Manual de Control Estadistico de Procesos

CONTROL ESTADÍSTICO
DEL PROCESO
Dr. Primitivo Reyes A.
P. Reyes 1
CONTROL ESTADÍSTICO DEL PROCESO (CEP)
OBJETIVOS: Al finalizar el curso, el participante será capaz

de:
1. Comprender los conceptos estadísticos para implantar

cartas de control para prevenir los defectos y mejorar
los procesos.
2. Evaluar la capacidad de un proceso y de los equipos

de medición, identificando acciones de mejora.
3. Realizar proyectos de mejoramiento de la calidad.
P. Reyes 2
CONTENIDO
1. Importancia de la mejora continua
2. Métodos y filosofía del CEP
3. Cartas de control por variables

4. Cartas de control por atributos
5. Cartas de control especiales

6. Análisis de la capacidad del proceso
7. Métodos para el proceso de mejora

continua
8. Métodos de muestreo por atributos

9. Métodos de muestreo por variables
P. Reyes 3
1. Importancia de
la mejora continua
P. Reyes 4
• DIMENSIONES DE LA CALIDAD
– Desempeño
– Confiabilidad
– Durabilidad
– Serviciabilidad
– Estética
– Características
– Imagen del producto
– Conformancia
– Tiempo de entrega
– Precio
– Servicio al cliente
P. Reyes 5
CALIDAD Y MEJORAMIENTO
• La calidad es adecuación al uso e inversamente

proporcional a la variabilidad.
• La mejora de la calidad se logra a través de la

reducción de la variabilidad por medio del CEP
TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos
Variables: Medibles, temp., voltaje

P. Reyes 6
• PRODUCTO DEFECTIVO: No cumple una o

varias especificaciones
• DEFECTO: Carácterística específica de un

producto que no cumple especificaciones
• CARACTERISTICAS DEL PRODUCTO

– Físicas: Longitud, peso
– Sensoriales: apariencia
– Relacionadas con el uso: confiabilidad,
duración, servicio, disponibilidad
P. Reyes 7
1... Antecedentes históricos
• ADAM SMITH (División del trabajo): 1 persona = 200

alfileres, 10 pers. = 48,000 alfileres
• FEDERICK W. TAYLOR: Administración Científica, ciencia

para cada elemento del trabajo, selección del trabajador,
capacitar, apego a proc., división adm. obreros
• FRANK / LILLIAN GILBERTH: Afinan los movimientos,

resaltan la necesidad de interes por los trabajadores
• FORDISMO: Líneas de porducción masiva, los

trabajadores deben ser consumidores
P. Reyes 8
1... CEP en Occidente – Western Electric
• 1924: WALTER SHEWHART realizó experimentos en
base al Teorema del Límite Central y desarrolló las
Cartas de Control del CEP
• 1926: HAROLD F. DODGE Y HARRY G. ROMIG,

desarrollaron las técnicas de Muestreo Estadístico
• Durante la 2a. Guerra Mundial se expande el uso del

CEP en la industria de manufactura
• La aplicación de las técnicas estadísticas ha

evolucionado a lo que hoy se conoce como Seis
Sigma, aplicada por Motorola, GE, Sony, etc.
P. Reyes 9
1... CEP en Japón
• 1950’s: EDWARD DEMING / JOSEPH JURAN:

Entrenaron a líderes industriales en técnicas del CEP
• 1950’s: KAOURU ISHIKAWA: Es un seguidor de

Deming y desarrolla el Diagrama de Ishikawa, los
Círculos de calidad e impulsa el control de calidad
total CWQC.
• Los japoneses implantaron el CEP y lograron

productos de alta calidad, Occidente retoma los
métodos de CEP hasta después de los 1980’s.
• En México el programa Ford ITESM de los 1990’s

impulsó al CEP con poco éxito, hoy se retoma con el
ISO 9000:2000
P. Reyes 10
1... Antecedentes históricos
• Control de calidad por inspección: Con la división del

trabajo, aparecen los inspectores, inspección 100%
• Control estadístico del proceso: Shewhart, Deming, Juran.

