Las 7 Herramientas Bsicas

Dr. Andrs Rojas Lobato.

Las siete herramientas bsicas.

Las siete herramientas b sicas fueron propuestas
en 1968 por Kaoru Ishikawa en su libro Guide to Quality
Control ( Ishikawa, 1976) como una respuesta a la
necesidad de los crculos de calidad japoneses de contar
con procedimientos claros y objetivos para el anlisis y
solucin de problemas en programas de mejoramiento
continuo. Segn Ishikawa, con las siete herramientas
bsicas se pueden resolver el 95% de los problemas que
se le presentan a una organizacin, sobre todo los de las
reas productivas.

Las siete herramientas bsicas.

Las siete herramientas bsicas para el control de la
calidad son:
- Histograma
- Diagrama de Pareto
- Diagrama Causa-Efecto
- Hojas de comprobacin o verificacin
- Grficas de control
- Diagramas de dispersin
- Estratificacin

Histogramas

Recoleccin de informacin que sirve de evidencia

para cuantificar el problema en cuestin.

Representacin grfica de la distribucin de un

conjunto de datos.
Proporciona pistas sobre la distribucin de probabilidad
del proceso de donde se tom la muestra.
Es una herramienta muy til de comunicacin visual.

Histogramas
Procedimiento:
Obtener un conjunto de datos que se desea representar
mediante un histograma.
Datos para anlisis.
Datos para control del proceso.
Datos para regular alguna variable del proceso.
Datos con el propsito de aceptar o rechazar un lote.
Deben ser representativos del proceso, asociados a
condiciones conocidas de operacin del mismo.
Establecer el rango y clases o intervalos.
Determinar la frecuencia de cada clase y representarla
mediante barras proporcionales a la frecuencia.

Histogramas
Ejemplo:
Los siguientes datos fueron tomados de un proceso de llenado de
bolsas de 1 kg. de arroz y representan el preso de la bolsa llena y
cerrada
986
983
993
996
1000
994
995
986
999
996

989
988
990
989
991
989
991
993
994
986

985
991
991
997
998
993
987
987
992
993

994
990
993
996
984
982
993
985
985
997

993
996
990
991
987
999
998
985
992
987

986
990
994
983
985
984
986
980
990
992

981
997
990
984
994
998
988
989
980
993

982
985
986
997
999
981
986
991
992
998

986
988
991
983
981
983
982
998
995
982

994
996
997
987
991
988
996
995
981
989

Histogramas
Rango

Lim.Inferior

Lim.Superior

Frecuencia

20

980.000

982.857

10

982.857

985.714

13

Clases

985.714

988.571

17

988.571

991.429

19

991.429

994.286

18

994.286

997.143

14

997.143

1000.000

Total

100

Ancho de
clase
2.857

Histogramas

De la grfica se
puede concluir que
el promedio del
proceso est
alrededor de los 900
gramos.

Histograma de frecuencias
20
18
16
14

Frecuencias

Estos valores se
pueden comparar
con las
especificaciones,
con lo que se
obtiene una
perspectiva mejor
sobre la capacidad
del proceso.

12
10
8
6
4
2
0
981

984

987

990

993

996

999

Pesos

Diagramas de Pareto
Se emplean para identificar y separar en forma crtica los pocos
proyectos que provocan la mayor parte de los problemas de calidad.
Su nombre se debe al economista italiano del siglo XVIII Wilfredo
Pareto, quien observ que el 80% de la riqueza de una sociedad
estaba en manos del 20 % de las familias.
Juran tom este principio y lo aplic a la mala distribucin de las
causas de un problema al decir que el 80% de los efectos de un
problema se debe solamente al 20% de las causas involucradas.
Un diagrama se construye listando las causas de un problema en el
eje horizontal, empezando por la izquierda con aquellas que tienen un
mayor efecto sobre el problema y van disminuyendo en orden de
magnitud.
Con respecto a los ejes verticales, de un lado se representa la
magnitud del efecto provocado por las causas y en el otro lado, el
porcentaje acumulado.

Diagramas de Pareto
Ejemplo
El departamento de servicio de un fabricante de
refrigeradores, tiene registrada una lista de las quejas que
han recibido del mercado durante el ltimo mes.
Tipo de queja
No. de quejas
Falla de compresor
2
Puerta no cierra hermticamente
7
No produce cubos de hielo
4
Fugas de agua en mangeras
25
Manijas rotas
18
Bisagras vencidas
5
Soporte de charolas rotos
3
Otros problemas
2
Total
66

Diagrama de Pareto
Se puede
observar que son
3 los defectos
que contribuyen
al 75 de las
quejas de los
clientes.
Si se pretende
reducir el nivel de
insatisfaccin del
cliente, es
necesario
enfocarse en
proyectos
relacionados con
la eliminacin de
esos 3 defectos.

a
ra
as
as
sor
oto
ielo
ier
agu
rot
cid
pre
te r
eh
oc
as
de
ven
om
por
nij
duc
an
ga
as
So
el c
ert
Fu
Ma
pro
d
agr
s
o
Pu
a
i
l
N
B
Fal

Ot

ros

Diagramas causa-efecto
Reciben tambien el nombre de su creador, Ishikawa.
Forma grfica de representar el conjunto de causas potenciales .
Se generan a partir de un proceso de lluvia de ideas.
Se recomienda que las causas potenciales se clasifiquen en 6
categoras conocidas como las 6 Ms : materiales, maquinaria,
mtodos de trabajo, medicin, mano de obra y medio ambiente.

