8.

Continuacin UNIDAD II

CONTROL ESTADISTICO DE
PROCESOS DE PRODUCCIN
(SPC)

Dr. Ing. Angel Miguel Lpez Aguilar

CONTROL ESTADSTICO DEL PROCESO (SPC Statistical
Process Control)

Es una tcnica estadstica usada ampliamente para

asegurar que los procesos cumplan con los estndares.

Todos los procesos estn sujetos a cierto grado de

variabilidad.

Mientras estudiaba los datos del proceso en la dcada de

1920, Walter Shewhart de Laboratorios Bell marc una
distincin entre causas comunes y causas especiales que
originan la variabilidad en los procesos.
 Causas naturales o comn (es la variacin usual, histrica,
cuantificable en un sistema, no se puede eliminar), es aleatoria.

Causas asignables (causa especial son las variaciones

inusuales, previamente no observadas, no cuantificables, ejemplo:
trabajadores con distinta capacitacin, ajuste inadecuado de una
mquina).

Shewhart desarroll una herramienta simple pero poderosa para

separarlas: la grfica de control

Utilizamos el control estadstico del proceso para medir el

desempeo de un proceso.
 Se dice que un proceso opera bajo control estadstico cuando su
nica fuente de variacin consiste en las causas comunes
(naturales).

El proceso debe ponerse primero bajo control estadstico

detectando y eliminando las causas especiales (asignables) de
variacin

Despus de esto su desempeo es predecible y se evala su

habilidad para satisfacer las expectativas del cliente.
El objetivo de un sistema de control es proporcionar una seal
estadstica cuando estn presentes causas de variacin
asignables.

Dicha seal puede acelerar la accin apropiada para eliminar

las causas asignables
Variaciones naturales
Afectan casi todos los procesos de produccin y deben
esperarse.

Las variaciones naturales (variaciones comunes) son las

muchas fuentes de variacin que ocurren dentro de un
proceso que est bajo control estadstico.

Las variaciones naturales se comportan como un sistema

constante de causas probabilsticas.

Forman un patrn que puede describirse como una

distribucin.
Cuando estas distribuciones son normales se caracterizan mediante
dos parmetros:

Media, (la medida de tendencia central en este caso, el valor

promedio)

Desviacin estndar, (la medida de dispersin)

Siempre que la distribucin (medidas de los resultados) permanezca

dentro de los lmites especificados, se dice que el proceso est bajo
control, y las variaciones naturales se toleran.
Variaciones asignables

En un proceso, la variacin asignable puede rastrearse hasta

su razn especfica.

Factores como el desgaste de la maquinaria, el desajuste de

equipos, la fatiga o la mala capacitacin de los trabajadores,
o nuevos lotes de materias primas, son fuentes potenciales
de variaciones asignables.
 Las variaciones naturales y asignables distinguen dos tareas para
el administrador de operaciones.

La primera es asegurarse de que el proceso es capaz de operar

bajo control slo con la variacin natural.

La segunda es, por supuesto, identificar y eliminar las

variaciones asignables para que los procesos se mantengan bajo
control.
Muestras

Debido a las variaciones naturales y asignables, el control

estadstico del proceso usa promedios de muestras pequeas
(a menudo de cuatro a ocho artculos) por contraste con los
datos de partes individuales.

Las piezas individuales tienden a ser demasiado errticas como

para que las tendencias puedan verse con rapidez.
 Pasos que son importantes para determinar la variacin del
proceso.
Variaciones natural y asignable
Control del proceso: tres tipos de resultados del proceso
Grficas de control para variables

Las variables de inters aqu son aquellas que tienen dimensiones

continuas.

Tales variables tienen un nmero infinito de posibilidades.

Algunos ejemplos son peso, velocidad, longitud, o fuerza.

Las grficas de control para la media, o x-barra, y para el rango, R,

se usan para monitorear procesos con dimensiones continuas.

La grfica nos indica si han ocurrido cambios en la tendencia central

(en este caso, la media) de un proceso.
 Estos cambios podran deberse a factores como:

el desgaste de herramientas

un aumento gradual de la temperatura

el uso de un mtodo diferente en el segundo turno

a materiales nuevos y ms fuertes.

Los valores de la grfica R indican que ha ocurrido ganancia o

prdida en la dispersin.

Los dos tipos de grficas se utilizan al mismo tiempo cuando se

trata de monitorear las variables porque miden los dos parmetros
crticos: tendencia central y dispersin.
Teorema del lmite central

El fundamento terico de las grficas es el teorema del

lmite central.

Este teorema establece que, independientemente de la

distribucin de la poblacin, la distribucin de las o X
barra(cada una de las cuales es la media de una muestra
sacada de la poblacin) tiende a seguir una curva normal
cuando aumenta el nmero de muestras.

