UNIDAD II

ADMINISTRACIN DE CALIDAD TOTAL Y

CONTROL ESTADSTICO DE PROCESOS
Control Estadstico De Procesos

M.A. Mariana Santilln Arroyo

CONTROL ESTADSTICO DE PROCESOS

El control estadstico de procesos (SPC) es la aplicacin de tcnicas estadsticas

para determinar si el resultado de un proceso concuerda con el diseo del
producto o servicio correspondiente. En el SPC, las herramientas conocidas como
grficas de control se usan principalmente para detectar la elaboracin de
productos o servicios defectuosos, o bien, para indicar que el proceso de
produccin se ha modificado y los productos o servicios se desviarn de sus
respectivas especificaciones de diseo, a menos que se tomen medidas para
corregir esa situacin. El SPC tambin suele usarse con el propsito de informar a
la gerencia sobre los cambios introducidos en los procesos que harn repercutido
favorablemente en la produccin resultante de dichos procesos. Algunos ejemplos
de cambios de procesos que se detectan por medio del SPC son los siguientes:
Un aumento repentino en la proporcin de cajas de velocidades
defectuosas,
Un decremento en el nmero promedio de quejas de huspedes recibidas
por un hotel cada da,
Una medicin sistemticamente baja en el dimetro de un cigeal.
Una disminucin en el nmero de unidades desechadas en una mquina
fresadora, y
Un incremento en el nmero de personas que reciben con retraso el pago
de sus respectivas reclamaciones, a cargo de una compaa de seguros.

Consideremos

esta

ltima

situacin.

Supongamos

que

el

gerente

del

departamento de cuentas por pagar de una compaa de seguros observa que la

proporcin de retrasos en el pago de reclamaciones ha aumentado a 0.08, a partir
de un promedio de 0.05. La primera pregunta es si ese aumento es motivo de
alarma o slo fue un hecho fortuito. El control estadstico de procesos ayuda al
gerente a decidir si ser necesario emprender acciones adicionales. Si el aumento
2

de dicha proporcin es grande, el gerente no debe sacar la conclusin de que tan

slo fue un hecho fortuito, sino buscar otras explicaciones del mal rendimiento. Tal
vez hubo un aumento significativo en el nmero de reclamaciones, lo cual impuso
una carga excesiva sobre los empleados del departamento. La decisin podra
consistir en contratar ms personal. Tambin es posible que los procedimientos
que se estn aplicando sean ineficaces o que la capacitacin de los empleados
resulte inadecuada.

Otro enfoque de la administracin de la calidad, el muestreo de aceptacin, es la

aplicacin de tcnicas estadsticas para determinar si una cantidad de material
determinada debe aceptarse o rechazarse, a partir de la inspeccin o prueba de
una muestra (vase el suplemento Muestreo de aceptacin). Adems, pueden
usarse grficas estadsticas, grficas y diagramas, a fin de juzgar la calidad de
productos o servicios (vase el captulo "Administracin de la calidad total"). En
este captulo exploraremos las tcnicas de control estadstico de procesos para
comprender mejor el papel que desempean en la toma de decisiones.

FUENTES DE VARIACIN
No hay dos productos o servicios exactamente iguales, porque los procesos
mediante los cuales se producen incluyen muchas fuentes de variacin, incluso
cuando dichos procesos se desarrollen en forma prevista. Por ejemplo, los
dimetros de los cigeales pueden no ser idnticos a causa de diferencias en el
desgaste de las herramientas, la dureza del material, la habilidad del operario o la
temperatura prevalecer, ante en el momento de su fabricacin. En forma similar,
el tiempo necesario para atender una solicitud para la emisin de una tarjeta de
crdito vara de acuerdo con la carga de trabajo del departamento de crdito, los
antecedentes financieros del solicitante y las habilidades y aptitudes de los
empleados. Nada puede hacerse para suprimir por completo las variaciones en los

procesos, pero la gerencia tiene la opcin de investigar las causas de variacin a

fin de minimizarlas.
Causas comunes
Existen dos categoras bsicas de variacin en los productos: causas comunes y
causas asignables. Las causas comunes de variacin son las fuentes de
variaciones puramente aleatorias, no identificables e imposibles de evitar mientras
se utilice el procedimiento actual. Por ejemplo, una mquina para llenar cajas de
cereal no vaciar exactamente la misma cantidad de ste en todas las cajas. Si
usted pesara un gran nmero de cajas rellenadas por esa mquina y representar
grficamente los resultados por medio de un diagrama de dispersin, los datos
tenderan a formar un patrn que suele describirse como una distribucin. Tal
distribucin se caracteriza por su media, su expansin y su forma.
1. La media es la suma de las observaciones dividida entre el nmero total de
observaciones:

Donde xi=: observacin de una caracterstica de calidad (por ejemplo, el peso)

n = nmero total de observaciones
x = media
2. La expansin es una medida de la dispersin de las observaciones en torno a la
media. Dos medidas que se usan comnmente en la prctica son el rango y la
desviacin estndar. El rango es la diferencia entre la observacin ms contenida
en una muestra y la ms pequea. La desviacin estndar es la cuadrada de la
varianza de una distribucin. Una estimacin de la desviacin estndar de una
poblacin, basada en una muestra, se obtiene mediante.

Donde = desviacin estndar de una muestra

n = nmero total de observaciones en la muestra
x = media
xi= observacin de una caracterstica de la calidad
Si el rango o la desviacin estndar tienen valores relativamente pequeos, eso
implica que las observaciones estn agrupadas cerca de la media.
3. Dos formas comunes en las distribuciones de procesos son la simtrica y la
asimtrica o sesgada. Una distribucin simtrica presenta el mismo nmero de
observaciones ubicadas encima y por debajo de la media. Una distribucin
asimtrica presenta una preponderancia de observaciones ya sea encima o por
debajo de la media.
Si la variabilidad del proceso proviene nicamente de causas comunes de
variacin, la suposicin tpica es que se trata de una distribucin simtrica, donde
la mayora de las observaciones se localiza cerca del centro. La figura 7.1 muestra
la distribucin correspondiente a la mquina para rellenar cajas cuando slo
existen causas comunes de variacin. El peso medio de esas cajas es de 425
gramos, y la distribucin es simtrica con respecto a la media.

