ORGANIZACIÓN DE LA EMPRESA

INDUSTRIAL

Tema 12: Control Estadístico de

Procesos (Statistical Process Control –
SPC)
Francesc Amaro Martínez
 Índice

• Introducción.
• Tipos de Variaciones o Causas de Variabilidad.
• Objetivo del SPC.
• Muestras.
• Fundamentos de Estadística.
• Gráficos de Control.
• Tipos de Gráficos de Control.
• Gráficos de Control para variables.
– Límites de Control del Gráfico de medias (Gráfico X).
– Límites de Control del Gráfico de rangos (Gráfico R).2
 Índice

• Resumen Gráficos de Control para variables (𝑋ത y

R ).
• Gráficos de Control para los Atributos.
– Gráficos p.
– Gráficos c.
• Reflexiones finales acerca de los Gráficos de
Control.
• Capacidad de proceso.

3
 Índice

• Muestreo de aceptación.
– Plan de Muestreo.
– Curva Característica Operativa.
– Calidad media de Salida.
• Resumen de las técnicas estadísticas para
reducir la variabilidad de los procesos.

4
 Introducción
• El Control Estadístico de Procesos (Statistical Process
Control – SPC) es la aplicación de técnicas estadísticas al
control de procesos.
• Evalúan la calidad desde el punto de vista del
cumplimiento.
• Nació a finales de los años 1920 en los Bell Laboratories.
Su creador fue W. A. Shewart.
• Consiste en efectuar mediciones, controlar estándares, y
tomar las medidas correctoras adecuadas mientras se
fabrica un producto.
• Todos los procesos están afectados por gran número de
factores sometidos a variabilidad, lo cuál provoca a su vez
la variabilidad de las características (calidad) del producto
fabricado. 5
 Tipos de Variaciones o
Causas de Variabilidad
• Factores sometidos a variabilidad :
– Mat. prima, humedad ambiental, temperatura, habilidad
del operario, repetibilidad de la maquinaria, etc.
• Hay dos tipos de variaciones o de causas de
variabilidad de un proceso:
– Variaciones por causas naturales o causas comunes
• Afectan a todos los procesos de producción, y siempre hay que
contar con ellas.
• Las pequeñas oscilaciones de todos los factores que
intervienen en el proceso, en su conjunto pueden describirse a
través de una distribución.
• Se comportan como un sistema constante de causas aleatorias.
• Si ninguna de las causas comunes (aleatorias) influye más
(predomina) sobre las otras, la distribución es Normal N (, ).
6
 Tipos de Variaciones o
Causas de Variabilidad
– Variaciones por causas asignables o imputables,
específicas o especiales
• Desgaste de la maquinaria, equipos mal ajustados, fatiga de los
trabajadores o con insuficiente capacitación, nuevos lotes de mat.
prima, etc.
• Un proceso está “bajo control estadístico” cuando no
hay causas asignables (solo hay causas comunes o
variaciones naturales).
• Pero puede ocurrir que un proceso esté bajo control
estadístico, y sea incapaz de producir dentro de los
límites de control requeridos.
• Se dice que un proceso está bajo control cuando la
distribución (medición de la producción) se mantiene
7
dentro de los límites especificados.
 Objetivo del SPC

• Analizar la información aportada por el proceso para :

– asegurarse de que puede funcionar bajo control, solo con
variaciones naturales.
– Identificar y eliminar las variaciones asignables, para que el
proceso pueda seguir bajo control.
• Para ello se emplean los Gráficos de Control.
• Si el proceso se encuentra bajo control estadístico, es
posible realizar una predicción del intervalo en el que
se encontrará una unidad fabricada respecto de la
variable de calidad que estemos controlando.
8
 Muestras
• Para determinar la variabilidad del proceso se toman muestras (a
menudo de 4 a 8 unidades) en lugar de unidades individuales, y se
analizan.

