estimar los parámetros use la Estimación no linear.

Una vez el modelo es determinado y es estacionario, y los

parámetros son estimados, entonces la siguiente observación puede
ser predicha de observaciones pasadas. Por ejemplo (ARMA (1,0,1)):

Xˆ t    1 X t 1  1 t 1
El residuo es calculado por:

 1  X t  Xˆ t
y los valores para ε serán variables aleatorias distribuidas
normalmente independientes y pueden ser analizadas usando una
Carta por Individuos o Residual. Para discusiones mas completas
ver Box, Jenkins y Reinsel (1994).

120
Cartas Zona
El Capítulo II, Sección B, Tabla II.1, suministra varias reglas para
detectar señales de fuera de control. Las primeras cuatro reglas
pueden ser fácilmente implementadas con cartas de control
manuales, pero las últimas reglas no se prestan a si mismas para una
identificación visual rápida por cuanto ellas requieren la
determinación del número de desviaciones estándar a las que un
punto graficado esta de la línea central. Esto se puede con la ayuda
de dividir la carta de control en “ zonas” a 1, 2, y 3 desviaciones
estándar de la línea central.

Gráfica.

Esas zonas son algunas veces referidas como zonas “ sigma” (sigma
es aquí la desviación estándar de la distribución de los promedios de
muestras, no los valores individuales). Las zonas asisten en la
determinación visual de siempre que una causa especial exista,
usando uno o mas criterios de la tabla. Ver Montgomery (1997) y
Wheeler (1995).

Grafica.

Esta división de la carta de control se puede acoplar con la carta de

control análisis de suma de carreras para producir la Carta de
Control Zona. El análisis de la carta de control suma de carreras fue
introducido por Roberts (1966) y estudiado posteriormente por
Reynolds (1971). Este enfoque asigna un puntaje a cada zona. El
puntaje αi , asignado a la región R+ i es no negativo; y el puntaje βi
asignado a la región R – i es no positivo. Un juego típico de puntajes
es:

121
 Zona Puntaje
 x ,  x   .xˆ  0, ó +1

 x   x ,  x  2 x  +2

 x  2 ,  x  3
x x
 +4

 x  3 x ,  +8

A las cuatro regiones colocadas simétricamente por debajo de la

línea central les son asignado los puntajes negativos
correspondientes.

Una carta de control zona es un híbrido entre una carta X . (o

individuos) y una carta CUSUM. Ella analiza un puntaje acumulativo,
basado en las zonas. El puntaje acumulativo es el valor absoluto de
la suma de los puntajes de las zonas en las cuales los puntos son
graficados. Cada vez que es cruzada la línea central el puntaje
acumulativo es reseteado a cero.

Figura

Un punto está fuera de control si su puntaje acumulativo es mas

grande que, o igual a 8. Entonces, el analista no necesita reconocer
los patrones asociados con el entorno no aleatorio como en la carta
Shewhart. Con el puntaje de 0, 2, 4, 8 este método es equivalente al
criterio estándar 1, 5, y 6 para causas especiales en una carta X
(individuos) y es mas exigente que el criterio 7 y 8. como se muestra
en la figura de arriba, las tendencias (criterio3) también pueden ser
detectadas dependiendo del inicio y parada de la tendencia.

Las cartas de control zona pueden ser modificadas para eliminar el

proceso punto- de – graficado; los puntos son graficados en la zona
y no en la escala. Por tanto, una carta de control zona estándar
puede fijar muchas necesidades; cuando se actúa sobre un proceso
determinado por el procedimiento de carteo.

122
Puntajes Zona de cartas

Pegar grafico Carta Zona

Muestra

La carta zona puede se utilizada con un esquema de pesado para

suministrar la sensitividad necesaria para un proceso específico. Por
ejemplo, un juego de pesos (puntajes) se puede usar durante la fase
inicial para detectar causas especiales. Entonces los pesos pueden
cambiarse cuando el proceso esté en control y sea mas importante
determinar la deriva.

La eficiencia de las cartas de control zona está demostrada

comparando sus promedios de largo de carrera con aquellos ensayos
de control estándar. Para la carta dividida en puntajes de 0, 2, 4, y 8
la carta de control zona se comporta tan bien o mejor que las cartas
Shewhart (ver Davis et al. (1990)).

123
Esta página ha sido dejada en blanco intencionalmente

124
 CAPITULO IV

Entendiendo la Capacidad de Proceso

y el Desempeño del Proceso por Datos Variables.

125
Esta página ha sido dejada en blanco intencionalmente
.

126
Introducción
La salida de un proceso estable puede ser descrita por su distribución
estadística. El proceso debe ser estable ( en control estadístico) en
orden a que la distribución sea útil para predecir resultados futuros. 37
Una distribución se describe en términos de características
(estadísticas) que son calculadas de mediciones de muestras tomadas
del proceso.

Las estadísticas de interés mas frecuentes son los estimados de

localización de distribución ( o centro) y la dispersión relativa a los
requerimientos del cliente.. Típicamente, la localización es estimada por
la media de la muestra o la mediana de la muestra. La dispersión se
estima usualmente usando el rango de la muestra o la desviación
estándar.

El centrado del proceso y la dispersión interactúan con respecto a

producir un producto aceptable. Como la distribución se mueve fuera
del centro, el “espacio” disponible para acomodar la variación del
proceso (dispersión) es reducido. Un giro en la localización del proceso,
un incremento en la dispersión del proceso o una combinación de estos
factores puede producir partes por fuera de los límites de
especificación. Un proceso con una distribución tal podría no estar
calificado para cumplir as necesidades del cliente.

Esta sección direcciona algunas técnicas para evaluar la capacidad

proceso y el desempeño con respecto a las especificaciones del
producto. En general, es necesario que el proceso que esta siendo
evaluado sea estable ( en control estadístico). Una discusión de la
 variación del proceso y los índices asociados de capacidad tiene poco
valor para procesos inestables. Sin embargo, han sido desarrollados
enfoques razonables para evaluar la capacidad de procesos que
exhiben causas especiales sistemáticas de variación del proceso, tal
como desgaste de herramientas (ver Spiring, F:A: (1991)).

En suma, es generalmente asumido que las lecturas individuales de lo

sujetos del proceso tienen una distribución que es aproximadamente
normal.38
Esta sección discutirá solo los índices y proporciones más populares.

 Índices de solo-variación de procesos, relativos a especificaciones:

Cp y P p .
 Índices de variación de procesos y centrado combinados, relativos a
especificaciones: CPK y Ppk.
 Proporciones de solo-variación de procesos, relativos a
especificaciones: CR y PR.

NOTA: También hay otros índices que no se discuten en este manual,

ver Apéndice D y Referencias para información sobre otros índices.

Finalmente, esta sección describe las condiciones y supuestos asociados

con las medidas de esos procesos y concluye con sugerencias de cómo
esas medidas podrían ser aplicadas hacia resaltar el entendimiento
dentro de la franja de trabajo del mejoramiento continuo del proceso.

37
Ver Capítulo I, Secciones C, F.
38
Para distribuciones no normales, y procesos auto correlacionados, ver el Capítulo IV, Sección B.
127
 Este manual reconoce juntos el malentendido y la controversia
alrededor de los conceptos y definiciones con respecto a “Control”,
 “Capacidad”, y “Desempeño” del proceso. No es el propósito de este
manual resolver totalmente esos temas, pero si exponerlos y
discutirlos en una extensión que permita a cualquier lector la
oportunidad de desarrollar un mejor entendimiento de ellos en orden
a suministrar valor y conocimiento de la mejora continua del proceso.

128
Esta página ha sido dejada en blanco intencionalmente

129
 Insertar la figura IV.1

Figura IV.1: Variación Dentro y Entre Subgrupos

130
CAPÍTULO IV – Sección A
Definición de los Términos del Proceso

La variación del proceso tiene varios aspectos:

 Variación inherente al Proceso – Esa porción de variación del

proceso debida solamente a causas (sistemáticas) comunes.

 Variación dentro- de Subgrupos ( δ c ) – Esta es la variación

debida solamente a la variación dentro de subgrupos. Si el
proceso esta en control estadístico esta variación es un buen
estimativo de la variación inherente al proceso. Ella puede ser
estimada por las cartas de control por Rˆ o sˆ
d2 c4

 Variación Entre- Subgrupos - Esta es la variación debida

solamente a la variación entre subgrupos. Si el proceso esta en
control estadístico esta variación deberá ser cero.

 Variación total del Proceso ( δ p ) – Esta es la variación debida a

juntas dentro del subgrupo, y entre subgrupos. Si el proceso no
esta en control estadístico la variación total del proceso incluirá
el efecto de la causa (s) especial también como de las causas
comunes. Esta variación puede ser estimada por s, la desviación
estándar de la muestra, usando todas las lecturas individuales
obtenidas de bien sea una carta de control detallada o un estudio
n
xi  xˆ 2
del proceso: p s i n 1
. Donde xi es una

lectura individual, x̂ es el promedio de las lecturas individuales, y

n el número total de lecturas individuales.

 Capacidad de Proceso – El rango 6 ̂ de variación inherente del

proceso, para procesos estadísticamente estables solamente,
donde Rˆ o sˆ
d2 c4
 Desempeño del Proceso – El rango 6 ̂ de variación total del
proceso, donde ̂ es estimado usualmente por s, la desviación
estándar total del proceso.

Si el proceso esta en control estadístico la capacidad del proceso

estará muy cercana al desempeño del proceso. Una gran diferencia
 entre la capacidad y el desempeño ̂ indica la presencia de una
causa (s) especial

131
Medidas del Proceso para Procesos Predecibles
Índices –

Tolerancias Bilaterales

Esta sección discute los índices comúnmente usados donde la especificación

tiene ambos, un límite superior y uno inferior. 39

PRECAUCION: Los índices discutidos abajo son válidos solo cuando el

 proceso es estable ( en control estadístico). Si el proceso no esta en

control estadístico entonces esos índices pueden ser muy erróneos,
como puede verse en la Figura IV.4

Cp: Es un índice de capacidad. El compara la capacidad del proceso con la

variación máxima admisible como lo indica la tolerancia. Este índice suministra
una medida de que tan bien el proceso satisfará los requerimientos de
Cp USL  LSL USL  LSL
variabilidad. El Cp se calcula por Cp  
6 C 6 R 
 d2 

Cp no es impactado por la localización del proceso. Este índice puede ser

calculado solo para tolerancias de dos lados (bilateral).

Cpk Es un índice de capacidad. El tiene en cuenta tanto la localización del

proceso como la capacidad. Para tolerancias bilaterales Cpk siempre sera
menor o igual a Cp.

Cpk  Cp

Cpk sera igual a Cp solo si el proceso esta centrado.

El Cpk se calcula como el mínimo de CPU ó CPL donde:

USL  X USL  X
CPU   y
3 C 3 R 
Cpk  d2 

X  LSL X  LSL
CPL  
3 C 3 R 
 d2 

Cpk y Cp se deberán siempre evaluar y analizar juntos. Un valor Cp

 Significativamente mas grande que el correspondiente Cpk indica una

oportunidad de mejoramiento centrando el proceso.

39
Como se discutió en el Capítulo I, Sección A, el análisis del proceso requiere que los datos hayan sido recolectados usando s istemas
de medición que son consistentes con el proceso y tienen
132
 Pp es un índice de desempeño. El compara el desempeño del con el
Pp máximo admisible de variación como lo indica la tolerancia. Este índice
suministra una medida de que tan bien el proceso satisfará los
requerimientos de variabilidad. Pp se calcula por:
USL  LSL USL  LSL
Pp  
6 P 6s
Pp no es impactado por la localización del proceso.

Pp Es un índice de desempeño. El compara el desempeño del con el

Ppk máximo admisible de variación como lo indica la tolerancia. Este índice
suministra una medida de que tan bien el proceso satisfará los
requerimientos de variabilidad. Pp se calcula por:
USL  LSL USL  LSL
Pp  
6 P 6s
Pp no es impactado por la localización del proceso.

Ppk Es un índice de desempeño. El tiene en cuenta tanto la localización del

proceso como el desempeño. Para tolerancias bilaterales Ppk será
siempre menor que o igual a Pp . Ppk será igual a Pp solo si el proceso
esta centrado.
Ppk  Pp
Ppk se calcula como el mínimo de PPU ó PPL donde:

USL  X USL  X
PPU   y
3 P 3s

X  LSL X  LSL
PPL  
3 P 3s

Figura IV.2

Figura IV.2: Comparación Cpk y Ppk

133
 Ppk y Pp siempre deberán ser evaluados juntos. Un valor Pp
significativamente grande que el correspondiente Ppk indica una
oportunidad de mejoramiento centrando el proceso.

 Si el proceso está en control estadístico la capacidad del proceso

estará cerca del desempeño del proceso. Una diferencia grande entre
los índices del C y el P indica la presencia de una causa (s) especial.
Ver figura IV.3 y IV.4.

CR: Es la rata de capacidad y es simplemente el recíproco de Cp.

CR 1
CR 
Cp

PR: Es la rata de desempeño y es simplemente el recíproco de Pp:

PR
1
PR 
Pp

Nota: Ejemplos de cálculo para todas estas mediciones son

mostrados en el Apéndice F.

Una rata de no conformidad parte-por-millón (PPM) es algunas veces

PPM usada como una medida suplementaria de capacidad de proceso.
Para estimar la rata de no conformidad usando la información de los
índices de capacidad, debe definirse una probabilidad de distribución
de los datos. Mientras la distribución normal a menudo es usada para
este propósito, este es un supuesto que podría ser validado usando
un ensayo de bondad-de forma antes de proceder posteriormente.
Las relaciones no lineares entre el índice de capacidad y la
proporción de no conformes deberá ser entendida en orden a hacer
las inferencias correctas. (ver Wheeler (1999) para una discusión
detallada de este asunto).