Causas asignables
La segunda categora de variacin, las causas asignables de variacin, incluye
cualquiera de lo factores causantes de variacin que logre ser identificado y
eliminado. Entre las causas asignables de variacin figuran, por ejemplo, un
empleado que necesite capacitacin o una mquina que requiera una reparacin.
Veamos otra vez el ejemplo de la mquina para rellenar cajas, la figuraT-2
muestra la forma en que las causas asignables modifican la distribucin de la
produccin de dicha mquina.

La curva gris representa Ia distribucin del proceso cuando slo existen causas
comunes de variacin. La lnea negra ilustra un cambio en la distribucin debido a
la presencia de causas asignables. En la "figura7.2(a), la lnea negra indica que la
mquina introdujo en las cajas una cantidad de cereal mayor que la prevista, a
causa de lo cual aument el peso promedio de cada caja. En la figura 7-.2(b)
observamos que un aumento en la variabilidad del peso del cereal contenido en
cada caja afecta la expansin de la distribucin. Para terminar, en la figura 7.2(c),
la lnea negra indica que en la produccin de la mquina figuran ms cajas livianas
que cajas pesadas. Esta distribucin es asimtrica; es decir, ya no.es simtrica
con respecto al valor promedio. Se dice que un proceso est bajo control
estadstico cuando la localizacin, expansin o forma de su distribucin no cambia
6

con el tiempo .Tal vez que el proceso est bajo control estadstico, los gerentes
usan procedimientos SPC para detectar el momento en que surgen causas
asignables, de modo que stas se eliminen.
La figura 7.3 muestra las diferencias entre un proceso que est bajo control
estadstico y otro que no lo est. En la figura 7.3(a), la mquina est generando
diferentes distribuciones del peso de las cajas de cereal a travs del tiempo, lo
cual indica causas asignables que es preciso eliminar. En la figura 7.3 (b), las
distribuciones del peso son estables a travs del tiempo y en consecuencia, el
proceso est en control estadstico. Ms adelante veremos cmo pueden aplicarse
tcnicas SPC en proyectos de mejoramiento continuo, para reducir la variabilidad
de un proceso.

EL PROCESO DE INSPECCIN
Muchas compaas usan incorrectamente la inspeccin de calidad, pues
simplemente intentan (a menudo sin xito) entresacar las unidades defectuosas
antes de que lleguen al consumidor. Este enfoque est condenado al fracaso a
causa de los costos internos y externos de las fallas (vase el captulo
"Administracin de la calidad total"). En cambio, las compaas de categora
mundial combinan la inspeccin precoz con el SPC para vigilar la calidad y estar
en condiciones de detectar y corregir la presencia de anormalidades.

Entre las decisiones importantes en la aplicacin de un programa de este tipo

figuran las referentes a cmo medir las caractersticas de la calidad, qu tamao
de muestras recolectar y en qu etapas del proceso ser conveniente realizar
inspecciones.
Mediciones de la calidad
Para detectar las variaciones anormales del producto, los inspectores deben tener
la capacidad necesaria para medir los rasgos caractersticos de la calidad. La
calidad puede evaluarse en dos formas. Una consiste en medir variables, es decir,
las caractersticas producto o servicio que son susceptibles de ser medidas, como
peso, longitud, volumen o tiempo. Por ejemplo, los inspectores de HarleyDavidson miden el dimetro de un pistn para determinar si el producto se ajusta a
las especificaciones (dentro de las tolerancias permitidas) e identificar diferencias
en los dimetros a travs del tiempo. As mismo los gerentes del United Parcel
Service observan la cantidad de tiempo que dedican conductores a la tarea de
repartir los paquetes. La ventaja de medir alguna caracterstica de la calidad
consiste en que si un producto o servicio no satisface sus especificaciones de
calidad, el inspector sabe cul es el monto de la discrepancia. La desventaja es
que esas mediciones suelen requerir el uso de equipo especial, ciertas destrezas
de los empleados, procedimientos rigurosos, tiempo y esfuerzo.
Otra forma de evaluar la calidad consiste en medir los atributos, es decir, las
caractersticas del producto o servicio que es posible contar rpidamente para
saber si la calidad es aceptable. Este mtodo permite a los inspectores tomar una
simple decisin de "s o no", acerca de si un producto o servicio cumple con las
especificaciones.

Los

atributos

se

usan

con

frecuencia

cuando

las

especificaciones de calidad son complicadas y la medicin por medio de variables

resulta difcil o costosa. Algunos ejemplos de atributos que pueden contarse son:
el nmero de formularios de seguro que contienen errores y dan lugar a pagos
excesivos o insuficientes, la proporcin de radios que no funcionan en la prueba
final, la proporcin de vuelos de aerolneas que llegan con una diferencia menor
8

