Vous êtes sur la page 1sur 157

CONTROL ESTADISTICO DE PROCESOS

Profesor Jose Caceres Arroyo


jfcacer@gmail.com
Horario: Lunes y Viernes de 7.00 a 10.00 pm
durante 4 semanas.
Descanso de 15 minutos: En el horario de 8.20 a 8.45 pm

Requistos de aprobacion: -Aprobar el examen final.
-Asistencias 80% a clases

Publicacion de notas: Sistema Info Senati
Bibliografa
Control Estadstico de Calidad

1) Douglas Montgomery Control estadstico de la calidad (2006)

2) Hitoshi Kume, Herramientas Estadsticas para el mejoramiento de
la Calidad.

3) Humberto Gutirrez Pulido, Romn de la Vara Salazar. Control
estadstico de Calidad y Seis Sigma. (2009).

4) Barca, R.G. Control estadstico del proceso.




Qu es C.E.P.?
CONTROL: Mantener el proceso dentro de sus
lmites.
ESTADSTICO: Con la ayuda de datos que
permita obtener conclusiones.
PROCESO: Operadores, mquinas, mtodos y
materiales unidos para producir un producto
o servicio
Qu es el C.E.P. ?
Control de calidad durante el
proceso de produccin,
utilizando los datos para
mantener el proceso en estado
de control estadstico (dentro
de su propia capacidad).
Qu es el C.E.P. ?
Un sistemtico y riguroso proceso
para identificar y ayudar a resolver
problemas
Una herramienta para mejorar la
calidad y productividad
Parte de una filosofa relacionada
con el mejoramiento continuo
$ $ $ $ $ $ $
Como trabaja el C.E.P....
Cambiando el nfasis de la
deteccin a la prevencin
Suministrando evidencia de como
el sistema est actuando (No
opiniones o memoria)
Diferenciando las causas
especiales y las causas comunes
de variacin.
Quines deben utilizarlo ?
NO ES SOLO UN ASUNTO DE
MANUFACTURA
Las tcnicas del CEP pueden y
han sido exitosamente utilizadas
en ambientes no manufactureros
Quines deben utilizarlo ?
La gente de Ventas necesita entender el
CEP para :
4 Comunicarse con los clientes y con la planta
4 Evaluar el proceso de ventas
4 Porque los clientes lo estn pidiendo y cada vez son
ms los que lo piden
Quines deben utilizarlo ?
Ingeniera para :
4 Incorporar la capacidad del proceso en
los diseos
4 Comunicarse con manufactura
4 Evaluar la ingeniera de procesos
Quines deben utilizarlo ?
Mantenimiento para:
4 Entender porqu los llaman a hacer
reparaciones ( aviso de fuera de control)
4 Comunicarse con la planta y la alta
Gerencia
4 Evaluar el proceso de mantenimiento
Porqu usted necesita
C.E.P....
Porque la calidad es una exigencia para el
xito empresarial en el ambiente
competitivo de hoy
Las expectativas del cliente lo demandan
Porque el mejoramiento de la calidad es la
mejor forma de mejorar la rentabilidad
El retorno de la inversin del
mejoramiento de la calidad no tiene
comparacin
Porqu usted necesita
C.E.P....
Porque la informacin es la clave del
mejoramiento de la Calidad
4 Especialmente en manos de los empleados
Porque el C.E.P.. dirige la atencin al
proceso en lugar de al producto.
Para qu implementar el C.E.P....
Para ayudar a decidir cuando ajustar el
proceso, dejarlo quieto o detenerlo
Para lograr costos bajos, alta calidad,
alta productividad, capacidad
predecible, disminucin del
desperdicio y reproceso.
Para qu implementar el C.E.P....
Para ayudar a medir el efecto que
tienen los cambios realizados en los
procesos.
Para ayudar a elevar la moral porque
la gente est ms involucrada y
dispuesta a hacer un mejor trabajo
Para aumentar la satisfaccin de
cliente porque: de pocos errores,
mayores negocios
Algunos productos, servicios y
expectativas del cliente
Hospital
4 El paciente recibe el tratamiento correcto?
4 Pacientes tratados con cortesa por todo el personal?
4 apoya todo el entorno del Hospital a que los pacientes
se recuperen?
Banco
4 las transacciones del cliente se completa con precisin?
4 Cumple el Banco con las reglamentaciones
gubernamentales?
4 Los estados de los clientes reflejan con exactitud sus
transacciones?

Fabrica de automoviles
4 Se desempea como se pretende?
4 Componentes dentro de las tolerancias de
fabricacin?
4 Es agradable su apariencia?
Aserradero
4 Maderos dentro de las tolerancias de contenido de
humedad?
4 Se clasifican correctamente los maderos?
4 Hay nudos, rajaduras, muchas superficies y otros
defectos en cantidad excesiva?

Algunos productos, servicios y
expectativas del cliente
17
4 Desempeo
4 Confiabilidad
4 Durabilidad
4 Facilidad de servicio
4 Esttica
4 Caractersticas incluidas
4 Calidad percibida
4 Conformidad con los estndares

1. Dimensiones de la Calidad

18

1. Fsicas: Longitud, peso, voltaje, viscosidad.

2. Sensoriales: sabor, apariencia, color.

3. Orientadas al tiempo: confiabilidad, durabilidad,
facilidad de servicio.

1. Caractersticas de la Calidad

19

1... Antecedentes histricos

FREDERICK W. TAYLOR: Administracin Cientfica, ciencia
para cada elemento del trabajo, seleccin del trabajador,
capacitar, apego a procedimientos, divisin adm. obreros

FRANK / LILLIAN GILBERTH: Afinan los movimientos,
resaltan la necesidad de inters por los trabajadores

FORDISMO: Lneas de produccin masiva, los trabajadores
deben ser consumidores
20
1... CEP en Occidente Western Electric
1924: WALTER SHEWHART realiz experimentos en
base al Teorema del Lmite Central y desarroll las
Cartas de Control del CEP

1926: HAROLD F. DODGE Y HARRY G. ROMIG,
desarrollaron las tcnicas de Muestreo Estadstico

Durante la 2a. Guerra Mundial se expande el uso del
CEP en la industria de manufactura

La aplicacin de las tcnicas estadsticas ha
evolucionado a lo que hoy se conoce como Seis
Sigma, aplicada por Motorola, GE, Sony, etc.

21
1... CEP en Japn
1950s: EDWARD DEMING / JOSEPH JURAN:
Entrenaron a lderes industriales en tcnicas del CEP

1950s: KAOURU ISHIKAWA: Es un seguidor de
Deming y desarrolla el Diagrama de Ishikawa, los
Crculos de calidad e impulsa el control de calidad
total CWQC.

Los japoneses implantaron el CEP y lograron
productos de alta calidad, Occidente retoma los
mtodos de CEP hasta despus de los 1980s.
22
1... Antecedentes histricos
Control de calidad por inspeccin: Con la divisin
del trabajo, aparecen los inspectores, inspeccin
100%

Control estadstico del proceso: Shewhart, Deming,
Juran. Se usa en Japn (50s) y EUA (80s)

Aseguramiento de calidad (ISO 9000): Sistemas
aislados EUA (40s), Europa, etc.

1... Mtodos estadsticos de control y
mejoramiento de calidad
A. LAS CARTAS DE CONTROL
4 Tcnica til para el monitoreo de procesos
4 Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 6Ms)
4 Sirven para prevenir la produccin de defectivos
0
5
10
15
LCS
Promedio
LCI
Perfil
Carta X
LSC
MEDIA
LIC
24
B. DISEO DE EXPERIMENTOS
4 Tcnica til para identificar las variables clave que
afectan a la variabilidad de productos.
4 Permite variar en forma sistemtica los factores y
analizar su efecto

Variables de Caracterstica
Entrada/Factores de calidad
Proceso

1... Mtodos estadsticos de control y
mejoramiento de calidad
25
C. MUESTREO DE ACEPTACIN
4 Tcnica que permite calificar lotes de productos como
conformes o no conformes, por medio de una muestra
representativa sin inspeccionar al 100%




MUESTRA OK?

