Académique Documents
Professionnel Documents
Culture Documents
Los gráficos de control tienen su origen al final de la década de 1920. Entonces, Walter
A. Shewhart analizó numerosos procesos de fabricación concluyendo que todos
presentaban variaciones. Encontró que estas variaciones son de dos clases:
una aleatoria, entendiendo por ella que su causa era insignificante o desconocida.
Otra, imputable (también llamada asignable), cuyas causas podían ser descubiertas y
eliminadas tras un correcto diagnóstico
La variación de una determinada característica de calidad se cuantifica realizando un
muestreo de las salidas del proceso y estimando los parámetros de su distribución
estadística. Shewhart inició así el moderno control de calidad, fundamentado en el
control estadístico del proceso y rebasando al clásico control de calidad, limitado a la
inspección final del producto.
Los cambios en la distribución pueden comprobarse representando ciertos parámetros
en un gráfico en función del tiempo, denominado gráfico de control.
INTRODUCCIÓN
VENTAJAS
Representa la relación entre dos variables de forma gráfica, lo que hace más fácil
visualizar e interpretar los datos.
Calculando la correlación de dos variables, permite cuantificar el grado de relación
entre ambas, así como su signo.
UTILIDADES
Imagina que eres un productor de tornillos y que cada tornillo que haces debe medir
entre 3,55 cm y 3,60 cm. Menos de 3,55 cm o más de 3,60 cm se consideran tornillos
defectuosos. Por ende, estableces tu límite de control superior en 3,60 cm y tu límite
inferior en 3,55 cm. Anotas las medidas de los tornillos que produces a diferentes horas
del día. Un día vez que en el gráfico de control, hay 7 tornillos producidos a las 3 de la
tarde que están por fuera de los límites, ¿qué paso ahí?
Causa asignable: Si consigues hallar una causa concreta o que ocasiona una
variación excesiva y obedece a una situación específica, hablamos de causa
asignable. Es el tipo de causa que debemos corregir. Por ejemplo la deficiente
capacitación del trabajador o la falta de ajuste de una máquina.
Causa aleatoria: Cuando no consigues hallar una explicación concreta a una
variación, o si la variación fue ocasionada por un evento sin importancia que no se
volverá a repetir, hablamos de causa aleatoria. También se le suelen llamar
variaciones naturales o causas naturales. Es el tipo de causa que esta presente en la
vida misma, fortuita. Ejemplos son la curva de aprendizaje del trabajador y el cierre
inesperado del software.
Límite superior de control: Es el valor más grande aceptado en el proceso. En
español LSC, en inglés UCL (Upper control limit).
Límite inferior de control: El opuesto al superior, es decir, el valor más pequeño.
LIC en español, LCL en inglés (Lower control limit).
Límite central de control: Con siglas LCC, es la línea central del gráfico. Entre
más cerca están los puntos a la línea, más estable es el proceso.
Gráfica 𝑋: Qué tanto se están alejando las mediciones de la tendencia central, que
en este caso es la media o promedio. Por ejemplo un nuevo trabajador o nuevos
instrumentos de trabajo harán que las mediciones se alejen más de línea central.
Gráfica R: Qué tanta ganancia o pérdida de uniformidad hay en la dispersión de un
proceso dentro de una muestra. En otras palabras, el rango es la resta del valor más
grande con el valor más pequeño de una muestra, lo que nos permite determinar la
variabilidad. El valor resultante es plasmado en un gráfico de control para ser
comparado con el rango de otra serie de muestras. Con esto logramos ver si hay
presencia de uniformidad en los puntos ubicados o si no, para intervenir.
Gráfica 𝑋-R: Utilizamos ambos tipos de gráficas cuando se miden la relación de las
especificaciones de calidad con la tendencia central y la dispersión. En este sentido,
ubicamos una gráfica ligeramente encima de la otra y analizamos el comportamiento
de cada punto.
Pista 1: Cuando hay solo un punto fuera de control. Es quizá la más pequeña de las
probabilidades.
Pista 2: Cuando hay dos de cada tres puntos sucesivos ubicados a un lado de la línea
central y más de dos desviaciones estándar (sigma) alejados de esta línea.
Pista 3: Cuando hay 4 de cada 5 puntos sucesivos ubicados a un lado de la línea
central y más de una desviación estándar (sigma) alejados de esta línea.
Pista 4: Cuando hay una serie de 8 puntos sucesivos ubicados a un lado de la línea
central, sin importar cuántas desviaciones estándar estén alejados de la línea central.
Por ejemplo 8 de cada 10 puntos, 12 de cada 14 puntos o 16 de cada 18 puntos.
Pista 5: Cuando hay 6 puntos consecutivos ascendentes o descendientes.
Pista 6: Cuando hay 14 o más puntos consecutivos cruzando la línea central de
arriba a abajo, sin que haya al menos 2 puntos sucesivos en un mismo lado.
Pista 7: Cualquier patrón recurrente que estés observando, puede ser
considerado algo inusual.
Paso 1: Se van a contar el número de defectos encontrados en las mesas por lote. Los
lotes pueden variar levemente de tamaño, es decir, puede haber pequeñas variaciones en
el número de mesas que compone un lote de producción.
Paso 2: Se van a trabajar lotes que pueden tener diferente tamaño, y se va a contar el
porcentaje de defectos encontrados por lote (el lote es la muestra), razón por la cual
vamos a trabajar con una gráfica de control por atributos tipo p.
Paso 3: Los datos se van a capturar durante 10 días de producción. Se van a considerar
20 muestras (20 lotes), el tamaño de cada lote lo tienes en el paso 4.
Paso 4: Estos son los datos recopilados. La fracción defectuosa es el resultado de dividir
el número de errores por el tamaño del lote.
p 1 p 0, 05 1 0, 05
0, 02
n 92,95
p promedio es el número que calculamos anteriormente, y n es 92,96 que es el tamaño
de la muestra, en este caso el tamaño de los lotes. Como se aprecia en la tabla del paso
4, el tamaño del lote varia, por lo tanto 92,95 es el resultado del promedio de escritorios
por lote. La desviación estándar es igual a 0,02.
LCI P p z p 0, 05 3 0, 02 0, 01 0
El número de desviaciones estándar se conoce como z. Mesfir (la empresa) limita los
valores a 3 desviaciones estándar de la media, lo que equivale a 99,73%. Es por eso que
en el cálculo de los límites de control, z es igual a 3. Los otros datos ya los conoces,
fueron calculados anteriormente.
¿Podemos tener un número de defectos negativo? No. Es por eso que el límite central
inferior se redondea a 0.
La interpretación de una gráfica de control tiene más sentido cuando se han hecho
varios ejercicios de este tipo, lo que permite determinar qué es normal y qué no lo es en
el comportamiento de la producción. Sin embargo, y basándonos en las pistas antes
mostradas, podemos ver que:
El punto 12 está fuera de control. Aunque es una probabilidad pequeña, bien vale la
pena entrar a mirar porqué ocurrió esto.
Evidentemente algo ocurrió en los lotes 4 a 9. Fija que hay un aumento constante
desde el punto 4 hasta el punto 9, y aunque se ve corregido en el punto 10, se debe
de revisar cómo se trabajaron estos lotes.
¿Qué ocurrió en los puntos 11,12 y 13? Hubo algún suceso que afectó sobre todo al
punto 12 y después fue corregido; es lo más probable.
CONCLUSIONES