Captulo 3

Principios Generales de los

Grficos de Control
Los grficos de Control (tambin denominados grficos de Shewhart) son una
herramienta grfica para analizar si una proceso est bajo control estadstico. Este captulo introduce los conceptos y principios generales de los grficos de control y los ilustra con una aplicacin simple a un grfico de valores
individuales.

3.1 Definicin
Un grfico de control es un grfico sobre el que se hace corresponder un
punto a cada valor de un estadstico calculado a partir de muestra sucesivas
extradas de un proceso de fabricacin.
Cada uno de estos puntos tiene por abscisa el nmero de muestra ( o el
da y hora de obtencin) y por ordenada el valor del estadstico calculado
con dicha muestra.
El grfico contiene tambin una lnea central que representa el valor medio de la estadstica representada cuando el proceso est bajo control es31

X-bar Chart for C3

Observaciones

20

LCS

15

Linea Central

10

LCI
0

10

20

30

40

50

60

70

80

Sample Number

Figura 3.1: Grfico de control con lneas de referencia

tadstico y una o dos lmites denominados lmites de control superior (LCS) y

lmite de control inferior (LCI). (ver figura 3.1).

3.2 Tipos de Grficos de Control

Podemos clasificar los grficos de control en dos grandes grupos en funcin
de la caracterstica de calidad que controlan:
Grficos de control por variables. Entendemos, bsicamente, por variable cualquier caracterstica que pueda ser medida o recogida en
escala continua.
Grficos de control por atributos. Cuando la caracterstica no responde
a una escala de medida y debe ser clasificada dentro de un conjunto de categoras. Entonces la caracterstica de calidad se denomina
atributo.

32

Dentro del curso estudiaremos grficos de control por variables asociados

a la media, y a la dispersin para datos agrupados; as como grficos de observaciones individuales y de rangos mviles. Los principales grficos de control por atributos son grficos para la proporcin de defectuosos, el nmero
de defectuosos por lote, el nmero de defectos y el nmero de defectos por
unidad.
Tambin son cada vez ms utilizados grficos de control con memoria, tales como grficos EWMA, CUSUM y MA (media mvil). Cuando se desean
controlar simultneamente varias caractersticas de calidad son necesarios
grficos de control multivariantes (basados en el estadstico T 2 de Hottelling)
y si existe dependencia entre las observaciones grficos de control para datos autocorrelados. Estos dos ltimos tipos de grficos no sern vistos de forma
detallada en el curso.
Utilizaremos los grficos de control por variables y en concreto los grficos
para observaciones individuales, como elementos donde poder introducir los
principales conceptos y definiciones.

3.3 Principio bsico de uso de un grfico de control

Un grfico de control es la representacin de la evolucin de una caracterstica de la calidad del producto o servicio de inters (ver figura 3.1). Los
elementos bsicos son la lnea central, que representa el nivel medio de dicha caracterstica, y los lmites de control: lmite de control superior o LCS
y lmite de control inferior o LCI. La utilizacin del grfico de control es, en
principio, bastante simple: si el proceso est bajo control (slo actan causas de variabilidad no asignables), la prctica totalidad de las observaciones representadas estarn dentro de dichos lmites de control, mientras que
si el proceso est fuera de control (est actuando alguna causa asignable)
las observaciones caern, con mucha probabilidad, fuera de dichos lmites.
33

Las observaciones suelen corresponder a mediciones realizadas sobre muestras de artculos: valores medios, desviaciones tpicas, rango, etc; aunque
tambin existen grficos realizados sobre observaciones individuales. Estas
mediciones se realizan a lo largo del tiempo, por lo que el grfico es una evolucin temporal de la calidad. Los puntos representados se unen por lneas
para visualizarlo mejor.
A pesar de su aparente simplicidad, la interpretacin del grfico de control ha de ser hecha con cierta cautela. Como veremos ms adelante, incluso si todos los puntos estn dentro de los lmites de control, es posible que el
proceso est fuera de control.
En ocasiones, se aaden lmites de aviso o de alerta a los lmites de control.
En el caso de que el estadstico se encuentre entre los lmites de aviso y los
de control, se suele reforzar el control del proceso.