LOTE
1... Mtodos estadsticos de control y
mejoramiento de calidad
26
1... Administracin por Calidad Total
MODELOS Creacin de valor a las partes interesadas
Premio Malcolm Baldrige EUA
Premio Europeo a la calidad Europa
Premio Deming Japn
Premio Nacional de Calidad -Mxico
Premios Estatales a la calidad
27
1... Los costos de calidad
CROSBY: La calidad se mide con el costo de calidad

COSTOS DE PREVENCIN
4 Planeacin de calidad (manuales), Entrenamiento
COSTOS DE APRECIACIN
4 Inspecciones, pruebas y materiales de prueba
COSTOS DE FALLA INTERNA
4 Desperdicios, retrabajos, reinspecciones
COSTOS DE FALLA EXTERNA
4 Garantas, reclamaciones, demandas legales,
penalizaciones, campaas
28
Factores de xito para la implantacin
del CEP
Liderazgo gerencial, ser parte de un programa mayor

Enfoque de grupo de trabajo

Educacin y entrenamiento en todos los niveles

nfasis en la mejora continua

Sistema de reconocimiento

Apoyo tcnico de ingeniera o calidad
Qu es Estadstica?
29
Recoleccin de
datos
Organizacin de
datos
Presentacin de
datos
Anlisis de datos
Estadstica Descriptiva
Es la ciencia que
relaciona los
mtodos usados
en la
30
2..Definiciones
Poblacin: Es la coleccin de todos los elementos (piezas,
personas, etc.). En nuestro caso sera un nmero infinito de
mediciones de las caractersticas bajo estudio.
Muestra: Es una parte o subconjunto representativo de la
poblacin, o sea un grupo de mediciones de las
caractersticas.
Variable aleatoria: es una funcin o regla que asigna uno y
slo un valor de una variable " y" a cada evento en el
espacio muestral. En este caso representa una medicin
particular.
Distribucin: Es la forma del patrn de variacin observado.
.
31
2..Definiciones
Estadstico: Es una medicin tomada en una muestra que sirve
para hacer inferencias en relacin con una poblacin (media de la
muestra, desviacin estndar de la muestra).Normalmente es
una variable aleatoria y tiene asociada una distribucin.
Parmetro: Es el valor verdadero en una poblacin (media,
desviacin estndar, se indican con letras griegas)
Datos continuos Los datos que tienen un valor real
(temperatura, presin, tiempo, dimetro, altura )
Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.

Ejemplo de Estadsticos




2
: la media poblacional
: la proporcin poblacional
: la varianza poblacional
: la desviacin estndar poblacional

t
o
o
2
: la media muestral
: la proporcin muestral
: la varianza muestral
: la desviacin estndar muestral
x
p
s
s
Ejemplo de Parmetros
Clasificacin de las variables
33
Variables
Cualitativas o
Categricas
Nominales
Ordinales
Cuantitativas o
Numricas
Discretas
Continuas
Caso de Estudio 1
34
Se distribuye un cierto numero de empresas segn sus
inversiones en millones de dlares.
5 7 6 7 9 8 5 7 8 10
7 6 6 5 6 7 9 7 10 8
6 9 7 6 6 5 11 10 7 8
Construya un cuadro de distribucin de frecuencias.
Distribuciones de frecuencia
Caso de Estudio 2
35
Se tiene los resultados de los exmenes tomados a 30
estudiantes en un determinado curso. Los puntajes son:
34 28.5 35.5 46 32 24.5
30 23 38 33.5 41 34
30.5 27 38 43 48 27
31 26.5 37 26 41 32.5
26 29 20 36 36.5 41.5
Construya un cuadro de distribucin de frecuencias.
36
1.Medidas de tendencia central

Media aritmtica
Mediana
Moda

Medidas descripticas
Media aritmtica muestral
La media aritmtica de un conjunto de n
observaciones x
1
, x
2
, ..., x
n
de una muestra es el
promedio de las mediciones:
n
x
x
n
i
i
=
=
1
Media aritmtica poblacional
N
x
N
i
i
=
=
1

Media aritmtica para datos en frecuencias
Si las observaciones muestrales y
1
, y
2
,...,y
k

presentan frecuencias f
1
, f
2
,..., f
k
, entonces:

=
=
= =
k
i
i i
k
i
i i
h y
n
f y
1
1
Media aritmtica para datos agrupados
Para datos agrupados en intervalos





Donde:
X
i
son las marcas de clase de los intervalos de clase
f
i
es la frecuencia absoluta del intervalo i
n es el nmero de datos
k es el nmero de intervalos

=
=
=
=
= = =
k
i
i i
k
i
i i
k
i
i
k
i
i i
h X
n
f X
f
f X
x
1
1
1
1
Media aritmtica ponderada
La media aritmtica de y
1
, y
2
,...,y
k
ponderada
por los pesos w
1
, w
2
, ..., w
k
es:

=
=
=
k
i
i
k
i
i i
w
w y
x
1
1
Mediana (Me)
Para un conjunto de observaciones x
1
, x
2
,...,x
n
, se
ordenan las observaciones de menor a mayor
x
[1]
, x
[ 2]
, ...,x
[ n].

La mediana se calcula como:
4 si n es impar es el valor central de los datos ordenados.
4 si n es par es la semisuma de los dos datos centrales.


Depende del nmero de datos, no de los valores de
los datos por lo que no se ve afectada por valores
extremos.



Mediana (Me)
La mediana de datos agrupados es:
|
.
|

\
|
+ =
1
2
m
m
m
m
F
n
f
W
L Me
Donde:
Lm : limite inferior de la clase mediana
Wm : ancho de clase de la clase mediana
n : total de datos
Fm-1 : frecuencia absoluta acumulada de la clase que precede
a la clase mediana
fm : frecuencia absoluta de la clase mediana
Moda (Mo)
Es el dato que ms veces se repite
No siempre es nica.

La moda de datos agrupados es:
clase de ancho W
f f d
f f d
L
donde
W
d d
d
L Mo
i i
i i
i
i
=
=
=
=
|
|
.
|

\
|
+
+ =
+

1 2
1 1
2 1
1

modal intervalo del inferior lmite el es
Relacin entre media, mediana y moda
Si la distribucin es simtrica, la media, mediana y
moda tienen el mismo valor.

Si es asimtrica de cola a la derecha:
4 Mo < Me < Media

Si es asimtrica de cola a la izquierda:
4 Mo > Me > Media
Las Cuantilas
Medidas descriptivas que pueden dividir al total de
datos en cierto numero de partes igualmente
numerosos y nace como consecuencia del estudio de
la mediana. Las principales son:

4 Cuartiles (Qi)
4 Deciles (Di)
4 Percentiles (Pi)

Las medidas de posicion no central
Para datos agrupados:
|
|
|
|
.
|

\
|

+ =

Q
1 Q
Q Q
f
F
4
in
W L Qi
Donde:
LQ : limite inferior de la clase donde esta el cuartil
WQ : ancho de clase donde esta el cuartil
n : total de datos
i : numero que indica el cuartil deseado
FQ-1 : frecuencia absoluta acumulada de la
clase que precede a la clase del cuartil
fQ : frecuencia absoluta de la clase del cuartil
in /4 : Punto de posicin
Los Cuartiles (Qi)
Para datos no agrupados:
( )
4
1 n i +
Punto de posicin
Donde:
i : numero que indica el cuartil deseado
n : total de datos
2. Medidas de dispersin o
variabilidad
Son nmeros que miden el grado de separacin
de los datos con respecto a un valor central.

