Manual curso controlestadisticodeprocesos

CONTROL ESTADÍSTICO DE PROCESOS
Dr. Josué Álvarez Borrego

1 Introducción
El control estadístico de procesos tuvo su inicio en los años 20's con el Dr.
Shewhart, pero no fue hasta la Segunda Guerra Mundial cuando comenzó a
aplicarse prácticamente en la industria.
Su desarrollo comenzó en Estados Unidos con la producción de artículos militares
de bajo costo, buena calidad y en gran volumen. Sin embargo, no fue
precisamente en Estados Unidos en donde tuvo su auge.
Posterior a la Segunda Guerra Mundial, los norteamericanos impusieron a la
industria japonesa de telecomunicaciones que aplicara el control estadístico de
calidad debido a que las fallas en el servicio telefónico eran excesivas. Japón
utilizó las enseñanzas aprendidas en la industria de telecomunicaciones y las
aplicó a las demás industrias. En un principio se realizaron diversos seminarios
sobre control estadístico de procesos enfocándolos principalmente a la alta
dirección, esto es, a directores y presidentes. El principal conferencista fue el Dr.
Edwards Deming, el cual se considera que introdujo el control de calidad en
Japón. Posteriormente, se creó una conciencia de participación total, es decir, se
vieron involucrados todos los niveles dentro de las empresas y no únicamente la
alta dirección.
En México, el tema de "control total de calidad" y otras de sus acepciones se ha
puesto de moda en los últimos años. Lo anterior no se debe a la casualidad sino a
la necesidad de subsistencia en mercados abiertos y competitivos.
Anteriormente, los consumidores, ya sea de productos o servicios, mostraban
interés únicamente en el precio. Actualmente, se evalúa precio y calidad, debiendo
existir un equilibrio entre estas dos variables.
Lo cierto es que la calidad ha pasado de ser un lujo a ser una necesidad. Hasta
hace unos años, la documentación sobre el tema de "calidad" se basaba en
industrias de manufactura. Sin embargo, la cultura de calidad, y en particular el
control estadístico de procesos, se pueden aplicar a cualquier industria o sector
económico.

Control estadístico del proceso
El método general es prescriptivo y descriptivo, no es analítico. Al controlar
estadísticamente los procesos no se trata de moldear la distribución de datos
reunidos en un proceso dado. Lo que se trata es de controlar el proceso con
ayuda de reglas de decisión que localicen discrepancias apreciables entre los
datos observados y las normas del proceso que se controla.
Se dice que un proceso esta bajo control estadístico cuando sólo se producen
variaciones debidas a causas comunes. En otras palabras el objetivo y razón
de ser control Estadístico de Procesos es ayudar a identificar las causas
especiales que producen variaciones en el proceso y suministrar información
para tomar decisiones.
Aplicaciones del control estadístico del proceso
Se aplica a todo: a las cosas, a las personas y a los actos. Determina y analiza
rápidamente las causas que pueden originar desviaciones para que no vuelvan
a presentarse en el futuro.
Existen cuatro factores que deben ser considerados al aplicar el proceso de
control.
Cantidad, Tiempo, Costo y Calidad.
Su aplicación incide directamente en la racionalización de la administración y
consecuentemente, en el logro de la productividad de todos los recursos de la
empresa.
Este control estadístico de puede aplicar en todos los tipos de empresas donde
se tiene un conjunto de operaciones materiales ejecutadas para la obtención,
transformación o transporte de uno o varios productos.

Posibles ventajas de control estadístico de procesos.
Localiza los sectores responsables de la administración, desde el momento en que
se establecen medidas correctivas.
Proporciona información acerca de la situación de la ejecución de los planes,
sirviendo como fundamento al reiniciarse el proceso de la planeación.
Reduce costos y ahorra tiempo al evitar errores.
Determinar las causas asignables a este comportamiento y atacarlas y de esta
manera mantener el proceso en control. Son herramientas de dirección que
permiten:
1. Identificar en la muestra inicial del proceso las observaciones atípicas, a fin
de excluirlas una vez detectadas las causas asignables y no tomarlas en
consideración para estimar los parámetros del proceso.
2. Detectar a tiempo anormalidades en el proceso, tanto por corrimientos de la
media, como incrementos en la desviación por encima de sus límites
naturales, para impedir la producción de piezas fuera de especificación.
Economía en la realización de la investigación y la rapidez en la obtención de
resultados.
El aumento creciente de calidad de los productos.
La desviación puede ser identificable y posible de eliminar.
Adopción de decisiones a corto y largo plazo. Las decisiones a corto plazo se dan
cuando se inicia una labor de investigación como resultado de un síntoma de
anomalía indicado por el control estadístico. Las decisiones a largo plazo son
consecuencia de una decisión de incluir o excluir ciertos datos en el estándar y los
limites de control futuro.
Proporciona evidencias para investigar la causa de malos resultados.
La mayor ventaja es el de detectar un deterioro no deseado del proceso. El
deterioro puede obedecer a múltiples causas. Es fácil detectar y ajustar el tipo de
deterioro que pasa a uno de otro nivel.

La desviación que es una variación aleatoria es calculada y esperada a que
ocurra k veces de cada mil.
Posibles perjuicios del control estadístico de proceso.
Si no se utilizan o interpretan adecuadamente los gráficos de control o se toman
datos erróneos se puede tener una gran ineficiencia en el control estadístico de
proceso.
Si se toma un muestreo del proceso existe un cierto porcentaje de error y de
confiabilidad en todos esos elementos de muestra.
Conceptos y fundamentos estadísticos.
Para el entendimiento del Control Estadístico de Procesos no es necesario ser un
experto en estadística, pero es preciso recordar al menos los puntos que se
describen a continuación.
a) Distribución Normal o Campana de Gauss.
La distribución normal es desde luego la función de densidad de probabilidad
“estrella” en estadística. Depende de dos parámetros  y s, que son la media y la
desviación típica respectivamente. Tiene una forma acampanada (de ahí su
nombre) y es simétrica respecto a  . Llevando múltiplos de s a ambos lados de  ,
nos encontramos con que el 68% de la población está contenido en un entorno
±1s alrededor de  , el 95% de la población está contenido en un entorno ±2s
alrededor de  y que el 99,73% está comprendido en ±3s alrededor de  .

Figura1. Función de densidad de Probabilidad Normal.
2 Describiendo y resumiendo datos.
Dado un grupo de datos organizados en una distribución de frecuencias (o bien
una serie de observaciones sin ordenar), pretendemos describirlos mediante dos o
tres cantidades sintéticas.
En este sentido pueden examinarse varias características, siendo las más
comunes:
a) La tendencia central de los datos;
b) La dispersión o variación con respecto a este centro;
c) Los datos que ocupan ciertas posiciones.
d) La simetría de los datos.
e) La forma en la que los datos se agrupan.

Figura 2. Medidas representativas de un conjunto de datos estadísticos.
Estadísticos de tendencia central
Las tres medidas más usuales de tendencia central son:
a) la media,
b) la mediana,
c) la moda.
En ciertas ocasiones estos tres estadísticos suelen coincidir, aunque
generalmente no es así. Cada uno de ellos presenta ventajas e inconvenientes
que precisaremos más adelante. En primer lugar vamos a definir los conceptos
anteriores.
La media
La media aritmética de una variable estadística es la suma de todos sus posibles
valores, ponderada por las frecuencias de los mismos. Es decir, si la tabla de
valores de una variable X es

la media es el valor que podemos escribir de las siguientes formas equivalentes:
Si los datos no están ordenados en una tabla, entonces
Algunos inconvenientes de la media
La media presenta inconvenientes en algunas situaciones:
Uno de ellos es que es muy sensible a los valores extremos de la variable: ya que
todas las observaciones intervienen en el cálculo de la media, la aparición de una
observación extrema, hará que la media se desplace en esa dirección. En
consecuencia,
 No es recomendable usar la media como medida central en las
distribuciones muy asimétricas;
 Si consideramos una variable discreta, por ejemplo, el número de hijos en
las familias mexicanas el valor de la media puede no pertenecer al conjunto
de valores de la variable; Por ejemplo x = 1, 2 hijos.