de 15 minutos con respecto a la hora prevista, el nmero de cubiertas para estufa

que se entregan manchadas con salpicaduras de pintura. La ventaja de los
recuentos de atributos es que para su realizacin se requieren menos esfuerzos y
recursos que en el caso de la medicin de variables. La desventaja es que, aun
cuando los recuentos de atributos bastan para revelar que la calidad de
rendimiento ha cambiado, no son de mucha utilidad para conocer la magnitud del
cambio. Por ejemplo, un recuento es capaz de revelar que la proporcin de vuelos
de aerolneas que llegan a menos de 15 minutos de la hora prevista ha
disminuido, pero el resultado no muestra cuntos minutos ms all de los 15
permitidos estn llegando los vuelos. Para saberlo, habra que medir la desviacin
real de la llegada prevista, es decir, una variable. La Prctica administrativa 7.1
presenta ejemplos de las mediciones de la calidad, en funcin de atributos,
utilizadas en servicios para la atencin de la salud.
Muestreo
El mtodo ms completo para una inspeccin consiste en revisar la calidad de
todos los productos o servicios en cada una de las etapas. Este procedimiento,
llamado inspeccin completa, se usa cuando los costos de pasar los defectos a la
siguiente estacin de trabajo o al cliente son mayores que los costos de la
inspeccin. Por ejemplo, los proveedores de componentes para transbordadores
espaciales revisan muchas veces cada componente antes de enviarlo a un
contratista. En una situacin as, el costo de una falla (lesin, muerte y la
destruccin de equipo sumamente costoso) supera por amplio margen el costo de
la inspeccin. La inspeccin completa garantiza virtualmente que las unidades
defectuosas no pasarn a la siguiente operacin o al cliente, lo cual es una poltica
congruente con la TQM. Sin embargo, cuando participan inspectores humanos,
hasta la inspeccin completa puede no ser capaz de descubrir todos los defectos.
La fatiga del inspector o las imperfecciones en los mtodos de prueba provocan
que algunos defectos pasen inadvertidos. Las empresas logran superar esas fallas
al utilizar equipo de inspeccin automatizado que registre, resuma y exhiba los
9

datos. Muchas compaas han descubierto que el equipo de inspeccin

automatizado se paga por s solo en un tiempo razonablemente corto.
Un plan de muestreo correctamente concebido proporciona ms o menos el
mismo grado de proteccin que obtenemos con una inspeccin completa. En el
plan de muestreo se especifican: el tamao de la muestra, que es una cantidad
determinada de observaciones de los productos del proceso, seleccionadas al
azar; el intervalo de tiempo que deber transcurrir entre dos muestras sucesivas, y
las reglas de decisin que determinan cundo ser necesario entrar en accin. El
muestreo es apropiado cuando los costos de inspeccin son altos, porque para
realizarla se requieren conocimientos, habilidades o procedimientos especiales, o
bien, equipo costoso. Por ejemplo, las empresas de contabilidad usan planes de
muestreo cuando realizan una auditora.
Distribuciones de muestreo. El propsito de un muestreo es calcular una
variable o medida de atributos para cierta caracterstica de calidad de la muestra.
Esa medida se usar despus para evaluar el rendimiento del proceso mismo. Por
ejemplo, en el caso de la operacin de rellenado de las cajas de cereal, una de las
dimensiones importantes de la calidad es el peso del producto contenido en cada
caja. Supongamos que la gerencia tomara la decisin de que la mquina debe
producir cajas con un peso promedio de 425 gramos. Es decir que se ha dispuesto
que la distribucin del proceso tenga una media de 425 gramos. Para lograrlo, se
podra asignar a un inspector Ia funcin de tomar peridicamente una muestra de
cinco cajas rellenadas por la mquina y calcular la media de la muestra (una
medida variable) para determinar qu tan satisfactorio es el funcionamiento de
dicha mquina.
Si se trazara una grfica con gran nmero de esos valores medios, se apreciara
stos tienen su propia distribucin, con una media centrada en 425 gramos, igual
que la distribucin del proceso, pero con una variabilidad mucho menor. La razn
de esto que los valores medios compensan las cifras ms altas y ms bajas
registradas, al determinar el peso de las distintas cajas. La figura7.4 muestra la
10

relacin entre la distribucin de muestreo y la distribucin del proceso, en el caso

del peso de las cajas.

Algunas distribuciones de muestreo (p. ej., para medias con tamaos de muestra
de 4 o ms y proporciones con tamaos de muestra de 20 o ms) suelen
calcularse en aproximada mediante la distribucin normal, lo cual permite utilizar
las tablas (vase el apndice Distribucin normal). En la figura 7.5 se presentan
los porcentajes de valores que estn ubicados dentro de ciertos rangos de la
distribucin normal.

11

Por ejemplo el, 68.26% de la muestra tendr valores dentro de una desviacin
estndar de -+1 de la media distribucin. Podemos calcular la probabilidad de que
el resalado de una muestra particular cualquiera quede fuera de ciertos lmites.
Por ejemplo, hay una probabilidad de 2.28% o sea (100 - 95.44)/2, de que una
media de la muestra adquiera un valor que supere a la por ms de dos
desviaciones estndar. La posibilidad de asignar probabilidades a los resultados
de la muestra es importante para la construccin y el empleo de grficas de
control.
Grafica de control. Para determinar si las variaciones observadas son anormales,
podemos medir y trazar la grfica de la caracterstica de calidad tomada de la
muestra, en un diagrama ordenado por tiempo, conocido como grfica de control.
Tiene un valor nominal, o lnea central, que generalmente es el objetivo que los
gerentes desearan alcanzar por medio del proceso, y dos limites o acotamientos
de control basados en la distribucin de muestreo de la medida de la calidad. Los
lmites de control se usan para juzgar si es necesario emprender alguna accin. El
valor ms grande representa el acotamiento de control superior (UCL) (del ingls
upper control limit) y el valor ms pequeo representa el acotamiento de control
inferior (LCL) (del ingls lower control limit).
La figura 7.6 muestra cmo se relacionan los acotamientos de control con la
distribucin de muestreo. Una estadstica de muestra, ubicada entre el UCL y el
LCL, indica que el proceso est mostrando causas comunes de variacin; una
estadstica ubicada fuera de los acotamientos de control indica que el proceso
est exhibiendo causas asignables de variacin. Las observaciones que se
encuentran fuera de los acotamientos de control no siempre denotan una mala
calidad. Por ejemplo, en la figura 7,6, la causa asignable puede ser algn nuevo
procedimiento de facturacin que se introdujo para reducir el nmero de facturas
incorrectas que se envan a los clientes. Si la proporcin de facturas incorrectas,
es decir la estadstica de calidad tomada de una muestra de facturas, desciende
12

por debajo del LCL de la grfica de control, es probable que el nuevo

procedimiento haya provocado u cambio favorable en el proceso de facturacin y
ser necesario construir una nueva grfica de control.

