Más de 50 países
Uso global, impacto local
47 años en el sector
Fundada en 1979
Más de 50 empleados
Europa, EE. UU. y Asia
Más de 2000 clientes
Más de 20 000 usuarios
Blog: El nuevo método de cálculo de los límites de control en el nuevo manual de SPC de la VDA-AIAG: una guía práctica para su aplicación
Acerca del autor
Marc Schaeffers es director general de Datalyzer y cuenta con más de 35 años de experiencia en la implantación de sistemas de control estadístico de procesos (SPC) para fabricantes de todo el mundo. Ha prestado apoyo a organizaciones de los sectores de la automoción, el aeroespacial, la alta tecnología, la alimentación y las bebidas, y el sector médico en la implantación de soluciones avanzadas de gestión de la calidad y de la Industria 4.0.
Resumen ejecutivo
El Manual de Control Estadístico de Procesos (SPC) de la VDA-AIAG de 2026 introduce un nuevo enfoque para el cálculo de los límites de control, al permitir a los usuarios seleccionar diferentes niveles de confianza en lugar de basarse únicamente en el método tradicional de tres sigmas. Este cambio refleja la realidad de que la fabricación moderna recopila una cantidad de datos mucho mayor que cuando se desarrolló por primera vez el Control Estadístico de Procesos (SPC).
Si bien el nuevo enfoque ofrece una mayor flexibilidad, también plantea cuestiones prácticas. ¿Cómo deben seleccionarse los niveles de confianza? ¿Cuáles son las compensaciones entre detectar cambios en el proceso y minimizar las falsas alarmas? ¿Y es realmente la modificación del nivel de confianza la mejor forma de mejorar la eficacia del control estadístico de procesos (SPC)?
Este artículo explica los conceptos estadísticos en los que se basan las nuevas recomendaciones y analiza sus implicaciones prácticas a partir de la experiencia de Datalyzer en la implantación de sistemas de control estadístico de procesos (SPC) en entornos de fabricación de todo el mundo. Llegamos a la conclusión de que el nuevo enfoque basado en el nivel de confianza constituye una valiosa aportación al conjunto de herramientas del SPC. Sin embargo, el éxito de su implementación depende menos de la selección de límites de control diferentes y más de garantizar que los operadores reciban alertas significativas y que permitan actuar. Para la mayoría de las organizaciones, una gestión inteligente de las alarmas reportará mayores beneficios que el simple cambio de los cálculos estadísticos. En otra entrada del blog hemos analizado las consecuencias de los índices de capacidad recientemente definidos.
Puntos clave
1. Introducción
Con la publicación del nuevo Manual de SPC de la VDA y la AIAG en julio de 2026, se ha introducido uno de los cambios más significativos en el Control Estadístico de Procesos (SPC) de las últimas décadas. Si bien se ha prestado mucha atención a los nuevos índices de capacidad de proceso, un cambio igualmente importante es la introducción de un nuevo enfoque para el cálculo de los límites de control. Durante casi un siglo, los límites de control de tres sigmas de Shewhart han constituido la base del SPC. Han demostrado ser extraordinariamente eficaces y siguen utilizándose ampliamente en la actualidad en todos los sectores manufactureros. Entonces, ¿por qué introduce el nuevo manual un enfoque alternativo? El manual recomienda permitir que las organizaciones seleccionen diferentes niveles de confianza a la hora de calcular los límites de control. Aunque el manual explica cómo se pueden calcular estos límites, ofrece relativamente poca orientación sobre por qué se ha introducido esta flexibilidad o cómo debe aplicarse en la práctica. Basándonos en nuestra experiencia en la implantación de sistemas de SPC en entornos de fabricación de todo el mundo, creemos que la motivación está estrechamente relacionada con el espectacular aumento de la recopilación automatizada de datos. Las fábricas modernas generan muchos más datos de los que Walter Shewhart podría haber imaginado jamás en 1931, lo que plantea retos prácticos para los que el SPC tradicional nunca fue diseñado.