Metodologa.- Decidir el problema a analizar o la caracterstica de calidad a

considerar (normalmente a partir del diagrama de Pareto)

Diagramas causa-efecto
- Del

lado derecho, en un

recuadro escribir la

caracterstica seleccionada.
- Escribir los factores que se cree podran estar causando
el problema en cuestin, de acuerdo con la clasificacin ya
mencionda.
- En cada rama, de acuerdo a la categora, con mayor
detalle las causas que considere podran estar provocando el
problema.
Los diagramas de Ishikawa tienen la ventaja de que
exhiben las relaciones entre un problema y sus posibles causas.

Diagramas causa-efecto

Mtodos de
trabajo

Materiales

Medio
ambiente

Problema

Mano de
obra

Maquinaria

Medicin

Diagramas causa-efecto
Ejemplo:
En una oficina, el caf ha sido tan malo que ya
nadie lo quiere tomar. Se investigan las causas para poner
el remedio apropiado. Las posibles causas son: agua fra,
agua muy caliente, agua contaminada, sucia o tal vez con
mucho cloro, marca de caf, mala dosificacin del caf,
calidad del azcar, tazas con olores penetrados, cafetera
descompuesta, mala ubicacin de la cafetera (cerca del
polvo), mala actitud de quien lo prepara, cafetera
desajustada.

Diagramas causa-efecto

Materiales

Calidad
del agua

Calidad
azcar

Medio
ambiente

Mtodos de
trabajo
Mala dosificacin
del caf

Tazas con
olores
Localizacin

Marca
del caf

Problema
Actitud
Cafetera
en mal
estado

Capacitacin de
quien lo prepara

Temperatura
del agua

Mano de
obra

Maquinaria

Fra

Caliente

Medicin

Hoja de verificacin
Tambin conocidas como hojas de comprobacin o de
chequeo. Ayudan a recopilar y analizar la informacin. Son un formato
que facilita que una persona pueda obtener datos en forma ordenada
y de acuerdo al estndar que se requiera.
Algunas aplicaciones:
Verificacin de la distribucin del proceso de produccin (elaboracin
del histograma correspondiente).
Registro de la ocurrencia de defectos.
Verificacin de las causas de los defectos.
Representacin de la localizacin de defectos sobre una pieza
particular.
Aseguramiento de la realizacin de actividades programadas de una
cierta operacin.
La principal ventaja de este tipo de herramienta es que facilita
la localizacin y el anlisis de informacin. Permite visualizar en una
forma ms amplia la distribucin de un proceso de produccin.

Ejemplo 1
Fecha

HOJA DE VERIFICACION
No.

Octubre/2/2000

Producto bolsa de 1 kg.

Cliente
Arroz Real

Nombre de quien obtiene los datos

Jos Juan Lpez

Proceso
llenado
Observaciones _______________
Frec.
130
120
110
100
90
80
70
60
50
40
30
20
10

TOTAL

980-982

IIII

4578

983-985

986-988

IIII

IIII
IIII

IIII

10

IIII
IIII

19

Turno
2
Especificacin mayor de 990gr.
Dimensiones
989-991
992-994
995-997
998-1000

IIII
IIII

II
IIII

17

IIII
IIII

I
IIII

16

III
IIII

IIII

13

IIII

Ejemplo 2
Hoja de verificacin
Fecha

Octubre/2/98

No.

4578

Producto cubierta mesa

Cliente
La Buena Mesa

Nombre de quien obtiene los datos

Jos Juan Lpez

Proceso
acabado final
Especificacin menor a 2 /pieza
Turno
2

Observaciones Incluye 20 piezas

_______________________________

Tipo de defecto

Frec.

Raspadura/rayadura

Simbolo
R

Mancha superficial
Mancha bajo pintura

Burbujas en pintura

Golpe

Abolladura

1
18

Otros
Total

Localizacin de defectos

G
O

A
B

Diagramas de dispersin
Herramienta estadstica para observar la relacin (lineal) entre
dos variables.
- Alguna caracterstica de calidad y un factor que le afecte.
- Dos factores relacionados con una sola caracterstica.
- Relacin entre dos variables macroeconmicas.
inflacin - consumo per cpita

La relacin se presenta mediante una grfica de dos dimensiones.

Normalmente la variable causa se presenta en el eje horizontal y
la variable efecto en el eje vertical.

10

Diagramas de dispersin
La relacin puede ser:
positiva.- aumento (disminucin) en la variable causa,
provocar aumento (disminucin) en la variable efecto.
negativa.- aumento (disminucin) en la variable causa,
provocar disminucin (aumento) en la variable efecto.
Existe un indice que asocia el grado de dependencia lineal que
existe entre las dos variables : correlacin. Mide el grado de
cercana de los puntos con respecto a la linea recta que mejor se
ajusta al conjunto de puntos. El ndice de correlacin es:

Diagramas de dispersin
Ejemplo:
Se realiz un estudio para determinar el efecto que tiene la
rapidez de mezclado sobre la cantidad de impurezas en una
pintura fabricada mediante un proceso qumico.