Los gerentes o empleados responsables de vigilar un proceso suelen usar grficas

de control en la siguiente forma:
1. Tomar una muestra aleatoria del proceso, medir la caracterstica de calidad y
calcular una medida variable o de atributos.
2. Si la estadstica se ubica fuera de los acotamientos de control de la grfica,
buscar una causa asignable.
3. Eliminar la causa si sta degrada la calidad; incorporar la causa si con ella
mejora la calidad. Reconstruir la grfica de control con nuevos datos.
4. Repetir peridicamente todo el procedimiento.
A veces es posible detectar los problemas que afectan a un proceso, aun cuando
los acotamientos de control no hayan sido rebasados. En la figura 7.7 se
presentan cinco ejemplos de grficas de control. La grfica (a) muestra un proceso
13

que se encuentra dentro del control estadstico. No se requiere accin alguna sin
embargo, la grfica (b) muestra un patrn conocido como carrera, o sea, una
secuencia de observaciones con cierta caracterstica. En este caso, la carrera es
una tendencia que podra ser el resultado del desgaste gradual de herramientas,
lo cual indicara la necesidad de sustituir stas o reajustar la maquina en cierto
valor, entre el nominal y el UCL, a fin de compensar dicho desgaste. En el caso de
una aerolnea preocupada por la puntualidad del servicio, la causa puede ser una
lenta acumulacin de trfico areo en un aeropuerto a las horas de llegada
programadas para sus vuelos. A este respecto sera oportuno un cambio de
horarios. Una regla tpica aconseja emprender la accin correctiva cuando se
percibe alguna tendencia en cinco observaciones, o ms aunque los puntos
correspondientes a los datos todava no hayan rebasado los acotamientos de
control.
La grfica (c) muestra que el proceso ha sufrido un cambio repentino con respect
a su patrn normal. Las cuatro ltimas observaciones son inslitas: tres de ellas
ascienden hacia el UCI y la cuarta permanece por arriba del valor nominal. Un
gerente debe sentirse preocupado cuando se producen cambios tan repentinos,
aunque los acotamientos de control no hayan sido excedidos. La grfica (d)
muestra otra-situacin en la que se requiere entrar en accin aunque no se hayan
rebasado los acotamientos. Siempre que se registra una serie de de cinco
observaciones ms arriba o ms abajo del valor nominal, el operario debe buscar
la causa. La probabilidad de que ese resultado se produzca en forma fortuita es
muy baja.
Finalmente, la grfica (e) indica que el proceso se sali de control en dos
ocasiones por que dos de los resultados de la muestra se ubicaron fuera de los
acotarnientos de control. Es alta la probabilidad.de que la distribucin del proceso
haya cambiado. Consideramos otras consecuencias de los procesos que quedan
fuera del control estadstico, cuando hablemos de la capacidad de los procesos,
ms adelante, en este mismo captulo.
14

Las grficas de control no son herramientas perfectas, para detectar los cambios
en la distribucin de procesos, por el hecho de que estn basadas en
distribuciones de muestreo. Se pueden presentar dos tipos de errores cuando se
utilizan grficas de control. El error Tipo se produce cuando el empleado saca la
conclusin de que el proceso est fuera de control, basndose en un resultado de
muestra ubicado fuera de los acotamientos de control, cuando en realidad se
trataba de un efecto puramente aleatorio. Un error Tipo II, se presenta cuando el
empleado en cuestin concluye que el proceso est bajo control y que slo se
presentan discrepancias aleatorias, cuando en realidad dicho proceso est fuera
de control estadstico.

La gerencia puede controlar estos errores mediante Ia seleccin adecuada de los

acotamientos de control. Dicha seleccin depender de estimar los costos
correspondientes a la bsqueda de causas asignables cuando en realidad no
existe ninguna, y compararlos con el costo de no detectar un cambio generado en
el proceso.
La figura 7.8 muestra las consecuencias de estos errores cuando el promedio del
proceso es la medida de la calidad. En la grfica (a), se establecieron los
acotamientos de control de la distribucin de muestreo para tres desviaciones
estndar con respecto a la media. Nos referimos a estos acotamientos de control
como lmites o acotamientos tres sigma. En este caso, "sigma" se refiere a la
15

desviacin estndar de la distribucin de muestreo no a la distribucin del

proceso. En la curva que aparece ms a la izquierda, la porcin sombreada
representa la probabilidad de cometer un error "tipo I". Esa probabilidad es muy
pequea en el caso de los acotamientos tres sigma. En la curva que se ilustra ms
a la derecha, el promedio del proceso se ha modificado. La porcin sombreada de
la curva muestra ahora la probabilidad de cometer un error "tipo II", la cual es
bastante grande. En la grfica (b), la grfica de control tiene solamente
acotamientos de control dos sigma, es decir, una expansin ms estrecha que en
el caso de la grfica de control tres sigma. Ahora la probabilidad de un error "tipo I"
ha aumentado, y la probabilidad de un error "tipo II" ha disminuido. As pues,
cuando se incrementa la expansin decrecen los errores "tipo I", al tiempo que se
incrementan los errores "tipo II".