Se usa en Japón (50’s) y EUA (80’s)
• Aseguramiento de calidad (ISO 9000): Sistemas aislados

EUA (40’s), Europa, etc.
P. Reyes 11
4...Métodos de calidad para
Manufactura Delgada
• Control estadístico del proceso: Previene que ocurran
problemas potenciales
• Métodos de inspección sucesiva: Detectan los

resultados de la operación previa
• Métodos de auto inspección: Detecta los resultados de

la operación actual
• A prueba de error (Poka Yokes): Hacer que sea difícil,

realizar la tarea incorrectamente
Evitar: AQLs, concesiones, desviaciones, inspecciones al

final y en recibo
P. Reyes 12
1... Inspecciones de calidad
Separa “buenos” Ni asegura

Inspección 100% de “malos” Ni mejora
Auditoría Proc. Investigación Convive con los

de Causas defectos
Control Estadístico Ayuda a estabilizar Mejora pero

del Proceso CEP el proceso no evita los def.
En la Fuente EVITA EL ERROR IMPIDE DEFECTOS
P. Reyes 13
1... Métodos estadísticos para la mejora
• LAS CARTAS DE CONTROL
– Técnica util para el monitoreo de procesos
– Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5M’s)
– Sirven para prevenir la producción de defectivos
15 Carta X
LCS
LSC
10
MEDIA
Promedio
LIC
LCI
5
Perfil
0
P. Reyes 14
• DISEÑO DE EXPERIMENTOS
– Técnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
– Permite variar en forma sistemática los factores y analizar
su efecto
Variables de Característica
Entrada/Factores de calidad
Proceso
P. Reyes 15
• MUESTREO DE ACEPTACIÓN
– Técnica que permite calificar lotes de productos como
conformes o no conformes, por medio de una muestra
representativa sin inspeccionar al 100%
MUESTRA ¿OK?
LOTE
P. Reyes 16
1... Administración por Calidad Total
• Feigenbaum (Control de calidad total)
• Deming (mejora continua, CEP, conocimiento profundo)
• Juran (Trilogia de la calidad – Plan, mejoramiento y control)
• Crosby (Costo de la calidad)
• Ishikawa (CWQC)
• Taguchi (Diseños robustos)
P. Reyes 17
1..El Sistema de Calidad
El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:
QS 9000 ISO 9000:2000
Política
1. Manual
Documentos de Calidad
controlados Implantación de
2. Procedimientos la política
El “Cómo” de los
3. Instructivos procedimientos
Formatos Vacios 4. Formatos

Registros y Registros
Formatos Llenos
de calidad
Planes de Calidad
1... Administración por Calidad Total
MODELOS – Creación de valor a las partes interesadas

• Premio Nacional de Calidad -México
• Premio Malcolm Baldrige – EUA
• Premio Europeo a la calidad – Europa
• Premio Deming - Japón
• Premios Estatales a la calidad - México
• Sistemas de gestión de calidad:
– ISO 9000:2000
– QS 9000
– ISO 16949
– VDA 6.1
P. Reyes 19
1... El CEP y la Administración
por Calidad Total
El CEP debe ser parte de un programa mayor de calidad

total, requiere el liderazgo de la dirección, no hay
otra forma de implantarlo y mantenerlo
P. Reyes 20
1... Los costos de calidad
• CROSBY: La calidad se mide con el costo de calidad
• COSTOS DE PREVENCIÓN
– Planeación de calidad (manuales), Entrenamiento
• COSTOS DE APRECIACIÓN
– Inspecciones, pruebas y materiales de prueba
• COSTOS DE FALLA INTERNA
– Desperdicios, retrabajos, reinspecciones
• COSTOS DE FALLA EXTERNA
– Garantías, reclamaciones, demandas legales,
penalizaciones, campañas
• COSTOS DE OPORTUNIDAD
– Pérdidas de ventas por falta de producto de buena
calidad
P. Reyes 21
2. Métodos y filosofía
del control estadístico de proceso
(CEP)
P. Reyes 22
2. Métodos y filosofía del CEP
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variación es
inevitable y es analizada por la Estadística
P. Reyes 23
2...La Estadística
“La estadística nos proporciona métodos para organizar y
resumir información, usándola para obtener diversas
conclusiones”
Por ejemplo, sí deseamos saber el promedio de peso de las

personas en una población tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y organizar los

datos, y calcular la media.
Pesar solo una porción o subconjunto de la población (muestra).

Registrar y organizar los datos y calcular la media de la muestra,
tomándola para pronosticar o Inferir la media de toda la
población.
P. Reyes 24
2..Definiciones
Población: Es la colección de todos los elementos (piezas,
personas, etc.). En nuestro caso sería un número infinito de
mediciones de las características bajo estudio.
Muestra: Es una parte o subconjunto representativo de la

población, o sea un grupo de mediciones de las características.
Variable aleatoria: es una función o regla que asigna uno y

sólo un valor de una variable " y" a cada evento en el espacio
muestral. En este caso representa una medición particular.
Distribución: Es la forma del patrón de variación observado.