9
 Fundamentos de Estadística
(Distribución Normal)

• Distribución Normal o Campana de Gauss

10
Fundamentos de Estadística
(Distribución Normal)

11
 Fundamentos de Estadística

• Teorema del Límite Central

– Si una variable aleatoria se obtiene como suma de
muchas causas independientes, siendo cada una de
ellas de poca importancia respecto del conjunto,
entonces su distribución es asintóticamente normal
– Es decir:
Si la variable X = x1 + x2 + … … xn
en donde las xi son variables aleatorias de media µi y
varianza σi2 , entonces :
X N ( σ𝑛𝑖=1 µ𝑖 , σ𝑛𝑖=1 σi2 )

12
 Fundamentos de Estadística

• Distribución de las medias muestrales

– Si la distribución de una variable aleatoria X de una población
sigue una ley normal N (µ, σ), y de dicha población se extraen
m muestras de tamaño n , las medias muestrales se
distribuyen según una ley normal :
σ
𝑋ത m N(µ, )
𝑛
– Además incluso en el caso de que la población no sea
normal, si el tamaño de la muestra n es suficientemente
grande (n ≥ 25), la distribución de las medias muestrales
tiende a ser normal.
– Lo mismo ocurre cuando m aumenta, aunque n sea pequeño
(del orden de 4 – 5).
13
 Fundamentos dede
Fundamentos Estadística
Esadística

Tres distribuciones de población Distribución de las medias de las muestras

Beta
Media de las medias de las muestras = 𝑥Ӗ = µ
Desviación estándar
Normal
de las medias de las =  
=
muestras x
n

Uniforme

- 3 x - 2  x - 1 x x + 1 x + 2  x + 3 x
(media)
95.45% está dentro de  2x

99.73% permanece dentro de  3x

Fundamentos de Estadística

Distribución de las
medias de las muestras

Distribución
de la media en
el proceso

=
X = 
(media)
 Gráficos de Control

• Con los resultados obtenidos de las muestras se

dibujan los gráficos de control con el objetivo de
distinguir entre variaciones naturales y
variaciones asignables.
• Hay 3 tipos de resultados:

16
 Gráficos de Control

(a) Bajo control estadístico y

capaz de producir dentro de
los límites de control
Proceso con sólo causas
naturales de variación y capaz
Frecuencia de producir dentro de los
límites de control establecidos.

Límite de Control Inferior Límite de Control Superior

(b) Bajo control estadístico pero incapaz

de producir dentro de los límites de
control.
Proceso bajo control (sólo están presentes
causas naturales de variación), pero incapaz
de producir dentro de los límites de control
establecidos.

(c) Fuera de control.

Proceso fuera de control, con causas
asignables de variación.
Tamaño
(variable : peso, longitud, velocidad, etc.)
 Tipos de Gráficos de Control

• Gráficos de Control para varibles

– Las variables a medir y controlar tienen valores
continuos (p. ej. el peso, el diámetro, la resistencia, la
longitud, etc.).
– Se utilizan gráficos de control para la media de las
muestras 𝑋ത y el rango R.

• Gráficos de Control para Atributos

– Se utilizan cuando las muestras se analizan por
atributos, y el resultado final de la inspección es
producto defectuoso, o producto no defectuoso.
18
 Gráficos de Control para variables

• Gráfico 𝑿ഥ informa de cambios en la tendencia

central (media) del proceso.
– Puede ser debido a factores como desgaste de
herramientas, incrementos graduales de temperatura,
utilización de métodos de trabajo diferentes de un
turno a otro, nuevos materiales, etc.

• Gráfico R indica cambios de uniformidad o

cambios en la dispersión del proceso.
– Puede deberse a desgastes de cojinetes, lubricación
imprevisible de la máquina, falta de control del
operario. 19
 Gráficos de control para variables
ത
Límites de Control Gráfico de medias (Gráfico 𝑋)

𝐿𝐶𝑆𝑋ത = 𝑈𝐶𝐿𝑋ത = 𝑋ധ + 𝑍 ∗ σ𝑋ത

𝐿𝐶𝐼𝑋ത = 𝐿𝐶𝐿𝑋ത = 𝑋ധ − 𝑍 ∗ σ𝑋ത

En donde:
𝑋ധ : es la media de las medias de las muestras o un
valor objectivo establecido para el proceso.
Z : es el número de desviaciones estándar normales.
σ𝑥 ҧ : es la desviación estándar de la media de las
muestras (= σൗ 𝑛).
σ : es la desviación estándar de la población (proceso).
n : es el tamaño de la muestra
20
 Gráficos de control para variables
ത
Límites de Control Gráfico de medias (Gráfico 𝑋)