Las principales son:
4 Rango
4 Varianza y desviacin estndar
4 Coeficiente de variacin
Varianza
Es la media aritmtica de los cuadrados de la diferencia
de los datos respecto a su media aritmtica.
n
x y
s
n
i
i
=

=
1
2
2
) (
2
1
2
x
n
y
n
i
i
=

=
Si se calcula a partir de una muestra es denotada por
s
2
y si es de una poblacin por o
2
.
Tiene unidades de medicin al cuadrado.
La desviacin estndar es la raz cuadrada de la
varianza
Varianza de datos tabulados
Para datos agrupados con marcas de clase x
1
,
x
2
,...,x
k
y frecuencias f
1
, f
2
,..., f
k
,:
n
x x f
s
k
i
i i
=

=
1
2
2
) (
2
1
2
x
n
x f
k
i
i i
=

=
2
1
2
x x h
k
i
i i
=

=
=
k
i
i i
x x h
1
2
) (
Coeficiente de variacin
Es una medida de dispersin relativa que se define
como:
El CV no tiene unidades de medida.

x
s
CV =
Compara la variabilidad de dos o ms series de datos
que tengan unidades diferentes.
A mayor CV mayor dispersin
Cuando las medias son iguales basta comparar las
desviaciones estndar.
Si es unimodal y asimtrica:
4 (MediaMo) es aproximadamente 3(MediaMe)
s
Mo x
A
s

=
s
) Me x (
A
s

=
3
Es el nmero
3.1 ndices de asimetra de Pearson (A
s
)
3. Medidas de Asimetra
Asimtrica positiva (o de cola a la derecha)
A
s
>0
Asimtrica negativa (o de cola a la izquierda)
A
s
<0
Simtrica A
s
=0
3.1 ndices de asimetra de Pearson (A
s
)
3.2 ndice de curtosis o apuntamiento
El apuntamiento se mide en relacin a la curva normal
o mesocrtica
Es el nmero
10 90
1 3
2
1
P P
Q Q
K

=
Platicrtica K < 0
Leptocrtica K > 0
P
10
P
90
Normal o mesocrtica K = 0
P
25
P
75
Gestin: Funcional x Procesos
Inicio Fin
Ii Xi fi hi Fi Hi
[60 66> 63 4 0.100 4 0.100
[66 72> 69 7 0.175 11 0.275
[72 78> 75 15 0.375 26 0.650
[78 84> 81 8 0.200 34 0.850
[84 90> 87 4 0.100 38 0.950
[90 96] 93 2 0.050 40 1.000
Total
40 1.000
0
2
4
6
8
10
12
14
16
60-66 66-72 72-78 78-84 84-90 90-96
Frec.
El histograma
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
La distribucin Normal Estndar
Caractersticas de la distribucin normal
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
68%
34% 34%
13.5% 13.5%
95%
68%
34% 34%
13.5% 13.5%
99.73%
68%
34% 34%
2.365% 2.365%
2...Proceso con media =100 y
desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
Causas Comunes
Variacin Aleatoria
El Proceso est en control
Fuentes de Variabilidad de los Procesos
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
Causas Asignables
Causas sistemticas (no usuales)
El Proceso no est en control
Fuentes de Variabilidad de los Procesos
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
Fuentes de Variabilidad de los Procesos
Causas Comunes

Suelen ser muchas y cada una
produce pequeas variaciones.
Son parte permanente del
proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el conjunto de
mquinas y operarios
Causas Asignables

Suelen ser pocas pero con
efectos importantes en la
variabilidad.
Aparecen espordicamente.
Son relativamente fciles de
eliminar
Por lo general su efecto est
localizado en una(s)
mquina(s) u operario(s).


1. Hoja de verificacin (Lista de chequeo)
2. El histograma y otros
3. La grafica de Pareto
4. El diagrama de causa y efecto
5. El diagrama de flujo
6. Diagrama de dispersin
7. La carta de control

Las 7 herramientas estadsticas
Tambin llamada Hoja de recogida de datos o Registro
1. Hoja de Verificacin
Definir el problema
Definir datos necesarios
Planificar recogida
Recoger datos
Analizar e interpretar datos
Presentar datos
Ii Xi fi hi Fi Hi
[60 66> 63 4 0.100 4 0.100
[66 72> 69 7 0.175 11 0.275
[72 78> 75 15 0.375 26 0.650
[78 84> 81 8 0.200 34 0.850
[84 90> 87 4 0.100 38 0.950
[90 96] 93 2 0.050 40 1.000
Total
40 1.000
0
2
4
6
8
10
12
14
16
60-66 66-72 72-78 78-84 84-90 90-96
Frec.
2.. El histograma
+ El histograma representa un grupo de piezas provenientes de una
operacin industrial. Esto muestra como se comporta un proceso
industrial en un momento determinado.

+ Es un medio eficaz para transmitir a otras personas informacin sobre
un proceso de forma precisa e inteligible.

+ Permite la comparacin de los resultados de un proceso con las
especificaciones previamente establecidas para el mismo. En este
caso, mediante el histograma puede determinarse en que grado el
proceso esta produciendo buenos resultados y hasta que punto
existen desviaciones respecto a los limites fijados en las
especificaciones.
El uso del Histograma en la valoracin
de la calidad
66
Estratificacin

Cuando los datos proceden de distintas maquinas,
proveedores, lotes, turnos u operadores, pueden
encontrarse informacin valiosa si se hace un histograma
por cada fuente (estratificar) con lo que se podr
determinar cual es la maquina o el proveedor mas
problemtico.

Es recomendable que siempre que se realice un estudio
de la salida de un proceso se utilice el histograma y este
se interprete a detalle. De esa manera ser posible
detectar situaciones problemticas y posibles soluciones
para las mismas.

2.Histograma de Frecuencia
Diagrama de tallo y hoja
El tallo se forma con el (los) primer (os) dgito del dato, mientras que la
hoja se forma con los dems dgitos siguientes.
Por ejemplo, el valor numrico 458 se dividira en 45-8 como se muestra a
continuacin:
Dgitos iniciales Dgitos sucesivos
45 8
Utilizados en la ordenacin Mostrados en la representacin
Supongamos la siguiente distribucin de frecuencias
36 25 37 24 39 20 36 45 31 31
39 24 29 23 41 40 33 24 34 40
que representan la edad de un colectivo de N = 20 personas y que vamos a representar
mediante un diagrama de Tallo y Hoja.
Comenzamos seleccionando los tallos que en nuestro caso son las cifras de decenas, es
decir 3, 2, 4, que reordenadas son 2, 3 y 4.
A continuacin efectuamos un recuento y vamos aadiendo cada hoja a su tallo
Por ltimo reordenamos las hojas y hemos terminado el diagrama
Diagrama de tallo y hoja
Comparar dos distribuciones

Podemos comparar, mediante estos diagramas, dos distribuciones.
Supongamos una segunda distribucin.
35 38 32 28 30 29 27 19 48 40

39 24 24 34 26 41 29 48 28 22
De ella podemos elaborar sus diagrama de Tallos y Hojas y compararla con la
anterior.
Diagrama de tallo y hoja
Es una ayuda grfica para ver la variabilidad de los datos.
(Mediana)
Min
Q1
Q3
Q2
Escala
Max
Diagrama de caja
Ejemplo: distribucin de edades

Utilizamos la ya usada distribucin de frecuencias (en tallos y hojas),
que representan la edad de un colectivo de 20 personas.