.
P. Reyes 25
2..Definiciones
Estadístico: Es una medición tomada en una muestra que sirve para
hacer inferencias en relación con una población (media de la muestra,
desviación estándar de la muestra).
Normalmente es una variable aleatoria y tiene asociada una distribución.
Parámetro: Es el valor verdadero en una población (media, desviación

estándar, se indican con letras griegas)
Datos continuos Los datos que tienen un valor real (temperatura,

presión, tiempo, diámetro, altura )
Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.

P. Reyes 26
2..Histograma
El Histograma es una gráfica de las frecuencias que presenta
los diferentes valores de medición y su frecuencia.
Una tabla de frecuencias lista los valores y su frecuencia:
VALOR FREC. VALOR FREC.

35 1 41 7
36 2 42 6
37 3 43 4
38 6 44 2
39 8 45 1
40 10
P. Reyes 27
2...Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAÑO TAMAÑO TAMAÑO E
S
En un proceso estable las mediciones se distribuyen normalmente, a la derecha

y a la izquierda de la media adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S TAMAÑO TAMAÑO
P. Reyes 28
2...Histograma de Frecuencia
•Permite ver la distribución de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
•La variabilidad del proceso se representa por el ancho del histograma, se

mide en desviaciones estándar o , ± 3 cubre el 99.73%.
LIE LSE
DEFINICION
• Un Histograma es la organización de un número de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
P. Reyes 29
2..Las distribuciones pueden variar en:
POSICIÓN AMPLITUD FORMA
… O TENER CUALQUIER COMBINACION
P. Reyes 30
2...Medidas de Tendencia central
Media - Promedio numérico o centro de

gravedad del histograma de mediciones
n
Fi*Xi Donde,
X=i =1 i
Fi = Frecuencia de cada medición
 Fi xi = Valor de cada medición
individual
- Usa todos los datos
- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos o mediciones
Moda - Es el valor que más se repite

P. Reyes 31
2...Gráficas de caja
• Permite identificar la distribución de los datos, muestra la

mediana, bases y extremos.
•Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana inferior Mediana superior
Mediana
Valor Valor
mínimo máximo
DEFINICION:
• Es una ayuda gráfica para ver la variabilidad de los
datos.
P. Reyes 32
2...Medidas de variabilidad o
Dispersión – Desviación Estándar
S es usada cuando los datos corresponden a una muestra de la población.

Como es el caso de una muestra de mediciones.
 típicamente es usada si se está considerando a toda la población
n n
S (Fi*Xi2 )- [S(Fi*Xi)]2/n S (xi - x)2

s = i=1 = i=1
n-1 n
P. Reyes 33
2..Medidas de
Dispersión- Rango, CV
Rango: Valor Mayor – Valor menor
Coeficiente de variación: (Desv. Estándar / Media )*100%,

Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:
Material No. de Media Desviación Coeficiente

Observaciones Aritmética Estándar de Variación
n s Srel
A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el material B
Error estándar de la Media: Es la desviación estándar de las medias de las

muestras de mediciones, se representa como la desviación estándar de
la población entre la raíz de n = númeor de mediones por muestra.
P. Reyes 34
2..Uso de Calculadora científica
 Para calcular los estadísticos de la MEDIA y la DESVIACIÓN

ESTÁNDAR seguir el procedimiento siguiente:
1. - Poner el modo con MODE ., hasta que indique modo SD

2. Limpiar los registros estadísticos con SHIFT AC
3. Introducir uno por uno los datos con la tecla DATA o DT (si se repiten
con una frecuencia, introducirlos las veces necesarias)
4. Al terminar pedir los resultados: la media con SHIFT y X, la desviación

estándar con SHIFT y X sn-1
5. Limpiar los registros estadísticos con SHIFT y AC, antes de iniciar una
nueva operación
P. Reyes 35
2...Método Manual
 Formar la tabla siguiente donde Xi son los valores y Fi su

frecuencia (las sumas se calculan con la función S ):
Xi Fi X2i Fi*Xi Fi*X2i

35 1 35 35 35
36 3 1225 108 3675
37 6 1369 222 8214
38 3 1444 114 4332
39 2 1521 78 3042
40 1 1600 40 1600
SXi SFi SX2i SFiXi SFiX2i
• Para calcular el promedio dividir SFiXi / SFi

• Para calcular la desviación estándar sustituir en la fórmula para
S, con n = SFi P. Reyes 36
2...Cálculos en Excel
 Accesar el menu de análisis de datos con TOOLS o