Otras medias: Medias generalizadas
En función del tipo de problema varias generalizaciones de la media pueden ser
consideradas. He aquí algunas de ellas aplicadas a unas observaciones 1,..., n
x x :
La media geométrica g
x , es la media de los logaritmos de los valores de la
variable:
Luego
Si los datos están agrupados en una tabla, entonces se tiene:
La media armónica a
x , se define como el recíproco de la media aritmética de los
recíprocos, es decir,
Por tanto

La mediana
Consideramos una variable discreta X cuyas observaciones en una tabla
estadística han sido ordenadas de menor a mayor. Llamaremos mediana, Med al
primer valor de la variable que deja por debajo de sí al 50% de las observaciones.
Figura 3. Cálculo geométrico de la mediana.
En el caso de variables continuas, las clases vienen dadas por intervalos, y aquí la
fórmula de la mediana se complica un poco más (pero no demasiado): Sea ( 1,
i i
l l
 ]
el intervalo donde hemos encontrado que por debajo están el 50% de las
observaciones. Entonces se obtiene la mediana a partir de las frecuencias
absolutas acumuladas, mediante interpolación lineal (teorema de Thales) como
sigue (figura 3):

Esto equivale a decir que la mediana divide al histograma en dos partes de
áreas iguales a 1/2 .
Propiedades de la mediana
Entre las propiedades de la mediana, vamos a destacar las siguientes:
 Como medida descriptiva, tiene la ventaja de no estar afectada por las
observaciones extremas, ya que no depende de los valores que toma la
variable, sino del orden de las mismas. Por ello es adecuado su uso en
distribuciones asimétricas.
 Es de cálculo rápido y de interpretación sencilla.
 A diferencia de la media, la mediana de una variable discreta es siempre un
valor de la variable que estudiamos (ej. La mediana de una variable número
de hijos toma siempre valores enteros).
Un ejemplo de cálculo de mediana
Sea X una variable discreta que ha presentado sobre una muestra las
modalidades

Si cambiamos la última observación por otra anormalmente grande, esto no afecta
a la mediana, pero si a la media:
En este caso la media no es un posible valor de la variable (discreta), y se ha visto
muy afectada por la observación extrema. Este no ha sido el caso para la
mediana.
Un ejemplo de cálculo de media y mediana
Obtener la media aritmética y la mediana en la distribución adjunta. Determinar
gráficamente cuál de los dos promedios es más significativo.
La media aritmética es:

La primera frecuencia absoluta acumulada que supera el valor n/2 = 100 es Ni =
140. Por ello el intervalo mediano es [10; 20). Así:
Para ver la representatividad de ambos promedios, realizamos el histograma de la
figura 4, y observamos que dada la forma de la distribución, la mediana es más
representativa que la media.
Figura 4. Para esta distribución de frecuencias es más representativo usar como
estadístico de tendencia central la mediana que la media.
La moda
Llamaremos moda a cualquier máximo relativo de la distribución de frecuencias,
es decir, cualquier valor de la variable que posea una frecuencia mayor que su
anterior y su posterior.
Observación
De la moda destacamos las siguientes propiedades:
Es muy fácil de calcular.

Puede no ser única.
Cuadro 1: Resumen de las medidas de posiciones centrales.
Relación entre media, mediana y moda
En el caso de distribuciones unimodales, la mediana está con frecuencia
comprendida entre la media y la moda (incluso más cerca de la media).
En distribuciones que presentan cierta inclinación, es más aconsejable el uso de la
mediana. Sin embargo en estudios relacionados con propósitos estadísticos y de
inferencia suele ser más apta la media.
Medidas de variabilidad o dispersión
Los estadísticos de tendencia central o posición nos indican donde se sitúa un
grupo de puntuaciones. Los de variabilidad o dispersión nos indican si esas
puntuaciones o valores están próximas entre sí o si por el contrario están muy
dispersas.

Rango
Una medida razonable de la variabilidad podría ser la amplitud o rango, que se
obtiene restando el valor más bajo de un conjunto de observaciones del valor más
alto.
Propiedades del rango
 Es fácil de calcular y sus unidades son las mismas que las de la variable.
 No utiliza todas las observaciones (sólo dos de ellas);
 Se puede ver muy afectada por alguna observación extrema;
 El rango aumenta con el número de observaciones, o bien se queda igual.
En cualquier caso nunca disminuye.
Varianza
La varianza, 2
S , se define como la media de las diferencias cuadráticas de n
puntuaciones con respecto a su media aritmética, es decir
Esta medida es siempre una cantidad positiva, con propiedades interesante para
la realización de inferencia estadística. Como sus unidades son las del cuadrado
de la variable, es más sencillo usar su raíz cuadrada, que es la que vemos en la
siguiente sección.
Desviación típica o estándar
La varianza no tiene la misma magnitud que las observaciones (ej. si las
observaciones se miden en metros, la varianza lo hace en metros cuadrados.

Si queremos que la medida de dispersión sea de la misma dimensionalidad que
las observaciones bastarán con tomar su raíz cuadrada. Por ello se define la
desviación típica, S, como
Ejemplo de cálculo de medidas de dispersión
Calcular el rango, varianza y desviación típica de las siguientes cantidades
medidas en metros:
3, 3, 4, 4, 5
Solución: El rango de esas observaciones es la diferencia entre la mayor y menor
de ellas, es decir, 5−3 = 2. Para calcular las restantes medidas de dispersión es
necesario calcular previamente el valor con respecto al cual vamos a medir las
diferencias. Éste es la media:
La variancia es
Siendo la desviación típica su raíz cuadrada
Propiedades de la varianza y desviación típica
 Ambas son sensibles a la variación de cada una de las puntuaciones, es
decir, si una puntuación cambia, cambia con ella la varianza. La razón es
que si miramos su definición, la varianza es función de cada una de las
puntuaciones.
 La desviación típica tiene la propiedad de que en el intervalo

se encuentra, al menos, el 75% de las observaciones Incluso si tenemos
muchos datos y estos provienen de una distribución normal (se definirá este
concepto más adelante), podremos llegar al 95 %.
 No es recomendable el uso de ellas, cuando tampoco lo sea el de la media
como medida de tendencia central.
Coeficiente de variación
Hemos visto que las medidas de centralización y dispersión nos dan información
sobre una muestra. Nos podemos preguntar si tiene sentido usar estas
magnitudes para comparar dos poblaciones. Por ejemplo, si nos piden comparar la
dispersión de los pesos de las poblaciones de elefantes de dos circos diferentes, S
nos dará información útil. ¿Pero qué ocurre si lo que comparamos es la altura de
unos elefantes con respecto a su peso? Tanto la media como la desviación típica,
x y S, se expresan en las mismas unidades que la variable. Por ejemplo, en la
variable altura podemos usar como unidad de longitud el metro y en la variable
peso, el kilogramo. Comparar una desviación (con respecto a la media) medida en
metros con otra en kilogramos no tiene ningún sentido.
El problema no deriva sólo de que una de las medidas sea de longitud y la otra
sea de masa. El mismo problema se plantea si medimos cierta cantidad, por
ejemplo la masa, de dos poblaciones, pero con distintas unidades. Este es el caso
en que comparamos el peso en toneladas de una población de 100 elefantes con
el correspondiente en miligramos de una población de 50 hormigas.
El problema no se resuelve tomando las mismas escalas para ambas poblaciones.
Por ejemplo, se nos puede ocurrir medir a las hormigas con las mismas unidades
que los elefantes (toneladas). Si la ingeniería genética no nos sorprende con
alguna barbaridad, lo lógico es que la dispersión de la variable peso de las
hormigas sea prácticamente nula (¡Aunque haya algunas que sean 1.000 veces
mayores que otras!)