16

Un gerente que usa acotamientos tres sigmas expresa implcitamente que el costo
de buscar las causas asignables es grande en relacin con el costo de no detectar
a tiempo algn cambio en el promedio del proceso. Es posible que sea necesario
tomar bastantes muestras para generar un promedio de muestra ubicado fuera de
los acotamientos de control. Inversamente el hecho de que un gerente utilice
acotamientos dos sigma implica que el costo de no detectar un cambio en el
promedio del proceso es mayor que el costo de buscar las causas asignables. Con
acotamientos de control ms pequeos, un nmero de medidas de la muestra
quedarn fuera de esos lmites, por lo cual ser necesario realizar una bsqueda
ms intensa para encontrar las causas asignables. Con frecuencia no es posible
hallar causas asignables, pero podr detectarse con mayor rapidez un cambio en
el promedio del proceso.
Localizacin de una estacin de inspeccin
Para decidir en qu etapa del proceso es conveniente realizar inspecciones. La
gerencia debe identificar los aspectos de la calidad que son importantes para el
consumidor, y los pasos clave del proceso que afectan esas caractersticas. Las
estaciones de inspeccin suelen localizarse en tres puntos del proceso total:
Insumos de materias primas. La inspeccin de los materiales comprados
garantiza la calidad apropiada de los insumos destinados al proceso de
produccin. En esta etapa podran usarse varios planes de muestreo de
aceptacin (vase el suplemento Muestreo de aceptacin).
Trabajo en proceso. En la etapa del trabajo que est en proceso, se podra
localizar una estacin de inspeccin despus de cada paso del proceso.
Sin embargo, este mtodo podra resultar muy costoso si el muestreo
requiriera inspectores altamente calificados y/o tecnologa cara. Es
conveniente realizar inspecciones despus de cualquier operacin que
produzca un gran nmero de elementos defectuosos, o bien, antes de
17

cualquier operacin que agregue al producto altos costos de materiales o

mano de obra.
Producto o servicio final. En sistemas de manufactura, las inspecciones del
ducto final se realizan inmediatamente antes de acumular en el inventario
los bienes minados o de enviar stos al cliente. Las fallas del producto
descubiertas en la final son costosas porque pueden hacer que sea
necesario: (1) desechar los elementos defectuosos o toda la partida; (2)
devolver toda la partida o los elementos defectuosos una etapa de
produccin anterior para que sean rectificados; o (3) enviar la partida o
elementos defectuosos a un rea especial para el diagnstico y correccin.

En operaciones de servicios, el cliente desempea a menudo un papel

protagnico en el proceso de inspeccin final. Por ejemplo, un peluquero estilista
trabaja con el cliente hasta que ste le manifiesta su completa satisfaccin y un
mecnico puede pedir al cliente que lo acompae en un recorrido de prueba,
despus de reparar su automvil.
Para decidir el nmero y la localizacin de las estaciones de inspeccin, el gerente
de operaciones debe recordar que la calidad no puede incorporarse al producto
por medio de inspecciones; stas slo detectan que el proceso no est
funcionando de acuerdo con las especificaciones e identifican la necesidad de una
accin correctiva.
MTODOS DE CONTROL ESTADSTICO DE PROCESOS
Los mtodos de control estadstico de procesos (SPC) son tiles tanto para medir
la calidad actual de los productos o servicios, como para detectar si el proceso
mismo ha cambiado en alguna forma que afecte la calidad. En esta seccin,
primero veremos grficas de medias y rangos, para medidas variables de la
calidad, y despus consideraremos las grficas de control para atributos de
productos o servicios.

18

Grficas de control para variables

Las grficas de control para variables se usan con el propsito de vigilar la media
y la variabilidad de la distribucin de un proceso.
Grficas R. Una grfica de rango, o grfica R, se usa para vigilar la variabilidad de
los procesos. Si desea calcular el rango de un conjunto de datos de muestra, el
analista resta la medicin ms pequea de la medicin ms grande obtenida en
cada muestra. Si cualquiera de los datos queda fuera de los acotamientos de
control, se dice que la variabilidad del proceso no est bajo control.
Los acotamientos de control para la grfica R son:
UCLR = D4R y LCLR = D 3R
Donde

R = promedio de varios valores R pasados y la lnea central de la

grfica de control
D3, D4 = constantes que proporcionan tres acotamientos de
desviacin estndar (tres sigma) para un tamao de muestra dado

Los valores de D, y Do estn contenidos en la tabla 7.1 y cambian en funcin del

tamao de la muestra. Observe que la expansin entre los acotamientos de
control se vuelve ms estrecha cuando aumenta el tamao de la muestra. Este
cambio es consecuencia de contar con ms informacin como base para hacer
una estimacin del rango del proceso.
Grficas X Para medir la media se utiliza una grfica r (lase "grfica x barra").
Cuando las causas asignables de la variabilidad del proceso han sido identificadas
y la variabilidad de dicho proceso se encuentra dentro del control estadstico, el
analista puede construir una grfica x a fin de controlar el promedio del proceso.
Los acotamientos de control para la grfica r son:

19

Donde
UCLx = x + A2R y LCL x = x A2R
x = lnea central de la grfica y el promedio de las medias de una muestra pretrita
o un valor establecido como objetivo para el proceso
A2 = constante para proporcionar acotamientos tres sigma para la media de la
muestra.
Los valores de A, estn contenidos en la tabla 7.1. Observe que en los
acotamientos de control se usa el valor de R; por lo tanto, la grfica x debe
construirse despus de que la variabilidad del proceso ha quedado bajo control.