36 25 37 24 39 20 36 45 31 31
39 24 29 23 41 40 33 24 34 40

Para calcular los parmetros estadstico, lo primero es ordenar la
distribucin:

20 23 24 24 24 25 29 31 31 33 34 36 36 37 39 39 40 40 41 45
Diagrama de caja
El bigote de la izquierda representa al colectivo de edades ( X
mn
, Q
1
)
La primera parte de la caja a (Q
1
, Q
2
),
La segunda parte de la caja a (Q
2
, Q
3
)
El bigote de la derecha viene dado por (Q
3
, X
mx
).
Dibujar la caja y los Bigotes
Diagrama de caja
24.25
Informacin del diagrama

La parte izquierda de la caja es mayor que la de la derecha; ello
quiere decir que las edades comprendidas entre el 25% y el 50% de
la poblacin est ms dispersa que entre el 50% y el 75%.

El bigote de la izquierda (Xmm, Q
1
) es ms corto que el de la
derecha; por ello el 25% de los ms jvenes estn ms concentrados
que el 25% de los mayores.

El rango intercuartlico = Q
3
- Q
1
= 14,5; es decir, el 50% de la
poblacin est comprendido en 14,5 aos.
Diagrama de caja
Ejemplos:
Comparar distribuciones
La mayor utilidad de los diagramas caja-bigotes es para comparar dos
o ms conjuntos de datos.
Comparacin distribucin de edades
Anlogamente a lo realizado con los diagramas de tallo y hojas,
comparamos, mediante estos diagramas, esta distribucin con la del
otro ejemplo de distribucin de edades.
35 38 32 28 30 29 27 19 48 40
39 24 24 34 26 41 29 48 28 22

Diagrama de caja
A partir de dicha comparacin puede obtenerse bastante informacin
de ambas distribuciones.
Diagrama de caja
24.25
3.. Diagrama de Pareto
C
O
N
D
U
C
T
A
S

D
E

U
N

M
A
L

S
E
R
V
I
C
I
O

0
25
50
75
100
125
100 %
80 %
60 %
40 %
20 %
P
O
R
C
E
N
T
A
J
E

D
E

C
O
M
P
O
S
I
C
I

N

Wilfredo Pareto deca que:
El 20% de los pases con
economas fuertes,
domina a los dems.
El 20% de las personas
que aportan con su
trabajo, sostienen al 80%
de la poblacin.
La abundancia en una
sociedad, la posee y
administra slo el 20%
de la poblacin.
La mejora de la calidad
se logra al resolver el
20% las causas que
generan el 80% de los
problemas.
77
Como Construir un Diagrama de Pareto
1. Recolectar los datos.
2. Ordenar los datos.
3. Etiquetar el Eje Vertical Izquierdo.
4. Etiquetar el Eje Horizontal.
5. Dibuje una barra para cada categora.
6. Determinar cantidades acumuladas.
7. Agregar lnea vertical de acumulacin porcentual.
Tipo de Defecto Cantidad de
defectos (f i)
Fractura 10
Rayado 42
Mancha 6
Tensin 104
Rajadura 4
Burbuja 20
Otros 14
Total 200
Diagrama de Pareto: ejemplo
4.. Diagrama de Causa - Efecto
(Ishikawa o Espina de Pescado)
Representa las relaciones entre un efecto y sus causas
potenciales.
Las principales causas se organizan en subcategoras,
de tal forma que su representacin grfica es parecida al
esqueleto de un pez (espina de pescado).
Analiza las relaciones de causa y efecto.
Comunica las relaciones de causa y efecto.
Facilita la solucin del problema desde los sntomas
hasta la solucin de sus causas.
DESCRIPCIN
APLICACIN
P
R
O
C
E
D
I
M
I
E
N
T
O
Definir el efecto de manera clara y concisa.
Definir las principales categoras de las posibles causas.
Definir el efecto en un cuadro en el extremo derecho.
Dibujar el diagrama escribiendo todos los niveles de sus causas.
Seleccionar un pequeo numero de las causas que tengan mayor
influencia en el efecto y demanden acciones adicionales.
FACTORES AL CONSIDERAR LAS POSIBLES CAUSAS:
Ambiente
Maquinaria o Equipo
Materiales
Mediciones
Mtodos
Personal.
Diagrama de Causa - Efecto
Baja Competitividad
Materiales Mano de Obra
Mtodos
Maquinaria Ambiente
Medicin
Determinacin de precios
y plazos ineficiente
Prototipeo es lento
No existen indicadores de gesin
Alta rotacin
Demora en conseguir
materiales
Falta de tendedoras
automaticas para corte
Pobre control de calidad
Problema: Baja Competitividad
Falta capacitacin
Alto nivel de ausentismo
Dificultad para conseguir
materiales de calidad
Almacenes reducidos
No se cuenta con comedor
para el personal
Falta de manuales de
procedimientos
Diagrama de Causa - Efecto
Diagrama de Flujo es una representacin grfica de la secuencia de etapas,
operaciones, movimientos, decisiones y otros eventos que ocurren en un
proceso. Esta representacin se efecta a travs de formas y smbolos grficos
utilizados usualmente:
5.. Diagrama de flujo
Smbolos Para Elaborar Diagramas De Flujo
Conector. Reprsenta una conexin o enlace de una parte del
diagrama de flujo con otra parte lejana del mismo.
Conector de pgina. Representa una conexin o enlace con otra
hoja diferente, en la que contina el diagrama de flujo.
Archivo. Indica que se guarda un documento en forma temporal o
permanente.
Decisin o alternativa. Indica un punto dentro del flujo en donde se
debe tomar una decisin entre dos o ms alternativas.
Documento. Representa un documento en general que entre, se
utilice, se genere o salga del procedimiento.
Actividad. Describe las funciones que desempean las personas
involucradas en el procedimiento.
Inicio o trmino. Indica el principio o el fin del flujo, puede ser accin
o lugar, adems se usa para indicar una unidad administrativa o
persona que recibe o proporciona informacin.
REPRESENTA SIMBOLO
Diagrama de formato horizontal
FECHA DE ELABORACIN AUTORIZ FORMUL
PROCEDIMIENTO DE ADQUISICIN DE MATERIALES
GERENCIA CENTRAL DE LOGISTICA
Pide material
mediante solicitud
de material
INICIO
Soicita material
mediante requ-
isicin de compra
Pide material
mediante orden
de compra
Comunica
deficiencia al
proveedor
Surte material
FIN
Origen del materia?l
Existencia suficiente?
B
A
A
Comunica
deficiencia al
almacn
B
SI
Proveedor
NO
NO
SI
Almacn
SI
DEPARTAMENTO SOLICITANTE ALMACEN DEPARTAMENTO DE COMPRAS PROVEEDOR
Surte material
Surte material
Utiliza material
Material requerido? Material requerido?
NO
El anlisis de regresin es un mtodo estandarizado para localizar
la correlacin entre dos grupos de datos, y, quiz ms importante,
crear un modelo de prediccin.