3.4 Objetivos y beneficios

Entre los principales objetivos y beneficios de los grficos de control se encuentran:
Los grficos de control aumentan la productividad y disminuyen los costes. Previenen la produccin de producto defectuoso manteniendo el
proceso bajo control estadstico. La productividad aumenta al aumentar la proporcin de producto conforme y evitar las revisiones y desechos.
Los grficos de control impiden el infra y sobre control. Nunca se puede
obtener un proceso que produzca todas las unidades idnticas por lo
que hay que saber distinguir cuando es necesario un ajuste del proceso
y cuando no lo es a pesar de la variabilidad en el producto. Un exceso de celo en el ajuste pude provocar a la larga un incremento de la
variabilidad final ms que una disminucin.
34

 Los grficos de control pueden dar indicios sobre las causas del problema. La inspeccin por parte de especialistas en el proceso y en el uso
del grfico puede aportar informacin sobre el tipo o causa del problema que puede estar ocasionando la salida de control (tendencia,
comportamiento cclico, etc..)
Los grficos de control permiten medir la capacidad o aptitud de un
proceso. Nos permiten estimar la tendencia central y la variabilidad de
la caracterstica de calidad estudiada, de forma que podemos estimar
la aptitud del proceso para satisfacer unos requerimientos u otros.
Los grficos de control son una herramienta simple de utilizar por todos
y provee un lenguaje comn para representar un proceso.

3.5 Hiptesis subyacentes en los grficos de control por variables

Tomando como punto de partida los grficos de control para variables, suponemos que extraemos muestras durante el transcurso del proceso y que
una (o varias) caracterstica(s) son medidas sobre dichas muestras.
Denotemos por Xi el valor de la caracterstica de calidad para la muestra extrada en el instante i, (1 i N ) si el tamao de la muestra es 1 y
(Xi1 , Xi2 , . . . , Xini ) los correspondientes valores cuando la muestra sea de tamao ni .
Las hiptesis que asumimos sobre la distribucin de X, son:
Xi Xij N (, ) i.i.d.

(3.1)

es decir:
La caracterstica de inters sigue una distribucin Normal de media y
desviacin tpica .
35

 Las observaciones son independientes (entre muestras y dentro de una

muestra).
Estas son las hiptesis admitidas cuando el proceso est bajo control estadstico. El objetivo primordial del grfico de control es detectar si estas
hiptesis dejan de verificarse (por ejemplo: un desplazamiento paulatino de
la media, un aumento de la dispersin , etc.. . . )
Comentarios: La eleccin de los lmites de control de los grficos se realiza
bajo estas hiptesis estadsticas. Las decisiones que se tomen en situaciones
donde no se cumplan estas hiptesis pueden quedar sin justificacin o ser
incorrectas. Son conocidos numerosos contrastes de hiptesis que nos permiten validar la normalidad o la independencia de unos datos (test de normalidad, test de Kolmogorov-Smirnov, grfico de normalidad, test de rachas
o grficos de autocorrelacin, entre otros).

3.6 El grfico de control como test de hiptesis

Es importante que veamos la estrecha relacin entre los grficos de control y
el test de hiptesis: el grfico de control tiene por objetivo, en cada momento
en el que un dato Xi o una muestra (Xi1 , Xi2 , . . . , Xini ) se extrae, contrastar si
el proceso sigue siempre bajo control, es decir sigue las hiptesis dadas en
(3.1)
Los lmites de control delimitan la regin de aceptacin y de rechazo del
test. Si el punto cae dentro de los lmites concluimos que el proceso sigue
bajo control y si cae fuera de los lmites se decide que el proceso est fuera
de control.
Al igual que en un test de hiptesis usual, existen dos tipos de posibles
errores:
Error de tipo I: Un punto cae fuera de los lmites de control a pesar de
que el proceso sigue bajo control. Es lo que se denomina una falsa alarma. Este error est controlado por la eleccin de los lmites de control.
36

Denotamos por la probabilidad del error de tipo I o riesgo de primera

especie.
Error de tipo II: Un punto est dentro de los lmites de control a pesar de
que el proceso est fuera de control, es decir ya no sigue las hiptesis
establecidas al principio. Puede ser por ejemplo que, ha variado el valor
medio, o se ha incrementado la varianza de la distribucin o incluso
que esta ha cambiado de forma . . . . Este error es difcil de controlar
pues depende de parmetros desconocidos de la nueva distribucin.
Denotemos por la probabilidad del error de tipo II o riesgo de segunda
especie.