Rapidez (rpm)

20

22

24

26

28

30

Impurezas (%)

8.4

9.5

11.8

10.4

13.3

14.8

Rapidez (rpm)

32

34

36

38

40

42

Impurezas (%)

13.2

14.7

16.4

16.5

18.9

18.5

11

Diagramas de dispersin

Grfica de dispersin
20
18
16
14
12
10
8
6
4
2
0
0

10

20

30

40

50

Rapidez de agitacin (rpm)

Diagramas de dispersin
Rpm
20
22
24
26
28
30
32
34
36
38
40
42

%
8.4
9.5
11.8
10.4
13.3
14.8
13.2
14.7
16.4
16.5
18.9
18.5

x =13.867

-11
-9
-7
-5
-3
-1
1
3
5
7
9
11

-5.467
-4.367
-2.067
-3.467
-0.567
0.933
-0.667
0.833
2.533
2.633
5.033
4.633

60.133
39.300
14.467
17.333
1.700
-0.933
-0.667
2.500
12.667
18.433
45.300
50.967

121
81
49
25
9
1
1
9
25
49
81
121

29.884
19.068
4.271
12.018
0.321
0.871
0.444
0.694
6.418
6.934
25.334
21.468

y = 13.867

12

( x x )( y y ) = 261
i=1
12

(x x

i=1

)2

= 572

12

(y y

i =1

r =
)2

= 127 . 727

261

0. 9656

(572 )(127 . 727 )

El ndice de correlacin es un nmero entre -1 y 1.

Como complemento a los diagramas de dispersin y con el objeto de
organizar la informacin vital de un anlisis causa-efecto, se utiliza el
procedimiento de estratificacin que consiste en distinguir los
diferentes estratos de donde proviene la informacin.

12

Teora general de Grficas de Control

Una grfica de control es un dispositivo estadstico usado
principalmente para el estudio y control de procesos
repetitivos. El concepto fue desarrollado por el Dr. Walter A.
Shewhart en 1924 *(en Inglaterra el Dr. Dudding y W.
Jennett). Sugiere que pueden ser tiles para:
- Definir la meta o el estndar de un proceso
- Emplearlas como instrumento para lograr la meta
- Como un medio para juzgar si se ha logrado la meta
La base de la teora de las grficas es la diferenciacin de
las causas de la variacin en la calidad. Ciertas variaciones
en la calidad del producto pertenecen a la categora de
variaciones casuales.

Teora general de Grficas de Control

Si en un proceso, las nicas fuentes de variacin son las
variaciones casuales, entonces, estas, graficadas contra el
tiempo se comportarn de manera aleatoria.
Si los datos no se comportan aleatoriamente, estan presentes
factores asignables (atribuibles) . Estos ocacionan grandes
variaciones atribuibles a causas especiales.
- Diferencias entre las mquinas
- Diferencias entre trabajadores
- Diferencias entre materiales
- Diferencias en cada uno de estos factores sobre el
tiempo
- Diferencias en sus relaciones con los otros factores
Supongamos que se muestrea a intervalos ms o menos
regulares y de cada muestra se calcula un estadstico ( X )
(estadstico sujeto a fluctuaciones muestrales).

13

Teora general de Grficas de Control

Si no hay factores asignables, mostrar una grfica como:

Si se toman suficientes muestras se puede estimar una

media y una desviacin estndar.

Teora general de Grficas de Control

Si se toman suficientes muestras se puede estimar una media y
una desviacin estndar.

LSC

LIC

Si la escala vertical son unidades de y la escala horizontal con

respecto al tiempo, tenemos una grfica de control para .

14

Teora general de Grficas de Control

Los puntos dentro de los lmites que no muestren ciclos o
corridas establecen que el proceso est bajo control
estadstico.
Los lmites se establecen de manera probabilstica. En
Estados Unidos, ya sea que el estadstico se distribuya
normalmente o no, es costumbre establecer los lmites
como mltiplos de la desviacin estndar.
Si se usan ks como lmites, la variacin Camp-Meidel de la
desigualdad de Tchebychev, dar un valor mximo de la
probabilidad de rebasar el lmite de:
1
P x > k
2. 25 k 2

En Inglaterra se usan lmites de accin y lmites de

advertencia. Son lmites probabilsticos ( 0.001 , 0.025 ) y no
mltiplos de s.

Teora general de Grficas de Control

Observar y analizar grficamente el comportamiento sobre el
tiempo de una variable de un producto o de un proceso, con el
propsito de distinguir en tal variable sus variaciones debidas a
causas comunes de las debidas a causas especiales (atribuibles).
Tiene una lnea central.
Los lmites de control son estimaciones de la amplitud de la
variacin natural de la variable.
El uso adecuado de las grficas de control facilitar la
identificacin oportuna de tendencias y cambios importantes en
los procesos.
Se han usado para detectar anormalidades oportunamente y con
esto, prevenir situaciones problemticas.
Una de las aplicaciones ms importantes consiste en evitar
sobreajustes en el proceso.