Puede ser usado para analizar las relaciones entre:
Una sola X predictora y una sola Y

Mltiples predictores X y una sola Y

Varios predictores X entre s
Anlisis de Regresin
Ecuacion de regresion

Y = a + bX

Y = variable dependiente
X = variable independiente
a = intercepta eje-y
b = pendiente de la recta de regresin
Regresion lineal simple
Constantes a y b
Las constantes A y B se calculan utilizando las
siguientes ecuaciones:
2
2 2
x y- x xy
a =
n x -( x)


2 2
xy- x y
b =
n x -( x)
n


Regresion lineal
Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
Tendencia lineal: Ejemplo
30
35
40
45
50
55
60
65
70
75
80
1994 1995 1996 1997 1998 1999 2000 2001
Tendencia Lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
Tendencia Lineal: ejemplo
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
Tendencia Lineal
En una pequea universidad regional las matrculas han crecido de
forma constante durante los ltimos seis aos, como se demuestra a
continuacin. Use la serie de regresin para pronosticar el nmero de
matriculas para los prximos tres aos



Students Students
Aos Inscritos (1000s) Aos Inscritos(1000s)
1 2.5 4 3.2
2 2.8 5 3.3
3 2.9 6 3.4
Ejemplo: inscripcin a la universidad

x y x
2
xy
1 2.5 1 2.5
2 2.8 4 5.6
3 2.9 9 8.7
4 3.2 16 12.8
5 3.3 25 16.5
6 3.4 36 20.4
Ex=21 Ey=18.1 Ex
2
=91 Exy=66.5

Ejemplo: inscripcin a la universidad










Y = 2.387 + 0.180X
2
91(18.1) 21(66.5)
2.387
6(91) (21)
a

= =

6(66.5) 21(18.1)
0.180
105
b

= =
Ejemplo: inscripcin a la universidad

Y
7
= 2.387 + 0.180(7) = 3.65 or 3,650 students
Y
8
= 2.387 + 0.180(8) = 3.83 or 3,830 students
Y
9
= 2.387 + 0.180(9) = 4.01 or 4,010 students


Note: Se espera que la inscripcion aumente en 180
estudiantes por ao

Ejemplo: inscripcin a la universidad
Nivel de confianza
Z
Frmula
68% 1
y s
yx

95% 2
y 2s
yx

99% 3
y 3s
yx

Control del pronostico
Coeficiente de Correlacion (r)
El coeficiente de correlacin, r, explica la importancia relativa de la
relacin entre x e y.
El signo de r indica la direccin de la relacin.
El valor absoluto de r muestra la fuerza de la relacin.
r puede tomar cualquier valor entre -1 y +1.
2 2 2 2
( ) ( )
n xy x y
r
n x x n y y

=
( (



r se calcula por:
Interpretacion de valores de r:
-1 relacion negativa perfecta
+1 relacion positiva perfecta
0 no existe relacion entre las variables
+0.3 poca relacion positiva
- 0.8 fuerte relacion negativa
Coeficiente de Correlacion (r)
Las cartas de control
El promedio y los lmites de control se calculan a partir de los datos.
Los datos se grafican en orden secuencial en el tiempo (conforme
ocurren). Se trata de detectar los cambios.
Los puntos graficados dependen del tipo de Carta: promedio, rango,
fraccin defectiva, etc.
Una Carta de Control es como un historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
Introduccin
Ejemplos de caractersticas de calidad.
4 Peso promedio
4 Longitud promedio
4 Dimetro promedio
4 Tiempo promedio de servicio
4 Proporcin de tems no conformes
4 Nmero de inconformidades en la unidad.

Variables
Atributos
Pasos para establecer un Grfico de Control
1. Elegir una caracterstica a graficar.
2. Elegir el tipo de grfico de control.
3. Decidir la lnea central a utilizar.
4. Seleccionar el subgrupo racional
5. Proporcionar un sistema de recoleccin de datos.
6. Calcular los lmites de control.
7. Graficar los datos e interpretar los resultados.
Tamao de subgrupo

En relacin a la magnitud del cambio del parmetro del
proceso.
4 Cambios grandes en el parmetro del proceso pueden
ser detectados con muestras pequeas.
4 Si es importante detectar cambios pequeos en el
parmetro del proceso se necesitan muestras de mayor
tamao.

Seleccin de Subgrupos
En la planta del proveedor mientras los productos son
producidos.
En la zona de recepcin de productos
Justo antes de un Cuello de Botella del proceso
Antes de operaciones costosas
Cuando la produccin ha sido completada
Antes del despacho a los clientes
Cuando y donde inspeccionar
UCL
LCL
Advertencia
Advertencia
Reglas para identificar procesos
fuera de control
Regla 1:
Un proceso se supone fuera de control si un punto esta fuera de los
lmites de control.
Regla 2:
Un proceso se supone fuera de control si dos de tres puntos
consecutivos se localizan fuera de los lmites de advertencia en el
mismo lado de la lnea central.


Regla 3:
- Un proceso se supone fuera de control si 4 de 5 puntos consecutivos
caen fuera del lmite 1o del mismo lado de la lnea central.
UCL
LCL
Lmite un
sigma
Lmite un
sigma
Reglas para identificar procesos
fuera de control
Regla 4:
- Un proceso se supone fuera de control si ocho o mas puntos
consecutivos se ubican del mismo lado de la lnea central.
UCL
LCL
Reglas para identificar procesos
fuera de control
Determinacin de causas asociadas a puntos
fuera de control
La tarea del usuario de las cartas de control no termina
identificando puntos fuera de control.

Es importante identificar las causas que hacen que los
puntos estn fuera de los lmites de control.
Conocimiento del proceso.
Esfuerzo conjunto.
Diagrama de causa y efecto.
A. Cambio en el comportamiento de
los puntos (salto).
1. Cambio en la calidad de
materia prima y partes por el
cambio de un proveedor.
2. Cambio de operador
3. Error en la calibracin de
componente de medicin.
4. Falla en algn componente del
equipo.
5. Desgaste de una herramienta.
Determinacin de causas asociadas a puntos
fuera de control
B. Tendencia
1. Operador aprendiendo el
trabajo.
2. Deterioro gradual de la
maquinaria o partes.
3. Cambio gradual en la
presin o temperatura.

Determinacin de causas asociadas a puntos
fuera de control
Errores al hacer inferencias
considerando cartas de control
Error tipo I: Inferir que el proceso esta fuera de
control cuando en realidad esta bajo control
estadstico.

Error tipo II: Inferir que el proceso esta bajo control
estadstico cuando en realidad no lo esta.


Especial: el desperfecto es
provocado por un desgaste
natural relativamente menor en la
maquina.


Los trabajadores pueden reducir
o eliminar el problema ajustando o
reemplazando las partes afectadas
del equipo.


Error 2: creer que el problema es comn
(hojalata de mala calidad) y no hacer a la
maquina los ajustes necesarios en
forma oportuna.
Comn: Las latas salen me-
lladas porque la administracin
compra hojalatas de menor calidad,
quizs en un esfuerzo por reducir
costos.
No hay nada que los operarios
puedan hacer por el problema. Solo
la administracin tiene la facultad
de cambiar la poltica de compras.
Error 1: cuando la lnea de montaje arroje
una lata defectuosa, la reaccin podra
llevar al operario a ajustar la maquinaria.
Pero el problema esta en el material; por
lo tanto, el ajuste puede descomponer el
sistema y empeorar las cosas, y esto
producir nuevos y mas graves problemas.
Mientras tanto, la verdadera fuente del
inconveniente (material) pasara inadvertida.

Tipo de causa Accin
Posibles errores
Fuentes de variabilidad de los procesos: Ejemplo


Construccin de cartas
de control para variables
113
Tipos de cartas de control
Las cartas de control se dividen en dos categoras,
diferenciadas por el tipo de datos bajo estudio- variables y
atributos.
Las Cartas de Control para datos variables son utilizadas
para caractersticas que tienen una magnitud variable.
Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad


114
Las cartas para atributos son las que tienen caractersticas
como aprobado/reprobado, bueno/malo o pasa/no pasa.
Algunos ejemplos incluyen:

- Nmero de productos defectuosos
- Fraccin de productos defectuosos
- Numero de defectos por unidad de producto
- Nmero de partes daadas
- Pagos atrasados por mes


Tipos de cartas de control
1. Para variables
a) Grficos X-barra y R
b) Grficos X-barra y S
c) Grficos X (Valores individuales)
d) Grfico CUSUM y de promedios ponderados.
e) Grficos para caractersticas de calidad
relacionadas.