134
 Pegar aquí la figura IV.3

Note que las Cartas Rango son idénticas por cuanto la variación entre subgrupos es la misma
para ambos procesos.

Figura IV.3: Comparación entre un Proceso Predecible e Inmaduro para Cartas de Control

135
 Pegar aquí la figura IV,4

El proceso de abajo tiene la misma variación dentro de su grupo

como la de arriba, pero no la misma variación entre subgrupos.

El proceso en control estadístico.

Figura IV.4: Valores Cpk y Ppk Producidos por un Proceso Predecible e Inmaduro

136
Índices –
Tolerancias Unilaterales

Esta sección discute los índices comúnmente usados donde la

especificación tiene bien sea un límite superior o inferior pero no
juntos

Cp : Es un índice de capacidad. El compara la capacidad del proceso

Cp con la variación máxima admisible como lo indica la tolerancia. Este
índice no tiene significado para tolerancias unilaterales.

 Si las características del producto tienen un límite físico (e.j., lo

angosto no puede ser menor que cero), un Cp puede ser calculado
usando el límite físico (0.0) como un límite inferior sustituto. Pero este
número no tendrá la misma relación con Cpk como la tiene en el caso
bilateral.

Cpk: Es un índice de capacidad. El tiene en cuenta tanto la

localización del proceso como la capacidad. Con tolerancias
unilaterales con un límite físico, El Cpk puede ser menos que, igual a
o más grande que Cp.
Cpk
El Cpk está directamente relacionado con la proporción de no
conformes producidos por el proceso. Es igual a Cpu o CPL
dependiendo si la tolerancia es una USL o un LSL, donde:

USL  X
CPU 
3 R 
 d2 

X  LSL
CPL 
3 R 
 d2 

El Pp: Es un índice de desempeño. El compara el desempeño del

Pp proceso con la variación máxima aceptable como es indicada por la
tolerancia. Este índice no tiene significado para tolerancias
unilaterales.

 Si las características del producto tienen un límite físico (e.j., lo

angosto no puede ser menor que cero), un Pp puede ser calculado
usando el límite físico (0.0) como un límite inferior sustituto. Pero este
número no tendrá la misma relación con Ppk como la tiene en el caso
bilateral.

137
 El Ppk esta directamente relacionado con la proporción de no
Ppk conformes producidos por el proceso. Es igual a PPU o PPL
dependiendo si a tolerancia es una USL o LSL donde:

USL  X
PPU 
3s

X  LSL
PCPL 
3s

 Una notación alternativa para Ppk en el caso de tolerancias

unilaterales es Ppku o Ppkl dependiendo si el límite es un USL o un
LSL

CR: Es la rata de capacidad y es simplemente el recíproco de Cp.

CR Como tal, este índice no tiene significado par tolerancias unilaterales

PR: Es la rata de desempeño y es simplemente el recíproco de Pp.

PR Como tal, este índice no tiene significado par tolerancias
unilaterales.

NOTA: Ejemplos de cálculo para todas esas mediciones son

mostrados en el Apéndice F.

138
CAPITULO IV – Sección B
Descripción de Condiciones.

Es apropiado anotar que variación proceso y centrado del proceso

son dos características separadas del proceso. Cada una necesita
ser entendida separadamente de la otra. Para asistir en este análisis
se ha hecho conveniente combinar las dos características en índices,
tales como Cp´ , Cpk o Pp´ Ppk. Estos índices pueden ser útiles
para:
 Medir el mejoramiento continuo usando las tendencias sobre el
tiempo
 Priorizar el orden en el cual deben ser mejorados los procesos.

El índice de capacidad, Cpk es util adicionalmente para determinar

siempre que o no un proceso es capaz de cumplir los requerimientos
del cliente. Este fue el propósito inicial del índice de capacidad. El
índice de desempeño, Ppk , muestra siempre si el desempeño del

 proceso está realmente cumpliendo los requerimientos del cliente.

Para estos índices (también como para todas las otras medidas del
proceso descritas en el Capítulo IV, Sección A), deben ser
entendidas las CONDICIONES que los rodean para ser usados
efectivamente. Si esas condiciones no se cumplen, las medidas
tendrán poco o ningún significado y pueden ser mal entendidas en el
entendimiento del proceso del cual ellas fueron generadas. Las
siguientes tres condiciones son las mínimas que deben ser
satisfechas para todas las medidas de capacidad descritas en al
Sección A.

 El proceso del cual los datos vienen es estadísticamente estable,

esto es, las reglas SPC normalmente aceptadas no deben ser
violadas.
 Las medidas individuales de los datos del proceso forman una
distribución aproximadamente normal.40
 Las especificaciones están basadas sobre los requerimientos del
cliente.

Comúnmente, el valor del índice computado (o rata) es aceptado

como el valor índice “ verdadero” (o rata); e.j., la influencia de la
variación del muestreo sobre el número computado es descontada.
Por ejemplo, los índices computados Cpk de 1.30 y 1.39 pueden ser
del mismo proceso estable simplemente debido a la variación del
muestreo.

Ver Bisel, B:A:F (1990), Boyles, R.A (1991) y Dovich, R.A (1991) para
más sobre este objeto.

40
Para distribuciones no normales, ver las páginas que siguen.
139
Manejando Distribuciones No normales y Multivariadas 41
Aunque la distribución normal es útil para describir y analizar una
amplia variedad de procesos, no puede ser usada para todos los
procesos. Algunos procesos son inherentemente no- normales, y sus
desviaciones de la normalidad son tales que usar la distribución
normal como una aproximación puede conducir a decisiones
erróneas. Otros procesos tienen características múltiples que están
interrelacionadas y deberán ser modeladas como distribución multi
variante.

Aparte de los índices descritos arriba, Cp´ Pp´ y PR son robustos

con respecto a no- normalidad. Esto no es cierto para Cpk´ y Ppk´.

Relaciones entre Índices y

Proporción de No conformes

También muchas individuales usan los índices Cpk´ y Ppk´. como

métrica escalar – menos (unidad- menos), hay una relación directa
entre cada índice y el parámetro relacionado de proporción de no
conformes (o ppm). Asumiendo que Cp  1 , la relación del índice de
capacidad está dada por:

2
x
 
Proporción no conforme = 1 -   e 2
Zc
dx

Donde z c  3C pk y

C pk  min CPU , CPL

Similarmente, Ppk está relacionado con la proporción no conforme a

través de :

z p  3Ppk

Con este entendimiento de Cpk´ y Ppk´ se pueden desarrollar

índices para distribuciones no-normal con la misma relación entre el
índice y la proporción no conforme del proceso.

La determinación de esos índices para distribuciones no-normal

requiere tablas extensivas o el uso de técnicas iterativas de
aproximación. Ellas son raramente calculadas sin la asistencia de un
programa de computador.

Distribuciones No normal Usando

Transformaciones.

Un enfoque es transformar la forma no-normal en una que sea

(cercana) normal. Las especificaciones son también transformadas

41
Como se discutió en el Capítulo II, sección A, el análisis del proceso requiere que los dataos hayan sido recolectados usando
sistemas de medición que sean consistentes con el proceso y tengan características del sistema de medición aceptables.
140
 usando los mismos parámetros. Los índices Cpk´ y Ppk´ son
determinados entonces en el espacio transformado usando cálculos
estándar basados sobre la distribución normal

Dos enfoques generales de transformación que han ganado soporte

son:

 Transformaciones Box-Cox

Los métodos de análisis de experimentos diseñados son

“apropiados y eficientes cuando los modelos y los errores son (a)
estructuralmente adecuados, (b) tienen variancia constante, y (c)
son normalmente distribuidos.”42 Box & Cox (1964) discutieron
una transformación la cual razonablemente satisface todos los
tres de estos requerimientos. Esta transformación es dada por:

w  x

donde:  5    5 ,

y   0 Para el log natural de la transformación

  0.5 Para la raíz cuadrada de la transformación.
También estas transformaciones fueron desarrolladas con el foco del
análisis de diseño de experimentos, y encontraron una aplicación en
la transformación de datos de proceso para normalidad.

 Transformaciones Jonson

En 1949, Norman L Jonson desarrolló un sistema de

transformaciones las cuales dan como resultado una normalidad
aproximada.43 Este sistema es dado por:

 x 
w  log 
 1  x  
Sn Limitado

SL w  logx  Log normal

SU 
w  sinh 1 x   log x  1  y 2  1  Sin límites

Como en el caso de la Familia Pearson de distribución (ver abajo),

este sistema de curvas acompasa todas las formas de distribución
unimodal posibles; e.j., cubre el plano entero Skewness-kurtois
posible. También contiene una forma limitada de distribución familiar
lognormal. Sin embargo, en el caso general, las curvas Jonson son
cuatro funciones parámetro.

42
Box,G.E.P.., Hunter, W.G. y Hunter, J.S., Estadísticas para experimentos, John Wiley & Sons, New York, 1978, pj. 239.
43
Ver Jonson 81949).
141
Distribuciones No-normal
Usando formas No-normal

Modele la forma no-normal de distribución del proceso y luego

determine la proporción no-conforme, e.j., el área de la distribución
no-normal fuera de especificaciones.

Un enfoque común para el modelado de la distribución no-normal es

usar las Curvas Familia Pearson. El miembro más apropiado de esta
familia esta determinado por el método de momentos aparejados; Ej.,
la curva con skewness (SK) y kurtois (KU) esa pareja que usa la
distribución muestreada como un modelo para la forma subrayada.
Como en el caso del Sistema de Transformaciones Jonson (ver
arriba), esta familia de curvas acompasa todas las formas posibles
de distribución unimodal, e.j., cubre el plano entero posible SK- SU.

Para calcular el equivalente no-normal del índice Ppk, la forma no-

normal  f x  es usada para determinar la proporción no conforme,
e.j., el área de distribución no-normal fuera de las especificaciones
superior e inferior:

f x dx
LSL
PL   y



Pu   f x dx.
USL

Esos valores son convertidos en un valor z usando el inverso de la

distribución normal estándar. Esto es, los valores zL y zU en las
siguientes ecuaciones son determinados de tal forma que:

2
x
zl  
PL   e 2
dx y


2
x
  
PU   e 2
dx y
zu

min z L , Z u 
entonces Ppk 
3
También el cálculo estándar de Pp es un estimado robusto, un
estimado mas exacto se puede encontrar usando la convención que
la dispersión del proceso es definida como el rango que incluye
99.73% de la distribución (representando el equivalente de una
dispersión normal de  3 ). Los límites de este rango son llamados
“la cantidad 0..135% quantile” (Q0.00135) y el “99.865% quantile”
(Q0.99865). Esto es, 0.135% de los valores de la población son
encontrados por debajo de Q0.00135 o encima de Q0.99865.44

44 S
Para la forma normal: Q0.99865 =- Q0.00135 = z0.99865
142
 f x dx
Q0.00135
0.00135   y



0.99865   f x dx.
Q0.99865

el cálculo para Pp entonces es :

Rango.especifica cion Rangoespecific

Pp  
RangoEst  99.73% Q0.99865  Q0.00135

donde la forma no normal es usada para calcular las cantidades.

R 
El índice de capacidad Cp se calcula como el anterior reemplazando s por  d 
 2
.

Por causa de que este enfoque usa el total de la variación para calcular la
proporción de no-conformes, hay un análogo de una Cpk no-normal disponible.

Un enfoque alternativo para calcular el índice Ppk usando cantidades esta dado
en algunos documentos por:

 USL  X X  LSL 
Ppk  min  , 
 Q0.00865  X X  Q0.00135 
Este enfoque no vincula el índice Ppk con la proporción de –conforme. Esto es,
formas no-normal diferentes tendrán el mismo índice para diferente proporción no-
conforme. Para interpretar y comparar estos índices adecuadamente, deberán ser
consideradas la forma no-normal así como el valor del índice.

143
Distribuciones Multivariadas

Cuando se interrelacionan múltiples características, la distribución del

proceso debe ser modelada usando una forma multivariante. El índice
de desempeño del proceso Ppk puede ser evaluado determinando
primero la proporción de no conformes, Ej., el área de distribución
multi variante por fuera de especificaciones.

Para muchas características geométricamente dimensionadas

(GD&T), la forma bivariada normal es útil en la descripción del
proceso.

Un par de variables aleatorias X y Y tienen distribución normal

bivariada si y solo si su unión probable de densidad es dada por

 2 

e  
 2 
f  x, y  
1  2 1 p 

2 x y 1  p 2

Figura Distribución normal bivariada.

2 px   x y   y   y   y
2

2
 x  x 
donde z    
     
 x  x y  y 

 xy
p  covx, y  
 x y

para    x  ;  y  , donde  x  0; y  0

Para calcular el equivalente multivariante del índice Ppk, la forma

multivariante (e.j., f (x,y)) es usada para determinar la proporción no-
conforme, e.j., el volumen de distribución multivariante fuera de
especificación (zona de tolerancia). En el caso bivariada esto podría
ser:

pz   f x, y d
zonadet olerancia
x dy y

Figura

Este valor es convertido en un valor z usando el inverso de la

distribución normal estándar. Esto es, el valor z es tal que:

144
 2
x
z  
pz   e 2
dx


z
entonces Ppk 
3
un estimado de Pp puede ser encontrado usando:

area.de.especifica ción
Pp 
AreaEst .99.73
donde la forma multi variante es usada para calcular el área estimada
99.73%

Por que este enfoque usa la variación total para calcular la proporción
no-conforme, no hay analogía de una multivariante Cpk disponible.45

45
Ver también Bothe (2001) y Wheeler (1995) .
145
Esta página ha sido dejada en blanco intencionalmente

146
CAPITULO IV – Sección C

Uso sugerido de Mediciones Proceso

La clave para el uso efectivo de cualquier medición de proceso
continúa siendo el nivel de entendimiento de qué representan las
medidas verdaderamente. Aquellos en la comunidad estadística
quienes generalmente se oponen a cómo están siendo usados los
índices Cpk, son rápidos en apuntar que algunos procesos “palabra
real” satisfacen completamente todas las condiciones, supuestos y
parámetros dentro de los cuales el Cpk ha sido desarrollado (ver
Gunter, B (1989) y Herman, J.T. (1989)).
La posición de este manual es que, aún cuando todas las condiciones
se cumplen, es difícil evaluar o entender verdaderamente un proceso
sobre la base de un simple índice o número rata, por las razones que
discutimos a continuación.