HERRAMIENTAS, ANÁLISIS DE DATOS, ESTADÍSTICA
DESCRIPTIVA
 o
 Utilizar las funciones de Promedio, y DesvEst para la

media y desviación estándar respectivamente
P. Reyes 37
2...Ejercicio de Histogramas
Datos:
6.40 6.39 6.41 6.39 6.40

6.39 6.40 6.37 6.40 6.38
6.42 6.38 6.40 6.38 6.41

6.40 6.41 6.41 6.43 6.39
6.41 6.35 6.39 6.41 6.43

6.38 6.40 6.42 6.37 6.40
6.37 6.43 6.43 6.39 6.42

6.40 6.42 6.39 6.42 6.38
6.42 6.40 6.38 6.45 6.41

6.39 6.44 6.36 6.44 6.36
P. Reyes 38
2...Histogramas con Datos agrupados
El Histograma es una gráfica de las frecuencias que presenta
los diferentes datos o valores de mediciones agrupados en
celdas y su frecuencia.
Una tabla de frecuencias lista las categorías o clases de valores

con sus frecuencias correspondientes, por ejemplo:
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4
P. Reyes 39
2...Definiciones - datos agrupados
Límite inferior y superior de clase
Son los numeros más pequeños y más grandes respectivamente que
pertenecen a las clases (del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y
25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)
Fronteras de clase
Se obtienen al incrementar los límites superiores de clase y al decrementar los
inferiores en una cantidad igual a la media de la diferencia entre un límite
superior de clase y el siguiente límite inferior de clase (en el ejemplo, las fronteras
de clase son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos límites de clase inferiores consecutivas(en el ejemplo,
es 5). P. Reyes 40
Construcción del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el número de columnas o celdas del histograma

(K). Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
También se utiliza el criterio K = Raíz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el límite inferior de clase más conveniente y sumarle

el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase

Paso 7. Graficar el histograma y observar si tiene una forma normal
P. Reyes 41
Ejemplo: Datos agrupados
Datos:
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
P. Reyes 42
2...Construcción del histograma
Paso 1. Número de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Número de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lím. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Número de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal

P. Reyes 43
2...Construcción del histograma
18
16
14
12
10
8 Frec.
6
4
2
0
15-24 25-34 35-44 45-54 55-64 65-75
P. Reyes 44
2...Cálculo de la media - datos agrupados
Media - Promedio numérico o centro de

gravedad del histograma
n

Fi*Xi Donde,
x= i =1 i
Fi = Frecuencia de cada observación
 Fi xi = Valor de cada marca de clase
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos
Moda - Es el valor que más se repite

P. Reyes 45
2...Desviación Estándar - Datos agrupados
S es usada cuando los datos corresponden a una muestra de la población
Nota: Cada Xi representa la marca de clase
 típicamente es usada si se está considerando a toda la población

n n
S (Fi*Xi2 )- [S(Fi*Xi)]2/n S
i=1 (xi - x)
2
s = i=1
=
n-1 n
NOTA: Para lo cálculos con Excel, se puede utilizar el mismo método

que para datos no agrupados de la página 13, tomando como
Xi los valores de las marcas de clase.
P. Reyes 46
2...Histograma en Excel
 Después de correr la utileria de Histogramas con Excel se
obtuvieron los siguientes resultados (BIN RANGE: 15, 25, 35, 45,
55, 65, 75).
Bin Frequency
15 0
25 4
35 6
45 15
55 15
65 7
75 2
More 1
P. Reyes 47
 Accesar el menu de análisis de datos con TOOLS o
HERRAMIENTAS, DATA ANALYSIS o ANALISIS DE
DATOS, HISTOGRAMS o HISTOGRAMAS
 Marcar los datos de entrada en INPUT RANGE o

RANGO DE ENTRADA, marcar el área de resultados
con OUTPUT RANGE o RANGO DE SALIDA y obtener
resultados y gráfica
NOTA: Los datos deben estar en forma no agrupada,

Excel forma los grupos en forma automática o se le
pueden proporcionar los límites de las celdas.
P. Reyes 48
Histogram
Frequency
20
10 Frequency
0
15
25
35
45
55
65
75
.
Bin
P. Reyes 49
Ejercicio
Datos:
19.5 21.3 21.3 21.3 21.3 21.2 21.4 21.4 21.4

19.6 21.3 21.4 21.3 21.3 20.9 19.5 21.3 21.5
19.6 21.4 21.5 19.8 21.0 20.6 21.5 19.7 21.3