An cuando la muestra (n) sea bastante pequea (digamos de

4 o 5 artculos), la distribucin de los promedios generalmente
seguir una curva normal
El teorema tambin establece que

1. la media de la distribucin de las , denominada x ser

igual a la media de la poblacin global (llamada )

2. la desviacin estndar de la distribucin de las muestras,

ser la desviacin estndar de la poblacin, , dividida
entre la raz cuadrada del tamao de la muestra, n. En otras
palabras:

y
 La figura muestra tres distribuciones de poblacin posibles, cada
una con su propia media, , y su propia desviacin estndar, .

Si una serie de muestras aleatorias ( 1, 2, 3 etc.), cada una de

tamao n, se toma de cualquier distribucin de poblacin (la cual
puede ser normal, beta, uniforme u otra), la distribucin resultante
de las tendr la apariencia mostrada en la figura
Como la distribucin de las muestras es normal, podemos
afirmar que:

El 95.45% del tiempo, los promedios de las muestras caern

dentro de si el proceso tiene slo variaciones naturales.

El 99.73% del tiempo, los promedios de las muestras caern

dentro de si el proceso tiene slo variaciones naturales.

Si un punto de la grfica de control cae fuera de los lmites

de control , entonces estamos un 99.73% seguros de que el
proceso ha cambiado.

Esta es la teora que respalda las grficas de control.

Distribucin de la media muestral para variables normales

Supongamos que tenemos una muestra x1 , ..., xn de una variable

aleatoria normal.

La media se define como:

.

Esta media depende de la muestra.

Normalmente tendremos slo una muestra, pero podramos tomar

muchas diferentes, de manera que a cada una le correspondera una
media diferente.

Esto nos da pie a hablar de la distribucin muestral de la media. Para

indicar que se trata de una variable aleatoria, la denotaremos por .
Ejemplo:
El gerente de una empresa de alimentos desea saber que tanto varan los
pesos de los empaques (en gramos), de uno de sus productos; por lo que
opta por seleccionar al azar cinco unidades de ellos para pesarlos. Los
productos tienen los siguientes pesos 490, 500, 510, 515 y 520 gramos
respectivamente.

Determinar la media y la desviacin estndar

1 490 -17 289

2 500 -7 49
3 510 3 9
4 515 8 64
5 520 13 169
2535 580
507
145
12.04
Conclusin:

El peso promedio de los empaques es de 507 gramos, con

una tendencia a variar por debajo o por encima de dicho
peso en 12.04 gramos.

Esta informacin permite al gerente determinar cuanto es el

promedio de perdidas causado por el exceso de peso en los
empaques y le da las bases para tomar los correctivos
necesarios en el proceso de empacado.
Determinacin de los lmites de la grfica de la media (grficas )

Si conocemos, a partir de los datos histricos, la desviacin estndar

de la poblacin de un proceso, , podemos establecer los lmites de
control superior e inferior usando las siguientes frmulas:

donde
Ejemplo:
Se mostrar cmo establecer los lmites de control para las medias
muestrales usando las desviaciones estndar.

Los pesos de las cajas de hojuelas de avena incluidas dentro de un lote de

produccin grande se muestrean cada hora. Los administradores quieren
establecer lmites de control que incluyan el 99.73% de las medias
muestrales.

Mtodo: Se seleccionan y pesan de manera aleatoria nueve (n = 9) cajas

cada hora.

Despus se obtiene la media global y se usan las frmulas LCS y LCI.

A continuacin se presentan los datos de las nueve cajas seleccionadas en

la hora1:
No se muestra cada una de las cajas seleccionadas
aleatoriamente en las horas 2 a la 12, pero se presentan las
doce muestras horarias

a) Calcular la media de la primera muestra y la media

promedio de las 12 muestras
b) Calcular la desviacin estndar poblacional
c) Los lmites de control
d) Discusin de resultados
a) Clculo de la media de la primera muestra

b) Clculo de
1 16.1 0.10 0.010
2 16.8 0.80 0.640
3 15.5 -0.50 0.250
4 16.5 0.50 0.250
5 16.5 0.50 0.250
6 16.4 0.40 0.160
7 15.2 -0.80 0.640
8 16.4 0.40 0.160
9 16.3 0.30 0.090
10 14.8 -1.20 1.440
11 14.2 -1.80 3.240
12 17.3 1.30 1.690
192 8.820
(doble raya) 168.820/(9-1) 1.103
= 1.05
La media promedio de las 12 muestras se calcul exactamente
en 16 onzas.