En este artículo se explican, en primer lugar, los conceptos estadísticos introducidos por el nuevo manual y, a continuación, se analizan las consideraciones prácticas para su aplicación en sistemas de control estadístico de la producción (SPC) a gran escala.
2. Los orígenes de los límites de control de tres sigmas
Los orígenes de los límites de control de tres sigmas
El control estadístico de procesos fue introducido por Walter A. Shewhart en su emblemática publicación de 1931 titulada «Control económico de la calidad de los productos manufacturados». Su trabajo estableció los principios que aún hoy constituyen la base de las cartas de control modernas. La elección por parte de Shewhart de tres desviaciones estándar (3σ) para los límites de control representó un compromiso práctico entre la detección rápida de cambios reales en el proceso y la prevención de falsas alarmas excesivas. Tal y como ha demostrado Donald Wheeler en numerosas publicaciones, los límites de control de tres sigmas son extraordinariamente robustos y eficaces para procesos de fabricación estables.
La industria manufacturera ha cambiado
Cuando Shewhart desarrolló el SPC, las mediciones se recopilaban manualmente y se supervisaban relativamente pocas características del proceso. En la actualidad, los sistemas de producción modernos recopilan datos de forma continua a partir de PLC, sistemas de visión, máquinas de medición por coordenadas (CMM), equipos de medición automatizados y dispositivos del Internet de las cosas (IoT). En muchos sectores, el SPC ha pasado de supervisar unas pocas características a analizar de forma continua millones de mediciones cada día.
El reto de las falsas alarmas
Los gráficos de control tradicionales de tres sigmas tienen un nivel de confianza de aproximadamente el 99,73 %, lo que significa que se espera que alrededor del 0,27 % de los subgrupos estables superen los límites de control debido exclusivamente a la variación aleatoria. Con miles de gráficos, esto se traduce en un número significativo de señales estadísticas cada día, lo que provoca fatiga por alarmas y dificulta que los operadores identifiquen los cambios en los procesos que son realmente importantes.
Aunque el manual no señala explícitamente la sobrecarga de alarmas como motivo para introducir niveles de confianza configurables, sí hace hincapié en que las reglas adicionales de los gráficos de control solo deben aplicarse cuando sirvan para un propósito específico.
¿Qué ha cambiado?
El nuevo manual permite a las organizaciones seleccionar distintos niveles de confianza a la hora de calcular los límites de control. Esto modifica las constantes utilizadas en los gráficos de control (por ejemplo, A2, D3 y D4), lo que permite a las organizaciones encontrar un equilibrio entre la sensibilidad y las falsas alarmas. De este modo, se consigue una flexibilidad considerablemente mayor.
Por ejemplo:
Por el contrario,
Ninguno de los dos enfoques es intrínsecamente mejor. Cada uno de ellos representa un equilibrio diferente entre sensibilidad y estabilidad.
Para comprender estas relaciones de compensación, examinaremos en primer lugar tres conceptos estadísticos: la tasa de falsas alarmas, la curva característica de funcionamiento (OC) y la longitud media de la racha (ARL).
3. Nivel de confianza, curva ROC y ARL
Comprender la disyuntiva
La elección de un nivel de confianza influye en tres características importantes del rendimiento de cualquier gráfico de control.
Índice de falsas alarmas
La consecuencia más evidente es la tasa de falsas alarmas. Con los límites tradicionales de tres sigmas, se espera que aproximadamente el 0,27 % de los subgrupos estables superen los límites de control. Al reducir el nivel de confianza, este porcentaje aumenta, mientras que al aumentarlo, disminuye. Desde un punto de vista operativo, esto influye directamente en la carga de trabajo a la que se ven sometidos los operadores y los ingenieros.
Curva característica de funcionamiento
Un concepto menos conocido —pero igualmente importante— es la curva de características operativas (OC). La curva OC muestra la probabilidad de que una variación concreta del proceso sea detectada por la carta de control. Las pequeñas variaciones del proceso son difíciles de detectar, ya que resulta complicado distinguirlas de la variación normal del proceso. A medida que aumenta la magnitud de la variación del proceso, también aumenta la probabilidad de detección.