21.3 21.3 19.7 19.8 21.4 21.4 19.9 21.3 19.8
21.6 20.4 21.4 21.4 21.4 21.4 19.6 21.5 21.2

21.4 21.5 21.4 21.5 21.4 19.8 19.8 21.2 21.3
19.4 21.4 21.4 21.3 21.3 19.7 20.1 19.9 21.3

19.5 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19.4
19.8 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19..4

21.3 21.2 21.3 21.6 21.4 21.5 20.2 19.4 21.1
21.3 20.2 21.4 19.7 21.4 20.1 21.3 21.4 21.5

19.5
P. Reyes 50
2...La Distribución
Normal
P. Reyes 51
2...La distribución Normal
La distribución normal es una distribución de probabilidad
que tiene media 0 y desviación estándar de 1.
El área bajo la curva o la probabilidad desde menos infinito

a más infinito vale 1.
La distribución normal es simétrica, es decir cada mitad de

curva tiene un área de 0.5.
La escala horizontal de la curva se mide en desviaciones

estándar, su número se describe con Z.
Para cada valor Z se asigna una probablidad o área bajo la

curva mostrada en la Tabla de distribución normal
P. Reyes 52
2...La distribución Normal
Para la población - se incluyen TODOS los datos
Para la muestra
X
m-3 m-2 m- m m+ m+2 m+3
x-3s x-2s x-s x x+s x+2s x+3s
P. Reyes 53
2...La distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
P. Reyes 54
2...Características de la distribución normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s
P. Reyes 55
2...El valor de z
Determina el número de desviaciones estándar entre
algún valor x y la media de la población, m. Donde  es
la desviación estándar de la población.
En Excel usar Fx, STATISTICAL, STANDARDIZE, para

calcular el valor de Z
z= x-m

P. Reyes 56
2...Proceso con media =100
y desviación estándar = 10
70 80 90 100 110 120 130
68%
34% 34%
90 110
13.5%
68%
13.5%
34% 34%
95%
80 120
2.356%
13.5%
68%
13.5%
2.356%
34% 34%
99.73%
70 130
P. Reyes 57
LIE LSE
Especificación Especificación
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones

P. Reyes 58
2...Áreas bajo la curva
normal
P. Reyes 59
2...Áreas bajo la curva normal
 El tiempo de vida de las baterías del conejito tiene una
distribución aproximada a la normal con una media de
85.36 horas y una desviación estándar de 3.77 horas.
 ¿Qué porcentaje de las baterías se espera que duren 80

horas o menos?
 ¿Cuál es la probabilidad de que una batería dure entre

86.0 y 87.0 horas?
 ¿Cuál es la probabilidad de que una batería dure más de

87 horas?
P. Reyes 60
2...Cálculos con Excel
 Distribución normal estándar con media = 0 y desviación estándar =
1: Para Z = (X - Xmedia ) / s
1. El área desde menos infinito a un valor de Z se obtiene como
sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o
ESTADÍSTICAS, NORMSDIST o DISTSNORM, dar el valor de Z y se
obtendrá el área requerida Z
Area
2. Un valor de Z específico para una cierta área (por ejemplo 0.05)

se obtiene como sigue:
ESTADÍSTICAS, NORMSINV o DISTSNORMINV, dar el valor del
área y se obtendrá el valor de la Z
P. Reyes 61
2...Cálculos con Excel
 Distribución normal, dadas una media y desviación estándar:
1. El área desde menos infinito a un valor de X se obtiene como
sigue:
ESTADÍSTICAS, NORMDIST o DISTNORM, dar el valor de X,
Media, Desviación Estándar s, TRUE o VERDADERO y se obtendrá
el área requerida
X
Area
2. Un valor de X específico para una cierta área (por ejemplo 0.05)

se obtiene como sigue:
ESTADÍSTICAS, NORMINV o DISTNORMINV, dar el valor del área,
Media y Desviación EstándarP. Reyes
y se obtendrá el valor de la X 62
2...Área bajo la curva normal
¿Que porcentaje de las baterías se espera que duren

80 horas o menos?
z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36
-1.42 0
P. Reyes 63
¿Cuál es la probabilidad de que una batería dure

entre 86.0 y 87.0 horas?
85.36 86 87
0 1
P. Reyes 64
¿Cuál es la probabilidad de que una batería dure más de 87

horas?
85.36 87
1.67 = .33 ó 33% de las veces una batería durará más

de 87 horas
P. Reyes 65
2...Ejercicios
Considere una media de peso de estudiantes de 75 Kgs. con
una desviación estándar de 10Kgs. Contestar lo siguiente:
1. ¿Cuál es la probabilidad de que un estudiante pese más de
85Kgs.?
2. ¿Cuál es la probabilidad de que un estudiante pese menos

de 50Kgs.?
3. ¿Cuál es la probabilidad de que pese entre 60 y 80 Kgs.?.
4. ¿Cuál es la probabilidad de que pese entre 55 y 70 Kgs.?