En los dos primeros casos mencionados anteriormente, el problema viene de la
dimensionalidad de las variables, y en el tercero de la diferencia enorme entre las
medias de ambas poblaciones. El coeficiente de variación es lo que nos permite
evitar estos problemas, pues elimina la dimensionalidad de las variables y tiene en
cuenta la proporción existente entre medias y desviación típica. Se define del
siguiente modo:
Propiedades del coeficiente de variación
 Sólo se debe calcular para variables con todos los valores positivos. Todo
índice de variabilidad es esencialmente no negativo. Las observaciones
pueden ser positivas o nulas, pero su variabilidad debe ser siempre
positiva. De ahí que sólo debemos trabajar con variables positivas, para la
que tenemos con seguridad que x > 0.
 No es invariante ante cambios de origen. Es decir, si a los resultados de
una medida le sumamos una cantidad positiva, b > 0, para tener Y = X + b,
entonces CVY < CVX.
 Es invariante a cambios de escala. Así por ejemplo el coeficiente de
variación de una variable medida en metros es una cantidad adimensional
que no cambia si la medición se realiza en centímetros.
Población versus muestra.
La teoría del muestreo tiene por objetivo, el estudio de las relaciones existentes
entre la distribución de un carácter en dicha población y las distribuciones de dicho
carácter en todas sus muestras.
Las ventajas de estudiar una población a partir de sus muestras son
principalmente:
Coste reducido: Si los datos que buscamos los podemos obtener a partir de una
pequeña parte del total de la población, los gastos de recogida y tratamiento de los
datos serán menores. Por ejemplo, cuando se realizan encuestas previas a un

referéndum, es más barato preguntar a 4,000 personas su intención de voto, que a
30,000,000;
Mayor rapidez: Estamos acostumbrados a ver cómo con los resultados del
escrutinio de las primeras mesas electorales, se obtiene una aproximación
bastante buena del resultado final de unas elecciones, muchas horas antes de que
el recuento final de votos haya finalizado;
Más posibilidades: Para hacer cierto tipo de estudios, por ejemplo el de duración
de cierto tipo de bombillas, no es posible en la práctica destruirlas todas para
conocer su vida media, ya que no quedaría nada que vender. Es mejor destruir
sólo una pequeña parte de ellas y sacar conclusiones sobre las demás.
De este modo se ve que al hacer estadística inferencial debemos enfrentarnos con
dos problemas:
 Elección de la muestra (muestreo), que es a lo que nos dedicaremos en
esta sección.
 Extrapolación de las conclusiones obtenidas sobre la muestra, al resto de la
población (inferencia).
El tipo de muestreo más importante es el muestreo aleatorio, en el que todos los
elementos de la población tienen la misma probabilidad de ser extraídos; Aunque
dependiendo del problema y con el objetivo de reducir los costes o aumentar la
precisión, otros tipos de muestreo pueden ser considerados como veremos más
adelante: muestreo sistemático, estratificado y por conglomerados.
Muestreo aleatorio
Consideremos una población finita, de la que deseamos extraer una muestra.
Cuando el proceso de extracción es tal que garantiza a cada uno de los elementos
de la población la misma oportunidad de ser incluidos en dicha muestra,
denominamos al proceso de selección muestreo aleatorio.
El muestreo aleatorio se puede plantear bajo dos puntos de vista:
 Sin reposición de los elementos;
 Con reposición.
Muestreo aleatorio sin reposición

Consideremos una población E formada por N elementos. Si observamos un
elemento particular, e  E, en un muestreo aleatorio sin reposición se da la
siguiente circunstancia:
 La probabilidad de que e sea elegido en primer lugar es 1/N ;
 Si no ha sido elegido en primer lugar (lo que ocurre con una probabilidad de
(N−1)/N), la probabilidad de que sea elegido en el segundo intento es de
1/(N−1) .
 en el (i + 1)–ésimo intento, la población consta de N − i elementos, con lo
cual si e no ha sido seleccionado previamente, la probabilidad de que lo sea
en este momento es de 1/(N−i) .
Muestreo aleatorio con reposición
Sobre una población E de tamaño N podemos realizar extracciones de n
elementos, pero de modo que cada vez el elemento extraído es repuesto al total
de la población. De esta forma un elemento puede ser extraído varias veces.
El muestreo aleatorio con reposición es también denominado muestreo aleatorio
simple, y se caracteriza porque cada elemento de la población tiene la misma
probabilidad de ser elegido, y las observaciones se realizan con reemplazamiento.
De este modo, cada observación es realizada sobre la misma población (que no
disminuye con las extracciones sucesivas).
Muestreo aleatorio estratificado
Un muestreo aleatorio estratificado es aquel en el que se divide la población de N
individuos, en k subpoblaciones o estratos, atendiendo a criterios que puedan ser
importantes en el estudio, de tamaños respectivos N1, . . . , Nk,
y realizando en cada una de estas subpoblaciones muestreos aleatorios simples
de tamaño ni i = 1, . . . , k.

A continuación nos planteamos el problema de cuantos elementos de muestra se
han de elegir de cada uno de los estratos. Para ello tenemos fundamentalmente
dos técnicas: la asignación proporcional y la asignación óptima.
Asignación proporcional
Sea n el número de individuos de la población total que forman parte de alguna
muestra:
Cuando la asignación es proporcional el tamaño de la muestra de cada estrato
es proporcional al tamaño del estrato correspondiente con respecto a la población
total:
Asignación óptima
Cuando se realiza un muestreo estratificado, los tamaños muestrales en cada uno
de los estratos, ni, los elige quien hace el muestreo, y para ello puede basarse en
alguno de los siguientes criterios:
 Elegir los ni de tal modo que se minimice la varianza del estimador, para un
coste especificado, o bien,
 habiendo fijado la varianza que podemos admitir para el estimador,
minimizar el coste en la obtención de las muestras.
Así en un estrato dado, se tiende a tomar una muestra más grande cuando:
 El estrato es más grande;
 El estrato posee mayor variabilidad interna (varianza);
 El muestreo es más barato en ese estrato.
Muestreo sistemático

Cuando los elementos de la población están ordenados en fichas o en una lista,
una manera de muestrear consiste en
 Sea k =[N/n];
 Elegir aleatoriamente un número m, entre 1 y k;
 Tomar como muestra los elementos de la lista:
Esto es lo que se denomina muestreo sistemático. Cuando el criterio de
ordenación de los elementos en la lista es tal que los elementos más parecidos
tienden a estar más cercanos, el muestreo sistemático suele ser más preciso que
el aleatorio simple, ya que recorre la población de un modo más uniforme. Por otro
lado, es a menudo más fácil no cometer errores con un muestreo sistemático que
con este último.
El método tal como se ha definido anteriormente es sesgado si N/n no es entero,
ya que los últimos elementos de la lista nunca pueden ser escogidos. Un modo de
evitar este problema consiste en considerar la lista como si fuese circular (el
elemento N + 1 coincide con el primero) y:
 Sea k el entero más cercano a N/n;
 Se selecciona un número al azar m, entre 1 y N;
 Se toma como muestra los elementos de la lista que consisten en ir
saltando de k elementos en k, a partir de m, teniendo en cuenta que la lista
es circular.
Se puede comprobar que con este método todos los elementos de la lista tienen la
misma probabilidad de selección.
Muestreo por conglomerados
Si intentamos hacer un estudio sobre los habitantes de una ciudad, el muestreo
aleatorio simple puede resultar muy costoso, ya que estudiar una muestra de
tamaño n implica enviar a los encuestadores a n puntos distintos de la misma, de
modo que en cada uno de ellos sólo se realiza una entrevista.