• Cuando no se conoce o es difícil de calcular 

(desviación estandar del proceso), los límites de
control se calculan en base a los valores medios
del Rango.
• Se define el Rango como la diferencia entre el
valor mayor y el menor de una muestra.
• De este modo para desviaciones ± 3 las
fórmulas a aplicar son:
𝐿𝐶𝑆𝑋ത = 𝑈𝐶𝐿𝑋ത = 𝑋ധ + 𝐴2 ∗ 𝑅ത
𝐿𝐶𝐼𝑋ത = 𝐿𝐶𝐿𝑋ത = 𝑋ധ − 𝐴2 ∗ 𝑅ത
21
 Gráficos de control para variables
ത
Límites de Control Gráfico de medias (Gráfico 𝑋)

siendo:
𝑅ത : la media del rango de las muestras.
A2 : el valor encontrado en la Tabla adjunta.
𝑋ധ : la media de la media de las muestras.
Factores para calcular los límites de control de los gráficos 𝑋ത y R, para 3 .

22
 Gráficos de control para variables
Límites de Control Gráfico de Rangos (Gráfico R)

• Aún cuando la media del proceso esté bajo

control, puede ser que la variabilidad no lo esté.
• Los gráficos de rangos controlan la variabilidad
del proceso.
• Para desviaciones de ± 3 las fórmulas a aplicar
son:
𝐿𝐶𝑆𝑅 = 𝑈𝐿𝐶𝑅 = D4 * 𝑅ത
𝐿𝐶𝐼𝑅 = 𝐿𝐶𝐿𝑅 = D3 * 𝑅ത

23
 Gráficos de control para variables
Límites de Control Gráfico de Rangos (Gráfico R)

siendo:
𝑅ത : la media del rango de las muestras.
Factores para calcular los límites de control de los gráficos 𝑋ത y R, para 3 .

24
 Resumen Gráficos de Control para variables
(Gráfico 𝑋ത y Gráfico R)

• Los gráficos de media (𝑋)ത y de rango (R ), se

complementan al mostrar la media y la
dispersión de la distribución normal del proceso:

25
 Resumen Gráficos de Control para variables
(Gráfico 𝑋ത y Gráfico R)

• Los pasos a seguir cuando se utilizan los gráficos de

control para variables (Gráfico de medias 𝑋ത y
Gráfico de rangos R ), son los siguientes:
– De un proceso estable tomar de 20 a 25 muestras, de tamaño n
= 4 – 5, y calcular la media y el rango de cada muestra.
– Calcular las medias 𝑋ധ y 𝑅ത y fijar los límites de control (LCI y LCS),
normalmente para un 99.73% de probabilidad. Si el proceso no
es estable en la actualidad, utilizar la media deseada µ, en lugar
ധ para calcular los límites.
de 𝑋,
– Dibujar los gráficos de control de 𝑋ധ y 𝑅ത , y determinar si están
fuera de los límites aceptables.
– Investigar los puntos que indican que el proceso está fuera de
control, y tratar de asignar las causas de variación.
– Repetir el proceso anterior y, en caso necesario, revalidar los
26
límites de control con los nuevos datos.
 Gráficos de Control para los Atributos

• Cuando controlamos por atributos el resultado final de

la inspección es : producto defectuoso o producto no
defectuoso.
• Hay dos casos posibles:
– Medir el % de defectos en una muestra (gráficos p).
• Las observaciones son atributos que tienen dos estados
possibles, y se pueden classificar como: correcto o
incorrecto; funciona o no funciona.
– Contar el número de defectos en una muestra
(gráficos c).
• Las observaciones son atributos cuyos defectos por
unidad de producto se pueden contar: nº de defectos en
una mesa, quejas recibidas en un día, nº de circuitos
dañados en un microchip,faltas de ortografía en un
informe.
27
 Gráficos de Control para los Atributos
(Gráficos p)
• Se utilizan cuando queremos controlar el % de defectos.