15

Teora general de Grficas de Control

Tipos de grficas de control
Basicamente existen dos tipos de grficas de control:
- por variables
- por atributos
Las grficas ms comunes son:
X (de promedios)
R (de rangos)
S (de desviacin estandar
)
X (de medidas individuales)
p (proporcin o fraccin defectuosa
np (nmero de unidades defectuosas)
c (nmero de defectos)
u (nmero de defectos por unidad)

Grfica X
Muestra las variaciones en los promedios de las muestras.
Sus lmites:
)
)
LSC = X +

LIC

=X -

)
R
=
= 0
dn

Con lmites probabilsticos:

Probabilidad de

Probabilidad de

1
1000

1
40

LSC = X +

)
3. 09

LIC

= X -

LSC = X +

)
1. 96
n

)
3. 09
n

LIC

=X -

)
1. 96
n

16

Grfica X
Ejemplo:
25 muestras de 5 piezas cada una de un proceso de llenado de botellas de
0.355 litros. ( se omite el primer dgito (.3) por simplicidad )
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13

1
.65
.75
.75
.60
.70
.60
.75
.60
.65
.60
.80
.85
.70

Grfica

Observaciones
2
3
.70
.65
.85
.75
.80
.80
.60
.70
.75
.65
.75
.75
.80
.65
.70
.80
.80
.85
.70
.60
.75
.90
.75
.85
.70
.75

Muestra
4
.65
.85
.70
.75
.85
.85
.75
.75
.85
.80
.50
.65
.75

5
.85
.65
.75
.65
.80
.70
.70
.75
.75
.75
.80
.70
.70

14
15
16
17
18
19
20
21
22
23
24
25

1
.65
.90
.75
.75
.75
.65
.60
.50
.60
.80
.65
.65

Observaciones
2
3
4
.70
.85
.75
.80
.80
.75
.80
.75
.80
.70
.85
.70
.70
.60
.70
.65
.85
.65
.60
.65
.60
.55
.65
.80
.80
.65
.65
.65
.75
.65
.60
.65
.60
.70
.70
.60

5
.60
.85
.65
.80
.60
.70
.65
.80
.75
.65
.70
.65

# muestra
1
2
3
4
5
6
7
8
9
10
11
12
13

x
.70
.77
.76
.65
.75
.73
.72
.72
.78
.67
.75
.76
.72

R
.20
.20
.10
.15
.20
.25
.15
.20
.20
.20
.40
.20
.05

# muestra
14
15
16
17
18
19
20
21
22
23
24
25

x
.71
.82
.75
.76
.67
.70
.62
.66
.69
.70
.64
.66

R
.25
.15
.15
.15
.15
.20
.05
.30
.15
.15
.10
.10

17

Grfica X
X = 0 . 714

R = 0 .176

R
.176
)
=
= 0 =
= 0 . 0757
dn
2 . 326

n =5

Enfoque norteamericano
LSC = 0. 714

3(0 . 0757 )

LIC

= 0. 714

3(0 . 0757 )

Enfoque britnico
LSC = 0. 714

3. 09 (0 . 0757 )

LIC

= 0. 714

3. 09 (0 . 0757 )
5

Limite de accin

LSC = 0. 714

1. 96 (0 . 0757 )

LIC

= 0. 714

1. 96 (0 . 0757 )
5
Limite de advertencia

Grfica de Control de Medias

18

Grfica R
Estudia la variabilidad de una caracterstica de calidad de un
proceso o producto y en ella se analiza el comportamiento sobre el
tiempo de los rangos de las muestras o subgrupos.
En muestras pequeas, la desviacin estandar y el rango fluctuarn
juntas. En muestras grandes no. Se emplea entonces el concepto de
rango relativo o amplitud relativa R = w

Si dn representa el valor medio del rango relativo, entonces, el

valor promedio de R es dn y si el valor promedio de R se puede
estimar con entonces:
= R .
Una estimacin de puede ser: )

dn

R = w = w

Sus lmites:
)
3 w R
)
LIC = R 3 R = R
dn

R
dn

)
3 w R
)
LSC = R + 3 R = R +
dn

Grfica R
Para obtener los valores 0.001 y 0.999 para R bastara con
multiplicar los valores 0.001 y 0.999 de w por y por lo tanto
tendramos:
w .001
R
dn

w .999
R como lmites probabilisticos.
dn

De los datos anteriores:

)
0 . 176
R = 0 . 864
=0.065
2 . 326

LIC = 0 .176 3(0 . 065 )

LSC = 0 .176 + 3 (0 . 065 )

19

Grfica R

Ejemplo:
En una fbrica de autopartes se han tenido problems con la
dimensin de cierta barra de acero en el momento de ensamblarla, por lo
que se decide recolectar datos para analizar el proceso correspondiente.
La longitud ideal de la barra es de 100mm con una tolerancia de 2mm.
Cada dos horas se toman cinco barras consecutivas y se miden. Los
datos obtenidos en una semana son los siguientes:
Muestra