Ningún índice o rata deberá ser usado para describir un proceso. Se

 recomienda fuertemente que todos los índices (Cp´ Cpk y Pp´ Ppk )
sean calculados sobre el mismo juego de datos. La comparación de
los índices entre ellos mismos puede suministrar comprensión de los
temas potenciales del proceso y ayudar a medir y priorizar las
mejoras en el tiempo. Por ejemplo, valores bajos de Cp´ Cpk pueden
indicar temas de variabilidad dentro de subgrupos, mientras que
bajos Pp´ Ppk pueden implicar temas de variabilidad general.

Se deberán usar análisis gráficos junto con las medidas del proceso.
Ejemplos de tales análisis incluyen cartas de control, gráficos de
distribución proceso, y gráficas de pérdida de función.

6δc Adicionalmente, es de ayuda graficar la variación inherente del

6δp proceso, 6 c  6 R versus la variación total del proceso,

d2
6 p  6s , para comparar la “capacidad” y “desempeño” y trazar el
mejoramiento. Generalmente, el tamaño de este espacio es una
indicación del efecto que las causas especiales tienen sobre el
proceso. Esos tipos de análisis gráficos se pueden hacer para mejor
entendimiento del proceso aún si los índices del proceso no se usan.

 Las medidas del proceso deben ser usadas con el objetivo de alinear
la “Voz del Proceso” con la “Voz del Cliente”.46

Toda evaluación de capacidad y desempeño debe ser confinada a

 características simples del proceso. Nunca es apropiado combinar o
promediar los resultados de la capacidad o el desempeño de varios
47
procesos en un índice.

46
Ver Figura .I.1.
47
Los métodos para direccionar procesos multivariante son consignados en el Capítulo IV, Sección B.
147
 Pegar figura IV

Figura IV.5: “Puesto Meta” vs. Pérdida de Función.

El Concepto Pérdida de Función

La fuerza que dirige desde atrás el uso de los índices de capacidad (y

otras medidas del proceso) ha tenido el deseo de producir todas las
partes dentro las especificaciones del cliente. El concepto subrayado
que motiva este deseo es que todas las partes dentro de
especificación, a pesar de dónde estén localizadas dentro del rango
de especificación, son igualmente “buenas” (aceptables), y todas las
partes fuera de especificación son igualmente “malas” (inaceptables),
Los profesionales de la calidad algunas veces se refieren a este
concepto como mentalidad “Puesto Meta” ver Figura IV.5(A)).

148
También este modelo mental (bueno/malo) ha sido usado
extensivamente en el pasado, se sugiere un modelo más útil (Ej., uno
que esté mas cerca del entorno de la palabra real), es ilustrado en la
Figura IV.5(B). En general, este modelo es una forma cuadrática y
usa el principio de que se incurre en una disminución incrementada
por el cliente o la sociedad posterior a una característica obtenida de
la meta de especificación. Implícita en este concepto, referido como
pérdida de función, está la presunción de que el diseño pretendido
(meta de la especificación) está alineado con el requerimiento del
cliente.

El primer paso en administrar la variación es entender cuanta

variación es aceptable; Ej. cuanta desviación de una meta o valor
nominal es admitida. Tradicionalmente el valor del juicio “admisible” y
“aceptable” se basa sobre el entendimiento del diseño de ingeniería,
de los requerimientos funcionales y lo físico del diseño y el ambiente
de utilización (conocimiento del asunto objeto de ingeniería),atenuado
por las limitaciones económicas del proceso de producción. Los
resultados de esta parte del proceso de diseño se reflejan en las
especificaciones de ingeniería (tolerancias).

Pegar figura

Pero que significan las especificaciones?. Idealmente, todas las

características de un diseño deben ser iguales al propósito del diseño
– el valor meta que podría traer resultados perfectos. Pero existe la
variación. Así que, cual es la diferencia para el cliente entre dos
partes diferentes, una con las características en la meta, y otra que
tiene las mismas características fuera de la meta pero dentro de
especificación?

Un enfoque común se puede describir utilizando la analogía del

“Puesto Meta “. En muchos deportes (Ej., futbol, soccer, hockey,
basketball), un gol de campo es reconocido si la bola pasa a través
del puesto meta (o del aro en básquetbol). No hace diferencia si la
bola o el disco entra justo en el centro o se desliza adentro. El puntaje
obtenido es el mismo.

En procesos de manufactura esto significa que todo dentro de los

límites de especificación es considerado igualmente bueno, y todo
fuera es igualmente malo.

149
 Insertar figura

Este enfoque puede ser válido para características discretas (Ej., la

parte tiene un espacio hueco o no), pero cuando se trata con
características con una respuesta continua, este enfoque no refleja
como reacciona el cliente a niveles diferentes de salida.

Sin considerar las especificaciones, es posible determinar la

sensitividad del cliente a desviaciones de la meta (propósito del
diseño). Ver Goble, et al (1981). Tanto como una característica se
desvíe lejos de la meta, muchos clientes estarán dispuestos a “sentir”
que tan diferente es del propósito del diseño – primariamente porque
toma mas “esfuerzo” usarla. En muchos casos puede ser asociada
con una pérdida (en tiempo, costo, eficiencia, etc.) con cada
incremento de desviación. Esta pérdida puede aplicar al cliente
individual, pero también puede extenderse a la organización y aún a
la sociedad.

Una curva de sensitividad típica (pérdida de función) tiene una forma

cuadrática.

Figura

Hay dos formas de analizar una pérdida de función. Se puede

comparar con el propósito del diseño o con las especificaciones
funcionales.

Figura IV.6: Comparación Pérdida de Función y Especificaciones.

150
 Desde la perspectiva del cliente, la Figura IV.4 muestra que
funcionalmente hay poca diferencia entre una característica que es
un “codo” sobre un lado u otro del límite de especificación.

Una comparación de la pérdida de función con la especificación

suministra una vía para clasificar características. La Figura IV.5
muestra que la pérdida de función para la Característica A es
relativamente angosta dentro de los límites de especificación. Esto
significa que el cliente será insensitivo a la variación entre la
especificación de la Característica A. Por cuanto se espera que todas
las características estén dentro de especificación, esta característica
satisface la definición operacional de robusta.48

Una característica es llamada Robusta si el cliente es insensitivo a

la variación esperada de la característica.

Figura IV.7: Comparación de Pérdida de Funciones.

48
Definición alternativa: Un diseño es robusto si es tolerante (insensitivo) a la variación que es esper ada del proceso, de manufactura,
materiales y ambiente.
151
 MODELO DE SISTEMA DE CONTROL DE PROCESO
CON RETROALIMENTACION

LA VOZ DE LOS PROCESOS

MÉTODOS
ESTADÍSTICOS

GENTE
EQUIPO
LA FORMA COMO PRODUCTOS
MATERIALES
TRABAJAMOS/ O SERVICIOS CLIENTES
MEDICIONES
COMBINACIÓN DE
MÉTODOS RECURSOS
AMBIENTE
IDENTIFICANDO
NECESIDADES
DE CAMBIOS Y
EXPECTATIVAS
ENTRADAS PROCESOS / SISTEMA SALIDAS

VOZ DE LOS CLIENTES

Figura IV.8: Un Sistema de Control Proceso.

152
Alineamiento del Proceso con
los Requerimientos del Cliente

En EL Capítulo I, Sección B (ver Figura IV.8), un sistema de control

proceso es descrito como un sistema de realimentación. Una
característica de salida de tal proceso también puede ser expresada
gráficamente en términos de una probabilidad de distribución. Se
puede referir a esta distribución como la distribución del proceso. (ver
Figura IV.9 (a)).

Insertar figura.

La curva de sensitividad también suministra dirección en el control del

procesos de producción. La comparación de la pérdida de función
proceso y la especificación muestran juntas que la perdida total para
el cliente se incrementa tanto como el centro del proceso (promedio)
se desvía de la meta.

Para evaluar el impacto de la distribución del proceso en el cliente,

una pérdida de función (ver Figura IV.9(b)) puede establecerse por
las características del proceso. Sobreponiendo la distribución del
proceso sobre la curva perdida de función de los requerimientos del
cliente, (ver Figura IV.9(c)) se muestra:

 Que tan bien el centro del proceso esta alineado con el

requerimiento meta del cliente.

 La pérdida que esta siendo generada para el cliente por el

proceso.

Basados sobre estas observaciones se puede concluir lo siguiente:

 En orden a minimizar las pérdidas del cliente, el proceso (centro

del proceso) deberá alinearse con los requerimientos del cliente
(meta de especificación)

 Es benéfico para el cliente si la variación alrededor del valor meta

se reduce continuamente (ver Figura IV.9 (e)).

Este análisis es llamado algunas veces Alinear la “Voz del Proceso”

con la “Voz del Cliente” (ver Scherkenbach, W.W. (1991) para más
detalles.)

En el ejemplo de la Figura IV.9(d), las partes fuera de especificación

cuentan solamente en el 45% de la pérdida total para el cliente. La
pérdida restante viene de partes dentro de especificación pero que no
están en la meta.

153
 Pegar Figura IV.9

Figura IV.9: Alineamiento del Proceso con los Requerimientos.

154
Esto fue determinado estimando la pérdida total: combinando las
pérdidas generadas por la distribución real de las partes (partes no
conformes) y las pérdidas debidas a la sensitividad del cliente a la
variación dentro de la especificación. Esto sugiere fuertemente que el
modelo “Puesto Meta”, o el porcentaje computado de partes “malas”
(partes fuera de especificaciones) en o de si mismas no suministra
una apreciación propia para entender el efecto que el proceso está
realmente teniendo en el cliente.

155
Esta página se deja intencionalmente en blanco.

156
 APÉNDICE A

Algunos Comentarios Sobre Muestreo

Efectos de Subagrupar

Las cartas de control se usan para responder preguntas acerca del

proceso. En orden a tener una carta de control que sea útil, es
importante que las cartas respondan las preguntas ciertas. Una carta
X hace la pregunta, “ es la variación presente entre promedios de
subgrupos más que la esperada basada sobre la variación entre
subgrupos?. Por lo tanto, entender las fuentes de variación entre y
dentro de subgrupos es de importancia primordial en la comprensión
de las cartas de control y la variación del proceso. Muchas cartas de
control por variables comparan la variación dentro de subgrupos con
la variación entre subgrupos, así, es importante en la interpretación
de las cartas de control formar subgrupos con un entendimiento de
las posibles fuentes de variación que afectan los resultados del
proceso.

Datos Autocorrelacionados

Hay generalmente 3 características para cualquier muestreo que se

realiza cuando se hace un SPC.

1. Tamaño: Cuantas partes se seleccionan en la muestra?

2. Frecuencia: Que tan a menudo se toma una muestra?

3. Tipo: La muestra consistirá de piezas seleccionadas

consecutivamente, piezas seleccionadas aleatoriamente,49 o de
algún otro plan estructurado?

De las 3 características mencionadas arriba, mucha gente tiene

experiencia con la 1 y la 2, pero la 3 es considerada raramente. En
efecto, el tipo de muestra no es siempre cubierto en muchas de las
plantillas de los planes de control. El tipo de muestra puede tener un
gran impacto en los resultados del carteo SPC y debe ser entendido.

Algunos factores que influyen en el impacto del tipo de muestra tienen

que ver con el proceso en si – son independientes de la naturaleza del
proceso de manufactura. Un fenómeno particular común con los días
modernos, la alta velocidad, los procesos automatizados, se conoce
como auto correlación.

El concepto de auto correlación puede ser familiar para muchas

personas. Hay muchos ejemplos de correlación los cuales son parte de
las experiencias la vida diaria, (ejemplo, altura/peso) donde dos
características son comparadas en orden a determinar si parece haber
una relación significante entre ellas. Como el valor de una
característica se eleva, el valor de la otra característica se eleva con
ella (indicando una relación positiva), o puede caer con ella (indicando

49
Es importante entender el significado real de “aleatorio”. En la práctica, mucha gente piensa que por seleccionar piezas cieg amente
lo que están haciendo es una selección “aleatoria”. En realidad, esto puede ser muestreo al azar o muestreo de conveniencia. La
selección de una muestra aleatoria requiere técnicas específicas para asegurar que la muestra es aleatoria. Usando el muestreo al azar
o por conveniencia. Cuando se requiere muestreo aleatorio puede conducir a conclusiones erróneas y desviadas.
157
una relación negativa), o puede actuar independientemente de ella
(correlación cero). La fórmula matemática para correlación conduce a
un valor entre –1 (correlación negativa) a cero ( no correlación), a +1
(correlación positiva). En orden a alcanzar esos resultados, muchas
muestras son tomadas de la población y las dos características de
interés son comparadas con cada otra. En el mundo de la producción,
características diferentes del mismo producto/proceso pueden ser
comparadas.