2. Para atributos
a) Grficos p
b) Grficos np
c) Grficos para no conformidades (c y u)
Tipos de cartas de control
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden
a distribuirse en forma normal

Por ejemplo los 300 datos (cuyo valor se encuentra
entre 1 a 9) pueden estar distribuidos como sigue:
0
10
20
30
40
50
1 2 3 4 5 6 7 8 9
Frec.
Tomando muestras de 10 datos, calculando su
promedio y graficando estos promedios se tiene:
0
2
4
6
8
10
3,5 4,5 5,5 6,5
Frec.
Teorema del Lmite Central
PREMISAS
Si la variable aleatoria X tiene cualquier distribucin con
media y desviacin estndar o.

Seleccionando muestras de tamao n de la poblacin se
tiene:

CONCLUSIONES
La distribucin de todas las medias o promedios de las
muestras X-media, tienden a distribuirse normalmente
La media de las medias de las muestras ser .
La desviacin estndar de las medias de las muestras ser
o /\n.
Teorema del Lmite Central
- Este par de cartas se utilizan para monitorear procesos con datos
variables. Una para las medias y otra para los rangos.

- Los datos de 3 a 6 piezas consecutivas forman subgrupos o
muestras de los cuales se calcula la media y el rango.

- La Carta X-media monitorea los promedios de las muestras del
proceso monitoreando tendencias en la media del proceso.

- La grfica R monitorea los rangos de las muestras del proceso
monitoreando la variabilidad del proceso.
Carta X, R (Datos variables)
Procedimiento:
Identificar la caracterstica crtica a controlar y tamao de
subgrupo (n = 3 a 6)

Iniciar la recoleccin de aprox. 25 subgrupos (k), tomando
partes consecutivas en cada uno.

Decidir cmo y cundo colectar la informacin de los
subgrupos, de tal forma de detectar cambios.

Elaborar la grfica con los datos.

Analizar las cartas de control
Carta X, R
Limites de control de carta X
Limites de control de carta R
n A
2
A
3
d
2
D
3
D
4
B
3
B
4
2 1. 880 2. 659 1. 128 0 3. 267 0 3. 267
3 1. 023 1. 954 1. 693 0 2. 575 0 2. 568
4 0. 729 1. 628 2. 059 0 2. 282 0 2. 266
5 0. 577 1. 427 2. 326 0 2. 115 0 2. 089
6 0. 483 1. 287 2. 534 0 2. 004 0. 030 1. 970
7 0. 419 1. 182 2. 704 0. 076 1. 924 0. 118 1. 882
8 0. 373 1. 099 2. 847 0. 136 1. 864 0. 185 1. 815
9 0. 337 1. 032 2. 970 0. 184 1. 816 0. 239 1. 761
10 0. 308 0. 975 3. 078 0. 223 1. 777 0. 284 1. 716
11 0. 285 0. 927 3. 173 0. 256 1. 744 0. 321 1. 679
12 0. 266 0. 886 3. 258 0. 283 1. 717 0. 354 1. 646
13 0. 249 0. 850 3. 336 0. 307 1. 693 0. 382 1. 618
14 0. 235 0. 817 3. 407 0. 328 1. 672 0. 406 1. 594
15 0. 223 0. 789 3. 472 0. 347 1. 653 0. 428 1. 572
Anlisis:

La grfica R debe estar en control antes de interpretar la
grfica X-media.

Interpretar la grfica X-media para puntos que no estn
aleatoriamente distribuidos

La clave consiste en eliminar la variacin excesiva antes de
tratar de identificar tendencias en los promedios de los subgrupos
del proceso
Carta X, R
1. En la siguiente tabla
se muestran los pesos
de los sobres de un
determinado alimento.
Cada media hora se
realizan 4 mediciones
por muestra, sumando
un total de 20
muestras.


Carta X, R (ejemplos)
x = 0.4983
R = 0.0250
0.0282
Primero debemos calcular las medias, tanto de cada muestra (X
doble raya) como la de su amplitud o recorrido (R)
donde: X (doble raya) = 0,4983 y R (raya) = 0,025

Para construir los Grficos de Control por variables, se tiene que
tener en cuenta que al determinar si un proceso est bajo control
estadstico", siempre se debe analizar primero la grfica R. Como
los lmites de control en la grfica X (raya) dependen de la
amplitud promedio, podran haber causas especiales en la grfica
R que produzcan comportamientos anmalos en la grfica X
(raya), an cuando el centrado del proceso est bajo control.

Carta X, R (Ejemplos)
Para el grfico R, se tiene que:
Lmite Central (LC) = R (raya)= 0,025
Lmite Superior de Control (LSC)
LSC = 0,057, el valor de D4 se consigue en una tabla estadstica (para
este caso es 2,282 con un tamao de grupo n = 4).
Lmite Inferior de Control (LIC): LIC = 0

= 0.025 x 0 = 0
= 0.025 x 2.282 = 0,057
= 0.025
n A
2
A
3
d
2
D
3
D
4
B
3
B
4
2 1. 880 2. 659 1. 128 0 3. 267 0 3. 267
3 1. 023 1. 954 1. 693 0 2. 575 0 2. 568
4 0. 729 1. 628 2. 059 0 2. 282 0 2. 266
5 0. 577 1. 427 2. 326 0 2. 115 0 2. 089
6 0. 483 1. 287 2. 534 0 2. 004 0. 030 1. 970
7 0. 419 1. 182 2. 704 0. 076 1. 924 0. 118 1. 882
8 0. 373 1. 099 2. 847 0. 136 1. 864 0. 185 1. 815
9 0. 337 1. 032 2. 970 0. 184 1. 816 0. 239 1. 761
10 0. 308 0. 975 3. 078 0. 223 1. 777 0. 284 1. 716
11 0. 285 0. 927 3. 173 0. 256 1. 744 0. 321 1. 679
12 0. 266 0. 886 3. 258 0. 283 1. 717 0. 354 1. 646
13 0. 249 0. 850 3. 336 0. 307 1. 693 0. 382 1. 618
14 0. 235 0. 817 3. 407 0. 328 1. 672 0. 406 1. 594
15 0. 223 0. 789 3. 472 0. 347 1. 653 0. 428 1. 572
Para el grfico X (raya), se tiene que:

Lmite Central (LC) = X (doble raya)= 0,4983
Lmite Superior de Control (LSC)
LSC = 0,5165, el valor de A2 se consigue en una tabla estadstica (para
este caso el valor es 0,729 con un tamao n =4).
Lmite Inferior de Control (LIC) = 0,4800
R A x LIC
x LC
R A x LSC
2
2
=
=
+ =
= 0.4983+0.729(0.025) = 0.5165
= 0.4983
= 0.4983 - 0.729(0.025) = 0.480
2. La direccin de la empresa ABC esta preocupada por la produccin de
un tornillo de metal especial que usan algunos de los clientes mas
importantes de la empresa. El dimetro del tornillo es critico. Los
datos de cinco muestras aparecen en la tabla adjunta. El tamao de
la muestra es 4. Esta el proceso bajo control?
Numero de
muestra
1 2 3 4 R X
1 0.5014 0.5022 0.5009 0.5027
2 0.5021 0.5041 0.5024 0.5020
3 0.5018 0.5026 0.5035 0.5023
4 0.5008 0.5034 0.5024 0.5015
5 0.5041 0.5056 0.5034 0.5047
Carta X, R (Ejemplos)
- Este es un par de Cartas muy similar a las grficas X - R. La
diferencia consiste en que el tamao de la muestra puede variar y
es mucho ms sensible para detectar cambios en la media o en la
variabilidad del proceso.
- El tamao de muestra n es mayor a 9.
- La Carta X monitorea el promedio del proceso para vigilar
tendencias.
- La Carta S monitorea la variacin en forma de desviacin estndar.
- Como se dijo anteriormente, las cartas se dividen en zonas. Aqu
estn divididas en intervalos de 1 sigma.
Carta X y S
S A x LIC
x LC
S A x LSC
3
3
=
=
+ =
m
S
S y
m
x
x
m
i
i
m
i
i