Muestra
1
2
3
4
5
6
7
8
9
10
11

101.0
100.0
99.1
100.3
97.2
102.2
98.2
100.7
100.4
97.9
101.5

99.4
98.8
99.4
100.1
99.7
103.6
97.6
99.8
103.0
99.8
100.2

99.9
101.0
101.3
98.7
98.9
100.2
99.0
100.4
98.7
100.6
102.1

Obtenga una grfica

100.5
100.3
99.0
101.3
100.5
104.7
100.6
99.7
101.6
99.3
99.7

100.2
101.1
99.1
99.8
99.3
104.9
99.0
98.3
100.5
100.7
102.3

12
13
14
15
16
17
18
19
20
21
22

100.4
101.4
97.8
100.7
101.7
101.0
99.6
101.5
100.2
100.5
99.0

100.0
102.4
100.1
101.3
9834
100.3
102.0
100.2
102.1
100.4
99.0

100.2
103.2
99.3
98.9
97.9
101.3
100.5
99.4
101.0
100.2
101.4

97.7
103.2
98.6
99.9
102.2
101.1
97.6
99.2
100.6
100.7
101.1

102.1
102.6
100.7
101.2
100.3
99.5
100.0
99.6
101.6
98.9
97.9

X, R

20

Ejemplo:
Muestra
1
2
3
4
5
6
7
8
9
10
11

X
100.2
100.24
99.58
100.04
99.12
103.12
98.88
99.78
100.84
99.66
101.16

R
1.6
2.3
2.3
2.6
3.3
4.7
3
2.4
4.3
2.8
2.6

Muestra
12
13
14
15
16
17
18
19
20
21
22

X= 100.297 R= 2.88 n=5

X
100.08
102.56
99.3
100.4
100.1
100.64
99.94
99.98
101.1
100.14
99.68

R
4.4
1.8
2.9
2.4
4.3
1.8
4.4
2.3
1.9
1.8
3.5

dn = 2.326

21

Interpretacin de las grficas de control

Una seal de que ha habido un cambio especial en el proceso se
manifiesta cuando los puntos graficados en la grfica siguen un
comportamiento no aleatorio. Para facilitar la identificacin de
patrones no aleatorios, lo primero que se hace es dividir la grfica
en seis zonas, cada una con una amplitud similar a una desviacin
estandar de la variable que se grafica.

Zona A

Interpretacin de las grficas de control

Prueba 1:

Prueba 2:

Un punto ms alla de la

Nueve puntos consecutivos

Zona A.

del mismo lado de la linea central.

22

Interpretacin de las grficas de control

Prueba 3:

Prueba 4:

Seis puntos consecutivos

14 puntos consecutivos altenados

creciente o decrecientes.

arriba y abajo.

Interpretacin de las grficas de control

Prueba 5:

Prueba 6:

Dos puntos de tres consecutivos

4 puntos de 5 consecutivos en la

en la Zona A o ms all (un

Zona B o ms all ( un lado de la

lado de la linea central).

linea central).

23

Interpretacin de las grficas de control

Prueba 7:

Prueba 8:

15 puntos consecutivos en la

8 puntos consecutivos en la

Zona C (ambos lados de la lnea

Zona B o ms alla (ambos lados

central).

de la lnea central).

Que tan efectiva es la grfica para detectar cualquier cambio

en la media del proceso ?
Una medida de la efectividad de las grficas es:
ARL ( longitud promedio de corrida )
Para un cambio cualquiera en la media del proceso, el nmero de
muestras requeridas en promedio para detectarlo.
Si la probabilidad de observar una muestra fuera de control
tenemos:

es p1

prob. de detectarlo en la 1a muestra = p1

prob. de detectarlo hasta la 2a muestra = (1-p1)p1
prob. de detectarlo hasta la i-sima muestra = (1-p1)i-1p1
El nmero promedio de muestras hasta detectarlo es:

i(1 p 1 ) i 1 p 1 =

i=1

1
p1

24

Ejemplo:
Los siguientes datos son medias y rangos de tamao 5 .
Muestra
R Muestra
X
X R
1
.4402 .015
16
.4362 .015
2
.4390 .018
17
.4380 .019
3
.4448 .018
18
.4350 .008
4
.4432 .006
19
.4378 .011
5
.4428 .008
20
.4384 .009
6
.4382 .010
21
.4392 .006
7
.4358 .011
22
.4378 .008
8
.4440 .019
23
.4362 .016
9
.4366 .010
24
.4348 .009
10
.4368 .011
25
.4338 .005
11
.4360 .011
26
.4366 .014
12
.4402 .007
27
.4346 .009
13
.4332 .008
28
.4374 .015
14
.4356 .017
29
.4339 .024
15
.4314 .010
30
.4368 .014

Grfica de individuales
a) Construya una grfica X -R con las primera 20 muestras.
b) Suponiendo que el proceso se distribuye normalmente, que
porcentaje de la produccin de este proceso estar fuera de
especificaciones si estas son: 0.430 , 0.460 ?
c) Si la media del proceso cambia a 0.4315 , cul es la
probabilidad de detectarla en la primera muestra despus del
cambio ?
d) Cuntas muestras se tendrn que tomar para tener una
probabilidad aproximada de 0.95 de detectar el cambio en al
menos una de estas muestras ?
e) Si el cambio no se detecta en las primeras 8 muestras, cuntas
piezas defectuosas aproximadamente se fabricarn de acuerdo
a los siguientes datos:
- las muestras se tomaron cada 15 a 20 minutos:
- la tasa de produccin es de 350 a 400 piezas por hora.