• Las fórmulas a utilizar son:

𝐿𝐶𝑆𝑝 = 𝑈𝐶𝐿𝑝 = 𝑝ҧ + 𝑧 ∗ σ𝑝ො
𝐿𝐶𝐼𝑝 = 𝐿𝐶𝐿𝑝 = 𝑝ҧ − 𝑧 ∗ σ𝑝ො
𝑝ഥ ∗ (1 − 𝑝)ҧ
σ𝑝ො =
𝑛

en donde :
𝑝ҧ : es el tanto por uno de atributos defectuosos en las
muestras.
z : es el número de desviaciones estándar de la distribución
de las muestras.
σ𝑝 Ƹ : es la desviación estándar de la distribución de las
muestras.
28
n : es el tamaño de las muestras.
 Gráficos de Control para los Atributos
(Gráficos c)
• Se utilizan cuando queremos controlar el
número de defectos por unidad de output.
• Las fórmulas a utilizar son:
𝐿𝐶𝑆𝑐 = 𝑈𝐶𝐿𝑐 = 𝑐ҧ + 𝑧 ∗ 𝑐ҧ
𝐿𝐶𝐼𝑐 = 𝐿𝐶𝐿𝑐 = 𝑐ҧ − 𝑧 ∗ 𝑐ҧ
en donde :
𝑐ҧ : es el número medio de defectos por
unidad.
z : es el número de desviaciones estándar.
𝑐ҧ : es la desviación estándar.
29
 Reflexiones finales acera de
los Gráficos de Control

• Hay que tomar 3 niveles de decisiones:

– Seleccionar los puntos del proceso en los que llevar a
cabo el SPC.
– Decidir el tipo de gráfico más adecuado:
• Gráficos por variables (Gráfico X y Gráfico R).
• Gráficos por atributos (Gráfico p o Gráfico c).
– Definir una política clara y específica sobre SPC.

30
Reflexiones finales acera de
los Gráficos de Control

31
 Capacidad del proceso

• Un proceso puede ser estable (estar

estadísticamente bajo control) pero fabricar
productos fuera de especificaciones.
• Capacidad de proceso se define como la
capacidad del proceso de satisfacer las
especificaciones del diseño definidas por el
Dpto. de diseño o de Ingeniería.
• Hay dos ratios para determinar si un proceso es
capaz:
– Ratio de Capacidad del proceso (Cp).
– Índice de Capacidad del proceso (Cpk). 32
 Capacidad del proceso

Ratio de Capacidad del proceso :

(𝐿í𝑚𝑖𝑡𝑒 𝑑𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟 − 𝐿í𝑚𝑖𝑡𝑒 𝑑𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟)
𝐶𝑝 =
6σ

• Cp hace referencia a la dispersión del proceso

respecto a su tolerancia.
• Si Cp ≥ 1 , el proceso es capaz.
• Si Cp < 1 , el proceso da lugar a productos fuera
del intervalo permisible.
• Si fuera Cp = 1.33 , ¿cuántos defectos por millón
tendremos?
33
 Capacidad del proceso

• Y si fuera Cp = 2? Este es el objetivo que se

plantea en Seis Sigma

34
Capacidad del proceso

35
 Capacidad del proceso

Índice de Capacidad del proceso:

( 𝐿í𝑚𝑖𝑡𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟 − 𝑋ത ) ( 𝑋ഥ − 𝐿í𝑚𝑖𝑡𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝐼𝑛𝑓𝑒𝑟𝑖𝑜𝑟 )

𝐶𝑝𝑘 = 𝑀𝑖𝑛 ,
3σ 3σ

siendo :
𝑋ത : la media del proceso.
σ : la desviación estándar del proceso.

• Cuando 𝐶𝑝𝑘 = 1, la variación del proceso está centrada

dentro de los límites superior e inferior de la especificación,
y el proceso es capaz de producir dentro de una desviación
de ± 3σ.
36
 Capacidad del proceso

Cpk = número negativo

Cpk = cero

Cpk = entre cero y 1

Cpk = 1

Cpk mayor de 1

LEI LES 37
 Muestreo de Aceptación

• Implica tomar muestras aleatorias de lotes de

productos, analizarlos y compararlos con el
estándar.
• Se aplica a las materias primas a la llegada a la
fábrica, a los semielaborados o al producto
acabado.
• Es menos costoso que la inspección al 100% de la
producción.
• La calidad encontrada en la muestra se utiliza para
juzgar la calidad de todo el lote.
• Se pueden inspeccionar tanto atributos como
variables, pero es más común inspeccionar
atributos. 38
 Muestreo de Aceptación