En autocorrelación, en vez de comparar dos características dentro de

una parte, una característica es comparada con la misma característica
de una parte producida antes que ella. Ella puede ser comparada con
la parte producida inmediatamente anterior (llamada un lag de 1), o dos
partes anteriores (un lag de 2), etc.

En los procesos automatizados alta velocidad, se encuentra a menudo

que exhiben autocorrelación de algunas características. Esto a menudo
es por causa de que hay una causa especial de variación predecible la
cual es grande cuando se compara con las causas comunes de
variación. Esto es, las variables de entrada importantes del proceso no
tienen tiempo de variar mucho en el periodo de tiempo en que la
muestra fue tomada cuando se compara con la variación entre
muestras. Esto se puede ilustrar con ejemplos.

Ejemplo de Temperatura.

Si a uno le pidieran hacer una carta de control X , yR sobre la

temperatura de una pieza ( o patio exterior), no tiene sentido tener un
plan de muestreo que tome 5 lecturas consecutivas de temperatura –
cada una de 5 valores que serían esencialmente los mismos que los
otros. Sin embargo, una hora después cuando la siguiente muestra es
tomada, la temperatura podría posiblemente ser diferente de lo que
fue anteriormente, entonces esas 5 lecturas volverían a ser las mismas
que las otras, y así sucesivamente.

Cuando se completa tal carta, habrá probablemente alguna aparente

variación aleatoria en la carta X , pero el rango de la carta sería
aproximadamente cero. R se usa para calcular los límites de control
sobre el promedio, en la fórmula X  A2 x R , así que los límites de
control estarían extremadamente ajustados en el gran promedio de
datos, y muchos puntos podrían mostrar que están fuera de control.
Este es un ejemplo extremo, pero sirve para apuntar que pasa cuando
esta presente la autocorrelación y es ignorada.

Ejemplo de Estampado:

Los datos de una bobina alimentadora, proceso de acabado progresivo

son típicamente autocorrelacionados. Si los datos fueran aleatorizados
(e.j., la bobina alimentadora de acero fue cortada en blancos,
aleatorizada y luego medida), los datos entonces podrían no ser
autocorelacionados. Pero la salida final embarcada (la distribución total
del proceso como se indica en el histograma) podría ser idéntica. La
causa subyacente para la autocorrelación ha sido rota. Es esto práctico
o posible de hacer siempre? No, no en este caso - pero este ejemplo
sirve para ilustrar la naturaleza posible de la autocorrelación en un
proceso.
158
 Figuras de Proceso con autocorrelación.

La auto correlación puede conducir a conclusiones equivocadas, si

Cpk se calcula ignorando sus efectos sobre la variación del proceso.
Por cuanto Cpk está basado sobre R (un estimado entre sub grupos
de la desviación estándar), es evidente en el ejemplo anterior que
Cpk sería extremadamente alto, pero es obvio que hay mas variación
en el proceso la cual no ha sido capturada por el Cpk´.

Identificando la Auto correlación

Para descubrir si un proceso es auto correlacionado, primeramente,

50
considere las entradas del proceso en términos de 6M´s. Si un
proceso es altamente dependiente del operador, no es probable que
el proceso pueda ser auto correlacionado. En la otra mano, si el
proceso es altamente dependiente de la materia prima, y esa materia
prima es continuamente variable (tal como una bobina de acero
usada para alimentar un proceso de estampado), la auto correlación
entre cada bobina es altamente posible. De manera similar, para un
proceso el cual es altamente dependiente de las características
relacionadas con la máquina (tal como una prensa de estampado y la
misma es afectada por la combinación de la lubricación, la
temperatura, la condición de la herramienta, etc.). Cuando un proceso
es dependiente de ambos, material y máquina, la auto correlación
puede ser significativa.

50
Hombres, Materiales, Método, Máquina, Madre Naturaleza,(ambiente), Sistema de Medición.
159
 Segundo, hay análisis estadísticos51 que pueden ser usados para
determinar el coeficiente y el patrón de la auto correlación real. La
metodología del análisis de correlación del muestreo por pares se
puede usar para comparar la muestra actual con la muestra anterior,
luego la muestra siguiente con la muestra actual, etc. Cuando las
muestras de un proceso son estables e independientes, los puntos
graficados se posicionarán “aleatoriamente” (aleatorio de una
distribución normal) entre los límites de control. Los puntos graficados
de un proceso auto correlacionado no variarán muy lejos de los
puntos de muestreo vecinos, formando un patrón flojo, y vago.

Vías para Direccionar la Auto Correlación

. A menudo, nada se puede hacer para cambiar un proceso auto
correlacionado.52
Se pueden solicitar diferentes métodos de muestreo para ello.

I & MR:

Si la variación dentro de subgrupos es menor o igual a la

discriminación del sistema de medición que es el apropiado para el
proceso, una carta I & MR puede ser un método adecuado para
controlar la variación del proceso. Sin embargo una correlación muy
fuerte puede mostrarse todavía a si misma como un patrón no
aleatorio.

Muestras Estructuradas:

La selección de la cantidad de muestras y la frecuencia deberán

reflejar la fuente dominante de variación. Por ejemplo, si el proceso
es dominante por material, entonces el muestreo debe ocurrir
siempre que el material cambie (e.j., Con el cambio de bobinas).

Cartas auto regresivas:

En casos donde es violado el supuesto que los datos de muestra son

independientes, un modelo auto regresivo puede ser el apropiado.
Ver Capítulo III.

Carteo Estructurado:

Si la fuente (causa especial) de auto correlación es predecible, es

posible controlar el proceso segregando la variación dentro de sub
grupos de la variación entre sub grupos en cartas separadas. Las
cartas Entre / Dentro utilizan una enfoque carta I y MR tanto como la
Carta Rango:

 La carta Individuos grafica los promedios de subgrupo tratados

como individuos contra los límites de control basada sobre Rango
Móvil.
 La carta MR grafica la variación entre sub grupos usando el
rango móvil, basada sobre los promedios de sub grupo.
 La carta Rango (o Desviación Estándar) grafica la variación
dentro de sub grupos.

51
El ensayo estadístico Durbin-Wtson es un método para determinar el grado de auto correlación y esta incluido en muchos paquetes d
software estadístico. Ver Biométrica, 38, pp, 159-178, 1951.
52
Por ejemplo, ver Apéndice A para discusión sobre Auto correlación.
160
 Eso podría ser analizado usando los métodos estándar de control por
cartas para asegurar que juntos, causas comunes de variación
(dentro de sub grupo) y las causas de auto correlación (entre sub
grupos ) se mantengan consistentes (ver Wheeler (1995)).

Resumen

Lo que es importante aquí es considerar el concepto de auto

correlación y la habilidad para reconocerlo en un proceso, entonces
entender su posible impacto en los resultados estadísticos.

Con esta discusión de auto correlación se pretende solamente

aumentar la conciencia de que tal fenómeno existe, como

 reconocerlo, y sus efectos, si no son reconocidos o entendidos,

pueden ser muy nocivos para las buenas prácticas del SPC. Si el
lector puede sospechar auto correlación en un proceso, entonces
debe consultar un estadístico.

Es importante entender el significado real de “aleatorio”. En la

práctica, mucha gente piensa que por una selección a ciegas aquí y
allá lo que ellos están haciendo es selección “aleatoria”. En realidad,
esto puede ser una muestreo al azar o muestreo de conveniencia (ver
Glosario). La selección de una muestra aleatoria requiere de técnicas
específicas (ver un libro de referencia estadístico). Usar un muestreo
al azar o de conveniencia cuando se requiere un muestreo aleatorio
puede conducir a conclusiones desviadas y por consiguiente
erróneas.

161
Ejemplo de Proceso de Corriente
Múltiple.

Considere el siguiente ejemplo: Un proceso de producción esta

constituido por cuatro operaciones paralelas. Se sugiere que la
variación en la salida del proceso debe ser estudiada con cartas de
control, así que, debe tomarse una decisión sobre como recolectar
los datos para esas cartas. Hay una variedad de esquemas posibles
que podrían ser considerados. Las parte pueden ser tomadas de
cada corriente para formar un sub grupo, o parte solamente de una
corriente que pueden ser incluidas en el mismo sub grupo, o los sub
grupos pueden ser formados tomando partes de corrientes
combinadas de las salidas sin mirar su fuente. El ejemplo numérico
siguiente, suministra un ejemplo de los posibles resultados obtenidos
usando esos tres métodos.

Métodos para recolectar datos de las salidas de un proceso de producción de corriente múltiple
(Husillo)

Pegar figura.

Método 2
Recolección de datos de cada
corriente separadamente. Un
subgrupo consta de mediciones de
solamente una corriente

Método 1 Método 3
Un subgrupo consta de una o más Un subgrupo consta de mediciones
mediciones de cada corriente; este de salidas combinadas de todas las
método de subagrupación es corrientes
estratificado

Cada hora una muestra de 16 partes es recolectada tomando las

partes de cuatro ciclos consecutivos de cada corriente.

162
 El siguiente es un ejemplo de los datos.

Ciclo de la Máquina
Muestra # A B C D
Corriente S1 17 18 18 20
Corriente S2 12 15 12 12
Corriente S3 9 10 9 12
Corriente S4 10 11 12 12

Hay tres fuentes de variación capturadas en los datos. La variación

Ciclo-a-Ciclo es capturada en las diferentes columnas en el arreglo, la
variación corriente-a-corriente es capturada por las filas del arreglo, y
la variación hora-ahora es capturada por las 16 muestras de partes
diferentes.

Un esquema de sub agrupación puede ser graficar el promedio y

rango de cada columna de los datos del arreglo. Usando este
esquema de sub agrupación, la variación corriente-a-corriente podría
estar contenida dentro de cada sub grupo. La variación hora-a-hora y
la variación ciclo-a-ciclo pueden contribuir a las diferencias entre sub
grupos. Otro esquema posible de sub agrupación podría ser graficar
el promedio y rango de cada fila de toma de datos. Con este
esquema de sub agrupación, la variación ciclo-a-ciclo podría estar
contenida dentro de cada sub grupo, y la variación hora-a-hora y
corriente-a-corriente pueden contribuir a las diferencias entre los sub
grupos.

Insertar figura.

Los datos de 20 horas consecutivas son usados para construir las

cartas de control con cada método de sub agrupación.

163
 Método 1: Sub agrupación por columnas (Ciclo)
El esquema de sub agrupación da como resultado 80 sub grupos de
tamaño n = 4. El gran promedio es 11.76 unidades. El promedio
rango es 7.85. Los límites de control para la carta X son de 17.48 y
6.04 unidades, y el límite se control superior para la carta rango es
17.91 unidades.

Una revisión de la cata Rango indica que la variación entre subgrupos

parece ser estable usando este método.

Carta X-Barra para datos sub agrupados por columna (Ciclo)

Carta Rango para datos sub agrupados por columna (Ciclo)

164
 Método 2: Sub agrupado por Filas

El segundo esquema de sub agrupado da como resultado 80 sub

grupos de tamaño n = 4. el rango promedio es 2.84 unidades: Los
límites de control para la carta X son 13.83 y 9.70 unidades, y el
límite se control superior para la carta rango es 6.46 unidades.
Las cartas de control para este esquema de sub agrupación se
muestran abajo.

Carta X Barra para datos Sub agrupados por filas (Husillo)

Carta Rango para Datos Sub agrupados por Filas (Husillo)

Las cartas de control para los diferentes esquemas de sub

agrupación son muy diferentes aún pensando que son derivadas de
los mismos datos. La Carta X para datos subagrupados por filas
muestra un patrón: Todos los puntos correspondientes al husillo 3
son notoriamente mas altos que aquellos de otras corrientes. La
primera carta X no revela las diferencias corriente-a-corriente
porque las lecturas de cada corriente son promediadas para obtener
cada valor X .

Por el agrupamiento de los diferentes datos, las cartas direccionan

diferentes preguntas.

Para el primer juego de datos, la variación corriente-a-corriente se

usa como una base de comparación. La carta R chequea para ver
que la variación corriente-a-corriente es estable en el tiempo y la
carta X compara la variación ciclo-a-ciclo y hora-a-hora con la
variación corriente-a-corriente.

165
El segundo juego de cartas usa la variación ciclo-a-ciclo como base
de comparación. La carta R chequea para ver que la variación ciclo-
a-ciclo es estable en el tiempo y la carta X compara la variación
corriente-a-corriente y hora-a-hora con el nivel base de variación
establecida por los rangos; e.j., variación ciclo-a-ciclo. El segundo
juego de cartas identifica que una causa especial está afectando el
proceso; e.j., la tercera corriente es diferente de las otras: Por cuanto
las diferencias corriente a corriente son grandes, los límites de control
en el primer juego de cartas son mucho mas amplios que en el
segundo juego.

Con el segundo método de sub agrupación, los datos pueden ser

usados para crear cuatro juegos separados de cartas de control de
los datos, uno por cada corriente.

Cartas X- Barra

Cartas R

Esta comparación de las cartas muestra que el promedio de la

tercera corriente es mas alto que los otros y los procesos individuales
están fuera de control. El nivel base de variación usada para estudio
de los resultados de cada corriente es la variación ciclo-a-ciclo como
se refleja en el rango. Para cada corriente los efectos de la variación
hora-a-hora son mostrados en las cartas X . Graficando las cartas
usando la misma escala, el nivel y variación de cada corriente se
puede comparar

. Método 3:

El tercer método de muestreo puede ser muestrear las partes

de las salidas combinadas de todas las cuatro corrientes. Este
método da alguna comprensión de la variación que es enviada
al siguiente proceso pero las partes no pueden ser mucho mas
diferenciadas por la corriente de producción. Suministradas las
partes son mezcladas en la corriente combinada, los rangos
166
 reflejan una mezcla de variación corriente-a-corriente y ciclo-a-
ciclo. Los valores X contienen, en suma, la variación hora-a-
hora. Si la contribución hora-a-hora a la variación es
suficientemente grande, esa contribución será vista como
puntos fuera de control en la carta X .