25

Grfica de individuales
Es una grfica para variables de tipo continuo que se puede ver como
un caso particular de la grfica X R cuando el tamao de muestra es
n=1.
Procesos muy lentos.
Proceso en los que las mediciones cercanas solo difieren por el error
de medicin.
Resulta costoso inspeccionar y medir ms de un artculo (pruebas
destructivas).
Mediciones relativamente homogneas.
Para estimar la variabilidad de estas mediciones se acostumbra usar el
rango mvil de las observaciones.
Este tipo de grficas no son tan sensitivas para detectar cambios en el
proceso como las grficas .

Clculo de los lmites.

LSC PM = D 4 R
LSC X = X + E 2 R

LIC PM = D3 R
LIC X = X E 2 R

N
D4
D3
E2

2
3.267
*
2.66

3
2.575
*
1.772

4
2.282
*
1.457

5
2.115
*
1.29

6
2.004
*
1.184

n
D4
D3
E2

7
1.924
0.076
1.109

8
1.864
0.136
1.054

9
1.816
0.184
1.01

10
1.777
0.223
0.975

11
1.774
0.256
0.945

12
1.716
0.284
0.921

26

Clculo de los lmites.

Ejemplo:
Se hacen impresiones en lminas de acero, que posteriormente se
convierten en recipientes de productos de otras empresas. Algo importante
en el proceso, es la temperatura de horneda. La temperatura de cierto
horno debe ser de 125 oC, con una tolerancia de 5 oC. Se tienen los
siguientes datos:
Muestra

1
2
3
4
5
6
7
8
9
10
11
12

Temperatura

125.1
127.5
122.7
126.4
125.5
130.5
127.3
127.5
127.3
123.0
123.5
128.0

Rango mvil

2.4
4.8
3.7
0.9
5.0
3.2
0.2
0.2
4.3
0.5
4.5
X = 126 . 97

Muestra

13
14
15
16
17
18
19
20
21
22
23
24

Temperatura

126.4
128.3
129.5
128.1
125.1
128.5
125.0
126.3
126.5
127.9
129.5
131.9

Rango mvil

1.6
1.9
1.2
1.4
3.0
3.4
3.5
1.3
0.2
1.4
1.6
2.4

R = 2 . 287

Grfica

27

Grficas

X s

La desviacin estandar es un indicador mas eficiente de la

variabilidad del proceso, especialmente con muestras grandes.
Sin embargo es ms complejo su clculo y menos sensitivo
para detectar causas especiales de variacin. Cuando alguna
de las siguientes causas estan presentes, se susan las grficas
X s :
- Los datos son registrados por computadora sobre una base
de tiempo real.
- Se emplean grandes tamaos de muesta.
Se calcula:
s =

(X X)2
n 1

LSC s = B4 s

LSC

LIC s = B3 s

LIC

= X + A3 s

= X A3 s

Grficas de mediana y Rango

Son alternativas a las grficas X R para el control de procesos.
Tiene algunas ventajas:

- Son fciles de usar y no requieren de muchos clculos.

-La grfica muestra la dispersin del proceso y da una imagen de
la variacin del proceso.
-(Se recomienda un nmero impar de observaciones)
LSC R = D 4 R

LSC

med

= med + A 2 R

LIC R = D 3 R

LIC

med

= med A 2 R

28

Lmites de control, lmites naturales y especificaciones

Los lmites de control en una grfica sirven para estudiar la
realidad o variabilidad del proceso, vista a travs de las medias.
Las especificaciones representan la calidad o el nivel deseado para
la caracterstica de calidad. Se definen en el diseo del producto o
del proceso y se establecen con criterios de calidad.
Los lmites naturales del proceso representan el desempeo actual
del procso. Son la variabilidad de las mediciones individuales. La
comparacin de los lmites naturales con los de especificaiones
permitir saber si se esta produciendo la calidad deseada.
Dos preguntas bsicas sobre un proceso:
- El proceso esta en control estadstico ?
- El proceso es capaz de cumpir con especificaciones ?

El proceso est en control estadstico ?

Si

es capaz ?

El proceso

Si

No

No
A ( Estado ideal )

B ( til pero inestable )

Aplicar las cartas de control y

las HB para prevenir la
ocurrencia de causas especiales
que perjudiquen el desempeo
futuro del proceso.

Si se usan las cartas de control,

tal vez se puedan identificar las
causas especiales. Se requiere
analizar el proceso y prevenir
que su situacin empeore an
ms.

C ( Estable pero incapaz )

D ( inestable e incapaz )

Usar las HB para diagnosticar y

mejorar y las grficas de control
para identificar patrones en el
proceso. Se deben hacer
esfuerzos serios de mejora y
analizar las especificaciones. El
diseo de experimentos puede
ser til.

Es el peor proceso. Aplicar las

HB para diagnosticar y mejorar.
La utilizacin de las grficas de
control prodra ayudar a eliminar
las causas especiales, con lo
que tal vez mejore la capacidad.
Se requieren anlisis muy
serios.

29

Ejemplo
En

una

empresa

que

elabora

agroqumicos,

una

caracterstica importante de los costales de fertilizantes es

su peso, el cual, para ciero producto debe ser de 50 kg.
No deben pesar menos de 50, por lo que se establece una
especificacin inferior de 49 kg y como proteccin de la
empresa una especificacin superior de 51 kg.