Los analistas pueden desarrollar y usar grficas y R en la siguiente forma:

Paso 1. Recabar daros sobre la medicin de la calidad de una variable (p. ej.
Peso, dimetro o tiempo) y organiza los datos por nmeros de muestra. De
20

preferencia deben tomarse por lo .n.nor 20 muestras para usarlas en la

construccin de grfica de control.
Paso 2. Calcular el rango para cada muestra y el rango promedio, R para el
conjunto de muestras.
Paso 3. Use la tabla 7-1 para determinar los acotamientos de control superior e
inferior de la grfica R.
Paso 4. Trace los rangos de la muestra. Si todos estn bajo control, avance al
paso 5. De lo contrario, encuentre las causas asignables, corrjalas y regrese al
paso 1.
Paso 5. Calcule 7 para cada muestra y Ia lnea central de la grfica, x
Paso 6. Use la tabla 7.1 afn de determinar los parmetros para UCLx y LCLx y
construya la grfica x.
Paso7. Trace las medias de la muestra, si todas estn bajo control, el proceso
esta controlado estadsticamente en trminos del promedio del procero y de la
variabilidad del proceso siga tomando muestras y vigile el proceso. Si alguna de
ella, esta fuera de control, desde el punto de vista estadstico, busque las causas
corrjalas y regrese al paso 1. Si no logra encontrar ninguna causa despus de
realizar una cuidadosa bsqueda, suponga que los puntos fuera de control
presentan causas comunes de variacin y contine vigilando el proceso.
La direccin de west Allis Industries est preocupada por la produccin de un
tornillo de metal especial que usan algunos de los clientes ms importantes de la
compaa. El dimetro del tornillo es crtico-. Los datos de cinco muestras
aparecen en la tabla adjunta. El tamao de la muestra es 4. Est el proceso bajo
control?

21

Solucin
Paso 1. Para simplificar, hemos tomado solamente 5 muestras. En la prctica ser
conveniente usar ms de 20 muestras. Los datos se presentan en la tabla
siguiente.

Paso 2. Calcular el rango para cada muestra, restando el valor ms bajo del ms
alto. Por ejemplo, en la muestra 1, el rango es 0.5027 - 0.5009 : 0.0018 pulg. En
forma similar, los rangos para las muestras 2,3, 4 y 5 son 0.0021 ,0.0017,0.0026 y
0.0022 pulg, respectivamente. Como se aprecia en la tabla, R = O.OOZ1. Paso 3.
Para construir la grfica R, seleccione las constantes apropiadas en la tabla 7.1
para un tamao de muestra 4. Los acotamientos de control son:
UCL R : D4F = 2.28210.0021) = 0.00479 pulg
LCL R : D3 R = 0(0.0021) = 0 pulg
Paso 4. Trace los rangos en la grfica R, como muestra la figura 7.9. Ninguno de
los rangos de la muestra queda fuera de los acotamientos de control. En
consecuencia, la variabilidad del proceso est bajo control estadstico. Si
cualquiera de los rangos de la muestra hubiera quedado fuera de esos lmites,
22

habramos tenido que buscar las causas de la variabilidad excesiva, corregirlas y

repetir el paso 1.

Paso 5. Calcule la media para cada muestra. Por ejemplo, la media para la
muestra 1 es
0.5014 +0.5022 +0.5009 +0.5027 = 0.5018 pulg
4
En forma similar, las medias de las muestras 2, 3, 4 y 5 son 0.5027,0.5026, 0.5020
y 0.5045 pulg, respectivamente. Tal como lo ilustra la tabla, x = 0.5027.
Paso 6. Ahora construya Ia grfica para el promedio de este proceso. El dimetro
promedio del tornillo es 0.5027 pulg y el rango promedio es 0.0021 pulg, por lo
cual puede usar x = 0.5027, R = 0.0021 y A2, que aparece en la tabla 7.I, para un
tamao de muestra 4, para construir los acotamientos de control:
UCLx = x:+ ArR :0.5027 + 0.729(0.0021) = 0.5042 pulg
LCLx : = x A2R : 0.5027 - 0.729(0.0021) = 0.5012 pulg.

23

El analista puede emplear una grfica R para asegurarse de que la variabilidad del
proceso est bajo control, antes de construir la grfica x. La ventaja de usar esta
forma de la grfica consiste en que el analista tiene la posibilidad de la expansin
de los acotamientos de control modificando el valor de z. Este enfoque puede ser
til para establecer el equilibrio entre los efectos de los errores tipo I y tipo II ".
El Sunny Dale Bank est al pendiente del tiempo que se requiere para atender a
los clientes en la ventanilla para automovilistas, por que este es un factor de
calidad importante para competir con otros bancos de la ciudad. Despus de
analizar los datos compilados en un extensivo estudio de las operaciones de la
ventanilla, Ia gerencia del banco averigu que el tiempo medio necesario para
atender a un cliente en las horas pico de demanda ha sido de 5 minutos, con una
desviacin estndar de 1.5 minutos. La gerencia desea vigilar el tiempo medio
requerido para atender a un cliente, utilizando un tamao de muestra de 6 clientes.
Supongamos que la variabilidad del proceso est bajo control estadstico. Disee
una grfica t que tenga un error "tipo I" de 5%.
Solucin

x = 5.0 minutos
= 1.5 minutos
n = 6 clientes
z = 1.96

La variabilidad del proceso est bajo control estadstico, por lo cual pasamos
directamente a la grfica i. Los acotamientos de control son:
UCL x = 5.0 + 1.96 (1.5 ) / 6 = 6.20minutos
LCL x = 5.0 - 1.96 (1,.5) / 6 = 3.80minutos
El valor de z puede obtenerse de la siguiente forma: la tabla de distribucin normal
(vase el apndice Distribucin normal) indica la proporcin del rea total bajo la
curva normal desde -- hasta z. Nos interesa tener un error "tipo I" de 5%, o 2.5
24

% de la curva encima del acotamiento del control superior y 25% debajo del
acotamiento de control inferior. En consecuencia, tenemos que encontrar el valor z
de la tabla que deje slo 2.5% en la porcin superior de la curva normal (o sea
0.9750 en la tabla). El valor buscado es 1.96.