Las figuras 1 y 2 comparan las curvas OC para dos niveles de confianza distintos. Las figuras ilustran un principio importante. Al reducir el nivel de confianza aumenta la probabilidad de detectar pequeños cambios en el proceso, pero esta mayor sensibilidad conlleva un aumento de la frecuencia de las falsas alarmas. Por el contrario, al aumentar el nivel de confianza se reducen las alertas innecesarias, pero se retrasa la detección de cambios reales en el proceso.
Cabe señalar que estas curvas OC solo tienen en cuenta las infracciones de los límites de control. La aplicación de reglas adicionales de Western Electric o Nelson influirá aún más en el rendimiento real de la detección.
Figura 1: Probabilidad de que se active una alerta en la carta de control con un nivel de confianza del 99,73 %
Figura 2: Probabilidad de que se active una alerta en la carta de control con un nivel de confianza del 99 %
Longitud media de las secuencias
Otra medida útil es la longitud media de la serie (ARL). La ARL representa el número medio de subgrupos que se recopilarán antes de que se detecte una variación en el proceso. Por lo general, unos niveles de confianza más bajos reducen la ARL, ya que las variaciones se detectan antes. Por el contrario, unos niveles de confianza más altos aumentan la ARL, ya que se requieren variaciones más importantes antes de que la carta de control emita una señal.
Para las organizaciones que fabrican grandes volúmenes de producto, esta diferencia puede tener un impacto significativo en la cantidad de material no conforme que se produce antes de que se adopten medidas correctivas.
Comparación de distintos niveles de confianza
Para ilustrar estas relaciones de compensación, en la Tabla 1 se comparan tres niveles de confianza que suelen mencionarse para un gráfico X̄-R con un tamaño de subgrupo de cinco.
| % change detecting sigma change | ARL | ||||||
| A2 | D4 | % False alarms | 0.5 sigma | 1 sigma | 2 sigma | 1 sigma | |
| 99% | 0.5 | 1.96 | 1% | 7.30% | 36.70% | 97.10% | 2.7 |
| 99.73% (AIAG) | 0.58 | 2.11 | 0.27% | 3% | 22.20% | 92.30% | 4.5 |
| 99.99% | 0.75 | 2.45 | 0.01% | 0.30% | 4.90% | 72.00% | 20.4 |
Tabla 1: Resultados para distintos niveles de confianza basados en un gráfico XR con n = 5
Se pueden extraer varias conclusiones de inmediato. Un nivel de confianza del 99 % aumenta considerablemente la probabilidad de detectar pequeños cambios en el proceso. Sin embargo, esto conlleva un aumento correspondiente de las falsas alarmas. En el extremo opuesto, un nivel de confianza del 99,99 % reduce drásticamente las falsas alarmas, pero disminuye de forma significativa la capacidad del gráfico para detectar cambios significativos en el proceso de manera oportuna. El nivel de confianza tradicional del 99,73 % sigue siendo un término medio bien equilibrado entre estos dos extremos.
Curiosamente, los ejemplos que se ofrecen en el nuevo manual de la VDA y la AIAG se centran principalmente en niveles de confianza del 99 % y del 99,73 %, lo que sugiere que los autores esperan que los usuarios consideren límites algo más estrictos cuando sea pertinente, en lugar de ampliar de forma generalizada los límites de control.
Modificar el nivel de confianza no es una forma de mejorar la capacidad del proceso.
Esto solo modifica la sensibilidad del gráfico de control ante la variación del proceso. Un límite de control más amplio reduce las falsas alarmas, pero también retrasa la detección de cambios reales en el proceso. Por lo tanto, los fabricantes deben seleccionar los niveles de confianza en función de los requisitos operativos, en lugar de esperar una mejora en el rendimiento del proceso.