Ejemplo
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Pesos
50.2
50.3
49.8
50.0
50.2
49.2
49.6
50.2
50.1
50.8
48.8
50.3
49.3
50.2
48.8
50.9
49.7
49.4
49.9
49.7
50.6
49.9
49.6
49.6

49.9
50.2
50.0
49.4
49.8
50.7
49.9
49.8
49.3
49.6
50.7
49.6
49.3
50.5
50.2
49.5
48.8
49.3
4937
49.2
49.6
49.9
50.2
48.9

49.0
50.0
50.0
50.1
49.1
49.1
49.5
49.5
49.0
49.8
49.7
49.4
49.2
50.2
49.5
49.3
49.6
49.4
49.9
49.4
49.6
50.0
49.9
50.2

50.1
49.3
49.7
50.5
49.9
49.8
49.9
50.6
49.3
50.4
50.1
49.3
50.5
50.9
49.6
49.9
49.5
50.2
49.1
49.7
49.9
49.7
48.7
49.0

ej4
49.80
49.95
49.88
50.00
49.75
49.70
49.73
50.03
49.43
50.15
49.83
49.65
49.58
50.45
49.53
49.90
49.40
49.58
49.65
49.50
49.93
49.88
49.60
49.43

30

Ejemplo
-3s

Histograma de frecuencias

EI

ES 3s

30
30

28

25

23

20

14

15

10

8
5

0
Pesos

49

50

51

Los lmites naturales son : x 3 x = X 3( d n )

Lmite natural inferior = 48.23
Lmite natural superior = 51.29
LSC = 50.526 LIC = 48.996

Pasos para la implantacin de una grfica de control.

Etapa

Paso

Mtodo a usar

1. Determinar el propsito de la
grfica.
2. Evaluar la situacin actual.
3. Determinar variables crticas.
4. Seleccionar las variables
candidatas.
5. Elegir la grfica apropiada.
6. Decidir como muestrear.
7. Elegir tamao y frecuencia de
muestreo.
8. Estandarizar la toma de datos.

Relacionada con el sistema de calidad.

Grfica de atributos, Histo- grama,Hoja de
verificacin, HB,Diagrama de Ishikawa,
diagrama de flujo,Pareto.
Depende de los pasos anteriores y de la
situacin.
Pensar el subagrupamiento.
Depende de la grfica y de la sensibilidad
deseada.
Precisin, claridad e instru- mentos
adecuados.

9. Asegurarse de la cooperacin.
10. Entrenar a usuarios.
11. Analizar los resultados.

Involucrar a usuarios y tra- bajo en equipo.

Bitcora de acciones.
Localizar patrones y actuar.

Uso

12. Asegurarse de su efectividad.

13. Mantener el inters y
modificar la grfica.

Revisar periodicamente su uso y relevancia.

Cambiar la grfica e involucrar ms a los
usuarios.

Salida

14. Eliminar la grfica.

Si la grfica cumpli o si no tiene razn de

ser.

Preparar

Inicio

31

Indices Cp , Cpk , Cpm

Ayudan a enfatizar la necesidad de mejoras para reducir la variabilidad del
proceso, tambin facilitan la comparacin del desempeo de distintos
procesos y proporcionan un idea aproximada del porcentaje de artculos que
no cumple con especificaciones.
Cp =

Indice Cp (Capacidad potencial)

ES EI
6

Valores del Cp y su interpretacin.

Valor de
Clase

Cp
de Decisin
proceso

Cp > 1.33

Ms que adecuado.

1 < Cp < 1.33

Adecuado para el trabajo, pero requie- re de un

control estricto conforme se acerca el Cp a uno.

0.67 < Cp < 1

No adecuado para el trabajo. Un anlisis del

proceso es necesario. Buena proba- bilidad de
xito.

Cp < 0.67

No adecuado para el trabajo. Requiere de

modificaciones.

Indice Cpk
El indice Cp Estima la capacidad potencial del proceso para cumplir con
tolerancias, pero una de sus desventajas es que no toma en cuenta el
centrado del proceso. Se puede modificar para que evale en donde se
localiza la media del proceso. Al Cp modificado se le llama ndice de
capacidad real Cpk.
MC
MC = min {(ES ), ( EI)}
C pk =
3
Procesos con una sola especificacin
C ps =

ES
3

C pi =

EI

El valor mnimo de los ndices para que se pueda considerar capaz el

proceso de cumplir con la correspondiente especificacin es de 1.25 . Si
la caracterstica de calidad es crtica, entonces el valor mnimo debe ser
1.45 .

32

Indice Cpm
"Cumplir con las especificaciones no es sin nim od e b uen a c ali da d y la
r edu cci n de la va r ia bil i dad de be dar se per oe nt orn oa l v alo r d ec ali dad
ptimo." (G.Taguchi)
Su ndice se fundamenta en lo que llama funcin de prdida.
)

N es el valor nominal de la caracterstica de calidad.

Cuando el ndice es mayor que uno, significa que el proceso cumple con
las especificaciones.