Salida Combinada Carta X-Barra.

Salida combinada Carta R

La carta R chequea para ver si la variación corriente-a-

corriente y ciclo-a-ciclo son consistentes en el tiempo. La carta
X responde la pregunta,”Es la variación en los valores X la
que podría esperarse si la variación ciclo-a-ciclo y corriente-a-
corriente fueran solamente tipos de variación presentes en el
proceso, o , hay un cambio adicional hora-a-hora?”

Como regla general, la variación que es representada entre

subgrupos debe ser el tipo de variación que se cree sea la
menos significativa o menos interesante como objeto del

 estudio actual. En todo caso, debería ser usado un método de

sub agrupamiento que admita que las preguntas acerca de los
efectos de las fuentes potenciales de variación sean
respondidas.

167
Efectos del Tamaño de Muestra sobre .
Índices

Un escenario común cuando se evalúa un proceso usando índices es que

los resultados de una muestra pueden aparentemente contradecir los
resultados de una segunda muestra. Esto es especialmente prevalente
con procesos nuevos donde la muestra inicial tomada para calificar el
proceso para producción tienen valores de índices que cumplen o
exceden los requerimientos del cliente pero una muestra subsiguiente
tomada durante producción normal tiene índices que caen cortos en los
requerimientos.

Las razones de esto son variadas:

 El proceso ha cambiado desde el muestreo inicial al muestreo de
producción total-e.j-, el muestreo inicial puede haberse hecho con
diferente material, puesta a punto, procedimientos, etc.
 El muestreo inicial no incluyo todas las fuentes posibles de variación
las cuales están afectando el proceso de producción. Esta es una
posibilidad real si la muestra inicial es pequeña.
 El índice actual del proceso es cercano al índice meta y la variación
del muestreo es causa de conclusiones diferentes.

Las dos primeras razones son relativas al entendimiento de las fuentes de

variación que actúan sobre el proceso y son discutidas en el Capítulo I.

La tercera razón trata con la variación del muestreo inherente a cualquier

esquema (ver también Capítulo I, Sección G.). A menos que la muestra
incluya todas las salidas del proceso, habrá variación en el muestreo53
cuando se calcula una estadística (en este caso índice) de la distribución
del proceso.

Pegar figura.

Usando la distribución del muestreo (la distribución para estadística

(índice)), es posible calcular límites confiables para el índice. Esos valores

53
Nota: También la distribución real del muestreo de los índices generalmente será no-normal, esta discusión usara una distribución
simétrica como ejemplo.
168
pueden ser usados para tomar una decisión acerca del proceso (Ej., es
aceptable o no.).Usando un nivel de riesgo alfa común de 0.5 como
ejemplo, el 95% de los límites de confianza identificarán el rango de
valores posibles que contendrán el valor real (y desconocido) el 95 % del
tiempo. Esto es, si el muestreo fue repetido idénticamente 100 veces, la
misma decisión (aceptable inaceptable) sobre el proceso se deberá tomar
95 veces.

Pegar figura.

El ancho de la distribución del muestreo es función del tamaño de

muestra. Cuanto más grande el tamaño de muestra más “ajustada” la
distribución del muestreo. Es este atributo de la distribución del muestreo
que puede conducir a conclusiones aparentemente contradictorias.

Por ejemplo, cuando se evalúa un proceso nuevo, la muestra inicial es

usualmente pequeña debido a la disponibilidad de materias primas/
partes, Una vez el proceso está en producción, esta limitación no esta
presente.

Pegar figura.

169
 Cuando el índice real esta cercano al índice meta entonces las diferencias
en la variación del muestreo pueden conducir a conclusiones
aparentemente contradictorias aún si no hay cambios en el proceso y
juntas muestras acompasan la misma fuente de variación.

Pegar figura.

En el caso donde el índice real (desconocido) sea exactamente igual al

índice meta entonces, con relación al tamaño de muestra, la probabilidad
de llamar aceptable el proceso es de solo el 50%. En otras palabras, el
índice calculado será más grande o igual al índice meta solo la mitad del
tiempo.

Pegar figura.

El tamaño de muestra usado en un estudio de proceso y que tan cerca

 está el índice real del índice meta, tiene un impacto significativo en la

validación de cualquier decisión predictiva hecha acerca del proceso.

170
 APÉNDICE B

Algunos Comentarios sobre Causas Especiales

Sobre Ajuste

El Sobre–Ajuste es la práctica de tratar cada desviación del

objetivo como si el fuera el resultado de la acción de una causa
especial de variación en el proceso.

Si un proceso estable es ajustado sobre la base de cada medición

hecha, entonces el ajuste se vuelve una causa adicional fuente de
variación. Los siguientes ejemplos demuestran este concepto. La
primera gráfica muestra los resultados de la variación sin ajuste. La
segunda gráfica muestra los resultados de la variación cuando se
hace un ajuste al proceso para compensar por cada desviación de
la meta. La tercera gráfica muestra la variación en resultados
cuando se hacen ajustes para compensar solo cuando el último
resultado fue mas que una unidad de la meta.. este tercer caso es
un ejemplo de compensación para estar dentro de un juego de
especificaciones. Cada método de ajuste incrementa la variación en
la salida, por cuanto la variación sin ajuste es estable )ver Deming
(1989), Capítulo 11).

171
 Insertar tres graficas

. NOTA: Estas cartas asumen que el sistema de medición ha sido

evaluado y es apropiado

172
Procesos Dependientes del Tiempo

Los Procesos Caso 3 (ver Capítulo I, Sección E) son usualmente

difíciles de fijar en un modelo de cartas de control Clásicas. Algunos
procesos de esos tipos se mantienen estrictamente estables en el
tiempo. A causa de que la variación entre sub grupos es usualmente
pequeña, fluctuaciones menores en la localización del proceso o
dispersión pueden causar que un proceso esté fuera de control
estadístico, cuando, en efecto, las condiciones tienen un efecto
prácticamente mínimo en la calidad del producto y en el cliente.

Por ejemplo, considere un proceso que tiene una dispersión limpia

constante, pero tiene pequeños cambios aleatorios de localización.
Cuando los límites de control fueron establecidos basados sobre las
25 primeras muestras, se revelaron numerosos puntos fuera de
control.

Pegar figura
.

Aún, a causa de que la capacidad del proceso es pequeña cuando se

compara con las especificaciones y la pérdida de función es estrecha,
un histograma de los datos sugiere que hay un riesgo mínimo de
impactar al, cliente.

Figura.

173
 Histograma de proceso

El proceso esta siendo corrido en un turno por día. Cuando los datos
son evaluados sobre esta base, el proceso exhibe periodos de control
estadístico a corto plazo.

Carta X barra de procesos combinados por etapa

Esto implica que el proceso podría ser monitoreado usando una

carta de carrera corta (ver Capítulo III). Otros procesos
dependientes del tiempo se pueden monitorear con cartas de
Individuos y Rango Móvil, la Carta EWMA, la Carta ARIMA y otras.

Las cartas revelan sensitividad a alguna causa especial. La

necesidad de investigación posterior de mejoramiento del proceso
se debe considerar en el contexto de las prioridades de negocios.

La pregunta es cuando los parámetros del proceso son confiables

cuando se estiman bajo tales condiciones. La respuesta es no.
Deming (1986), Wheeler y Chambers (1992) y Bothe (2002)
discutieron los riesgos involucrados en hacer evaluaciones de
capacidad cuando el proceso carece de control estadístico. Las
consecuencias de tomar decisiones erróneas basadas en los datos

174
 de un proceso estable pueden servir. En general, un proceso estable
es un prerrequisito para estimar correctamente la capacidad del
proceso

Sin embargo, en ciertas situaciones, tales como procesos

dependientes del tiempo en el ejemplo, los índices clásicos
suministrarán un estimativo de conservación del desempeño del
proceso.

Bajo ciertas circunstancias, el cliente puede permitirle a un productor

correr un proceso aún pensando en un Proceso Caso 3,. Esas
circunstancias pueden incluir:

 El cliente es insensitivo a la variación dentro de especificaciones

(ver discusión sobre pérdida de función en el Capítulo IV).
 La economía involucrada en actuar sobre la causa especial
excede el beneficio para algunos y todos los clientes. Las causas
especiales económicamente admisibles pueden incluir desgaste
de herramientas, afilado de herramientas, variación cíclica (por
temporadas), etc.
 La causa especial ha sido identificada y documentada como
consistente y predecible.

En esas situaciones, el cliente puede requerir lo siguiente:

 El proceso es maduro.

 La causa especial a ser admitida ha mostrado actuar de una

manera consistente en un periodo consistente de tiempo

 Un plan de control proceso es en efecto el que asegurará

conformidad con la especificación de todas las salidas del
proceso de otras causas especiales o inconsistencias en la causa
especial admitida.

Patrones Repetidos.

Hay veces que están presentes patrones repetitivos en las cartas de

control debidos a causas conocidas asignables – causas que no
pueden ser económicamente eliminadas.

Considere una operación donde un diámetro exterior de un eje esta

Pegar Grafica siendo mecanizado. Como la herramienta de la máquina se
desgasta, el diámetro exterior se agranda. En este ejemplo la carta
promedio tendrá una tendencia al incremento. Esta tendencia
continuará hasta que se reemplace la herramienta. En el tiempo la
carta promedio exhibirá un patrón diente de sierra. Como lo resalta
este ejemplo, las tendencias repetitivas estarán presentes cuando un
proceso tiene variables de entradas significativas que cambian
consistentemente en el tiempo y no pueden ser reducidas
económicamente por causas aleatorias.

Otro ejemplo de un proceso que puede producir tendencias es un

proceso que involucra químicos. Como partes procesadas la
concentración de los químicos se diluye produciendo por lo tanto una
tendencia. La tendencia continuará hasta que la concentración se
retorne al nivel inicial por un ajuste en el proceso.
175
 Otros ejemplos incluyen procesos influenciados por la temperatura
ambiente, la humedad y la fatiga humana. Cuando existen esos tipos
de patrones repetitivos, la carta promedio exhibirá condiciones
asociadas con un proceso fuera de control por cuanto hay una causa
especial (influenciada econonómicamente) actuando sobre el

 proceso. Si la influencia de esta causa especial puede mostrar que

es predecible en el tiempo y la variación adicional es aceptable para
el cliente, entonces se pueden modificar los controles del proceso
para admitirla.

Un enfoque para esto es reemplazar los límites de control estándar

con límites de control modificados. Ver AT&T ( 1984 ), Grant y
Leavenworth (1966), Duncan (1986), Charbonneau Webster (1978)
para mas información sobre límites de control modificados.

Donde son utilizados límites de control modificados se debe emplear

 mucha precaución por cuanto esas cartas pueden fallar en revelar la

ausencia o presencia de control estadístico en el proceso de
manufactura.

Un enfoque alternativo es el uso de la Carta de Control de Regresión

discutida en el Capítulo III.

A pesar de las tendencias influyentes, esos tipos de causas

especiales pueden también causar medias de tanda a tanda por
turno. Si esta variación adicional es aceptable para el cliente,
entonces el proceso puede ser controlado usando las cartas de
carrera corta discutidas en el Capítulo III.

176
 APÉNDICE C
Procedimiento de Selección para el Uso de las Cartas de Control
Descritas en este Manual.

Determinar las
características a ser
graficadas

¿El interés es en
¿Son los datos No unidades no No ¿El interés es en no
variables? conformes? P ej. por conformidades? P ej.
ciento de piezas discrepancias /piezas
malas

Si Si

¿Es el No ¿Es el
No
tamaño de la tamaño de la Use
muestra
Use muestra
constante? carta p constante? carta u
Si
Si Si

Use np o Use c o
carta p carta u

¿Son por naturaleza

homogéneos o no ¿Pueden los
conducentes a No promedios por No
muestreo de subgrupos ser Use carta
subgrupos? P. ej. computados
baños químicos, convenientemente? mediana
cabina de pintura

Si

Si ¿Es el
tamaño del No
Use X - R
subgrupo de
9 o más?

Use cartas por

individuos
X - MR Si

¿Hay habilidad para

computar No
convencionalmente s Use X - R
por cada sub grupo?

Nota: este diagrama asume que

el sistema de medición ha sido
evaluado y que es apropiado
Si

Use X - S
177
Esta página se deja intencionalmente en blanco.

178
 APÉNDICE D
Relaciones Entre Cpm y Otros Índices
El índice Cpm a menudo asociado con la Perdida de Función de
Taguchi, fue desarrollada como un medio alternativo de contar el
efecto del centrado del proceso sobre los estimados de capacidad o
desempeño del proceso. Los índices Cpk y Ppk se enfocan en la
media de proceso y no en el valor meta de especificación, mientras
que el índice Cpm se enfoca en el valor meta. Como se discutió en
Capitulo IV, todos los cuatro de los índice estándar (Cp´ Cpk Pp´ y
Ppk) deberán ser evaluados para el mismo juego de datos para
obtener una evaluación comprensiva de la capacidad y desempeño
del proceso. Una gran diferencia entre Cp y Cpk o entre Pp y Ppk es la
identificación de un problema de centrado. En contraste, por incluir la
variación entre la media del proceso y el valor meta de especificación
en los cálculos, el índice Cpm evalúa que tan bien el proceso cumple
la meta de especificación bien sea que esté centrado o no. Ver
Boyles (1991) y Cheng, y F.A. Spiring (1988) para información
adicional.

