Gráficos de Control y Control de Procesos

Control estadístico de procesos: el fundamento de la calidad

Los gráficos de control son la piedra angular del control estadístico de procesos (CEP), y utilizan el desvío estándar para monitorear la estabilidad del proceso a lo largo del tiempo. Desarrollados por Walter Shewhart en los laboratorios Bell en la década de 1920, estas herramientas permiten distinguir entre la variación por causas comunes (inherente al proceso) y la variación por causas especiales (que indica problemas que requieren atención).

La genialidad de los gráficos de control reside en su simplicidad: graficás tus mediciones a lo largo del tiempo, agregás límites de control basados en el desvío estándar y observás si hay puntos o patrones que señalen problemas. Este monitoreo en tiempo real previene defectos antes de que ocurran, en lugar de detectarlos mediante inspección posterior.

La manufactura moderna, la salud y las industrias de servicios dependen de los gráficos de control para mantener la calidad. Desde la fabricación de semiconductores que requiere precisión nanométrica hasta las tasas de infección hospitalaria, el CEP proporciona un marco universal para la mejora de procesos.

Tipos de gráficos de control

Diferentes tipos de datos requieren diferentes gráficos de control. Elegir el gráfico correcto asegura un monitoreo preciso del proceso:

Para datos continuos (mediciones como longitud, peso, temperatura), el gráfico X̄-R es el más común. Se recolectan subgrupos de muestras, se grafica el promedio (X̄) en un gráfico y el rango (R) en otro. Juntos, monitorean tanto el centrado como la variabilidad del proceso.

Cálculo de los límites de control

Los límites de control definen las fronteras de la variación esperada. Se establecen a ±3 desvíos estándar de la línea central, capturando el 99,73% de los puntos cuando el proceso está bajo control:

Para un gráfico X̄ usando el método del rango, las fórmulas son:

Donde X̿ es la gran media, R̄ es el rango promedio, y A₂ es una constante que depende del tamaño del subgrupo (por ejemplo, A₂ = 0,577 para n=5).

Constantes para límites de control

Reglas de Western Electric para la detección de problemas

Un solo punto fuera de los límites de control no es la única señal de problemas. Las reglas de Western Electric detectan patrones más sutiles dividiendo el gráfico en zonas basadas en desvíos estándar:

• Zona C:Dentro de 1σ de la línea central
• Zona B:Entre 1σ y 2σ del centro
• Zona A:Entre 2σ y 3σ del centro

Las cuatro reglas principales

Reconocimiento de patrones comunes

Los profesionales con experiencia aprenden a reconocer patrones visuales que indican problemas específicos:

Implementación en Python

Creación de un gráfico de control X̄-R con verificación automática de reglas:

import numpy as np
import matplotlib.pyplot as plt

def create_xbar_chart(data, subgroup_size=5):
    """Create X-bar control chart with control limits."""
    # Reshape data into subgroups
    n_subgroups = len(data) // subgroup_size
    subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)

    # Calculate subgroup means and ranges
    xbar = subgroups.mean(axis=1)
    R = subgroups.max(axis=1) - subgroups.min(axis=1)

    # Control chart constants (for n=5)
    A2 = 0.577
    D3, D4 = 0, 2.114

    # Calculate control limits
    xbar_bar = xbar.mean()
    R_bar = R.mean()

    UCL = xbar_bar + A2 * R_bar
    LCL = xbar_bar - A2 * R_bar

    # Check for out-of-control points
    ooc = (xbar > UCL) | (xbar < LCL)

    # Plot
    plt.figure(figsize=(12, 5))
    plt.plot(xbar, 'b-o', markersize=4)
    plt.axhline(xbar_bar, color='g', linestyle='-', label='CL')
    plt.axhline(UCL, color='r', linestyle='--', label='UCL')
    plt.axhline(LCL, color='r', linestyle='--', label='LCL')
    plt.scatter(np.where(ooc)[0], xbar[ooc], color='red', s=100, zorder=5)
    plt.xlabel('Subgroup')
    plt.ylabel('X-bar')
    plt.title('X-bar Control Chart')
    plt.legend()
    plt.show()

    return {'xbar': xbar, 'UCL': UCL, 'LCL': LCL, 'ooc': ooc}

# Example: Monitor a manufacturing process
np.random.seed(42)
# Simulate 100 measurements (20 subgroups of 5)
measurements = np.random.normal(100, 2, 100)
# Add a shift at subgroup 15
measurements[75:] += 3

result = create_xbar_chart(measurements)