5. ¿Cuál es la probabilidad de que pese entre 85 y 100Kgs.?
P. Reyes 66
2... Las 7 herramientas estadísticas
• Hoja de verificación – para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *, etc.)
• Histogramas – para ver la distribución de frecuencia de

los datos
• Las cartas de control de Shewart – para monitorear el

proceso, prevenir defectivos y facilitar la mejora
– Cartas de control por atributos y por variables
• Diagrama de Pareto – para identificar prioridades
P. Reyes 67
• Diagrama de Causa efecto – para identificar las
posibles causas a través de una lluvia de ideas, la cual
se debe hacer sin juicio previos y respetando las
opiniones.
• Diagrama de Dispersión – para analizar la correlación

entre dos variables, se puede encontrar:
– Correlación positiva o negativa
– Correlación fuerte o débil
– Sin correlación.
P. Reyes 68
• Diagrama de flujo – para identificar los procesos, las
características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de
reacción, se tienen:
– Diagramas de flujo de proceso detallados
– Diagramas físicos de proceso
– Diagramas de flujo de valor
• Estratificación – para separar el problema general en

los estratos que lo componen, por ejemplo, por áreas,
departamentos, productos, proveedores, turnos, etc..
P. Reyes 69
2... Causas de variación y bases
estadísticas del CEP
• Causas de variación
– Causas comunes o aleatorias, reducidas sólo por la
dirección
– Causas especiales (causadas por 6M’s), eliminadas por
personal involucrado en la operación.
• Bases estadísticas de las cartas de control

– Situación “en control” y “fuera de control”
– Prueba de hipótesis – Error alfa y error beta
– Curva característica de operación del error beta
– Límites de control - Modelo general y europeo
– Proceso de mejora – eliminando causas especiales
P. Reyes 70
2... Beneficios de las cartas de control
• Herramienta para mejorar la productividad
• Herramientas de prevención de defectos
• Evitan ajustes innecesarios
• Proporcionan información de diagnóstico
• Proporcionan información de la capacidad del

proceso
P. Reyes 71
2.. Diseño de la carta de control
• Límites de control
– De acuerdo a Shewhart a + - 3-sigma
– En Europa se usan l.imites de prevención a + -2 sigma
– En Europa se usan Límites Probabilísticos a + - 0.1%
(+ - 3.09 sigma)
• Operación de las cartas de control

– Tamaño de muestra, subgrupo racional para detectar
variación entre subgrupos más que dentro del mismo
– Frecuencia de muestreo para detectar cambios
– Sensibilidad para detectar causas especiales
P. Reyes 72
2... Factores de éxito para
la implantación del CEP
• LIDERAZGO GERENCIAL, SER PARTE DE UN PROGRAMA
MAYOR
• ENFOQUE DE GRUPO DE TRABAJO
• EDUCACIÓN Y ENTRENAMIENTO EN TODOS LOS

NIVELES
• ENFASIS EN LA MEJORA CONTINUA
• SISTEMA DE RECONOCIMIENTO
• APOYO TÉCNICO DE INGENIERÍA O CALIDAD
P. Reyes 73
2... Cartas de Control por Variables
• MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x horas,
para estabilizar procesos)
• MEDIANAS RANGOS (para monitorear procesos estables)
• MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o más

partes cada hora o cada lote de proveedor para monitoreo de
procesos o proveedores)
• VALORES INDIVIDUALES (partes individuales cada x horas,

para monitoreo de procesos muy lentos o químicos)
P. Reyes 74
2... Estabilización del proceso
con cartas de control
1. IDENTIFICAR LA CARACTERÍSTICA A CONTROLAR, EN
BASE A UN AMEF (análisis del modo y efecto de falla)
2. DISEÑAR LOS PARÁMETROS DE LA CARTA (límites de

control, tamaño de subgrupo, frecuencia de muestreo)
3. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON UN

ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD
(R&R)
4. CENTRAR EL PROCESO, CORRERLO Y MEDIR 25

SUBGRUPOS DE 5 PARTES CADA UNO, DE
PRODUCCIÓN DEL MISMO TURNO O DÍA
P. Reyes 75
2... Cartas de Control por Variables -
Metodología de implantación
5. CALCULAR LÍMITES PRELIMINARES DE CONTROL A 3
SIGMA
6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y

