Anteriormente, vimos que la variable dependiente y es la consecuencia de un proceso en el que interactúan n variables dependientes x. Ahora bien, decidimos que un proceso está en control cuando es capaz de controlar el impacto de estas variables en el proceso y obtener el valor deseado de y. Imaginemos un proceso de maquinado donde y es la circularidad de un barreno o un proceso de moldeado, donde y es la ausencia de rebabas. Si nuestro proceso está en control, tendremos un hermoso barreno perfectamente circular del diámetro deseado y una pieza de plástico con cero rebabas. Ahora bien, conforme va pasando el tiempo, la broca o el molde se desgastan y las piezas no conformes comienzan a aparecer. Para entonces, hemos pedido control sobre el proceso y tenemos que realizar mantenimientos correctivos o cambios de herramentales, perdiendo valioso tiempo de producción. El desgaste de la broca o el molde no es algo que pasó en un instante. Fue un proceso que se fue dando paulatinamente, sin que se dieran piezas no conformes, pero con el monitoreo y las técnicas adecuadas, podemos ser capaces de detectar cuando un proceso muestra síntomas de salirse de control para intervenir antes de que este comience a producir defectos. En los videos anteriores aprendimos que el teorema del límite central nos dice que cuando n variables aleatorias con diferentes distribuciones se suman, el resultado es que se aproxima a una distribución normal. Por ello, el error aleatorio, en un proceso bajo control, se espera que tenga una distribución normal. Es decir, la variación observada se debe únicamente a causas comunes, por pequeñas variaciones aleatorias poco significativas en el resultado final del proceso. Pero si nuestra broca o nuestro molde comienzan a desgastarse, esto producirá una variación producida por una causa especial o atribuible, lo que producirá que la distribución del error aleatorio deje de ser normal, ya que este desgaste comenzará a tomar protagonismo sobre las demás variables. Sabemos que la distribución normal es simétrica con respecto a la media; que el 68,2 por ciento de los datos, aproximadamente dos terceras partes, se encuentra a una distancia de 1 Sigma, desviación estándar, de la media; que el 95,4 por ciento de los datos se encuentra a una distancia de 2 Sigma de la media; y que el 99,8 por ciento de los datos se encuentran a una distancia de 3 Sigma de la media. Con esto en mente, podemos girar nuestra distribución normal y trazar líneas en torno a la media que representan las Sigma. Si muestreamos 20 puntos en un proceso bajo control, esperamos ver 12 a 15 en la franja de 1 Sigma, 5 a 7 en la franja de 2 Sigma y 0 a 1 en la franja de 3 Sigma. Gracias a estos gráficos de control, podemos monitorear diversos patrones que pueden darnos señales de que el proceso se está saliendo de control. Un patrón de cambio de media puede detectarse si hay siete o más puntos consecutivos de un lado de la media o si más de dos terceras partes de los puntos están de un solo lado de la media. Esto implica que nuestro proceso tiene una media nueva y que podría pronto salirse de control. Un patrón de tendencia muestra seis o más puntos consecutivos ascendentes o descendentes, o un movimiento demasiado largo de puntos hacia arriba o hacia abajo. Este patrón puede deberse al desgaste de herramientas, cansancio de los trabajadores, calentamiento de la máquina o pérdida de alguna propiedad de la materia prima. El error debe ser aleatorio. Si se observa la repetición de ciclos periódicos, entonces hay un factor que está ocasionando estos ciclos y que, si se potencia, podría sacar al proceso de de control. Esto puede deberse a máquinas con múltiples herramientas o moldes con múltiples cavidades, o a un efecto sistémico en la producción o en la inspección. Un patrón de baja variabilidad puede observarse si más de dos terceras partes de los puntos se encuentran dentro de 1 Sigma y casi ninguno en las zonas de 2 y 3 Sigma. Esto puede parecer una buena noticia, pero también podría ser un síntoma de que alguien está falsificando las mediciones, que hay compensación entre variables o que nos estamos equivocando en el cálculo de los límites de control. Finalmente, un patrón de alta variabilidad muestra más de una tercera parte de los datos en la zona de 2 y 3 Sigma y menos de dos terceras partes en la zona de 1 Sigma, lo cual nos alerta de un incremento en la variabilidad y la próxima aparición de un producto no conforme. Como ven, los gráficos de control son herramientas útiles que nos permiten monitorear el estado de un proceso para prevenir la creación de no conformidades.
