Selección entre diagramas de control

Selección entre diagramas de control

LISTA

La selección del diagrama de control es un paso fundamental en la aplicación del Control Estadístico de Procesos (SPC), porque de ello depende que se detecten correctamente las variaciones del proceso. El objetivo es distinguir entre variaciones comunes (naturales) y variaciones asignables (especiales) para mantener la estabilidad del proceso.

1. Factores que determinan la elección:

Tipo de dato: Datos por variables: son medidos en una escala continua (tiempo, peso, longitud, temperatura, volumen, etc.). Ejemplo: medir el peso de 10 galletas por hora.

Tipo de dato: Datos por atributos: son contados (defectuoso/no defectuoso, número de errores, cantidad de defectos, etc.). Ejemplo: contar cuántas galletas tienen grietas por lote.

Tamaño de muestra:

• Muestras pequeñas (n < 10): se suelen usar gráficas X̄–R o I–MR.
• Muestras grandes (n ≥ 10): se prefieren gráficas X̄–S.
• Frecuencia del muestreo:
• Procesos que cambian rápido → gráficas individuales (I–MR).
• Procesos más estables → gráficas por subgrupos (X̄–R).
• Sensibilidad requerida:
• Si se desean detectar pequeños cambios en la media → CUSUM o EWMA.
• Si se desea controlar tendencias o autocorrelaciones → ARIMA.

+ NOTA

2. Selección general de diagramas:

2. Selección general de diagramas:

3. Ejemplo práctico:

Supón que produces barras energéticas (dato continuo: peso en gramos). Tomas 5 barras por hora y mides su peso. Como son datos por variables y el tamaño de muestra es n = 5, el diagrama más adecuado sería un X̄–R. Si en cambio registrarás cuántas barras están fuera del peso especificado, usarías una gráfica p (dato por atributo).

4. Directrices para implementar programas de diagramas de control

Implementar un programa de control estadístico del proceso (CEP) implica integrar procedimientos, capacitación y seguimiento para mantener la calidad y estabilidad del proceso.

5. Etapas principales del programa:

1.- Selección del proceso o característica crítica:

• Identificar qué proceso afecta más la calidad del producto o la satisfacción del cliente.
• Ejemplo: el peso de una barra, la textura, el tiempo de cocción, etc.

2.- Definición de objetivos de control:

• Determinar qué se busca: reducir variabilidad, detectar desviaciones tempranas, mejorar rendimiento, etc.

3.- Elección del tipo de gráfico:

• Basado en el tipo de datos, frecuencia y sensibilidad requerida.

5. Etapas principales del programa:

4.- Plan de recolección de datos: Definir:

• Tamaño de muestra (n)
• Frecuencia de muestreo (cada hora, cada lote, diario)
• Quién y cómo se medirán los datos
• Formatos de registro

5.- Cálculo de límites de control: Los límites se calculan a partir de los datos iniciales (línea central, límite superior e inferior). Ejemplo:

5. Etapas principales del programa:

6.- Representación gráfica y análisis:

• Graficar los puntos.
• Analizar si hay puntos fuera de control o patrones (tendencias, ciclos, saltos).

7.- Acciones correctivas:

• Si hay puntos fuera de control → investigar causas asignables (error de operador, materia prima, máquina, método, etc.).
• Implementar la mejora y registrar la acción.

8.- Seguimiento y documentación:

• Actualizar límites cuando el proceso mejora.
• Documentar resultados, capacitación y nuevos estándares.

9.- Comunicación y mejora continua:

• Involucrar a todo el personal en la interpretación de gráficas y en la toma de decisiones.
• Integrar con metodologías como Seis Sigma o Kaizen.

6. Ejemplo aplicado

Supón que aplicas control en tu producción de postres saludables

• Identificas el peso del postre como característica crítica.
• Tomas 4 muestras por lote.
• Elaboras un gráfico X̄–R para monitorear la consistencia del peso.
• Si un punto sale del límite, revisas si la causa fue la mezcla, el molde o la báscula.
• Ajustas el proceso y sigues midiendo para asegurar estabilidad.

Así garantizas que tus postres mantengan calidad constante y evitas desperdicios.

• El diagrama CUSUM se usa para detectar pequeños cambios en la media del proceso (es decir, desviaciones sutiles que una gráfica normal no detectaría rápidamente).

En lugar de analizar cada punto por separado, va acumulando la desviación de cada valor con respecto a la media esperada.

• El diagrama EWMA también sirve para detectar cambios pequeños o graduales, pero usa un promedio móvil ponderado, donde los datos recientes tienen más peso que los antiguos.

Es como un “promedio inteligente” que responde rápido cuando algo cambia.

• El ARIMA no es solo una gráfica, sino un modelo estadístico avanzado para series de tiempo, donde las observaciones dependen de valores anteriores.

Se usa cuando el proceso tiene autocorrelación, es decir, cuando los datos no son completamente independientes (lo que pasa mucho en procesos continuos o automatizados).