TOMAR ACCIONES PARA PREVENIR SU RECURRENCIA
7. RECALCULAR LOS LÍMITES DE CONTROL Y EN CASO

NECESARIO REPETIR EL PASO 6, ESTABLECER
LIMITES PRELIMINARES PARA SIGUIENTES CORRIDAS
8. CONTINUAR EL MONITOREO, TOMAR ACCIONES EN

CAUSAS ESPECIALES Y RECALCULAR LÍMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIÓN
P. Reyes 76
2... Cartas de Control por Atributos
p – Fracción defectiva n Constante
Se toman muestras de tamaño n constante con 30 o más
partes en forma periódica y se determina la fracción
defectiva – se utiliza para productos simples (botellas).
p – Fracción defectiva con n variable

Igual a la anterior pero el tamaño n de las muestras es
variable en cada una – se utiliza para productos simples
(botellas)
Np – Número de productos defectivos con n constante
P. Reyes 77
2... Cartas de Control por Atributos
c – Número de defectos
Se cuentan los defectos que tienen cada unidad de
inspección de tamaño n constante en productos
complejos – TV, computadoras
u – Defectos por unidad

Se cuentan los defectos que tienen diferentes unidades
de inspección de tamaño n variable en productos
complejos y se determinan los defectos por unidad – TV,
computadoras
P. Reyes 78
2... Cartas de Control tipo p
• p - FRACCIÓN DEFECTIVA CON n CONSTANTE
• INICIO DE CONTROL Y LIMITES PRELIMINARES
• IDENTIFICAR CAUSAS DE ANORMALIDAD Y ACCIONES
• LIMITES DE CONTROL REVISADOS
• DISEÑO DE LA CARTA DE CONTROL

– Determinación del tamaño de muestra, frecuencia de
muestreo
• CARTA DE CONTROL np
P. Reyes 79
2... Cartas de Control tipo p
• p - CON LÍMITES DE CONTROL VARIABLES
• p - CON n PROMEDIO
• p - ESTANDARIZADA
• CURVA CARACTERÍSTICA DE OPERACIÓN OC Y ARL
P. Reyes 80
2... Cartas de Control tipo c, u
• c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamaño de la unidad de inspección
• u - CARTA DE CONTROL PARA DEFECTOS POR UNIDAD

Carta de control u con n promedio
Carta de control u estandarizada
• U para Deméritos
– En base a la clasificación de defectos A (críticos), B
(funcionales), C (menores)
• Curva característica de operación (OC)
P. Reyes 81
3. Cartas de control
por variables
P. Reyes 82
3. CONTENIDO
1. El teorema del límite central
2. Teoría de las Cartas de Control
3. Cartas de control para variables
4. Ejercicios de aplicación
P. Reyes 83
3.1 Teorema del Límite Central
P. Reyes 84
3.1Teorema del Límite Central
• La distribución 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:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
P. Reyes 85
3.1..Teorema del Límite
Central
• La distribución de las medias de las muestras tienden
a distribuirse en forma normal
• Tomando de muestras de 10 datos, calculando su

promedio y graficando estos promedios se tiene:
10
8
6
4 Frec.
2
0
3.5 4.5 5.5 6.5
P. Reyes 86
Población con media m y desviación estándar  y cualquier

distribución.
Seleccionando muestras de tamaño n y calculando la X-media o

promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamaño de muestra se incrementa las muestras se
distribuyen normalmente con media de medias m y desviación estándar
de las medias de las muestras  / n. También
se denomina Error estándar de la media.
P. Reyes 87
PREMISAS
• Si la variable aleatoria X tiene cualquier distribución con
media m y desviación estándar .
• Seleccionando muestras de tamaño n de la población se

tiene:
CONCLUSIONES
• La distribución de todas las medias o promedios de las
muestras X-media, tienden a distribuirse normalmente
• La media de las medias de las muestras será m .