3.7 Eleccin de los lmites de control

3.7.1 Lmites de control
La eleccin de los lmites de control es una cuestin importante cuando uno
define un grfico de control. Los lmites dependen de la caracterstica o estadstico que se representa sobre el grfico pero se eligen siguiendo un principio
comn.
Sea un estadstico de media y de desviacin tpica representado en
el grfico de control. En un instante i, i puede ser el valor de una observacin
Xi de la caracterstica X, o la media, o el rango o la desviacin tpica de
una muestra tomada en el instante i: (Xi1 , Xi2 , . . . , Xini ). Por ejemplo si i = Xi ,
entonces = y = .
La lnea central (LC) y los lmites de control son en general definidos del
siguiente modo:
Lmite de Control Superior (LCS): + k
Lnea Central (LC): .
37

 Lmite de Control Inferior (LCI): k

donde k es la distancia de los lmites de control a la lnea central
Observemos que por sencillez, los lmites se sitan simtricos alrededor de
la lnea central, si bien para ciertos estadsticos (como para el caso del
rango) la distribucin del estadstico no es simtrica alrededor de su media.

3.7.2 Eleccin del parmetro k

El valor de k influye directamente en los errores de tipo I y II asociados al
grfico de control. Un valor elevado de k disminuye la probabilidad de error
de tipo I pero aumenta la probabilidad de error de tipo II.
Si el estadstico tiene distribucin N ( , ), se verifica fcilmente que la
probabilidad de un error de tipo I (o falsa alarma) est dada por:
P ( < LCI > LCS) = P ( < k ) + P ( > + k )
= P (Z < k) + P (Z > k) = 2P (Z < k)

(3.2)
(3.3)

donde Z N (0, 1). Si tomamos por ejemplo k = 3, resulta que la probabilidad

de observar una falsa alarma vale
P ( < LCI > LCS) = 2 P (Z < 3) = 2 0.00135 = 0.0027 0.003
de donde se deduce que un grfico de control para un estadstico con distribucin normal y lmites de control 3 tiene alrededor de un 3 por mil de
opciones de provocar una falsa alarma cuando el proceso est bajo control
estadstico.
Esta eleccin de k = 3 es una de las ms frecuentes, pero puede ser variada segn los casos, as si los gastos derivados de una situacin de no control
son mucho ms elevados que los que siguen a un bsqueda de causas tras
una alarma, el valor k puede reducirse a 2.5 o incluso a 2.
Es muy frecuente el uso del trmino grficos de control 3-sigma (o 3
) , o en general k-sigma para hacer referencia a los grficos de control
establecidos con lmites de control a una distancia de de k .
38

3.7.3

Lmites de aviso

Es frecuente encontrar en los grficos de control, adems de los lmites de

control, lmites de aviso a una distancia de la lnea central de 2 . Estos
lmites se denominan en ingls lower and upper warning limits, LWL y UWL, respectivamente. Siguiendo con las hiptesis anteriores, un punto del proceso
bajo control sobrepasar estos lmites con una probabilidad del 0.05, es decir
nos encontraremos falsos avisos en 5 de cada 100 ocasiones.