En esta situación es más económico realizar el denominado muestreo por
conglomerados, que consiste en elegir aleatoriamente ciertos barrios dentro de la
ciudad, para después elegir calles y edificios. Una vez elegido el edificio, se
entrevista a todos los vecinos.
Distribución normal o gaussiana
La distribución gaussiana, recibe también el nombre de distribución normal, ya que
una gran mayoría de las v.a continuas de la naturaleza siguen esta distribución.
Se dice que una v.a. X sigue una distribución normal de parámetros μ y 2
 , lo que
representamos del modo  
2
,
X N  
 si su función de densidad es:
Observación
Estos dos parámetros μ y 2
 coinciden además con la media (esperanza) y la
varianza respectivamente de la distribución como se demostrará más adelante:
La forma de la función de densidad es la llamada campana de Gauss.
Para el lector es un ejercicio interesante comprobar que ésta alcanza un único
máximo (moda) en μ, que es simétrica con respecto al mismo, y por tanto P[X  μ]
= P[X  μ] = 1/2, con lo cual en μ coinciden la media, la mediana y la moda, y por
último, calcular sus puntos de inflexión.
El soporte de la distribución es todo IR, de modo que la mayor parte de la masa de
probabilidad (área comprendida entre la curva y el eje de abscisas) se encuentra
concentrado alrededor de la media, y las ramas de la curva se extienden
asintóticamente a los ejes, de modo que cualquier valor “muy alejado” de la media
es posible (aunque poco probable).

Figura 5. Campana de Gauss o función de densidad de una v. a. de distribución
normal. El parámetro  indica el centro y  la dispersión. La distancia del
centro a los puntos de inflexión es precisamente  .
Figura 6. A una distancia que no supera en una desviación de la media tenemos
una probabilidad de 68%. A dos desviaciones tenemos el 95%.
La forma de la campana de Gauss depende de los parámetros μ y  :
 μ indica la posición de la campana (parámetro de centralización);

 2
 (o equivalentemente,  ) será el parámetro de dispersión. Cuanto menor
sea, mayor cantidad de masa de probabilidad habrá concentrada alrededor
de la media (grafo de f muy apuntado cerca de μ) y cuanto mayor sea “más
aplastado” será.
Aproximación a la normal de la ley binomial
Se demuestra que una v.a. discreta con distribución binomial, XB(n, p) se
puede aproximar mediante una distribución normal si n es suficientemente grande
y p no está ni muy próximo a 0 ni a 1. Como el valor esperado y la varianza de X
son respectivamente n p y n p q, la aproximación consiste en decir que
 
,
X N np npq
 . El convenio que se suele utilizar para poder realizar esta
aproximación es:
aunque en realidad esta no da resultados muy precisos a menos que realmente n
sea un valor muy grande o p  q 1/2. Como ilustración obsérvense las figuras 7
y 8.

Figura 7. Comparación entre la función de densidad de una v.a. continua con
distribución N(n p, n p q) y el diagrama de barras de una v.a. discreta de
distribución B(n, p) para casos en que la aproximación normal de la binomial es
válida. Es peor esta aproximación cuando p está próximo a los bordes del intervalo
[0, 1].
Figura 8. La misma comparación que en la figura anterior, pero realizada con
parámetros con los que damos la aproximación normal de la binomial es mejor.

3 Control estadístico de procesos
Este capítulo esta destinado a presentar técnicas estadísticas utilizadas para
realizar un seguimiento en tiempo real, de la calidad de un proceso productivo.
Estas técnicas son conocidas como Control Estadístico de Procesos, o control de
proceso en línea. El control de calidad en línea o control estadístico de procesos
produce mayores beneficios:
• Al vigilar continuamente el funcionamiento del proceso reduce la fabricación de
productos defectuosos.
• El control de producto terminado tiene poca capacidad de generar información
útil para ajustar y mejorar el proceso. Mediante el control estadístico de proceso
podemos saber en qué momento se empezó a desajustar el proceso, por lo que se
puede analizar las circunstancias que llevaron al desajuste para que no vuelvan a
ocurrir.
La herramienta más utilizada dentro del control estadístico de procesos son los
gráficos de control.
Los gráficos de control los podemos clasificar:
1. Gráficos de control por variables.
2. Gráficos de control por atributos.
3. Gráficos de control por el número de defectos.
3.1 Causas de variabilidad de un proceso
Uno de los axiomas fundamentales de fabricación es que nunca dos objetos
pueden fabricarse exactamente iguales, producimos con cierta variabilidad.
Cada proceso está sujeto a la influencia de muchos factores (muchos de los
cuales no podemos controlar) y por lo tanto, hay variabilidad en el resultado final
del proceso.
Ejemplo 1:
Medición de la longitud de un cilindro de un modelo concreto, llamémosle C,
producido por una máquina determinada, digamos M. Cada vez que midamos un
cilindro del mismo modelo y procedente de esa máquina estaremos repitiendo este

experimento. En el experimento definido en este ejemplo son dos los factores cuya
influencia mantenemos constante: modelo de cilindro y máquina. Hay, por contra,
infinidad de factores que en dicho experimento no controlamos. Por ejemplo, la
presión con que dicha máquina corta el cilindro no será siempre exactamente
igual. La estructura microscópica de la aleación metálica no será la misma. Las
vibraciones que se produzcan durante el proceso serán también irrepetibles. La
persona que se encargue de la manipulación de dicho proceso puede cambiar. El
desgaste de las piezas de la máquina que intervienen en el corte será un factor
que tendrá una influencia en la longitud final. En este ejemplo, aunque los cilindros
sean aparentemente idénticos las repeticiones del experimento proporcionarán,
con mucha probabilidad, longitudes diferentes. Las diferencias observadas en
cada repetición son debidas al resto de los factores que no se controlan.
Ejemplo 2:
Resultado de un juego de azar, como el resultado del lanzamiento de un dado,
lanzamiento de una moneda, giro de una ruleta o la extracción de una carta. Cada
vez que repitamos el experimento puede salir un resultado diferente, aunque el
factor que se controla se mantenga constante: mismo dado, moneda, mesa de
juego, baraja e incluso misma persona que participa en la acción. Los factores que
no se controlan son, en realidad, muy pocos: el movimiento de la mano de la
persona que ejecuta el experimento; pero el movimiento es tan complejo que es
prácticamente imposible repetirlo ni hacerlo de manera premeditada para
conseguir un resultado prefijado. Un esquema útil para resumir los diferentes
factores que afectan a un proceso es el de las 6´M.
En la práctica siempre habrá factores que no podremos controlar, por lo que el
producto final tendrá una calidad variable. Por tanto, cuando se habla de controlar

la calidad nos estamos refiriendo a controlar la variabilidad de esa calidad. Aunque
no se puede dar una relación exhaustiva de las causas que provocan la
variabilidad, es interesante hacer una clasificación entre causas asignables a
factores concretos (y controlables) y causas no asignables. No obstante, la
frontera entre ambas no estará, en general, perfectamente definida.
1. Causas no asignable o naturales: causas cuyos efectos individuales son
pequeños y difíciles de eliminar, producen una variabilidad estable y predecible,
por ejemplo:
• Proceso: la imprecisión de las herramientas, la vibración de las máquinas,
fluctuaciones hidráulicas y eléctricas,...
• Materiales: cambios de materia prima, espesor, resistencia,...
• Ambiente: diferencias en las condiciones atmosféricas, limpieza, iluminación,...
• Personas: diferencia en el estado físico, experiencia, motivación,...
• ...
2. Causas asignables: causas que actúan en determinados momentos
produciendo gran variabilidad, sus efectos son predecibles y definidos. Sus
efectos son eliminados cuando se elimina la causa, por ejemplo:
• desajuste de la máquina
• defecto de la materia prima
• operario no cualificado
• ...
El control estadístico de procesos consiste en observar periódicamente el proceso
y descubrir mediante gráficos cuando en el proceso están actuando causas
asignables, con objeto de descubrirlas y eliminarlas del proceso.
Cuando en el proceso sólo actúan causas no asignables se dice que el proceso
está bajo control.(Cuando en el proceso actúan causas asignable se dice que el
proceso está fuera de control).
Gráficos de Control por variables
Suponemos que la variable de calidad del proceso es una variable continua.
Supongamos que cuando el proceso está bajo control la variable de calidad, X,