4. Consideraciones prácticas para la implementación
En los capítulos anteriores, explicamos los fundamentos estadísticos en los que se basa el nuevo Manual de Control Estadístico de Procesos (SPC) de la VDA y la AIAG, y analizamos por qué dicho manual introduce la opción de seleccionar distintos niveles de confianza para el cálculo de los límites de control. Si bien es importante comprender los conceptos estadísticos, la aplicación de estas recomendaciones en un entorno de producción plantea un reto muy diferente. Seleccionar un nivel de confianza para una única carta de control resulta relativamente sencillo. Sin embargo, aplicar el mismo enfoque de forma coherente a cientos —o incluso miles— de cartas de control es considerablemente más complejo.
Basándonos en nuestra experiencia en la implantación de sistemas de SPC en instalaciones de fabricación de todo el mundo, creemos que el mayor reto no consiste en calcular nuevos límites de control. El verdadero reto consiste en garantizar que el SPC siga siendo una herramienta eficaz para los operarios y los ingenieros sin abrumarlos con alertas innecesarias. En este capítulo se analizan las consideraciones prácticas para la implementación de las nuevas recomendaciones y se ofrecen nuestros consejos a aquellas organizaciones que deseen adoptar el nuevo enfoque de la VDA y la AIAG.
La flexibilidad tiene un precio
Uno de los puntos fuertes del nuevo manual es que ya no parte de la base de que un único nivel de confianza sea adecuado para todas las situaciones. Desde un punto de vista estadístico, esto tiene todo el sentido del mundo. Los distintos procesos tienen objetivos diferentes y distintos niveles de riesgo. Sin embargo, desde el punto de vista de la aplicación, esta flexibilidad introduce una complejidad adicional.
Imaginemos una empresa con 5.000 gráficos de control. Si cada característica puede tener su propio nivel de confianza, alguien debe decidir:
- ¿Qué nivel de confianza se debe utilizar?
- ¿Quién es el responsable de tomar esa decisión?
- ¿Cómo se documentarán estas decisiones?
- ¿Cómo se garantizará la coherencia entre las líneas de producción y las plantas?
- ¿Qué ocurre cuando cambian las necesidades de los clientes?
Aunque seleccionar un nivel de confianza para un único gráfico es sencillo, mantener ajustes diferentes en miles de características puede convertirse rápidamente en una tarea de gran envergadura, tanto desde el punto de vista técnico como administrativo. Solo por esta razón, prevemos que muchos fabricantes seguirán utilizando un nivel de confianza predeterminado común para la mayoría de sus gráficos de control.
Límites de control dinámicos frente a fijos
El nuevo enfoque basado en el nivel de confianza puede utilizarse tanto con límites de control calculados dinámicamente como con límites de control fijos establecidos durante un estudio inicial de la capacidad del proceso. Ambos enfoques presentan ventajas.
Los límites dinámicos se adaptan automáticamente a medida que cambia el proceso. Requieren poco mantenimiento y reflejan en todo momento la variación actual del proceso.
Sin embargo, también existe una desventaja importante. Cuando un proceso se desvía lentamente con el paso del tiempo, los límites calculados dinámicamente pueden desplazarse gradualmente junto con el proceso. Como consecuencia, es posible que un deterioro real del rendimiento del proceso no genere de inmediato una señal de fuera de control, ya que son los propios límites los que están cambiando. En el caso de las características críticas, esto suele ser indeseable.
Según nuestra experiencia, las características de seguridad, las características reglamentarias y las dimensiones críticas para el cliente suelen supervisarse mejor mediante límites de control fijos establecidos a partir de un proceso estable. Estos límites proporcionan una referencia coherente con respecto a la cual se puede evaluar el rendimiento futuro.
Los límites dinámicos siguen siendo útiles durante el desarrollo de procesos o a la hora de establecer una referencia inicial, pero no deben considerarse automáticamente como la mejor opción para todas las aplicaciones.
¿Es necesario que cada característica tenga su propio nivel de confianza?