Grficas de control para atributos

Dos grficas que se utilizan comnmente para realizar mediciones de calidad
basadas en atributos del producto o servicio son la grfica p y la grfica c. La
grfica p se emplea para controlar la proporcin de productos o servicios
defectuosos generados por un proceso. La grfica c utiliza para controlar el
nmero de defectos cuando en un producto o servicio puede haber ms de un
defecto.
Grafica p. La grfica p es una grfica de control que se usa comnmente para
representar atributos. La caracterstica de calidad no se mide en este caso, sino
que se cuenta y el element o servicio se declara satisfactorio o deficiente en su
totalidad. Por ejemplo, en la industria de la banca, los atributos susceptibles de
una operacin de recuento pueden ser el nmero de depsitos no endosados o el
nmero de declaraciones financieras incorrectas remitidas. Este mtodo implica
25

seleccionar una muestra aleatoria, examinar cada uno de sus elementos y calcular
la proporcin de la muestra que presenta defectos, p, la cual es equivalente al
nmero de unidades defectuosas, dividido entre el tamao de la muestra,
En el caso de una grfica p, el muestreo implica una decisin de "s o no": el
elemento o servicio examinado est defectuoso o no lo est. La distribucin
estadstica fundamental se basa en la distribucin binomial. Sin embargo, si los
tamaos de muestra son grandes, la distribucin normal proporciona una buena
aproximacin a ese respecto. La desviacin estndar de la distribucin de la
proporcin defectuosa, p, es entonces:
p =tamao de la muestra
p = proporcin defectuosa de la proporcin histrica promedio o valor objetivo y
lnea central de la grfica
La lnea central de la grfica p puede ser el promedio de la proporcin defectuosa
de la muestra pasada o un objetivo que la gerencia haya establecido para el
proceso. Podemos emplear p para encontrar los acotamientos de control superior
e inferior de una grfica p:
UCLp = P + zp y, LCLp = P zp
Donde z = desvo normal (nmero de desviaciones estndar con respecto al
promedio)
La grfica se usa en la siguiente forma. Peridicamente se toma una muestra
aleatoria de tamao n y se cuenta el nmero de productos o servicios defectuosos.
Este ultimo numero se divide entre el tamao de la muestra para obtener una
proporcin de muestra defectuosa, p, la cual se dibuja despus sobre la grfica.
Cuando una proporcin de muestra defectuosa queda fuera de los acotamientos
de control, el analista supone que la proporcin defectuosa generada por el
proceso en cuestiona cambiado y busca la causa asignable.

26

Es posible que el analista no logre encontrar ninguna causa asignable porque

siempre existe una pequea probabilidad que una proporcin fuera de control se
haya producido en forma fortuita. Sin embargo, si el analista descubre causas
asignables esos datos de muestra no debern servir de base para calcular los
acotamientos de control que se utilizan.
Grficas c. A veces los productos tienen ms de un defecto por unidad. Por
ejemplo, un rollo de alfombra puede tener varios defectos) como fibras
apelotonadas o decoloradas, o bien, manchas originadas en el proceso de
produccin. Otras situaciones, en donde es posible que se presente ms de un
defecto son: las imperfecciones en los tableros frontales de la pantalla de un
televisor, los accidentes que ocurren en una esquina cualquiera y las quejas de los
huspedes de un hotel. Cuando la gerencia desea reducir el nmero de defectos
por unidad, resulta til otro tipo de representacin de control: Ia grfica c.
La distribucin de muestreo subyacente en una grfica c corresponde a la
distribucin de Poisson rt. se basa en la suposicin de que los defectos se
presentan dentro de una regin continua y que la probabilidad de que dos o ms
defectos se presenten en una misma localizacin cualquiera es insignificante. La
media de la distribucin es c y la desviacin estndar c. Una tctica til consiste
en usar la aproximacin normal a la distribucin de Poisson, con lo cual la lnea
central de la grfica es c y los acotamientos de control son:
UCLc = c + zc

LCLc = c- zc

La tecnologa en el control estadstico de procesos

Los avances recientes en las tecnologas de la informacin han brindado a los
gerentes la oportunidad de reunir enormes cantidades de datos para vigilar y
mejorar el rendimiento de los procesos (vase el captulo "Administracin de
tecnologa. Los gerentes reciben datos al minuto del taller de la fbrica, los
27

someten a anlisis y los resumen por medio de computadora ya sea en diagramas

de dispersin, histogramas, grficas circulares, grficas de Pareto o grficas de
barras (vase el captulo "Administracin de la calidad total" Los usuarios pueden
definir por s mismos el tipo y la apariencia de las grficas que obtienen, y tambin
especificar los acotamientos de control para sus grficas de control, o bien dejar
que el programa calcule esos lmites, usando una base de datos histricos.
Adems, diversos rmdulos de capacitacin para empleados se han publicado en
una serie de discos compactos (CD-ROM) que contienen recortes visuales (video
clips), animaciones y ejercicios interactivos, con miras a motivar a los empleados
para que apliquen las tcnicas SPC en su trabajo y sepan cmo hacerlo.
Para algunas compaas, en particular las pertenecientes a las industrias de
procesos, el empleo de monitores

especficos para la observacin de

determinadas mquinas suele ser menos costoso que las opciones basadas en
una red de PC de propsito general, y proporciona ms datos en el sitio preciso
donde se encuentra cada mquina. Esos monitores estn conectados a una
mquina especfica y siguen la huella de su funcionamiento. Por ejemplo, una
mquina de moldeo de plstico por inyeccin tiene parmetros crticos, como
duracin del ciclo, presin y temperatura. Esos parmetros son observados y
comparados con acotamientos de control superiores e inferiores durante cada
ciclo. El personal recibe una seal de alarma en cuanto la produccin no cumple
con las especificaciones.
CAPACIDAD DE PROCESOS
Las tcnicas de control estadstico de procesos ayudan a los gerentes a realizar y
mantener una distribucin de procesos que no cambia en lo que se refiere a su
media y su varianza. Los acotamientos de control sealan cuando la media o la
variabilidad del proceso cambia. Sin embargo, un proceso que se encuentra bajo
control estadstico no siempre genera productos o servicios de acuerdo con sus
respectivas especificaciones de diseo, porque los acotamientos de control estn
basados en la media y la variabilidad de la distribucin de muestreo, no en las
28