3.7.4

Estimacin de los lmites de control en la prctica

En la prctica, los valores de y no son conocidos con exactitud. En tal

caso se suele proceder en dos etapas:
1. Periodo de estimacin. Se toman muestras durante un cierto periodo, en
el que creemos que el proceso se encuentra bajo control. Con dichas
muestras se estiman los parmetros desconocidos y necesarios para representar los lmites de control y la lnea central, usualmente se debe
estimar y . Con los lmites de control provisionales se representa el
grfico de control asociado a estos datos, si alguno se sale de los lmites,
este dato debe ser eliminado y los lmites recalculados. Este proceso se
repite hasta que todos los puntos caen dentro de los lmites de control
provisionales.
2. Periodo de uso. Una vez que los lmites de control provisionales parecen
haber sido estimados con puntos del proceso bajo control, estos lmites
pasan a definitivos y se utilizan para seguir controlando los nuevos datos
que genere el proceso. Por supuesto, si el proceso lleva mucho tiempo
en funcionamiento, es conveniente una verificacin de los lmites y en
su caso una puesta al da.

39

3.8 Curva Caracterstica y tiempo medio de deteccin de una alarma

En el diseo y construccin de un plan de control, es necesario especificar
el tamao de las muestras extradas y la frecuencia de muestreo. En el caso
particular que nos sirve de modelo, grficos de control para observaciones
individuales, el tamao es 1. Esta eleccin particular nos permite en este
caso poder determinar el error de tipo II del test. Minimizar este error resulta
equivalente a maximizar la probabilidad de detectar rpidamente un desplazamiento de la media del proceso.
En esta seccin veremos los recursos tcnicos con los que podemos hacer
un estudio de estas caractersticas.
Como ya hemos comentado, los desajustes de un proceso pueden ser
debido a cambios variados: desplazamiento de la media, modificacin de
la variabilidad o una variacin en la propia forma de la distribucin. Nos
limitaremos en estos momentos al estudio de desviaciones en la media del
proceso. Si la caracterstica X, sigue una distribucin Xi N (0 , ), podemos
representar una variacin brusca (o un salto) en la media del proceso en el
instante t del modo siguiente:
Xi N (0 , ) i.i.d.

i = 1, . . . , t 1

N (1 = 0 + c, ) i.i.d.

i = t, t + 1, . . .

(3.4)
(3.5)

donde c es el desarreglo o desviacin brusco del proceso (observar que se

trata de una variacin en la media de c desviaciones tpicas de la variable,
esta es la forma natural de medir desviaciones en la media de un proceso,
las unidades naturales)
Veamos dos nociones utilizadas para expresar la capacidad de un grfico
de control para detectar las variaciones del proceso: la curva caracterstica
(OC curve: operating characteristic curve) y el tiempo medio de deteccin
(ARL: average run length)
40

Curva caracterstica (varios lmites de control)

1,0
k=3

Probabilidad

k=2,5
k=2

0,5

0,0
0

Variacin de la media (en desviaciones tpicas)

Figura 3.2: Ejemplo de curva caracterstica para tamao de muestra 1 y

diversos lmites de control

3.8.1

Curva Caracterstica

La curva caracterstica es una curva que nos da, en funcin de la variacin

ms o menos grande en la media del proceso, la probabilidad de observar
un punto dentro de los lmites de control, es decir de aceptar que la fabricacin sigue bajo control a pesar de que est eventualmente fuera de control.
Esta curva permite visualizar los riesgo de primera y segunda especie del
grfico y comparar diferentes tamaos de muestra o distintos lmites de control o distintos grficos alternativos.
El clculo y representacin de esta curva es especialmente simple en el
caso de los grficos de valores individuales.
Las curvas de eficacia dibujadas representan la probabilidad OC(c) de
que un punto Xi caiga dentro de los lmites de control LCI (0 k) y LCS
(0 + k) si la media del proceso vara de 0 a 0 + c, para valores (0 c 5).