El nuevo manual permite establecer distintos niveles de confianza. Esto no significa necesariamente que deban utilizarse en todos los casos. Algunas características justifican claramente una mayor sensibilidad. Entre los ejemplos se incluyen las dimensiones relacionadas con la seguridad, las características con un historial de inestabilidad o los procesos en los que variaciones muy pequeñas tienen consecuencias significativas. Otras características pueden ser menos críticas y podrían tolerar límites de control más amplios sin aumentar el riesgo empresarial.
Aunque este enfoque es válido desde el punto de vista estadístico, su aplicación coherente requiere conocimientos técnicos detallados sobre cada una de las características supervisadas. Para las organizaciones que gestionan miles de gráficos de control estadístico de procesos (SPC), esto se convierte rápidamente en una tarea difícil de mantener. Por consiguiente, prevemos que muchos fabricantes adopten una solución intermedia práctica:
Este enfoque permite aprovechar la mayor parte de las ventajas, al tiempo que evita una complejidad innecesaria.
El verdadero reto: la fatiga por alarmas
En nuestra opinión, el mayor reto al que se enfrentan los sistemas modernos de SPC no es el cálculo de los límites de control, sino la gestión de las alarmas. Los sistemas de fabricación actuales generan muchos más datos de los que el SPC tradicional estaba diseñado para gestionar. Incluso cuando los límites de control se calculan correctamente, es posible que los operadores sigan recibiendo muchas más alertas de las que pueden investigar de forma razonable. Finalmente, s컞n dos cosas.
En primer lugar, los operarios se acostumbran a las alarmas frecuentes y empiezan a ignorarlas. En segundo lugar, los cambios realmente importantes en el proceso quedan ocultos entre numerosas señales estadísticas rutinarias. Ninguno de estos resultados mejora la calidad. Para que el control estadístico de procesos (SPC) siga siendo eficaz, los operarios deben tener la certeza de que, cuando se produce una alarma, esta merece su atención.
Una forma diferente de reducir las alertas innecesarias
Una forma evidente de reducir las alarmas consiste en aumentar el nivel de confianza, ampliando así los límites de control. Si bien esto reduce las falsas alarmas, también retrasa la detección de cambios reales en el proceso. Según nuestra experiencia, a menudo existe una solución mejor. En lugar de preguntarnos si un valor se encuentra fuera de los límites de control, también deberíamos preguntarnos si el propio proceso es adecuado.
Un proceso con un valor de Ppk de 12 está funcionando muy dentro de sus límites de especificación. Aunque un subgrupo concreto pueda salirse ocasionalmente de los límites de control estadístico, el riesgo de producir productos no conformes sigue siendo extremadamente reducido. Por el contrario, exactamente la misma señal estadística en un proceso con un valor de Ppk cercano a 1,33 merece una investigación inmediata. Aunque ambos gráficos generan señales de control estadístico (SPC) idénticas, la respuesta operativa no tiene por qué ser la misma. Esto ilustra un principio importante: no todas las señales estadísticas requieren la misma respuesta operativa.
Gestión inteligente de alertas
En Datalyzer Qualis hemos abordado este reto permitiendo que las alertas se prioricen en función de la capacidad del proceso.
Por ejemplo, las alertas que requieren la intervención del operador pueden suprimirse automáticamente cuando el valor de Ppk supera un umbral configurable. Esto no implica que se ignore la información estadística. El gráfico de control sigue registrando cada punto y cada incumplimiento de las reglas. La diferencia radica en que solo se interrumpe a los operadores cuando la señal representa un riesgo operativo significativo. El personal de ingeniería sigue pudiendo revisar toda la información del control estadístico de procesos (SPC), mientras que los operadores de producción pueden centrar su atención en aquellos aspectos que aportan mayor valor.
Según nuestra experiencia, este enfoque permite reducir en mucha mayor medida las intervenciones innecesarias del operador que el simple hecho de modificar los niveles de confianza.