• El muestreo de aceptación nunca debe sustituir

los controles adecuados de proceso.
• Cuando se rechaza un lote:
– O bien se devuelve al proveedor para que lo reponga.
– O bien se inspecciona el lote al 100% para encontrar
todos los defectos, y se factura al proveedor el coste
de la inspección.
• Para el producto procedente de un proveedor
externo, la tendencia actual es la de auditar al
proveedor y establecer controles estadísticos de
calidad (SPC), de modo que se pueda suprimir
el muestreo de aceptación. 39
 Muestreo de Aceptación
Plan de Muestreo – Sampling Plan

• El Plan de Muestreo es el conjunto de

procedimientos utilizados en el muestreo de
aceptación.
• Vamos a ver el Plan de Muestreo simple (solo
hay una muestra), el cuál identifica:
– El tipo de muestra.
– El tamaño de la muestra (n).
– El criterio utilizado (c) para aceptar o rechazar un lote.
Si en la muestra de tamaño n se encuentran c o menos
unidades defectuosas, se acepta; en caso contrario, se
rechaza, o se analiza totalmente.
40
 Muestreo de Aceptación
Curva Característica Operativa

• La Curva Característica Operativa representa

la capacidad de un Plan de Aceptación para
discriminar entre lotes buenos y malos.
• Muestra la probabilidad de que se acepten lotes
de diferentes niveles de calidad.
• El Plan de muestreo corre siempre el riesgo de
llegar a conclusiones erróneas :
– Riesgo del productor: es la probabilidad de que se
rechace un lote en buen estado (α). Se le denomina
error del tipo I.
– Riesgo del consumidor: es la probabilidad de que
se acepte un lote de mala calidad (β). Se le
denomina error del tipo II. 41
 Muestreo de Aceptación
Curva Característica Operativa

100  = 0,05 riesgo del productor en AQL

95

75

Probabilidad
de aceptación
50

25

10
= 0,10 Porcentaje
0 de defectos
Riesgo del 0 1 2 3 4 5 6 7 8
consumidor en el lote
en la LTPD AQL LTPD
Lotes Lotes malos
Zona de indiferencia
buenos
 Muestreo de Aceptación
Curva Característica Operativa

• Nivel de Calidad Aceptable (AQL – Acceptable

Quality Level).
– Es el nivel de calidad más bajo que estamos dispuestos
a aceptar.
– Es el nivel de calidad de un lote considerado bueno.
• Porcentaje de tolerancia de defectos en un
lote (LTPD - Lot Tolerance Percent Defective).
– Es el nivel de calidad de un lote que consideramos
malo.
– Rechazamos lo lotes que tengan este nivel de calidad o
uno inferior.
43
 Muestreo de Aceptación
Calidad media de Salida

• Calidad de media de Salida

– En la mayoría de los Planes de Muestreo, cuando se
rechaza un lote se inspecciona todo el lote y se
sustituyen las unidades defectuosas.
– De este modo se mejora la calidad del producto
entregado (calidad de salida).
– Conocido el plan de muestreo que reemplace las
unidades defectuosas, y el porcentaje verdadero de
unidades defectuosas en el lote, se puede calcular la
calidad media de salida (AOQ –Average Outgoing
Quality) :
𝑷𝒅 ∗ 𝑷𝒂 ∗ (𝑵 − 𝒏)
𝑨𝑶𝑸 = 44
𝑵
 Muestreo de Aceptación
Calidad de Salida

siendo:
𝑃𝑑 : % real de unidades defectuosas en el
lote.
𝑃𝑎 : probabilidad de aceptar el lote.
𝑁 : número de unidades del lote.
𝑛 : tamaño de la muestra.

45
 Resumen de Técnicas Estadísticas para
reducir la variabilidad de los procesos

Límite de Límite de
Especificación Especificación
Inferior Superior
(a) Muestreo de
aceptación

(b) Control estadístico

de procesos (Proceso
bajo control).

(c) cpk >1 . Proceso

diseñado bajo control

LEI LES