41

Hemos dibujado en la figura 3.2 la curva caracterstica para k = 2, 2.5 y 3 para

comparar distintos grficos de control frecuentes.
La probabilidad representada viene dada por:
OC(c) = P (LCI < Xi < LCS|i = 0 + c)
= P (0 k < Xi < 0 + k|i = 0 + c)


0 k (0 + c)
0 + k (0 + c)
= P
<Z<

= P (k c < Z < k c)

(3.6)
(3.7)

En c = 0, OC(0) es la probabilidad de observar un punto dentro de los

lmites de control cuando el proceso est bajo control, es decir 1 OC(0) es la
probabilidad del error de tipo I, la probabilidad de observar una falsa alarma
cuando el proceso est bajo control. Este riesgo vemos que disminuye al
aumentar el valor de k.
Para valores c > 0, OC(c) representa directamente la probabilidad de
aceptar un punto cuando el proceso ya no est bajo control, por lo que
directamente se trata de la probabilidad del error de tipo II o riesgo de segunda especie, tambin denotado por . Como cabe imaginar OC(c) disminuye al aumentar c. Respecto al efecto de k, valores menores de k permiten
disminuir pero a costa de incrementar el riesgo de primera especie .

3.8.2

Tiempo medio de deteccin

El ARL(c) (average run length) es el tiempo medio (nmero medio de puntos representados en el grfico) necesario para obtener un punto fuera de
los lmites de control cuando una variacin de c unidades se da de forma
continuada en la media de la caracterstica de calidad controlada.
Esta medida es bastante utilizada a la hora de comparar diferentes grficos de control y para medir la sensibilidad.

42

En los grficos de control de Shewart, el ARL(c) est dado por:

ARL(c) =

1
1
=
1 OC(c)
1 P (LCI < X < LCS| = 0 + c)

(3.8)

es decir, es el recproco de la eficacia de la curva. Este resultado se comprueba fcilmente.

Sea Y la variable aleatoria que cuenta el nmero de puntos representados sobre el grfico antes de observar una alarma (alarma incluida). Como
las observaciones representadas en el grfico son independientes, Y sigue
una ley de probabilidad geomtrica,
P (Y = i) = (OC(c))i1 (1 OC(c)), i = 1, 2, 3, . . .
cuya esperanza matemtica es:
E(Y ) =

X
i=1

iP (Y = i) =

i(OC(c))i1 (1 OC(c)) =

i=1

1
= ARL(c)
1 OC(c)

Si tomamos como ejemplo un grfico de valores individuales con lmites

de control en 3, obtenemos los siguientes tiempos medios:
Media desplazada en
c unidades

ARL(c)

c = 0.0

370

c = 0.5

156

c = 1.0

44

c = 1.5

15

c = 2.0

c = 2.5

c = 3.0

Vemos que podemos esperar representar 370 puntos en el grfico antes

de detectar una falsa alarma cuando el proceso est bajo control (c = 0).
Tambin vemos que en media debemos esperar representar 44 puntos antes
de detectar una variacin de unidades en la media, por lo que este tipo de
43

grficos (grficos de control para valores individuales) parecen algo lentos a

la hora de revelar cambios en la media del proceso.
El anlisis del ARL(c) permite tomar decisiones sobre la frecuencia de observacin y el tamao de las muestras seleccionadas. Veremos que a mayor
tamao de muestra tambin se acorta sensiblemente este tiempo medio de
espera.

3.9 Reglas de sensibilidad utilizadas en alarmas

Como ya hemos indicado, un grfico de control indica que el proceso est
fuera de control cuando uno o ms puntos representados caen fuera de los
lmites de control. Pero este suceso no es el nico que puede poner de manifiesto un desajuste del proceso. Es usual prestar atencin a secuencias o
rachas que tengan poca posibilidad de ser observadas en un proceso bajo
control. As, si uno observa 6 puntos consecutivos crecientes (o decrecientes)
en un grfico de control, deducir que un evento inesperado se est produciendo, ya que este tipo de comportamiento es muy poco probable si los
datos provienen del proceso dado en (3.1).

3.9.1

Test de Inestabilidad

Los tests de inestabilidad consisten en la deteccin de patrones en los grficos que sean muy poco probables si el proceso est bajo control. La mayora
de los programas informticos los incluye. Para detectarlos se dividen las dos
reas alrededor del lmite central en tres zonas iguales: A, B, C (ver grfico
3.3). Cada lnea corresponder, entonces, a una desviacin tpica.
Existen un total de ocho patrones, propuestos inicialmente por los ingenieros de la Western Electric. Si se detecta la presencia de alguno de ellos se ha
de considerar la posibilidad de que sea debido a alguna causa asignable.
Estos patrones son los siguientes:
44

Patrn 1: Un punto fuera de las lneas de control (fuera de la zona A).