La diferencia entre Cpm y otros índices discutida en este manual

resulta de la forma como es calculada la desviación estándar; e.j., la
variación alrededor de la media del proceso, X . El Cpm usa una
analogía basada en la meta, e.j., la variación alrededor de la meta, T-

USL  LSL n
 X i  T 2
C pm 
6sc pm
, donde s c pm  
i 1 n 1

Las gráficas siguientes asumen tolerancia bilateral:54 Esto es,

USL  T   T  LSL

54
Ver Bothe (2001) para una discusión de la situación donde T no es el medio de la especificación.
179
Insertar gráficas

180
 APÉNDICE E
Tabla de Constantes y Fórmulas para Cartas de Control*

Cartas X y R Cartas X y s
Carta por Cartas por Rangos (R) Carta por Cartas por Rangos (R)
Promedios Promedios
Factor Divisores Factor Divisores
Límites de para estimar Factores para límites de Límites de para estimar Factores para límites de
Control Control Control Control
x x
Tamaño de A2 d2 D3 D4 A3 c4 B3 B4
Subgrupo
2 1.880 1.128 --- 3.267 2.659 0.7979 --- 3.267
3 1.023 1.693 --- 2.574 1.954 0.8862 --- 2.568
4 0.729 2.059 --- 2.282 1.628 0.9213 --- 2.266
5 0.577 2.326 --- 2.114 1.427 0.9400 --- 2.089
6 0.483 2.534 --- 2.004 1.27 0.9515 0.030 1.970
7 0.419 2.704 0.076 1.924 1.182 0.9594 0.118 1.882
8 0.373 2.847 0.136 1.864 1.099 0.9650 0.185 1.815
9 0.337 2.970 0.184 1.816 1.032 0.9693 0.239 1.761
10 0.308 3.078 0.223 1.777 0.975 0.9727 0.284 1.716
11 0.285 3.173 0.256 1.744 0.927 0.9754 0.321 1.679
12 0.266 3.258 0.283 1.717 0.886 0.9776 0.354 1.646
13 0.249 3.336 0.307 1.693 0.850 0.9794 0.382 1.618
14 0.235 3.407 0.328 1.672 0.817 0.9810 0.406 1.594
15 0.223 3.472 0.347 1.653 0.789 0.9823 0.428 1.572
16 0.212 3.532 0.363 1.637 0.763 0.9835 0.448 1.552
17 0.213 3.588 0.378 1.622 0.739 0.9845 0.466 1.534
18 0.194 3.640 0.391 1.608 0.718 0.9854 0.482 1.518
19 0.187 3.689 0.403 1.597 0.698 0.9862 0.497 1.503
20 0.180 3.735 0.415 1.585 0.680 0.9869 0.510 1.490
21 0.173 3.778 0.425 1.575 0.663 0.9876 0.523 1.477
22 0.167 3.819 0.434 1.566 0.647 0.9882 0.534 1.466
23 0.162 3.858 0.443 1.557 0.633 0.9887 0.545 1.455
24 0.157 3.895 0.451 1.548 0.619 0.9892 0.555 1.445
25 0.153 3.931 0.459 1.541 0.606 0.9896 0.565 1.435

Línea Central Límites de Control

Cartas X y R Cl x  X UCLX  X  A2 R LCLX  X  A2 R
Cl R  R UCLR  D4 R LCLR  D3 R
Cartas X y s CLx  X UCLX  X  A3 S LCLX  X  A3 S
CLs  s UCLs  B4 s LCLs  B4 s

* De la publicación ASTM STP-15D, Manual Sobre la Presentación de Datos y análisis de las Cartas de Control, 1976; pp 134-
136. Copyright-ASTM, 1916 Race Street, Philadelphia, Pennsylvania 19103, Repreinted, with permissión.

181
 APÉNDICE E – Tabla de Constantes y Fórmulas para Cartas de Control (Cont).

Cartas por Medianas** Cartas por Individuos

Carta por Cartas por Rangos (R) Carta por Cartas por Rangos (R)
Medianas Individuos
Factor Divisores Factor Divisores
Límites de para estimar Factores para límites de Límites de para estimar Factores para límites de
Control Control Control Control
x x
Tamaño de d2 D3 D4 E2 D2 D3 D4
Subgrupo  2
2 1.880 1.128 --- 3.267 2.660 1.128 --- 3.267
3 1.187 1.693 --- 2.574 1.772 1.693 --- 2.574
4 0.796 2.059 --- 2.282 1.457 2.059 --- 2.282
5 0.691 2.326 --- 2.114 1.290 2.326 --- 2.114
6 0.548 2.534 --- 2.004 1.184 2.534 --- 2.004
7 0.508 2.704 0.076 1.924 1.109 2.704 0.076 1.924
8 0.433 2.847 0.136 1.864 1.054 2.847 0.136 1.864
9 0.412 2.970 0.184 1.816 1.010 2.970 0.184 1.816
10 0.362 3.078 0.223 1.777 0.975 3.078 0.223 1.777

Línea Central Límites de Control

Cartas por Medianas Cl x  Xˆ UCLXˆ  Xˆ  Aˆ 2 R LCLX  Xˆ  Aˆ 2 R
CLR  R UCLR  D4 R LCLR  D3 R
Cartas por Individuos CL X  X UCLX  X  E2 R LCLX  X  E2 R
CLR  R UCLR  D4 R LCLR  D3 R

. Para Tablas extendidas d2 ver el Manual MSA 3ra edición

** Los Factores  2 son derivados de ASTM-STP-15D Tablas de Datos y Eficiencia contenidos en Dixon y Massey
(1969), página 488.

182
 APÉNDICE E – Tabla de Constantes y Fórmulas para Cartas de Control (Cont).

Cartas por atributos

Línea Central Límites de Control
Muestras no necesariamente de tamaño constante
p1  p  p1  p 
Carta p para
proporción de
UCLPi  p  3 LCLPi  p  3
unidades en una
ni ni
categoría CL p  P Si el tamaño de muestra es constante (n)
p1  p  p1  p 
UCLPi  p  3 LCLP  p  3
n n
 np   np 
Carta np para
número/rata de
CLnp  nP UCLNP  np  3 np1   LCLNP  np  3 np1  
unidades en una
 n   n 
categoría 
= np  3 np 1  p  
= np  3 np 1  p 
Carta c para
número de
incidencias en UCLc  c  3 c LCLc  c  3 c
una o mas CLC  c
categoría
Muestras no necesariamente de tamaño constante
3 u 3 u
UCLu  u  LCLu  u 
ni ni
u u
u3  u 3
ni ni
Usando tamaño de muestra promedio
Carta u para 3 u 3 u
número de CLu  u UCLu  u  LCLu  u 
incidencias en n n
una o mas
u u
categoría u3  u 3
n n
Si el tamaño de muestra es constante (n)
3 u 3 u
UCLu  u  LCLu  u 
n n
u u
u3  u 3
n n

183
Esta página se deja intencionalmente en blanco.

184
 APÉNDICE F
Ejemplo de Cálculo Índice de Capacidad
Para que los índices de capacidad sean válidos, muchos supuestos
deben satisfacerse (ver Capítulo IV, Sección A y Sección B). Ellos
son:

 El proceso del cual los datos provienen es estadísticamente

estable, esto es, las reglas normalmente aceptadas de SPC no
deben ser violadas.

 Las medidas individuales de los datos del proceso forman una

distribución aproximadamente normal.55

 Un número suficiente de partes debe ser evaluado en orden a

capturar la variación que es inherente en el proceso. Se
recomienda que al menos 125 valores individuales sean
recolectados usando un tamaño de sub grupo de cinco. Otros
tamaños de sub grupos pueden ser mas apropiados para una
aplicación particular, pero el tamaño de muestra total debe ser de
al menos 125.

 Las especificaciones están basadas sobre los requerimientos del

cliente.

El siguiente juego de datos es evaluado contra esos supuestos y, por

cuanto los supuestos se tienen, se calculan los índices de capacidad.

55
Para distribuciones no- normales, ver Capítulo IV, Sección B.
185
Juego de Datos:
Datos Diámetro Datos Diámetro Datos Diámetro Datos Diámetro Datos Diámetro
punto punto punto punto punto
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

186
Análisis
La carta histograma, graficada normalmente y las cartas X barra y R se pueden usar para determinar la
validez de los dos primeros supuestos.

Histograma de Datos de Diámetro

Gráfica de Probabilidad Normal

Los dos gráficos anteriores suministran evidencia de que los datos probablemente vienen de una población normalmente distribuida.

187
 Carta X barra / R para el diámetro

Las cartas de control suministran evidencia de que el proceso está en control estadístico. Por consecuencia
es apropiado calcular los índices para este juego de datos.

Estadísticas del Diámetro

Tamaño de muestra = n = 125

Tamaño del sub grupo = 5
Número de sug grupos = 25

Límite superior de especificación = 23.5

Límite inferior de especificación = 21.5

Las especificaciones están basadas sobre los requerimientos funcionales y del cliente

0.4184
Desviación estándar entre el sub grupo  ˆ c  R d 2   0.179880
2.326

n
x  x
2

Total variación desviación estándar s i

i

n 1
 0.189037

La información anterior es necesaria para la evaluación de los índices

188
 USL  LSL 23.5  21.5
Cp    1.85

6 R  6 x 0.179881

 d2 

 
 X  LSL USL  X 
C pk  Minimo CPL  , CPU  
   R
d 2 
3 R  3
  d2  

 22.5308  21.5 23.5  22.5308 

 Minimo CPL  , CPU 
 3x0.179880 3x0.179880 

 MinimoCPL  1.91, CPU  1.80

= 1.80

USL  LSL 23.5  21.5

Pp    1.76
6s 6 x0.189037

 X  LSL USL  X 
Ppk  Minimo  PPL  , PPU  
 6s 6s 

 22.5308  21.5 23.5  22.5308 

 Minimo  PPL  , PPU 
 3x0.189037 3x0.189037 

 MinimoPPL  1.82, PPU  1.71

= 1.71

189
Conclusión

Se hacen las siguientes observaciones:

 Cpk es aproximadamente igual a Cp y Ppk es aproximadamente igual a

Pp´ Juntas de esas condiciones son indicadores de que el proceso está
bien centrado.

 Todos los índices son relativamente altos indicando que el proceso es

capaz de producir no conformidades cerca de cero si el proceso se
mantiene en control estadístico.

 Por cuanto Cp y Pp son aproximadamente iguales esto implica variación

mínima entre sub grupos.

 Una gran discrepancia entre Cpk y Ppk indicaría la presencia de excesiva

variación entre sub grupos.
 Una gran discrepancia entre Cp y Cpk ( o entre Pp y Ppk) indicaría un
problema en el centrado del proceso.

NOTA: la variabilidad del proceso es una parte integral de los cálculos del
índice de capacidad, de ahí que es importante ser consistente en escoger el
método de calcular la variabilidad dentro del los subgrupos. Como lo
muestra la tabla de abajo hay dos maneras de estimar la variabilidad del
proceso ̂ c  y su efecto sobre los cálculos del Cpk. Juntos son correctos;

 Ej. juntos son válidos estimando la variación”verdadera”. Use R

d2
si se

usa una carta X barra y R para recolectar los datos y s si es usada una
c4
carta X barra y s.

Método para calcular ̂ c  Resumen de Resultados

Variación dentro del subgrupo Cpk
R
d2 0.1799 1.80
s
c4 0.1820 1.78

NOTA: El valor total de variación de la desviación estándar ˆ p  0.1890

no es afectado por la metodología usada para estimar la variación dentro
del sub grupo

190
 APÉNDICE G
Glosario de Términos y Símbolos
Términos usados en este Manual

Carta de Control ARMA La Carta de control Promedio Móvil Autoregresiva es una

carta de control la cual usa un modelo de regresión para tener
en cuenta las relaciones entre datos. Puede ser usada en los
casos donde los supuestos de que los datos de la muestra
son independientes son violados.

Autocorrelación El grado de relaciones entre los elementos de una serie

estacionaria en el tiempo

Datos Por Atributos Datos cualitativos que pueden ser categorizados para registro
y análisis. Ejemplos incluyen características tales como: la
presencia de un etiqueta requerida, la instalación de todos los
sujetadores requeridos, la ausencia de errores en un reporte
de gastos. Otros ejemplos son características que son
medibles inherentemente (por ejemplo: podrían ser tratados
como datos por variables), pero donde los resultados son
registrados en un simple modelo de si/no, tales como
aceptabilidad del diámetro de un eje cuando se chequea con
una galga pasa/no pasa, o la presencia de algún cambio de
ingeniería sobre un plano. Los datos por atributos son
usualmente recogidos en forma de unidades no conformes
o no conformidades; ellos son analizados por las cartas de
control p, np, c y u. (ver también datos por variables).

Longitud Promedio de Carrera El número de muestras de sub grupos esperado entre

señales de fuera de control. La longitud promedio de carrera
en-control (ARL0) es el nímero esperado de muestras de sub
grupos entre falsas alarmas.

Promedio (ver también Media) La suma de valores dividido por el número (tamaño de
muestra) de valores. Se designa por una barra sobre el
símbolo de los valores que están siendo promediados. Por
ejemplo:
o X (X barra) es el promedio de los valores de X dentro
de un subgrupo;
o X (X doble barra) es el promedio de los promedios de
subgrupo  X  ;
o X̂ (X tilde-barra) es el promedio de medianas de
subgrupo;
o R (R barra) es el promedio de rangos de subgrupo.

Longitud de carrera promedio El número de muestras de subgrupos esperados entre

señales de fuera de control. La Longitud de Carrera Promedio

191
 (ARLO) es el número esperado de muestras de subgrupos
entre falsas alarmas.