Nuestras recomendaciones
Basándonos en nuestra experiencia en la implementación, recomendamos el siguiente enfoque a la hora de adoptar el nuevo Manual de SPC de la VDA y la AIAG.
1. A menos que exista una razón técnica clara para actuar de otro modo, utilice el nivel de confianza tradicional del 99,73 % como valor predeterminado de la organización.
Sigue siendo un excelente equilibrio entre la sensibilidad y las falsas alarmas, y evita una complejidad innecesaria en la configuración.
2. Utilice niveles de confianza alternativos únicamente cuando exista una justificación técnica clara.
Entre los ejemplos se incluyen las características críticas para la seguridad, los requisitos específicos de los clientes o la supervisión especializada de procesos.
3. Considere la posibilidad de establecer límites de control fijos para las características críticas.
Los límites fijos proporcionan una referencia estable y facilitan la detección del deterioro gradual del proceso.
4. Céntrese en la gestión de las alarmas, en lugar de limitarse a modificar los límites de control.
La reducción de las intervenciones innecesarias del operador suele reportar mayores beneficios que la modificación de los propios cálculos estadísticos.
5. Priorice las alertas en función de la capacidad del proceso.
Un proceso competente y un proceso marginal no tienen por qué generar necesariamente la misma respuesta operativa, incluso cuando producen señales de control estadístico de procesos (SPC) idénticas.
5. Conclusiones
El nuevo Manual de SPC de la VDA y la AIAG aporta una valiosa flexibilidad al permitir a los fabricantes seleccionar distintos niveles de confianza para el cálculo de los límites de control. Desde un punto de vista estadístico, se trata de una evolución importante. Sin embargo, para que su implantación tenga éxito, no basta con seleccionar un nivel de confianza diferente. Las organizaciones también deben tener en cuenta las realidades prácticas que conlleva el funcionamiento de los sistemas modernos de SPC, que supervisan miles de características de proceso simultáneamente.
Según nuestra experiencia, las mayores mejoras no se obtienen modificando los cálculos matemáticos en los que se basan los límites de control, sino garantizando que los operadores reciban información relevante y útil. Un sistema de control estadístico de procesos (SPC) bien diseñado debería ayudar a los operadores a centrarse en los pocos cambios en el proceso que realmente importan, en lugar de abrumarlos con señales estadísticas que aportan escaso valor operativo.
En definitiva, el objetivo del SPC no ha cambiado desde que Shewhart lo introdujo hace casi un siglo: detectar la variación significativa del proceso con la suficiente antelación como para adoptar medidas correctivas eficaces. Las nuevas recomendaciones de la VDA y la AIAG aportan una mayor flexibilidad para alcanzar ese objetivo, pero siempre deben aplicarse en el marco de una estrategia más amplia de supervisión eficaz de los procesos y gestión inteligente de las alarmas.
Casi cien años después de que Shewhart introdujera el control estadístico de procesos (SPC), es posible que las matemáticas hayan evolucionado, pero el objetivo sigue siendo exactamente el mismo: proporcionar la información adecuada a las personas adecuadas en el momento oportuno, de modo que se pueda eliminar la variación significativa del proceso antes de que afecte a la calidad del producto.
Este artículo refleja la interpretación de los autores y su experiencia en la aplicación del Manual de Control de la Variabilidad Estadística (SPC) de la AIAG y la VDA. Su finalidad es servir de guía práctica y no sustituye al manual oficial.
¿Se está preparando para el nuevo Manual de SPC de la AIAG y la VDA? Póngase en contacto con Datalyzer para analizar cómo puede adaptarse su actual implementación de SPC a las nuevas recomendaciones, o inscríbase en un seminario web gratuito en el que se abordarán las implicaciones de estas novedades.
9%
Reducción de costes conseguida por los clientes
Lo que dicen los clientes
«Datalyzer nos ayudó a vincular automáticamente los datos de calidad de todos los procesos para realizar análisis avanzados»
Dave Beeren
Ingeniero de producción, Philips
Industrias a las que servimos
Certificado ISO
ISO 27001 Y SOC2