se distribuye normalmente
Intervalo de tolerancia e índice de capacidad
El intervalo de tolerancia es un conjunto de valores de X que se consideran
admisibles o aceptables.
Suele ser definido por el cliente o en ocasiones por el diseñador del producto
(suele representase por un valor objetivo θ y un error aceptable L; θ ± L.)
Ejemplo:
Supongamos que producimos piezas metálicas y una variable de calidad es el
diámetro de las piezas. Cuando el proceso está bajo control el diámetro de las
piezas se distribuye
El cliente establece un intervalo de tolerancia entre 4.7 y 5.2
¿Qué proporción de defectuosos producimos cuando el proceso está bajo control?
P(defectuosos)=1-P(4.7≤ X ≤ 5.2) = 1 − P(−2 ≤ Z ≤ 3) = 0.024
La proporción de defectuosos en estado de control indica la adecuación para la
fabricación de productos con especificaciones o tolerancias definidas.
Definición índice de capacidad

Cuando la media de la producción está centrada en el centro del intervalo de
tolerancia (μ = θ), el índice de capacidad indica la adecuación de la fabricación de
productos.
observación:
• Si Cp < 1 Se producen más del 3 por mil de artículos defectuosos.
• Si Cp > 1 Se producen menos del 3 por mil de artículos defectuosos.
Ver anexo (Indices de capacidad)
Presencia de causas asignables
La presencia de una causa asignable produce un cambio en la media o en la
varianza del proceso, o en ambas, lo que supone un aumento de la proporción de
artículos defectuosos.
Ejemplo:
Supongamos que la variable de calidad cuando el proceso está bajo control se
distribuye ;X ; N(17, 2)
El cliente especifica un intervalo de tolerancia (10,24)
En los gráficos siguientes mostramos la proporción de defectuosos cuando en el
proceso varia la media, o la varianza, o ambas.

Los gráficos de control por variables permiten detectar la presencia de causas
asignables en el proceso.
Gráficos de Medias y Rangos (o desviaciones)
El objetivo de los gráficos de control por variables es controlar el proceso para que
no se vaya de control, es decir, controlar el proceso para detectar la presencia de
causas asignables. Para ello se toman muestras del proceso periódicamente y se
representa, en dos diferentes gráficos:
• la media muestral .
• el rango muestral (o la desviación típica muestral).

Si la media muestral o el rango muestral (o la desviación) se sale de los gráficos
(cuando un punto se sale de los límites establecidos por las líneas gruesas)
entonces tenemos una evidencia estadística de que la media o la variabilidad del
proceso han cambiado, es decir, el proceso está fuera de control.
En los gráficos de medias detectamos cambios en la media o variabilidad del
proceso.
En los gráficos de rangos (o de desviaciones) detectamos cambios en la
variabilidad del proceso.
Gráficos de X y R (ó S) (μ, σ conocidas)
Gráfico de medias.
Supongamos que cuando el proceso está bajo control
Entonces
Así
Si observamos una media y no está dentro de ese intervalo puede deberse a:
• El proceso esté bajo control y hallamos extraído una muestra cuya media esté
fuera de ese intervalo.
• El proceso esté fuera de control.

La primera razón es poco probable, sólo el 3 por mil de las muestras tienen media
muestral fuera de ese intervalo, luego suponemos que el proceso está fuera de
control, es decir, ha cambiado la media o la varianza, o ambas.
Si para una muestra su media no pertenece al intervalo (μ − 3
n

, μ + 3
n

)
tenemos evidencia estadística de que el proceso está fuera de control.
Gráfico de Rangos
Supongamos que
R = rango muestral = max min
X X
 es un estimador sesgado de la desviación típica
donde d2 y d3 son constantes que dependen del tamaño de la muestra y su valor
está tabulado (Anexo 2).
Y su distribución es aproximadamente normal, luego si el rango muestral está
fuera del intervalo
hay evidencia estadística de que la variancia del proceso ha variado.
Gráfico de desviaciones típicas corregidas
 
2
1
i
x x
S
n
 

 

 

 


Supongamos que

S 

desviación típica corregida muestral es un estimador sesgado de la desviación
típica
donde 4
c es una constante que depende del tamaño de la muestra y su valor está
tabulado (Anexo 2).
Se puede mostrar que si la desviación típica muestral está fuera del intervalo
hay evidencia estadística de que la variancia del proceso ha variado.
Ejemplo:
Se fabrican anillos de pistón para motor de automóvil mediante un proceso de
forjado. Se desea controlar el diámetro de éstos por medio de gráficos de medias
y rangos. Se toman muestras de tamaño 5 cada media hora, los datos aparecen
en la siguiente tabla. Cuando el proceso está bajo control el diámetro de los anillos
se distribuye

Los gráficos de control de medias y rangos

Como podemos observar ningún punto se sale de los gráficos por lo que
suponemos que el proceso se encuentra bajo control.
Sensibilidad del gráfico X
Hemos definido, anteriormente, el gráfico de control para las medias (supuesto
conocido la media y la variancia del proceso en estado de control)
Esta regla se denomina de las 3 sigmas y es común en todos los gráficos de
control estándares.
Con el gráfico de medias así definido podemos cometer dos errores,
representados en la siguiente tabla
Error I: decimos que los parámetros del proceso han cambiado cuando en realidad
no se han modificado, falsa alarma.
Error II: decimos que el proceso no ha cambiado cuando en realidad si se ha
modificado.

Al establecer los límites 3 sigma podemos calcular la probabilidad de falsa alarma,
es decir la probabilidad del error I:
Si se quiere reducir la probabilidad de falsa alarma se puede aumentar el intervalo
más allá de 3 sigma, dando un valor K>3, los límites se establecen en
Lógicamente esto presenta un inconveniente, que es: si el proceso cambia y sale
fuera de su estado de control, la probabilidad de que los puntos caigan dentro de
los limites, y por tanto, equivocarse aceptando que el proceso está bajo control,
también es mayor.
Tamaño muestral
Habitualmente el tamaño muestral está entre 4 y 10, siendo muy habitual en la
industria tomar muestras de tamaño 4 o 5. Cuanto mayor sea el tamaño muestral
más probabilidad de detectar cambios pequeños en el proceso.
Frecuencia de muestreo: consiste en determinar cada cuanto tiempo se toman las
muestras. Depende fundamentalmente del coste de inspección, del coste de
producir artículos defectuosos, de la probabilidad de cambio en el estado de
control del proceso y, también, del índice de capacidad del proceso.
Gráficos de X y R (ó S) (μ, σ desconocidas)
Cuando el proceso lleva funcionando un periodo largo (años) es aceptable
suponer conocidos los valores de μ, σ , en otras ocasiones esto no es así y los
valores de los parámetros del proceso en situación de control deben estimarse con
los datos disponibles. Vamos a suponer que se dispone de K muestras, cada una
de tamaño n, que se han tomado todas ellas con el proceso bajo control y durante

un periodo suficientemente largo en el cual han intervenido todas las fuentes de
variabilidad natural.
1 Estimación
2 Gráficos de control, utilizando las estimaciones
Sustituyendo las estimaciones en las fórmulas de las líneas del gráfico de control
para el caso de μ y σ conocidos obtenemos:
 Si utilizo rangos
 Si utilizo desviaciones