Patron 2: 2 puntos de 3 consecutivos dentro de la zona A o exteriores a ella.
Patrn 3: 4 de 5 puntos consecutivos en la zona B o A.
Patrn 4: 8 puntos consecutivos en la misma mitad del grfico.
Patrn 5: 15 puntos consecutivos en las zonas C.
Patrn 6: 8 puntos seguidos sin caer en la zona C, aunque estn a ambos
lados del grfico.
Patrn 7: 14 puntos seguidos alternativos (cada uno en una mitad diferente
al anterior)
Patrn 8: 7 puntos seguidos creciendo o decreciendo

Grfico de Control (Zonas de Aviso)

18

3,0SL=17,80

Individual Value

Zona A

2,0SL=16,17

Zona B
1,0SL=14,54
Zona C

13

X=12,90
-1,0SL=11,27

Zona B
-2,0SL=9,641
Zona A
-3,0SL=8,008

8
0

10

20

30

40

Observation Number

Figura 3.3: grfico de control con las zonas de aviso marcadas

El uso de los test de inestabilidad o patrones de no aleatoriedad del 2 al

8 no debe ser el mismo que el uso del test primero. Los restantes deben ser
45

utilizados como seales visuales o descriptivas que detectan fenmenos no

esperados en el proceso.
Los fenmenos de los cuales nos avisan son del tipo:
Ciclos causados por un fenmeno repetitivo en las entradas del proceso
(fluctuacin del voltaje, cambio de operadores, ritmo semanal, etc...)
La mezcla de varios productos de distribuciones diferentes. Esto puede
producir puntos prximos a los lmites de control superior e inferior.
Un exceso de control o de sobre-ajuste (patrn 7)
Un cambio lento de la caracterstica que en general se debe a una
degradacin lenta de una parte del proceso o de las materias primas
utilizadas (patrn 8)
Modificacin repentina del valor medio de la caracterstica debida a
un suceso puntual: nuevo mtodo, materia prima u operario,...
Mala eleccin o clculo de los lmites de control cuando los puntos estn demasiado prximos a la lnea central (patrn 5)
El uso simultneo de estas reglas permite aumentar la sensibilidad del grfico frente a pequeos cambios del proceso pero tambin existe un peligro
con su uso indiscriminado. El riesgo de falsas alarmas aumenta. En efecto,
supongamos que m reglas se usan a la vez y que cada una tiene un riesgo
de primera especie (con el proceso bajo control) de i , el riesgo global de
provocar una falsa alarma puede aproximarse por
m
Y
= 1 (1 i )
i=1

que vale por ejemplo 0.04 si m = 8 y cada i = 0.005. Evidentemente esta frmula no es totalmente precisa, pues estaramos asumiendo que las m reglas
son independientes, caso que no es cierto, pero nos ayudan a entender el
aumento de riesgo referente a falsas alarmas.
46

3.10

Ejemplo de Grfico de Control para observaciones individuales

En esta seccin utilizaremos observaciones pseudo-aleatorias generadas por

ordenador para simular el comportamiento de un proceso de fabricacin.
Esto nos permite simular datos normales con media y desviacin tpica a
nuestra conveniencia.
Hemos fijado = 1.8 y hemos generado una muestra de tamao 80: los
40 primeros valores con = 13 y los 40 siguientes con = 15 para poder
simular una variacin notable en la media sin modificar la variabilidad del
proceso (una variacin de 1.11 unidades), es decir simulamos un cambio en
la calidad debido a una causa asignable.
Estudiaremos estos datos sin suponer conocido el proceso generador de
las observaciones. En primer lugar un grfico de las observaciones en funcin
del tiempo (run chart), un histograma y algunos estadsticos bsicos de los
datos (tanto juntos como separados en las dos mitades).