Variación entre Sub grupos Ver Variación

Distribución Binomial Una discreta probabilidad de distribución para datos por

atributos que aplica a unidades de conformes y no
conformes y destaca las cartas p y np.

Diagrama de Causa/efecto Una simple herramienta de solución de problemas

individuales o de grupo, que usa una descripción gráfica de
varios elementos del proceso para analizar las fuentes
potenciales de variación. También es llamada diagrama
espina de pescado (por su apariencia) o diagrama ISHIKAWA
(por su creador).

Línea Central La línea sobre una carta de control que representa el valor
promedio de los ítems que están siendo graficados.

Característica Una característica distintiva de un proceso o sus salidas

Causa Común Una fuente de variación que afecta todos los valores
individuales de la salida del proceso que está siendo
estudiado; esta es la fuente inherente de variación.

Intervalo de Confianza Un intervalo o rango de valores, calculados de los datos de la

muestra, que contiene, con un grado de certeza (100 – α), el
parámetro de interés, Ej. el promedio verdadero α, de la
población llamado Nivel de significancia, que es la
probabilidad de cometer un erro Tipo I. Ver Montgomery
(1997) o Juan & Godfrey (1999) para métodos de cálculo.

Consecutiva Unidades de salida producidas en sucesión, una base para

seleccionar muestras de subgrupos.

Mejoramiento continuo La filosofía operacional que hace mejor uso de los talentos
dentro de la compañía, para producir productos de la calidad
incrementada para nuestros clientes, en una forma eficiente
de proteger de retornos o inversiones a nuestros accionistas.
Esta es una estrategia dinámica diseñada para realzar la
192
 fortaleza de la compañía de cara a las condiciones del
mercado presentes y futuras. En contraste con cualquier
estrategia estática que acepta (explícita o implícitamente)
algún nivel particular de defectos en curso como inevitables.

Control Ver Control Estadístico

Carta de Control Una representación gráfica de una característica de un

proceso, mostrando valores gráficos de alguna estadística
recolectados de esa característica, una línea central y uno o
dos límites de control. Ella minimiza la pérdida económica
neta de los errores tipo I y tipo II. Tiene dos usos básicos:
como un juicio para determinar si un proceso ha venido
operando en Control estadístico y para ayudar en mantener
el control estadístico.

Límite de Control Una línea (o líneas) sobre una carta de control usada como
base para juzgar la estabilidad de un proceso. La variación
más allá de un límite de control es evidencia que causas
especiales están afectando el proceso. los límites de control
son calculados de datos del proceso y no deben ser
confundidos con especificaciones de ingeniería.

Control Estadístico La estadística usada en desarrollar y usar una carta de

control. Un valor calculado de o basado sobre datos de
muestra 8e.j., un promedio sub grupo o rango), usado para
hacer inferencias acerca del proceso que produce la salida de
la cual la muestra es tomada.

Muestreo de Conveniencia Un esquema de muestreo donde las muestras son

recolectadas usando un enfoque que hace “fácil” recolectar
las muestras pero que no refleja la naturaleza del potencial de
las causas especiales las cuales podrían e afectar el
proceso. Ejemplos de esto son, recolectar las muestras justo
antes de un periodo de descanso, o de un recipiente , paleta
u otro contenedor de almacenamiento. Este tipo de muestreo
no es apropiado para el análisis o de control porque puede
conducir a resultados desviados y consecuentemente una
posible decisión errónea.

Correlación El grado de relaciones entre variables.

Matriz de Correlación Una matriz de los posibles factores de correlación bajo

consideración.

193
CUSUM Carta de Control Un enfoque de carta de control que usa los datos del proceso
actuales y pasados recientemente para detectar giros
pequeños o moderados en el promedio o variabilidad del
proceso. CUSUM exhibe “suma acumulativa” de desviaciones
del objetivo, y pone igual peso sobre los datos actuales y
pasados recientemente.

Dato El singular de “datos”. Un punto sencillo en una serie de

datos. No se debe confundir con la palabra que se usa
dentro de Dimensionamiento Geométrico & Tolerancia.

Detección Una estrategia retroactiva (orientada en el pasado), que trata

de identificar una salida inaceptable después que ella ha sido
producida y entonces separarla de la salida buena. (ver
también Prevención).

Dispersión Ver Extensión del proceso.

Distribución Una vía de describir la salida de un sistema estable de

variación, en la cual los valores individuales no son
predecibles pero en la cual las salidas como un grupo, forman
un patrón que puede ser descrito en términos de su
ubicación extensión y forma. La ubicación es expresada
comúnmente por la media o promedio o por la mediana, la
extensión expresada en términos de desviación estándar
del rango de una muestra, la forma involucra muchas
características tales como simetría y agudeza pero estas son
a menudo resumidas usando el nombre de una distribución
común tal como la normal, binomial o pescado (poisson).

Carta de control EWMA La Carta de control de Promedio Móvil Exponencialmente

Sopesada es un enfoque para detectar pequeños giros en la
localización del proceso. Ella usa una estadística para
monitorear la localización del proceso el promedio móvil
exponencialmente sopesado.

Muestreo al azar Un esquema de muestreo donde las muestras son

recolectadas usando un enfoque asistemático, indiscriminado,
no planeado, y/o caótico. Este tipo de muestreo no es
apropiado para análisis de control del proceso porque puede
conducir a resultados desviados y consecuentemente a una
decisión errónea.

Individual Una unidad simple o una medición simple de una

característica a menudo denotada por el símbolo X.
194
Variación Inherente Ver Variación.

Ubicación (Localización) Un concepto general para los valores típicos de tendencia

central de una distribución.

Pérdida de Función Una representación gráfica de las relaciones entre la

sensitividad del cliente (pérdida) y las desviacines de la meta
(intento del diseño). Este análisis es conducido sin considerar
las especificaciones.

Media Una medida de localización El promedio de valores en un

grupo de mediciones.

MCUSUM Carta de control La carta de Control Suma Acumulativa Multi variante es la

aplicación del enfoque Carta de Control CUSUM para
situaciones multivariación.

Mediana Una medida de localización. El valor medio en un grupo de

mediciones cuando se organizan de menor a mayor. Si el
número de valores es aún, por convención el promedio del
medio de dos valores se usa como la mediana. Las medianas
de subgrupos forman la base para una carta de control
simple para ubicación del proceso. las medianas son
designadas por una tilde ( ~) sobre el símbolo para los
~
valores individuales: X es la mediana de un subgrupo.

MEWMA Carta de Control La Carta de Control Promedio Móvil Multivariante

Exponencialmente Sopesada es la aplicación del enfoque
Carta de Control EWMA para situaciones multivariante.

Modo Una medida de localización definida por el valor que ocurre

con mas frecuencia en una distribución o juego de datos (
puede haber mas de un modo dentro de un juego de datos)

Rango Móvil Una medida de la extensión del proceso. La diferencia entre

el valor más alto y más bajo entre dos o más muestras
sucesivas. Tal como cada punto de dato adicional se
obtenga, el rango asociado con ese punto es computado
adicionando el nuevo punto, y borrando el punto
cronológicamente “más viejo”, así que cada cálculo de rango
tiene al menos un punto compartido de rango calculado
previamente. Típicamente, el rango móvil se utiliza en
195
 concierto con las cartas de control por individuos y usa dos
puntos (puntos consecutivos) de rangos móviles.

Carta de control Multivariante El género de cartas de control que han sido desarrolladas
para monitorear y controlar procesos que son mas
apropiadamente modeladas con una distribución multivariante
en vez de una distribución univariante múltiple.

Unidades No Conformes Unidades que no están conformes con una especificación u

otro estándar de inspección; Las cartas de control p y np se
usan para analizar sistemas que producen unidades no
conformes.

No conformidad La ocurrencia específica de una condición la cual no es

conforme con una especificación u otro estándar de
inspección. Una unidad no conforme individual puede tener
más de una no conformidad. Por ejemplo: una puerta puede
tener varias abolladuras y deslucimientos mas un mal
funcionamiento de la manija; un chequeo funcional de una
unidad HVAC puede revelar alguna de un número potencial
de discrepancias. Las cartas de control c y u se usan para
analizar sistemas que producen no conformidades.

Carta de Control No-Normal Enfoque de carta de control en el cual los ajustes son hechos
a los datos de los límites de control para permitir un control
del proceso similar a la Carta Shewhart mientras se
compensan las características de una distribución no-normal.

Distribución No-Normal Una probabilidad de distribución que no sigue la forma

normal; e.j., una distribución donde los momentos mas
grandes del orden de dos no son todos cero.

Distribución Normal Una frecuencia de distribución continua, simétrica en forma

de campana para datos por variables que es la base de las
cartas de control por variables.

Pre Control Una aplicación de análisis probabilísticos para control del

producto (no conformidad) usando dos puntos de datos
dentro d cada muestra.

196
Definición Operacional Un medio de comunicar claramente las expectativas de
calidad, y desempeño, ella consiste de:
1) un criterio para ser aplicado a un objeto o a un grupo,
2)un ensayo del objeto o del grupo,
3)una decisión: si o no el objeto o el grupo cumple o no
cumple el criterio.56

Sobre-Ajuste Apretado; Tomar acciones sobre un proceso cuando el

proceso está realmente en control estadístico. Atribuir una
variación o un error a una causa especial, cuando en efecto la
causa pertenece al sistema (causas comunes).

Carta Pareto Una herramienta simple para solución de problemas que

implica clasificar todas las áreas problema potenciales o
fuentes de variación de acuerdo con su contribución al costo
o a la variación total. Típicamente unas pocas causas
cuentan para la mayor parte del costo (o variación) así que
los esfuerzos de solución de problemas son mejorar
priorizados para concentrarse sobre las “pocas causas
vitales” ignorando temporalmente “las muchas triviales”.

Punto Estimado Una estadística (número sencillo) calculado de los datos de

muestra (e.j., promedio o desviación estándar) para el cual
hay alguna expectativa de que es “cercano” al parámetro de
la población que se estima.

Distribución Poisson Una probabilidad discreta de distribución para datos por

atributos que aplica a no conformidades y destaca las cartas
de control c y u.

Intervalo de Predicción Una ves es establecido un modelo de regresión para una

población, la respuesta, Y, puede ser predicha para valores
futuros (muestras) de las variables de regresión, x0,
x1,........xn.
El intervalo de confianza para (100 - ) en esta predicción es
llamado intervalo de predicción.

Prevención Una estrategia proactiva (orientada al futuro) que mejora

calidad y productividad, por análisis directo y acción hacia
corregir el proceso en sí. La prevención es consistente con
una filosofía de nunca acabar el mejoramiento (ver también
detección).

56
Ver Deming (1982).
197
Cartas Basadas en Probabilidad Un enfoque que usa análisis y cartas basado sobre datos
categóricos y las probabilidades relacionadas con las
categorías para el control y análisis de productos y procesos.

Muestreo de Probabilidad Ver muestreo aleatorio

Solución de Problemas El proceso de moverse de síntomas a causas (especiales o

comunes) para acciones. Entre las técnicas básicas que
pueden ser usadas están las cartas Pareto, diagramas de
causa y efecto y técnicas estadísticas de control de Proceso.

Proceso La combinación de personas, equipo, materiales, métodos y

ambiente que producen salida- a un producto dado o un
servicio. Un proceso puede involucrar cualquier aspecto de
los negocios. El “ 6 M ” es una frase usada algunas veces
para describir un proceso: Hombres, Materiales, Métodos,
Máquina, Madre naturaleza, Medición.

Promedio del Proceso La ubicación de la distribución de valores medidos de una

característica de proceso particular, usualmente designada
con un promedio general X .

Capacidad de proceso El rango ( 6̂ )de la variación inherente del proceso

Caso datos por Variables:

Es definida como ( 6̂ c ).

Caso Datos por Atributos

Es usualmente definido como la proporción de promedio o
rata de no conformidades o no conformes.

Control de Proceso Ver control estadístico de proceso.

Desempeño del Proceso El rango total de la variación total de un proceso (6σs)

Extensión del Proceso La extensión en la cual la distribución de valores

individuales de la característica del proceso varía, a menudo
mostrada como el promedio del proceso más o menos
algún número de desviaciones estándares ( X  3̂ ).
198
Cuadrático De o perteneciente a un segundo orden de relación
matemática, un buen ejemplo común de algo que es
cuadrático es la parábola.

Aleatoriedad Una condición en la cual no se puede discernir un patrón en

los datos.

Muestreo Aleatorio Una muestra aleatoria es una en que cada punto tiene el
mismo chance (probabilidad) de ser seleccionada. Una
muestra aleatoria es planificada sistemáticamente; esto es,
todos los puntos de muestra son determinados antes de
recolectar ningún dato.
El proceso de seleccionar las unidades de muestra de
tamaño n, de tal manera que cada unidad n bajo
consideración tiene igual chance de ser seleccionado en la
muestra.

Muestreo de Conveniencia .
Ver Muestreo de Conveniencia.

Muestreo al azar:
Ver muestreo al azar.

Rango La diferencia entre los valores más alto y más bajo en

subgrupo, una muestra, o una población.

Subgrupo Racional Un subgrupo recolectado de tal manera que dé la máxima

oportunidad a las mediciones en cada subgrupo de ser
parecidas y la máxima oportunidad para los subgrupos de
diferir unos de otros. Este esquema de subagrupamiento
asume una determinación de cuando la variación del proceso
incluye una causa especial de variación.

Carta de Control Regresión Las Cartas de Control Regresión son usadas para monitorear
las relaciones entre dos variables correlacionadas en orden a
determinar si y cuando la desviación de las relaciones
conocidas predecibles ocurren.