ESTUDIO INICIAL (determinación de la capacidad del proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuación mostramos un procedimiento
iterativo que se utiliza para garantizar (al menos de forma aproximada) que las
muestras empleadas para hacer la estimación de parámetros corresponden al
proceso en estado de control.
Pasos:
1. Se toman k muestras (k entre 20 o 30) de tamaño n (n entre 4 o 5).
2. Se estiman los parámetros
3. Se construyen los gráficos de control.
4. Representar los rango (o desviaciones corregidas) observados en el gráficos de
rangos (o desviaciones corregidas) construido en el paso 3.
Si algún punto se encuentra fuera de los limites de control, eliminar la muestra del
conjunto. En este caso volver al paso 2 para recalcular las estimaciones de los
parámetros con el conjunto modificado de muestras. Si todos los puntos están
dentro del gráfico de control ir al paso siguiente
5. Representar las medias en el gráfico de medias construido en el paso 3.
Si algún punto se encuentra fuera de los limites de control, eliminar la muestra del
conjunto. En este caso volver al paso 2 para recalcular las estimaciones de los
parámetros con el conjunto modificado de muestras. Si todos los puntos están
dentro del gráfico de control ir al paso siguiente.

6. Con las observaciones restantes, estimar los parámetros y contrastar la
normalidad de las observaciones.
Ejemplo:
Supongamos que fabricamos anillos de pistón. Queremos determinar la capacidad
de nuestro proceso. Se toman 40 muestras de tamaño 5 obteniendo los datos
presentados en la siguiente tabla.
Pasos para determinar la capacidad del proceso:
1 Estimación de parámetros
2 Gráficos de control

Observamos que hay dos puntos fuera del gráfico de medias, correspondientes a
las muestras 38 y 39. Eliminamos estas muestras y volvemos a estimar los
parámetros
volvemos a representar los gráficos utilizando estas estimaciones

Observando que hay un punto fuera del gráfico de medias, correspondiente a la
muestra 37, por lo tanto, eliminamos esta muestra y volvemos a estimar los
parámetros
Volvemos a representar los gráficos de control utilizando estas nuevas
estimaciones, obteniendo:

Ahora no hay algún punto fuera del gráfico entonces las estimaciones de los
parámetros del proceso en situación de control son las obtenidas en último lugar.
Interpretación de los gráficos de control.
Lo que se debe esperar en un gráfico de control es una distribución de puntos
aleatorios alrededor de la línea central, patrón no aleatorio o natural, por ejemplo:
El objetivo principal del gráfico de control es determinar cuando un proceso está
fuera de control de manera que es necesaria la acción de ajuste. La regla principal

es tomar como indicación de falta de control cuando un punto se sale fuera de los
limites. A esta regla se le suele añadir alguna que aumentan la sensibilidad del
gráfico si en la identificación de señales de la evolución del proceso no sigue un
patrón natural. Para definir estas reglas entre los limites de control se añaden
líneas de aviso equiespaciadas, a distancia de una desviación típica.
Regla 1: el proceso está fuera de control si un punto se sale de los límites de
control.
Regla 2: (2 de 3): un proceso se considera fuera de control si de tres puntos
consecutivos, dos están más allá de la línea de aviso de 2σ.
Regla 3: (4 de 5): un proceso se considera fuera de control si de cinco puntos
consecutivos, cuatro están a más allá de la línea de aviso de σ.
Regla 4: (racha) el proceso está fuera de control si ocho o más puntos
consecutivos están en una mitad del grafico.
Regla 5: (tendencia): Ocho puntos consecutivos o más en ascenso (o descenso)
GRÁFICOS DE MEDIAS MOVILES
El gráfico de control es relativamente insensible a pequeños cambios en la media
del proceso. Se ha sugerido diversas modificaciones y criterios suplementarios
con el fin de mejorar su capacidad para detectar cambios pequeños.
Supongamos que se obtienen muestras de tamaño n, y sean ( 1,....., ,...
t
x x ) sus
medias muestréales correspondientes. La media móvil de alcance w en el
momento t se define como

(es decir, en el momento t se suprime la media muestral más antigua y se añade
la más reciente. Como utilizamos más observaciones es más fácil detectar
pequeños cambios en el sistema)
Como
el gráfico de control de medias móviles tiene límites de control
representando el límite de control para el primer ejemplo del diámetro de los
pistones, utilizando amplitud 3.

Gráficos de control por atributos
Muchas características de calidad no se pueden representar en forma conveniente
por números. En tales ocasiones, cada artículo o producto es inspeccionado y
suele clasificarse como conforme o disconforme con las especificaciones para tal
característica de calidad (defectuoso o no defectuoso).
Si el proceso de producción está en control estadístico. Sea X una variable
aleatoria que indica si un artículo producido es o no defectuoso.
Si el proceso de producción está bajo control estadístico (no actúan causas
asignables) entonces
X: Bernoulli (p)
(p es la proporción de artículos defectuosos cuando el proceso está bajo control).
Defino, la capacidad del proceso como 1-p.
Si en el proceso de producción intervienen n causas asignables la proporción de
elementos defectuosos aumenta. El objetivo de los gráficos de control por
atributos es detectar rápidamente la presencia de causas asignables en el
proceso.
Se toman muestras en periodos regulares de tiempo y las voy representando en el
gráfico de control por atributos, este gráfico puede ser de dos formas:
1. Gráfico de número de defectos en la muestra de tamaño n (si represento el
número de defectos).
2. Gráfico de proporción de defectos en la muestra (si represento la proporción de
defectos en la muestra).
Gráfico de número de defectuosos (p conocida)
Sea r el número de defectuosos en la muestra

r ; b(n, p) cuando el proceso está bajo control  r; N(np, np(1 p)
 cuando el
proceso está bajo control y n es grande.
Luego p(np − 3 np(1 p)
 ≤ r ≤ np + 3 np(1 p)
 ) = 0.997 si el proceso está bajo
control, así
Ejemplo
Se envasa jugo de naranja en botes de cartón. Se considera que el bote es
disconforme si al llenarlo gotea. Se sabe que la proporción de botes defectuosos
es 0.23.
Para controlar el proceso se establece un control por atributos, tomando muestras
de tamaño 50 cada hora.
Las muestras observadas en las últimas 30 horas presentan los siguientes
resultados.
El gráfico de control por número de defectos

Gráfico de número de defectuosos (p desconocida)
De forma análoga a procedimientos estudiados anteriormente. Se toman k
muestras de tamaño n (suponemos que son tomadas cuando el proceso está bajo
control).
1 Estimamos p utilizando las k muestras
2 Sustituyendo las estimaciones en las fórmulas de las líneas del gráfico de control
para el caso de p conocida obtenemos:

Estudio inicial (capacidad del proceso)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuación mostramos un procedimiento
iterativo que se utiliza para garantizar (al menos de forma aproximada) que las
muestras empleadas para hacer la estimación de parámetros corresponden al
proceso en estado de control.
Pasos:
1. Se toman k muestras (k al menos 25) de tamaño n (n mayor que 50).
2. Se estiman los parámetros
3. Se construyen el gráfico de control.
4. Representar en el gráfico el número de defectuosos en cada muestra. Si
algún punto se encuentra fuera de los límites de control, eliminar la muestra
del conjunto. En este caso volver al paso 2 para recalcular las estimaciones
de los parámetros con el conjunto modificado de muestras. Si todos los
puntos están dentro del gráfico de control ir al paso siguiente.
5. Al encontrarse todas las muestras dentro del gráfico suponemos que todas
han sido tomadas cuando el proceso estaba bajo control. De esta forma
estimamos la capacidad del proceso como 1 − p

.
Ejemplo. Determinación de la capacidad del proceso.
1 Iteración
1. Se toman 30 muestras de tamaño 50.