3.10.1

Grfico de control para datos individuales

Comenzamos estudiando un grfico de control para los 80 datos individuales

y poder verificar si el proceso est bajo control estadstico.
El estadstico que representamos es simplemente X y = y = . Sus
respectivas estimaciones son:

N
1 X

= x =
Xi = 13.86 y
N i=1

= sN 1

v
u
u
=t

1 X
2 = 1.98
(Xi X)
N 1 i=1

donde N = 80 es el tamao total de la muestra de observaciones Xi .

En este caso, los lmites de control estimados (provisionales) resulta:
47

 LCS = x + 3sN 1 = 19.80

LC = x = 13.86
LCI = x 3sN 1 = 7.92
El grfico de control que se obtiene es el siguiente:
Grfico de control

Valores individuales

20

3,0SL=19,80

15
X=13,86

10
-3,0SL=7,920
0

10

20

30

40

50

60

70

80

Sample Number

Figura 3.4: Grfico de control de las observaciones individuales (lineas calculadas con la muestra total)

Qu conclusiones sacamos?
No hay ningn punto ms all de los lmites de control.
la regla 2 (nueve puntos consecutivos en un mismo lado de la lc) se
cumple en los puntos 27, 28 y 29.
la regla 6 (4 de 5 puntos consecutivos ms all de la lnea de 1 en el
mismo lado) se cumple en los puntos 37, 69 y 71.

48

En un estricto sentido el proceso parece bajo control, aunque los test de

inestabilidad hacen sospechar de que hay un cambio entre los primeros datos y los ltimos, pues los avisos se producen en lados opuestos de la lnea
central.

Valores individuales

20

3,0SL=19,80

6
6
15
X=13,86

22
6

10

2
-3,0SL=7,920
0

10

20

30

40

50

60

70

80

Sample Number

Figura 3.5: Grfico de control de las observaciones individuales (lneas calculadas con la muestra total) y reglas de sensibilizacin marcadas

3.10.2

Grfico de control para datos individuales basada

en los 40 primeros datos

Repetimos ahora el clculo de los lmites de control y la representacin del

total de observaciones cuando tomamos en cuenta las primeras 40 observaciones. La estimacin de los parmetros resulta ahora:
x = 12, 91 y

s39 = 1, 82

y por tanto los nuevos lmites resultan:

LCS = 18.37 LC = 12.91 y LCI = 7.45
La representacin del grfico de control con los nuevos lmites indica:
49

 El punto 67 cae fuera de los lmites de control

El test 2 falla en numerosos puntos a partir de la observacin 55.
El test 5 falla en las observaciones 67 y 69.
El test 6 falla en las observaciones 50, 61, 62, 69, 71 y 77.

Grfico de Control para individuos

20

Individual Value

3,0SL=18,37

15
X=12,91

10
-3,0SL=7,450
0

10

20

30

40

50

60

70

80

Observation Number

Figura 3.6: Grfico de control de las observaciones individuales (lineas calculadas con la primera mitad de la muestra total)

Esto nos indica por una lado que los 40 primeras observaciones parecen
provenir de un proceso bajo control y que es costoso detectar la variacin
ligera/moderada de la media (variacin de 1.1). Si nos limitamos a la regla
1, debemos esperar hasta la observacin 67 (27 observaciones despus de
que se ha producido la variacin) o si hemos incorporado todos los test de
inestabilidad, hasta la observacin 50 (10 despus de producirse el cambio
en la media del proceso).
Este ejemplo ilustra la lentitud de este tipo de grficos de control para reaccionar cuando se produce una variacin ligera o moderada de la media.

50

Si observamos el valor que indica el ARL(1), que es 44, todava podamos haber tenido que esperar ms para detectar un punto fuera de los lmites de
control.
Tambin podemos sacar la misma conclusin ante la grfica de eficacia
(curva caracterstica) de este modelo con sus valores reales 0 = 13, = 1.8 y
k = 3 o con c = 1.1 en el grfico 3.2.

51