Por lo tanto, tenemos = 16 onzas, = 1.05 onza, n = 9, y z =

3.

c) Los lmites de control son:

d) Despus, se grafican las 12 muestras en la siguiente grfica
de control:

Razonamiento: Debido a que las medias de los promedios de las

muestras recientes caen fuera de los lmites de control superior e
inferior de 17 y 15, podemos concluir que el proceso se est
volviendo errtico y que no est bajo control.
Ejercicio de aprendizaje:

Si la desviacin estndar () de la poblacin de hojuelas de

avena fuera de 2 (en vez de 1)

Cul sera su conclusin?

Grficos de Control de Shewart

La idea tradicional de inspeccionar el producto final y eliminar las

unidades que no cumplen con las especificaciones una vez
terminado el proceso

As las variaciones de calidad producidas antes y durante el

proceso pueden ser detectadas y corregidas gracias al
empleo masivo de Grficas de Control.

Los grficos de control ayudan en la deteccin de modelos no

naturales de variacin en los datos que resultan de procesos
repetitivos y dan criterios para detectar una falta de control
estadstico.

Un proceso se encuentra bajo control estadstico cuando la

variabilidad se debe slo a "causas comunes".
Los grficos de control de Shewart son bsicamente de dos tipos;
grficos de control por variables y grficos de control por atributos.

Se denominan

"por variables" cuando las medidas pueden adoptar un intervalo

continuo de valores; por ejemplo, la longitud, el peso, la
concentracin, etc.

"por atributos" cuando las medidas adoptadas no son continuas;

ejemplo, tres tornillos defectuosos cada cien, 3 paradas en un mes
en la fbrica, seis personas cada 300, etc.
Etapas usada en SPC
Grficas de Control X barra y R, por variables

En la siguiente tabla se muestran los pesos de los sobres de un

determinado alimento. Cada media hora se realizan 4
mediciones por muestra, sumando un total de 20 muestras.

Los lmites de tolerancia son 0,5360 (LST) y 0,4580 (LIT)

Con esto se pretende evaluar el comportamiento del proceso y

hacer un control del mismo respecto a su localizacin y
dispersin, con el objeto que el proceso cumpla con las
especificaciones preestablecidas.
Primero debemos calcular las medias tanto de la media de cada muestra (X
doble raya) como la de su amplitud o recorrido (R)

Para ello utilizamos las siguientes frmulas:

donde X (doble raya) = 0,4970 y R (raya) = 0,0224

Para construir los Grficos de Control por variables, se tiene que tener en
cuenta que al determinar si un proceso est bajo control estadstico,
siempre se debe analizar primero la grfica R.

Como los lmites de control en la grfica X (raya) dependen de la amplitud

promedio, podran haber causas especiales en la grfica R que produzcan
comportamientos anmalos en la grfica X (raya), an cuando el centrado
del proceso est bajo control.
Factores para el clculo de los lmites de control de la grfica (3 sigma)
Para el grfico R, se tiene que:
Lmite Central (LC) = R (raya) = 0,0224
Lmite Superior de Control (LSC)

= 0.0511

El valor de D se consigue en una tabla estadstica (para este caso es 2,282

con un tamao de grupo n = 4).
Lmite Inferior de Control (LIC)

=0

porque para todo proceso en que se considera un n < 7, el LIC no se indica

en la grfica.
El grfico R es el siguiente:
Como se puede apreciar, el grfico R no presenta variaciones fuera del
lmite superior, por lo tanto la dispersin de los datos es aceptable para
calcular el grfico X (raya).

Para el grfico X (raya), se tiene que:

Lmite Central (LC) = X (doble raya)= 0,4970

Lmite Superior de Control (LSC)

= 0.5133

El valor de A2 se consigue en una tabla estadstica (para este casoel valor

es 0,729 con un tamao n =4).

Lmite Inferior de Control (LIC)

= 0.4807
El grfico X (raya)es el siguiente:
Conclusin

Se puede apreciar un punto queda fuera del rango calculado, lo

que significa que el proceso se encuentra fuera de control
estadstico (Test 1 de Nelson).

Discusin

Pero un punto fuera podra ser causado por una seal anmala
(outlier), que podra haberse debido al uso de algn material
defectuoso o una mala lectura del instrumento.

Si la seal fuera de control se debe a una causa que no es propia

del proceso, como un error de clculo del operador u otra causa
identificable que no guarda relacin con el proceso, entonces este
dato debe eliminarse de la grfica y recalcular todo de nuevo pero
sin considerar el subgrupo 8.
Despus de la correccin, los resultados son:
Grfico R corregido
R (raya) = LC = 0,0231
LSC = 0,0527
LIC = 0
Grfico X (raya) corregido
X (doble raya) = LC = 0,4979
LSC = 0,5147
LIC = 0,4811

Los grficos son los siguientes:

Como se puede apreciar en ambos grficos, el proceso se encuentra bajo
"control estadstico".