Carta de control Residuales Una carta que monitorea un proceso usando los residuos
(diferencias) entre un modelo fijado y los datos. Un giro del
proceso causará un giro en la media de los residuos

199
Corrida Un número de puntos consecutivos, que se incrementan o
decrecen consistentemente por encima o por debajo de la
línea central. Puede ser evidencia de la existencia de causas
especiales de variación.

Muestra Ver Sub grupo.

Forma Un concepto general para el patrón general formado por una

distribución de valores. Las formas involucran muchas
características como simetría (skewnees) y picos máximos
(kurtois).

Carta de Control Carrera corta Un enfoque de carta de control en la cual los ajustes son
hechos para los datos o para los límites de control para
permitir control del proceso en forma similar a las cartas
Shewhart para procesos que solo producen una pequeña
cantidad de productos durante una carrera simple.

Sigma (σ) Letra griega usada para designar una Desviación Estándar.

Causa Especial Una fuente de variación que afecta solo algunas de las
salidas de un proceso; es a menudo intermitente, e
impredecible. Una causa especial es algunas veces llamada
una causa asignable. Ella es señalada por uno mas puntos
fuera de los límites de control o por un patrón no aleatorio
de puntos dentro de los límites de control.

Especificación El requerimiento de ingeniería para juzgar la aceptabilidad de

una característica particular. Una especificación nunca debe
ser confundida con un límite de control. Idealmente, una
especificación se vincula directamente o es compatible con
los requerimientos o expectativas del cliente (interno y/o
externo).
Bilateral:

Una especificación bilateral identifica requerimientos en los

dos extremos del rango del proceso. A menudo es referida
como una especificación de dos lados o tolerancia.

Unilateral:

Una especificación unilateral identifica requerimientos en un

solo extremo del rango del proceso. Es a menudo referida
como especificación de un lado o tolerancia.

200
Extensión El espacio de valores desde el más pequeño al más grande
en una distribución, (ver también extensión del proceso).

Estabilidad La ausencia de causas especiales de variación, la

propiedad de estar en control estadístico.

Proceso Estable Un proceso que está en control estadístico.

Desviación estándar Una medida de la extensión de la salida del proceso o de la

extensión de un muestreo estadístico del proceso (ejemplo:
de promedio de subgrupos)

Estadística Un valor calculado basado sobre datos de muestra (un

promedio de subgrupo o rango), usada para hacer
inferencias acerca del proceso que produce una salida.

Control Estadístico La condición que describe un proceso del cual todas las
causas especiales de variación han sido eliminadas y solo
permanecen causas comunes, por ejemplo: la variación
observada puede ser atribuida a un sistema constante de
oportunidad de causas; Esto es evidenciado sobre una carta
de control por la ausencia de puntos más allá de los límites
de control y por la ausencia de patrones no aleatorios
dentro de los límites de control.

Inferencia Estadística Información acerca de los parámetros de la población que es

estimada o inferida de los datos obtenidos de una muestra de
esa población. Esas inferencias pueden ser en forma de un
simple número (punto estimado) o un par números (intervalo
estimado).

Control Estadístico de Proceso El uso de técnicas estadísticas tales como cartas de control
para analizar un proceso o sus salidas de tal forma que se
tomen acciones apropiadas para alcanzar y mantener un
estado de control estadístico y para mejorar la capacidad
del proceso.

Límites de Tolerancia Un intervalo o rango de valores que se espera contengan una

Estadísticos proporción especificada de una población. Ver Montgomery
(1997) o Juan y Godfrey (1999) para métodos de cálculo. Ver
Intervalo de tolerancia.

201
Carta de Control Semáforo Una enfoque de carta basada en probabilidad para control
proceso que usa tes categorías y doble muestreo. En este
enfoque el área meta se designa como verde, el área de
alerta como amarilla, y las zonas de parada como rojas. El
uso de esos colores da pie a la designación “semáforo”

Subgrupo Uno o más eventos o mediciones usadas para analizar el

desempeño de un proceso. usualmente son escogidos
subgrupos racionales así que la variación representada
dentro de cada subgrupo es tan pequeña como sea posible
para el proceso (representando la variación de causas
comunes), y así que cualquier cambio en el desempeño del
proceso (ejemplo: causas especiales) aparecerá como
diferencias entre subgrupos. Los subgrupos racionales son
hechos típicamente de piezas consecutivas, también
algunas veces son usadas muestras aleatorias.

Tolerancia Ver Especificación.

Intervalo de tolerancia Ver Límites Estadísticos de Tolerancia.

Variación total del Proceso Ver Variación

Error Tipo I Rechazar un supuesto que es verdad, Ejemplo: tomar una

acción apropiada para una causa especial cuando en efecto
el proceso no ha cambiado; sobre control. Es asociado con
el productor o riesgo alfa.

Error Tipo II Fallar en rechazar un supuesto que es falso, ejemplo: no

tomar una acción apropiada cuando en efecto el proceso
está afectando por causas especiales; sub control. Es
asociado con el cliente o riesgo beta.

Unimodal Una distribución se dice unimodal si tiene solo un modo.

Datos por variables Datos cuantitativos, donde las mediciones son usadas para
análisis. Ejemplos: incluyen el diámetro periódico de un
rodamiento en milímetros, el esfuerzo de cierre de una puerta
en newtons, la concentración de electrolitos en porcentaje, o
el torque de apriete en newtons-metro. Las cartas de control
X yR , yX y.s  mediana y rango, e individuos y
rango móvil son usadas para datos por variables (ver también

202
 datos por atributos). (El término “Variables”, también suena
poco elegante, es usado en orden a distinguir entre algo que
varía, y la carta de control usada para tomar datos de una
variable continua).

Variación Las diferencias inevitables entre salidas individuales de un

proceso; las fuentes de variación pueden ser agrupadas en
dos clases mayores; causas comunes y causas especiales.

Variación Inherente:
Esa variación del proceso debida solamente a causas
comunes,

Variación dentro de subgrupos

Es la variación debida solo a la variación dentro de sub
grupos. Si el proceso está en control estadístico esta
variación es un buen estimativo de la variación inherente al
proceso. Se puede estimar en cartas de control por:
R , o, s
d2 c4

Variación entre sub grupos:

Es la variación debida a la variación entre sub grupos. Si el
proceso está en control estadístico esta variación deberá ser
cero.

Variación Total del proceso

Es la variación del proceso debida tanto a variación entre sub
grupos y variación dentro de subgrupos. Si el proceso no está
en control estadístico la variación total del proceso incluirá
los efectos de causas comunes y causas especiales. Esta
variación puede ser estimada por s, la desviación estándar de
la muestra, usando todas las lecturas individuales obtenidas
de una carta de control detallada o del estudio del proceso:
n
x  x
2

ˆ p  s   i
i

n 1
donde xi es una lectura individual.

x es el promedio de las lecturas individuales y n es el

número total de lecturas individuales.

Variación Entre- sub grupo Ver Variación

Análisis de Zona Este es un método detallado de análisis de una carta de

control Shewhart el cual divide la carta x-barra en tres zonas
equidistantes dentro de los límites de control por encima de la
media y tres zonas equidistantes por debajo de la media.57

57
Ver también AT&T (1984).
203
Símbolos
usados en este Manual

A2 Un multiplicador de R usado para calcular los límites de

control por promedios; en la tabla en el Apéndice E.

~ Un multiplicador de R usado para calcular los límites de

A2
control por medianas; en la tabla del Apéndice E.

A3 Un multiplicador de s usado para calcular los límites de

control por promedios; en la tabla del Apéndice E.

B3, B4 Multiplicadores de s usados para calcular los límites de

control inferior y superior, respectivamente, para muestra de
desviaciones estándar, en la tabla en el Apéndice E.

c El número de no conformidades en una muestra, la carta c

está descrita en el capítulo II Sección C.

c El promedio de número de no conformidades en muestras de

tamaño constante n.

c4 El divisor de s usado para estimar la desviación estándar del

proceso, en la tabla Apéndice E.

Cp El índice de capacidad para un proceso estable, típicamente

definido como
USL  LSL
6̂ C

Cpk El índice de capacidad para un proceso estable, típicamente

definido como el mínimo de CPU o de CPL.

CPL El índice de capacidad inferior, típicamente definido como

X  LSL
3̂ C

204
CPU El índice de capacidad superior, típicamente definido como
USL  X 
3̂ C

CR La rata de capacidad para un proceso estable, típicamente

1
definido como
CP

d2 Un divisor de R usado para estimar la desviación estándar

del proceso; en la tabla del Apéndice E.

D3, D4 Multiplicadores de R usados para calcular los límites de control

inferior y superior, respectivamente, para Rangos; en la tabla en el
Apéndice E.

E2 Un multiplicador de MR usado para calcular los límites de control por individuos,

en la tabla en el Apéndice E.

k El número de subgrupos que están siendo usado para calcular los límites de
control.

LCL El límite de control inferior; LCLX , LCLR , LCLP , etc son respectivamente el
límite de control inferior para promedios, rangos, proporción de no conformes, etc.

LSL El límite inferior de especificación de ingeniería.

MR El rango móvil de una serie de puntos de datos usado primariamente sobre una
carta por individuo.

n El número de individuos en un subgrupo; el tamaño de muestra de subgrupo.

205
n El promedio del tamaño de muestra del subgrupo. Típicamente usada en
cartas por atributos con tamaños demuestra subgrupos variables.

np El promedio del número de items no conformes en muestras de tamaño

constante n.

np El número de items no conformes en una muestra de tamaño n, la carta np

se describe en el Capítulo II sección 2.

p La proporción de unidades no conformes en una muestra, la carta p está

discutida en el Capítulo II sección C.

p El promedio de proporción de unidades no conformes en una serie de

muestras.

Pp
El índice de desempeño, típicamente definido como
USL  LSL
6̂ p

PR 1
La rata de desempeño, típicamente definida como
PP

Ppk El índice de desempeño, típicamente definido como el mínimo de PPU o

PPL

PPL El índice de desempeño inferior típicamente definido como

X  LSL
3̂ p

PPU El índice de desempeño superior típicamente definido como:

USL  X 
3̂ p

Pz La proporción de salida más allá de un punto de interés, tal como un límite

de especificación particular, z unidades de desviación estándar lejos del
promedio del proceso.

206
R El rango del subgrupo. (el valor más alto menos el más bajo), la carta R
está discutida en el Capítulo II. Sección C.

R
El promedio de rango de una serie de subgrupos de tamaño constante.

s La desviación estándar de la muestra por subgrupos, la carta s está

discutida en el Capítulo II, Sección C.
La desviación estándar por procesos; es discutida en el Capítulo IV,
Sección A.

s El promedio de desviación estándar de la muestra de una serie de

subgrupos, sopesado si es necesario por el tamaño de muestra.

SL Un límite unilateral de especificación de ingeniería.

u El número de no conformidades por unidad en una muestra la cual puede

contener más de una unidad; la carta u está discutida en el Capítulo II
Sección C.

u El promedio del número de no conformidades por unidad en muestras no

necesariamente del mismo tamaño.

UCL El límite de control superior; UCLX , UCLR , UCLP ,, etc, son

respectivamente el límite de control superior por promedios, rangos,
proporción de no conformes, etc.

USL El límite superior de especificación de ingeniería.

X Un valor individual sobre el cual se basan otras estadísticas de subgrupo,

la carta por individuos está discutida en el Capítulo II Sección C.

X El promedio de valores en un subgrupo, la carta X está discutida en el

Capítulo II sección C

207
X El promedio de promedios de subgrupo (sopesado, si es necesario por el
tamaño de muestra); el promedio medido del proceso.

~ La mediana de valores en un subgrupo; la carta por medianas está

X discutida en el Capítulo II, Sección C (Se pronuncia como X tilde).

~ El promedio de medianas de subgrupos, la mediana estimada del proceso.

X ( Se pronuncia como X tilde barra).

z El número de unidades de desviación estándar del promedio del proceso

para un valor de interés tal como una especificación de ingeniería cuando
se usa en evaluación de capacidad, ZUSL es la distancia al límite inferior de
especificación, y ZMin es la distancia al límite más cercano de
especificación.

Ơ (Sigma) La letra Griega sigma usada para designar desviación estándar de

población

ỡ Un estimado de la desviación estándar de una característica del proceso.

 X ,  R ,  np , etc. La desviación estándar de una característica basada en la muestra de la

salida de un proceso, tal como la desviación estándar de la distribución de
promedios de subgrupos, la desviación estándar de la distribución de
rangos de subgrupos, la desviación estándar de la distribución de la
proporción de items no conformes, etc.

̂ Un estimado de la desviación estándar de las características de un

proceso

̂ P Un estimado de la desviación estándar de un proceso usando la

desviación estándar de la muestra de un juego de individuos cerca del
promedio del juego. Este es un estimado de la variación total del proceso.

̂ C El estimado de la desviación estándar de un proceso estable usando el

rango promedio de muestras subagrupadas tomadas del proceso,
208
usualmente dentro del contexto de las cartas de control, donde el factor d2
está en la tabla del Apéndice E. Esta es la variación entre el subgrupo, y
una estimación de la variación inherente del proceso.

209
Esta págian ha sido dejada intencionalmente en blanco

210
 APENDICE H

Referencias y Lecturas Sugeridas58

Inserta el listado de referencias.

58
Ver Freund y Williams (1966) oara una lista extensa de términos y definiciones estadísticas.
211
212
213
214
 APÉNDICE I
Tablas Estándar Normal
Insertar Tabla. 2 páginas.

1
2
ÍNDICE

1
2
3
Esta página ha sido dejada en blanco intencionlmente