especificaciones de diseo. La capacidad de proceso se refiere a la capacidad de

un proceso para cumplir debidamente las especificaciones de diseo de un
producto o servicio dado. Las especificaciones de diseo se expresan a menudo
como un valor nominal, u objetivo, y como una tolerancia, o margen aceptable por
encima o por debajo del valor normal.
Por ejemplo, las especificaciones de diseo referentes a la vida til de una
bombilla de iluminacin pueden indicar un valor nominal de 1000 horas y una
tolerancia de 200 horas. Esta tolerancia arroja una especificacin superior de 1200
horas y una especificacin inferior de 800 horas. El proceso de fabricacin de las
bombillas debe ser capaz de producir stas dentro de esas especificaciones de
diseo; de lo contrario, habr cierta proporcin til de sus bombillas rebasa las
1200 horas, porque al estudiar stos se aprendera tal vez algo que pudiera
incorporarse en el futuro al proceso de produccin.
Definicin de la capacidad de proceso
La figura 7.13 muestra la relacin entre una distribucin de procesos y las
especificaciones superior e inferior para el proceso de fabricacin de bombillas
luminosas, bajo dos condiciones diferentes. En la figura 7.13(a), se dice que el
proceso es capaz porque los extremos de la distribucin del proceso se
encuentran dentro de las especificaciones superior e inferior. En la figuraT,13(b),
el proceso no es capaz porque produce demasiadas bombillas de corta vida. La
figura 7.13 muestra claramente por qu estn tan preocupados los gerentes por
reducir la variabilidad de los procesos. Cuanto menor sea la variabilidad
(representada por desviaciones estndar ms bajas), tanto menos frecuente ser
la produccin deficiente.

29

La figura 7.14 muestra lo que la reduccin de la variabilidad significa para una

distribucin del proceso, que es una distribucin de probabilidad normal. La
empresa que tiene calidad dos sigma (los lmites de tolerancia equivalentes a la
media de la distribucin del proceso, ms o menos dos desviaciones estndar)
produce 4.56% de partes defectuosas, es decir, 45,600 partes defectuosas por
milln. La empresa que tiene calidad cuatro sigma produce slo 0.0063% de
defectos, es decir 63 partes defectuosas por milln. Y, para terminar, la empresa
con calidad seis sigma produce nicamente 0.0000002% de defectos, es decir,
0.002 partes defectuosas por milln.
Cmo puede determinar en trminos cuantitativos un gerente si un proceso es
suficientemente capaz? En la prctica, se utilizan de ordinario dos medidas para
valorar la capacidad de un proceso: la raz6n de capacidad de proceso y el ndice
de capacidad de proceso.
30

Razn de capacidad de proceso. Un proceso es capaz si tiene una distribucin

del proceso cuyos valores extremos se localizan dentro de las especificaciones
superior e inferior para un producto o servicio. En trminos generales, la mayora
de los valores de su distribucin del proceso se encuentra dentro de ms o menos
tres desviaciones estn de la media. En otras palabras, el rango de valores de la
medicin de calidad por el proceso es de seis desviaciones estndar
aproximadamente. Por lo tanto, si proceso es capaz, la diferencia entre la
especificacin superior y la inferior, conocida como amplitud de tolerancia, debe
ser mayor que seis desviaciones estndar (variabilidad de proceso). La razn de
capacidad de proceso, Cp, se define como

Cp = Especificacin superior - Especificacin inferior

,

31

 = desviacin estndar de la distribucin de procesos

Si Cp es mayor que 1.0, el rango de tolerancia es mayor que el rango de los
productos del proceso real. Si Cp es menor que 1.0, el proceso generar
productos o servicios fuera de su tolerancia permisible. Con frecuencia, las
empresas eligen un valor crtico arbitrario para la razn de capacidad de proceso,
como 1.33, a fin de establecer un objetivo para reducir la variabilidad del proceso.
El valor es mayor que 1.0 para permitir algunos cambios en la distribucin del
proceso antes de que se genere una produccin deficiente.
ndice de capacidad de proceso. El proceso es capaz solamente cuando Ia razn
de capacidad es mayor que el valor crtico y la distribucin del proceso se centra
en el valor nominal de las especificaciones de diseo. Por ejemplo, el proceso de
fabricacin de bombillas puede tener una razn de capacidad de proceso era
mayor que 1.33. Sin embargo, si la media de la distribucin del producto del
proceso, -, se encuentra ms cerca de la especificacin inferior, todava es posible
que se produzcan bombillas defectuosas.
En forma semejante, si x se localiza ms cerca de ia especificacin superior,
entonces es probable que se produzcan bombillas de muy buena calidad. As
pues, necesitamos calcular un ndice de capacidad que mida el potencial del
proceso para generar productos en relacin con la especificacin superior o con la
inferior. El ndice de capacidad de proceso, Cpk, se define como:
Cpk = Minimo de [ x especificacin inferior , especificacin superior x]
3

Elegimos el valor mnimo de las dos razones porque representa la situacin que
ocurrira en el peor caso posible. Si Cpk es mayor que un valor crtico mayor que
1.0 (digamos, 1.33) y la razon de capacidad de proceso es mayor que su valor
crtico, podemos afirmar por fin que el proceso es capaz. Si Cpk es menor que 1.0,

32

entonces el promedio del proceso se encontrar cerca de alguno d los lmites de

tolerancia y se estar generando una produccin con muchos defectos.

Extractos del Capitulo 7 Control estadstico de procesos:

Krajewski, Lee, J. Ritzman, Larry (2000) Administracin de Operaciones Estrategia y
Anlisis. Mxico: Pearson Educacin 5ta Edicin. PP. 245 - 269

33