Gr fi cas de cont r ol por atri but os

( Gr fi ca p)

Mu estra las variaciones en la fraccin o proporcin de artculos defectuosos por

muestra. Se emplea para reportar la proporcin de productos defectuosos en un
proceso. Se revisa cada uno de los artculos en la muestra y cada uno de ellos
tiene una calidad aceptable o no. La grfica muestra la proporcin pi de artculos
defectuosos encontrada en cada muestra. El fundamento estadstico es
proporcionado por la distribucin binomial.
Los lmites de control :
LC

p (1 p )
linea central = =p0
n

El tamao de muestra puede ser variable. En estos casos se puede:

- Usar el tamao de muestra promedio en lugar de n
- Construir una grfica de control con lmites variables
En el segundo caso, los lmites de control variables se obtienen como:
LC = p

p (1 p )
ni

33

Grficas de control por atributos

(Grfica p)

Ejemplo:
En una empresa del ramo metal-mecnico, se fabrican vlvulas. Despus
del proceso de fundicin, se hace una inspeccin y las piezas que no
cumplen con ciertas caractersticas son rechazadas. Se construye un
grfica p.
Lote
1
2
3
4
5
6
7
8
9
10
11

Tamao
300
300
300
300
300
300
300
280
290
300
300
n

300

Defect.
15
12
15
7
16
6
18
10
9
25
9
=

0. 0362

LC = p

Pi
Lote
0.05 12
0.0413
0.05 14
0.02 15
0.05 16
0.02 17
0.06 18
0.04 19
0.03 20
0.08 21
0.03

p (1 p )
ni

Tamao
300
300
300
305
295
300
300
300
300
300

0. 0362 3

Grficas de control por atributos

Defect.
4
7
9
5
15
19
7
12
10
4

0. 0362(1 0. 0362)
300

pi
0.01
0.02
0.03
0.02
0.05
0.06
0.02
0.04
0.03
0.01

0. 0686

(Grfica p)

34

Grficas de control por atributos

(Grfica p)

Grfica np
Cuando el tamao de muestra en las grficas p es constante, es ms conveniente
usar la grfica np en la que se grafica el nmero de artculos defectuosos por
muestra en lugar de la proporcin. Sus lmites :
Ejemplo
Lote
1
2
3
4
5
6
7
8
9
10

LC

np

3 n p (1 p )

Muestras de tamao 120

Defectos
Lote
9
6
10
8
5
5
14
12
9
8
Total de defectos= 183 p = 183

(120)(20)

Lnea central

=np

Defectos
11
12
13
14
15
16
17
18
19
20
=

0. 076

LC = n p 3 n p (1 p ) = (120) (0. 076) 3 (120) (0. 076) (1 - 0. 076)

10
20
12
10
10
0
13
5
6
11
ej6
17.

LC =

0.

87
428

35

Grfica np

Grfica c
El objetivo es analizar la variabilidad del nmero de defectos. Se grafica
el nmero de defectos en la i-sima muestra. Sus lmites :
Ejemplo
Se tiene el problema de intoxicacin de los trabajadores debido al
contacto con agentes txicos. Se desea evaluar el nmero de
intoxicados por mes.
Mes
Intoxicados
Mes
Intoxicados
1
6
10
7
2
5
11
5
3
4
12
12
4
4
13
5
5
1
14
4
6
3
15
7
7
3
16
2
8
7
17
4
9
5
18
2
c

LC

4. 78
LC =

3 c = 4. 78

3 4. 78

ej7

11 . 34

-1. 78

36

Grfica c

Grfica u
Cuando en las grficas c el tamao de la muestra no es
constante o cuando, aunque sea constante, se prefiere
cuantificar el nmero promedio de defectos por unidad en
lugar del total de defectos en la muestra, se usa la grfica u.
Sus lmites :
LC = u 3

u
n

Lnea central

= u

Cuando el tamao de las muestras no es el mismo, en

todas las muestras, se sustituye por el tamao promedio de
muestra n o por ni.

37

Ejemplo
La siguiente tabla muestra el nmero de defectos encontrados en en las
muestrs de 24 lotes consecutivos de circuitos electrnicos.
Lote
1
2
3
4
5
6
7
8
9
10
11
12

ni
20
20
20
20
15
15
15
25
25
25
25
30

Defectos
17
24
16
26
15
15
20
18
26
10
25
21

ui
0.9
1.2
0.8
1.3
1.0
1.0
1.3
0.7
1.0
0.4
1.0
0.7

Total observado = 525

Total defectos = 549
u = 1. 04

n = 21. 875

Lote
13
14
15
16
17
18
19
20
21
22
23
24

ni
30
30
30
30
30
30
15
15
15
15
15
15

Defectos
40
24
46
32
30
34
11
14
30
17
18
20

LC = u 3

u
1. 04
= 1. 04 3
21. 875
n

ui
1.3
0.8
1.5
1.1
1.0
1.1
0.7
0.9
2.0
1.1
1.2
1.3
ej8

1. 69

LC =

0.

38

Grfica u

38

Pruebas

Prueba 1

Prueba 2
Nueve puntos consecutivos del
mismo lado de la linea central.

Prueba 3

Prueba 4

Seis puntos consecutivos

crecientes o decrecientes

14 puntos consecutivos alternado

arriba y abajo

39