= =
= =
1 1
S B LIC
S LC
S B LSC
3
4
=
=
=
Carta S
n A
2
A
3
d
2
D
3
D
4
B
3
B
4
2 1. 880 2. 659 1. 128 0 3. 267 0 3. 267
3 1. 023 1. 954 1. 693 0 2. 575 0 2. 568
4 0. 729 1. 628 2. 059 0 2. 282 0 2. 266
5 0. 577 1. 427 2. 326 0 2. 115 0 2. 089
6 0. 483 1. 287 2. 534 0 2. 004 0. 030 1. 970
7 0. 419 1. 182 2. 704 0. 076 1. 924 0. 118 1. 882
8 0. 373 1. 099 2. 847 0. 136 1. 864 0. 185 1. 815
9 0. 337 1. 032 2. 970 0. 184 1. 816 0. 239 1. 761
10 0. 308 0. 975 3. 078 0. 223 1. 777 0. 284 1. 716
11 0. 285 0. 927 3. 173 0. 256 1. 744 0. 321 1. 679
12 0. 266 0. 886 3. 258 0. 283 1. 717 0. 354 1. 646
13 0. 249 0. 850 3. 336 0. 307 1. 693 0. 382 1. 618
14 0. 235 0. 817 3. 407 0. 328 1. 672 0. 406 1. 594
15 0. 223 0. 789 3. 472 0. 347 1. 653 0. 428 1. 572
Carta X
Carta X y S
Mediciones del dimetro interior (mm) de los anillos para pistones de motores
de automviles
K (muestras) x Si
25 = 1,850.028 0.2350
x = 74.001 s = 0.0094
n = tamao de la muestra = 5
Se toman k muestras de tamao n.
Se calcula la media y la desviacin estndar de cada muestra:
( )
1
1
2
1

1


=
=
= =

n
X x
i
n
j
ij i
n
j
i ij
S x
n
X
Ejemplo 1
131
En muchas situaciones, el tamao de la muestra usado para
monitorear el proceso es n= 1 ; es decir la muestra consta de una
unidad individual. Algunos ejemplos son:

1. Se usa la tecnologa de inspeccin y medicin automatizada, y se
analiza cada unidad manufacturada, por lo que no hay ninguna
base racional para hacer subgrupos.
2. La velocidad de produccin es muy lenta, y no es conveniente dejar
que se acumulen tamaos de la muestra de n 1 antes del anlisis.
3. Las mediciones repetidas del proceso difieren nicamente por el
error de laboratorio o de anlisis, como en muchos procesos
qumicos.
4. Se hacen mediciones mltiples en la misma unidad del producto,
como la medicin del espesor de oxido en varios sitios diferentes de
una oblea en la manufactura de semiconductores.


Carta de control Individuales
132
Resumiendo, tenemos que los grficos de control de Datos Individuales y
Rangos Mviles (X-Rm), quedaran.
Para el grfico de Datos Individuales:
Y para el grfico de Rangos Mviles:
Carta de control Individuales
Carta de control Individuales
1. La viscosidad de una pintura tapaporo para aviones, es una caracterstica
de calidad importante. El producto se produce por lotes, y debido a que la
produccin de cada lote se lleva varias horas, la velocidad de produccin es
demasiada lenta para permitir tamaos de la muestra mayores que uno.

N de la Viscosidad Rango Mvil
Tanda x MR
1 33.75
2 33.05 0.70
3 34.00 0.95
4 33.81 0.19
5 33.46 0.35
6 34.02 0.56
7 33.68 0.34
8 33.27 0.41
9 33.49 0.22
10 33.20 0.29
11 33.62 0.42
12 33.00 0.62
13 33.54 0.54
14 33.12 0.42
15 33.84 0.72
1
=
i i
x x MR
48 . 0 = MR 52 . 33 = X
134
Formulas :
MR D LSC
MR 4
=
MR D LIC
MR 3
=

2
3
d
MR
x LSC + =
2
3
d
MR
x LIC =
24 . 32
128 . 1
48 . 0
3 52 . 33 = =
80 . 34
128 . 1
48 . 0
3 52 . 33 = + =
( ) 57 . 1 48 . 0 267 . 3 = =
( ) 0 48 . 0 0 . 0 = =
Carta de control Individuales
135
Mediciones a la resistencia a la tensin
x/mm2 MR x/mm2 MR x/mm2 MR
186.0 183.9 6.9 181.2 11.2
185.5 0.5 185.8 1.9 184.8 3.6
194.9 9.4 183.8 2.0 187.6 2.8
183.3 11.6 189.3 5.5 185.4 2.2
183.2 0.1 195.1 5.8 186.6 1.2
190.8 7.6 192.4 2.7 188.5 1.9
Ejemplo 2
Carta de control Individuales
Caractersticas de calidad de tipo discreto: producto conforme, no
conforme, nmero de defectos o no conformidades.

p (proporcin o fraccin de artculos defectuosos)
np (nmero de unidades defectuosas)
c (nmero de defectos)
u (nmero de defectos por unidad) .

Tipos de Carta de control para atributos
Carta p (proporcin de artculos defectuosos)
Muestra las variaciones en la fraccin o proporcin de artculos defectuosos
por muestra o subgrupo.
En esta carta se toma una muestra o subgrupo de n artculos, que puede ser
la totalidad o una parte de las piezas de un pedido, un lote.
Se revisa cada uno de estos n artculos y se encuentra cuantos de estos
fueron defectuosos por lo que la carta grafica la proporcin de artculos
defectuosos.

Lmites de control
p : fraccin promedio de no conformes
n : tamao de la muestra
k : nmero de muestras
np o D : nmero de unidades no conformes en una muestra
p : fraccin de unidades no conformes en una muestra = D / n
n
D
p con
m
p
n m
D
p
i
i
m
i
i
m
i
i
= = =

= =

1 1
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se
registraron semanalmente tal como se muestra a continuacin.

# de
componentes
inspeccionados
Componentes
defectuosos
Fraccin de
componentes
defectuosos
7 0 0.000
7 0 0.000
15 2 0.133
14 2 0.143
48 6 0.125
22 0 0.000
18 6 0.333
7 0 0.000
14 1 0.071
9 0 0.000
14 2 0.143
12 2 0.167
8 1 0.125
n D p
K = 13 semanas
Carta p
1 0 5 0
0 . 5
0 . 4
0 . 3
0 . 2
0 . 1
0 . 0
Nmero de muestra

P
r
o
p
o
r
c
i

n

Grfica P para Fraccin Defectiva

P = 0 . 1 1 2 8
3 . 0 S L = 0 . 3 5 8
- 3 . 0 S L = 0 . 0 0 0
Carta p

- Por qu el LIC es siempre cero?
- Qu pas en la muestra 7? (33.3% defectos)
Qu oportunidades para mejorar existen?,
Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
p
LSC
LIC
Ejemplo:
Numero de
muestra
Nmeros de
cuenta
equivocados
1 15
2 12
3 19
4 2
5 19
6 4
7 24
8 7
9 10
10 17
11 15
12 3
Total 147
1. El gerente de operaciones del Dpto. de
servicios de registros del Hometown Bank se
siente preocupado por la gran cantidad de
errores que comete el personal de ese banco
al registrar los nmeros de cuenta de los
clientes. Cada semana se toma una muestra
aleatoria de 2,500 depsitos y se anota la
cantidad de nmeros de cuenta registrados
incorrectamente. Los resultados de las 12
ultimas semanas aparecen en la siguiente
tabla. Esta fuera de control este proceso?
Use acotamientos de control tres sigma.
Carta p (Ejemplo)
Cuando el tamao de la muestra en las cartas p es constante, es ms
conveniente usar la carta np, en la que se grafica el nmero de artculos
defectuosos por muestra en lugar de la proporcin.

los lmites de control para la carta np se obtiene bajo el supuesto de la
distribucin binomial.