2. Estimación
3. Gráfico de control para el número de defectos
4. Dos muestras se salen del gráfico 15 y 23. Se eliminan.
2 Iteración
1. Se vuelve a estimar p

2. Nuevo gráfico
3. Gráfico
4. Se sale la muestra 21. La eliminamos.
3 Iteración
1. Nueva estimación
2. Gráfico
3. Gráfico

4. Todas las muestras están dentro del gráfico por lo que suponemos que
todas han sido tomadas cuando el proceso estaba bajo control.
Estimación de la capacidad del proceso: 1- p

=1-0.208

4 Aplicaciones estadísticas en administración de calidad y
productividad.
Antes de aplicar cualquier técnica estadística, es necesario establecer algunas
hipótesis bajo las cuales se va a desarrollar el análisis. En primer lugar, vamos a
suponer que la característica de calidad (Variable aleatoria) es continua y de
distribución normal. En segundo lugar, consideraremos que el proceso está bajo
control estadístico, es decir que la variabilidad se debe solamente a un sistema
constante de causas aleatorias (No intervienen causas asignables).
Al realizar una sucesión de mediciones de la característica de calidad sobre
muestras del producto fabricado, encontramos que los valores fluctúan alrededor
de un valor central. Esto es lo que llamamos la fluctuación natural y esperable del
proceso. Esta variación de la característica de calidad medida se debe a un
conjunto muy grande de causas que afectan el proceso, cuyo efecto individual es
pequeño y que actúan en forma aleatoria (Sistema constante de causas
aleatorias). La fluctuación natural del proceso es inherente al mismo y no puede
eliminarse, sólo puede reducirse realizando modificaciones al proceso mismo, lo
cual significa, como ya hemos dicho, trabajar con otro proceso. La fluctuación
natural de un proceso puede cuantificarse a través de la desviación estándar del
mismo, con la cual podemos calcular Límites de Tolerancia Natural del proceso.
Se debe insistir en que estos límites no pueden fijarse voluntariamente, dependen
del proceso y de las variables no controlables del mismo. Generalmente se toma
un rango para la fluctuación natural de 6 sigmas.
Los Límites de Especificación de un producto son fijados voluntariamente por el
cliente, por el fabricante o por alguna norma. Estos límites constituyen un requisito
a cumplir por el producto y no deben confundirse en ningún caso con los Límites
de Control o con los Límites de Tolerancia Natural del proceso.
La Capacidad de un proceso es la aptitud para generar un producto que cumpla
con determinadas especificaciones. En el mejor de los casos, es conveniente que
los Límites de Tolerancia Natural del proceso se encuentren dentro de los Límites

de Especificación del producto. De esta manera nos aseguramos que toda la
producción cumplirá con las especificaciones.
Para analizar la capacidad del proceso se puede utilizar un histograma de
frecuencias. Si se dispusiera de todos los datos del universo para la característica
de calidad medida y se hiciera un histograma este permitiría tener una idea exacta
de la fluctuación natural del proceso. Como esto es imposible, es necesario tomar
un cierto número de mediciones (Mínimo 100-200) y efectuar con ellas un
histograma de frecuencias.
Este es el histograma de una muestra y por lo tanto es sólo una estimación del
verdadero histograma del universo. Si representamos en las abscisas los Límites
de Especificación del producto, podemos ver gráficamente si el proceso tiene
aptitud (Capacidad) para fabricar dicho producto.

Para cuantificar la Capacidad de Proceso se utilizan coeficientes que permiten
comparar el rango de especificaciones con la fluctuación natural del proceso.
Uno de ellos es Cp.
Otros autores lo escriben como
Si el proceso tiene capacidad para fabricar el producto, entonces Cp > 1. En
general se exige Cp > 1.30 para mayor seguridad.

Este coeficiente tiene el inconveniente de que para poder aplicarlo, el centro de
gravedad del rango de especificaciones debe coincidir con la tendencia central de
las mediciones del proceso. Cuando esto no ocurre se emplea el Cpk:
3*
pk
C



Donde
Mínimo entre y
LSE X X LIE
   
   
   

En el gráfico podemos observar que una buena parte del producto está por encima
del Límite Superior de Especificación (LSE). Aún así resulta Cp > 1, indicando
erróneamente que el proceso tiene capacidad suficiente. En este caso se debe
usar el segundo coeficiente que muestra claramente que el proceso no tiene
capacidad suficiente (Cpk < 1), tal como se puede observar en el gráfico.
El uso de un histograma para analizar la capacidad de un proceso tiene la ventaja
de que se puede apreciar la forma de la distribución, con lo cual se puede
confirmar o rechazar la hipótesis de que la misma es normal. Pero el problema es
que no se puede detectar la presencia de patrones no aleatorios, con lo cual no es
posible confirmar o rechazar la hipótesis de que el proceso está bajo control
estadístico. Si el proceso no está bajo control estadístico los resultados del
análisis de la capacidad de proceso no serán válidos y pueden llevar a
conclusiones equivocadas.
Otra manera de analizar la capacidad de un proceso es por medio de los gráficos
de control.

El Diagrama de Pareto
El diagrama de Pareto consiste en un método gráfico para determinar cuáles
son los problemas más importantes de una determinada situación y por
consiguiente, las prioridades de intervención.
Permite identificar los factores o problemas más importantes en función de la
premisa de que pocas causas producen la mayor parte de los problemas y
muchas causas carecen de importancia relativa.
Para la construcción del diagrama de Pareto se procede según las fases que
son las siguientes:
• Decidir cómo clasificar los datos
• Elegir el período de observación
• Obtener los datos y ordenarlos
• Preparar los ejes cartesianos del diagrama
• Diseñar el diagrama
Para mayor claridad se examina un caso como ejemplo. Se supone que en un
departamento de montaje en una industria se producen determinadas fallas. Se
aplicará el diagrama de Pareto con las siguientes fases.
• Fase 1: Decidir cómo clasificar los datos: Se pueden clasificar por tipo de
problema, por cadena de montaje, por turno de trabajo, por fase de trabajo, etc. Se
establece por tipo de problema.
• Fase 2: Elegir el período de observación: En el caso del ejemplo dependerá
de la cantidad de productos fabricados. Si la cantidad diaria es elevada, será
suficiente un período breve, por el contrario, cuando la producción es reducida
será necesario un período más prolongado. Se decide realizar el relevamiento por
3 meses.
• Fase 3: Obtener los datos y ordenarlos: En ésta fase se tendrá que preparar
una hoja para recoger los datos según las pautas establecidas en las fases
precedentes: tipo de problema y un período de 3 meses.

Durante el período de relevamiento de datos se completará el formulario con un
trazo por cada defecto encontrado y luego se determinan los totales, según se
muestra en el formulario.
Tabla
A continuación se procede a ordenar los conceptos por orden de importancia en
una tabla como se muestra en la figura, el defecto más numeroso se dispone en
primer lugar, en segundo lugar el defecto que le sigue por orden de frecuencia, y
así sucesivamente, etc. En la última columna se indica la cantidad total de
problemas.

* Fase 4: Preparar los ejes cartesianos para el diagrama: En el eje X se
dispondrán los tipos de defectos y en el Y las cantidades de defectos. Se pueden
graficar los problemas según las cantidades o en función de los porcentajes con
respecto al total de problemas.

Los defectos se ordenan en forma similar a la tabla, en orden de mayor a menor
frecuencia.
Para definir la escala del eje Y, se tiene que considerar que el valor más grande
corresponde al primer defecto, según lo determinado, y será la base para la escala
de valores absolutos o porcentual. El eje X se divide proporcionalmente según la
cantidad de grupos de problemas a graficar, en el ejemplo son 5 grupos.
Fase 5: Diseñar el diagrama: Se procede a representar en escala, con bastones
los valores absolutos y/o porcentuales que se han determinado en la tabla.
Otra forma de visualizar los problemas es proceder a ordenar también los
conceptos por orden de importancia en una tabla y en la ultima columna se indica
la cantidad en porcentaje.
Tabla

Manual curso controlestadisticodeprocesos

El Diagrama Causa-Efecto
Este diagrama se utiliza para representar la relación entre algún efecto y
todas las causas posibles que lo pueden originar.
Todo tipo de problema, como el funcionamiento de un motor o una lámpara que no
enciende, puede ser sometido a éste tipo de análisis.
Generalmente, se lo presenta con la forma del espinazo de un pez, de donde toma
el nombre alternativo de Diagrama de espina de pescado. También se lo llama de
Diagrama de Ishikawa que es quién lo impulsó.

Los diagramas de causa efecto se construyen para ilustrar con claridad cuáles son
las posibles causas que producen el problema. Un eje central se dirige al efecto.
Sobre el eje se disponen las posibles causas. El análisis causa-efecto, es el
proceso mediante el que se parte de una definición precisa del efecto que se
desea estudiar.
Posteriormente, se disponen todas las causas que pueden provocar el efecto.
A las causas conviene agruparlas por tipos, al modo de ejemplo las originadas por
motivos eléctricos, otras por elementos mecánicos, hidráulicos, etc. Cada grupo se
dispone en un subeje.
La construcción de este diagrama presenta un esquema gráfico que permite
efectuar un análisis de las causas que influyen sobre el efecto objeto de estudio.
El análisis causa-efecto puede dividirse en tres etapas:
• Definición del efecto que se desea estudiar.
• Construcción del diagrama causa-efecto.
• Análisis causa-efecto del diagrama construido.
La definición del efecto que se desea estudiar representa la base de un eficaz
análisis.
Efectivamente, siempre es necesario efectuar una precisa definición del efecto
objeto de estudio. Cuanto más definido se encuentre éste, tanto más directo y
eficaz podrá ser el análisis de las causas. Así si el motor del automóvil no arranca,
¿cuáles pueden ser las causas de la falta de arranque? Evidentemente, las
causas posibles pueden ser múltiples. Si se definiera el efecto como el motor
no arranca cuando esta muy frío y el vehículo se encuentra a la intemperie,
en este caso el análisis será más preciso y estamos eliminando una serie de
causas que no corresponden a la situación del vehículo.
Invirtiendo el razonamiento se puede decir que cuando más indefinido se exprese
el efecto que se desea estudiar, tanto más amplio e indeterminado será el
diagrama causa-efecto y por lo tanto, más vago y de mayor complejidad el análisis
y resolución del problema. Cuando se tiene bien definido el efecto que se desea
estudiar, se puede proceder a las dos fases sucesivas si se tiene la prudencia de

separar la fase segunda -construcción del diagrama- de la fase tercera -análisis y
valoración de las diversas causas-.
De este modo es posible garantizar que la definición de las posibles causas sea
innovadora y creativa, mientras que el análisis crítico de las causas debe ser lo
más realista posible. En realidad cuanto más ideas y sugerencias contenga el
diagrama causa-efecto, tanto más eficaz será para la determinación de la causa o
las causas, ya que el problema puede ser originado por más de una.
Construcción del Diagrama Causa-Efecto
La construcción del diagrama causa-efecto se inicia escribiendo el efecto que se
desea estudiar en el lado derecho de una hoja de papel. A ello debe seguir la
búsqueda de todas las posibles causas que sobre él influyen. Para esa búsqueda
se pueden seguir tres métodos, que se diferencian por la forma en que se
realizan.
Son los siguientes:
• Método de la Clasificación de las Causas.
• Método por Fases del Proceso.
• Método por Enumeración de las Causas.
Método Brainstorming
Este método Brainstormig que traducido a nuestro idioma significa “Tormenta de
Ideas” consiste básicamente en que todos los participantes expongan sus ideas,
que las mismas sean anotadas, luego comentadas, para finalmente llegar a
conclusiones.

Para llevar a cabo ésta actividad es conveniente establecer un orden de
prioridades, y seguir los siguientes pasos:
 Nombrar a un moderador del grupo, quien debe asegurar que todos
comprendan el problema. Será el encargado de observar que se anoten las
ideas que se propongan, en un lugar visible, preferentemente construyendo
el diagrama.
 Antes de iniciar la propuesta de ideas dar 5 a 6 minutos en silencio
pensando en el problema en forma individual.
 Por turnos, cada miembro enuncia una idea. No se permiten comentarios
ni críticas. En ésta etapa sólo pueden intervenir el encargado de anotar las
ideas y a quien le corresponde el turno.
 Cuando alguno de los participantes no tenga idea para sugerir el moderador
esperará poco tiempo y pasará al turno de quien continua. Cuando las
ideas hayan comenzado a agotarse -aproximadamente a los 30 minutos-, el
grupo analiza y discute las ideas anunciadas. Las ideas duplicadas o
relacionadas se agrupan. Se pueden descartar las ideas que no tienen
fundamento serio, siempre sin realizar críticas.
 De todas las ideas se analizan cuáles pueden ser las más probables. Se
puede aplicar el diagrama de Pareto y sobre las causas que concentran la
atención realizar un relevamiento de datos.
Cuando el problema es complejo se puede construir el diagrama de las 5 M a lo
largo de varias sesiones.
En algunos casos la causa puede estar en más de alguna categoría, según la
decisión del grupo se la dispone por mayoría en las distintas categorías o en la
que se considere más indicada.
La revisión directa del diagrama puede impulsar al grupo a decidir una
profundización de la investigación en un área determinada.
Método de las 5 M

Conforme al presente método se procede a analizar el problema y a definir las
posibles causas, generalmente este proceso se realiza con el grupo de trabajo
encargado de la resolución del problema.
Para la aplicación de este método se sigue un orden para considerar las causas
de los problemas, partiendo de la premisa que estas, están agrupadas según
cinco criterios y por ello se denomina de las 5 M.
Las M corresponden a:
• Máquinas
• Mano de Obra
• Métodos
• Materiales
• Medio Ambiente
Las 5 M suelen ser generalmente un punto de referencia que abarca casi todas las
principales causas de un problema, por lo que constituyen los brazos principales
del diagrama causa-efecto.
Estructura Básica de las 5 M
A continuación se puede proceder una “Lluvia o Tormenta de Ideas” –
Brainstorming que consiste en generar tantas ideas como sea posible dejando que
el pensamiento creativo de cada persona del grupo las exponga libremente.
Las subdivisiones en base a las 5 M, además de organizar las ideas estimulan la
creatividad. En ésta fase quienes intervienen deben liberarse de preconceptos, en
caso contrario se puede condicionar la búsqueda a las soluciones que ya se han
propuesto o probado y que no han aportado la solución. Las causas sugeridas se
incluyen situándolas en el brazo correspondiente. En el ejemplo se ilustra con
algunas de las posibles causas en forma genérica.

Ejemplo del diagrama de las 5 M.
Procedimientos Básicos para Analizar los Problemas
Antes de investigar un problema, es fundamental asegurarse de que se lo
comprende perfectamente. Esto supone definir los síntomas del problema y
comprender el proceso que lo provoca., así se evita desperdiciar esfuerzos
innecesariamente.
Cuando se comprende y define un problema se ha avanzado bastante en su
resolución.

Las herramientas que más se utilizan para ayudar a definir un problema son las
listas de comprobación y los diagramas de flujo.
Lista de comprobación.
Este tipo de consideraciones centra la atención sobre el problema, y contribuye a
dar cohesión al grupo de trabajo.

Manual curso controlestadisticodeprocesos

Más contenido relacionado

La actualidad más candente (19)

Similar a Manual curso controlestadisticodeprocesos (20)

Último (20)

Manual curso controlestadisticodeprocesos