Lmites de control:
Carta np
n p = # de productos defectuosos en una muestra
n = tamao de la muestra
k = Nmero de muestras o subgrupos
p = Suma de productos defectuosos / Total inspeccionado [n * k]
n np
# de partes inspeccionadas
# de partes
defectuosas
4000 2
4000 3
4000 3
4000 2
4000 4
4000 2
4000 3
4000 3
4000 6
4000 8
4000 3
4000 4
4000 4
4000 7
4000 6
K=15 lotes
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
Carta np
1 5 1 0 5 0
1 0
5
0
Nmero de muestras
N
o
.

D
e

f
e
c
e
t
i
v
o
s


Carta np de nmero de defectivos o defectuosos

3 . 0
LSC=10.0
- 3 . 0
- El tamao de la muestra (n) es constante
- Los lmites de control LSC y LIC son constantes

np
LIC
Ejemplo 1:
LIC=0.0
Np =4.0
Carta np
Ejemplo:
Una manufacturera de esponjas de gasa toma una muestra de 600 esponjas
diariamente, las inspecciona y registra el nmero de esponjas defectuosas.
En total hay 9 muestras de esponjas, representados en la siguiente tabla:
Carta np
El objetivo de esta carta es analizar la variabilidad del nmero de defectos. En
esta carta se grafica c i que es el nmero de defectos en la i-sima muestra.

La carta c es aplicable donde el tamao de muestra puede verse como una
constante( una semana, una pieza, 100 artculos, un metro de tela, etc.).

Lmites de control:
Carta c
Mesa Numero de
defectos
Mesa Numero de
defectos
Mesa Numero de
defectos
1 7 11 6 21 3
2 5 12 7 22 10
3 10 13 8 23 6
4 2 14 4 24 6
5 6 15 5 25 7
6 5 16 12 26 4
7 4 17 8 27 5
8 9 18 10 28 6
9 7 19 4 29 8
10 5 20 7 30 5
Total 191
1. En una fabrica de muebles se inspecciona a detalle el acabado de las mesas
cuando salen del dpto. de laca. La cantidad de defecto que son encontrados en
cada mesa son registrados con el fin de conocer y mejorar el proceso. En la
sgte tabla se muestran los defectos encontrados en las ultimas 30 mesas. Es
claro que estamos ante una variable que debe ser analizada con la carta c,
debido a que una misma mesa puede tener varios defectos de diferentes tipo
adems, los defectos son relativamente menores, y aunque influyen en la
calidad final del producto, no causan que la mesa sea rechazada.
Carta C (ejemplos)
2. La empresa Trupal fabrica papel para la industria de los peridicos. En la
fase final del proceso, el papel pasa por una maquina que mide varias
caractersticas de calidad. Cuando el proceso esta bajo control, el promedio
es de 20 defectos por cada rollo de papel.

a. Elabore una grafica de control para el numero de defectos por rollo.
Use acotamientos de control dos sigma.
b. Los dos primeros rollos contenan 27 y 5 defectos, respectivamente.
Se encuentra este proceso bajo control?
Carta C (ejemplos)
Cuando en las cartas c el tamao de muestra no es constante o an cuando
sea constante, se prefiere cuantificar el nmero promedio de defectos por
unidad en lugar del total de defectos en la muestra, se usa la carta u.
Para cada muestra se grafica el nmero promedio de defectos por unidad, ui,
que se obtiene al dividir el total de defectos encontrados en la muestra entre el
total de unidades .
Carta u
Ci es la cantidad de defectos en la muestra i y n es el tamao de la muestra i.

Lmites de control:
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana.
Los defectos visuales observados se registran cada semana.
# PCB
Soldados
Defectos
Visuales
Observados DPU
50 305 6.1
50 200 4.0
50 210 4.2
50 102 2.0
50 198 4.0
50 167 3.3
50 187 3.7
50 210 4.2
50 225 4.5
50 247 4.9
50 252 5.0
50 215 4.3
n c u
k=12 semanas
Carta u
- Observe como los lmites de control permanecen constantes
cuando se utiliza un tamao de muestra constante igual a 50
- Cules son las dos observaciones de mayor inters?
Ejemplo 1:
1 0 5 0
6
5
4
3
2
Nmero de Muestras

C
o
n
t
e
o

d
e

m
u
e
s
t
r
a
s



Grfica U para Defectos
1
1
U = 4 . 1 9 7
u
Cartas U
LSC = 5.066
LIC = 3.328
Capacidad del Proceso
Aptitud del proceso para cumplir con las especificaciones
Preguntas tpicas en un estudio de capacidad del
proceso son:
a) Cul es la media del proceso?
b) Cunta es la variabilidad del proceso?
c) Desempeo del proceso relativo a las
especificaciones es aceptable?
d) Qu porcentaje de producto cumple las
especificaciones?
e) Qu factores contribuyen a la variabilidad?
Capacidad del Proceso: Usos

Predecir el grado en que el proceso cumplir con las especificaciones o
tolerancias.
Seleccionar el proceso ms adecuado.
Ayudar a establecer intervalos de muestreo y controles de proceso.
Especificar requisitos para equipos nuevos.
Elegir entre diferentes proveedores.
Reducir la variabilidad.
Asignar los equipos a los tipos de trabajo para los cuales son ms
adecuados.
Capacidad del Proceso: Pasos bsicos

1. Elegir una mquina o parte representativa del proceso.

2. Definir las condiciones del proceso.

3. Seleccionar un operador representativo.

4. Proporcionar material estndar y en cantidad suficiente para un
estudio sin interrupciones.

5. Especificar la metodologa de medicin y recopilacin de datos.
ndices de Capacidad del Proceso : CP

LIE - LSE
CP
6
=
CP > 1.33 : El proceso es capaz

CP < 1.00 : El proceso no es capaz

1.00 s CP s 1.33 : El proceso es capaz, pero
debera ser vigilado a
medida que CP 1.00
ndices de Capacidad del Proceso : CPK
)
`

LIE - Media
,

- Media LSE
Min CPK
3 3
CPK > 1 : Proceso es capaz
CPK < 1 : Proceso no es capaz






En la prctica se ha encontrado que muestras de
aproximadamente 5 mediciones (n = 5) funcionan
bien para detectar cambios de 2 desviaciones
estndar o mayores.

Para detectar cambios menores deben utilizarse
muestras de tamao ms grande, de 15 a 25
observaciones.
Tamao de la Muestra
Ejemplo: Evaluacion de la capacidad de proceso en el
caso de la produccion de bombillas para iluminacion
En el proceso de fabricacin de bombillas para iluminacin se
producen bombillas con una vida promedio de 900 horas y una
desviacin estndar de 48 horas.

El valor nominal del rango de tolerancia es de 1,000 horas, con
una especificacin superior de 1,200 horas y una especificacin
inferior de 800 horas. El gerente de operaciones desea
averiguar si ese proceso es capaz de producir las bombillas de
acuerdo con las especificaciones de diseo.