• La desviación estándar de las medias de las muestras será  /
n.
P. Reyes 88
CONCLUSIONES (cont..)
• Si la población original es casi normal, las medias

muestrales se distribuyen normalmente para toda n.
• Walter Shewhart en la Western Electric (1924), demostró

que para una distribución triangular y una uniforme, n=4 era
suficiente para que las medias de las muestras se
distribuyeran normalmente.
• Esta es la base del Control Estadístico del proceso.
P. Reyes 89
3.2 Teoría de las
Cartas de Control
P. Reyes 90
PROPÓSITO
• Introducir los tipos básicos de Cartas de Control
Estadístico del Proceso (CEP)
• Introducir el concepto de límites de control y la

manera de usarlos
• Interpretar cuando un proceso está “fuera de control”.
P. Reyes 91
3.2 ¿Qué es una Carta de Control?
• Una Carta de Control es como un historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
• Las cartas de control pueden reconocer cambios buenos y

malos.
¿Qué tanto se ha mejorado?
¿Se ha hecho algo mal?
• Las cartas de control detectan la variación anormal en un

proceso, denominadas “causas especiales o asignables de
variación.”
P. Reyes 92
3.2 Reglas Básicas
 Se debe medir la característica del proceso adecuada en la
carta.
 La carta de control utilizada debe ser adecuada para medir

la característica seleccionada.
 Al menos se deben obtener 25 subgrupos (muestras de

grupos de partes) antes de elaborar las cartas de control.
 Se debe tomar la acción apropiada cuando la carta de

control lo indique.
 NOTA: El sistema de medición debe estar validado con un

estudio R&R antes de llevar una carta de control.
P. Reyes 93
3.2 Variación observada
en una Carta de Control
• Una Carta de control es simplemente un registro de datos en
el tiempo con límites de control superior e inferior.
• Una carta de control identifica los datos secuenciales en

patrones normales y anormales.
• El patrón normal de un proceso se llama causas de variación

comunes.
• El patrón anormal debido a eventos especiales se llama

causa especial de variación.
 Tener presente que los límites de control NO son límites de

especificación.
P. Reyes 94
3.2 Causas comunes o normales
 CAUSAS COMUNES
-Siempre están presentes
-Sólo se reduce con acciones de mejora mayores
-Su reducción es responsabilidad de la dirección
 Fuentes de variación: Márgenes inadecuados de diseño,

materiales de baja calidad, capacidad del proceso insuficiente
 SEGÚN DEMING
- El 85% de las causas de la variación son causas
comunes, responsabilidad de la dirección
P. Reyes 14 95
3.2 Variación – Causas comunes
Límite Límite
inf. de
sup. de
especs. especs.
Objetivo
P. Reyes 15 96
3.2 Causas Especiales
 CAUSAS ESPECIALES
- Ocurren esporádicamente
- Son ocasionadas por variaciones anormales (6Ms)
- Medición, Medio ambiente, Mano de obra,
Método, Maquinaria, Materiales
- Sólo se reduce con acciones en el piso o línea
- Su reducción es responsabilidad del operador por
medio del Control Estadístico del Proceso
 SEGÚN DEMING
- El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
P. Reyes 16 97
3.2 Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
P. Reyes 17 98
3.2 Anatomía de una Carta de Control
Carta
C de for
Chart control
Pitted S
15 1
Respuesta
3.0SL=12.76
LSC
Sample Count
10
Límite Superior de Control
5 Promedio
C=5.640
(o línea central)
0 -3.0SL=0.000
0 5 10 15 20 25
LIC
Sam pl e Num ber Límite Inferior de Control
Número de Muestra
• El promedio y los límites 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, fracción defectiva, etc.
P. Reyes 99
3.2 Patrones Fuera de Control
Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control

1 punto fuera de los límites de control a 3 sigmas en cualquier
dirección (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
Adhesión a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.
Otros
2 de 3 puntos fuera de los límites a dos sigma
P. Reyes 100
3.2 Patrón de Carta
en Control Estadístico
Proceso en Control estadístico
Sucede cuando no se tienen situaciones anormales y

aproximadamente el 68% (dos tercios) de los puntos de
la carta se encuentran dentro del 1  de las medias en
la carta de control.
Lo anterior equivale a tener el 68% de los puntos

dentro del tercio medio de la carta de control.
P. Reyes 101
3.2 Tipos de Cartas de control
• Las cartas de control se dividen en dos categorías,
diferenciadas por el tipo de datos bajo estudio- variables y
atributos.
• Las Cartas de Control para datos variables son utilizadas

para características que tienen una magnitud variable.
Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad
P. Reyes 102
3.2 Tipos de Cartas de control
• Las cartas para atributos son las que tienen características

como aprobado/reprobado, bueno/malo o pasa/no pasa.
Algunos ejemplos incluyen:
- Número de productos defectuosos

- Fracción de productos defectuosos
- Numero de defectos por unidad de producto
- Número de llamadas para servicio
- Número de partes dañadas
- Pagos atrasados por mes
P. Reyes 103
3.3 Construcción de Cartas
de Control para variables
P. Reyes 104
3.3.Carta X, R (Datos variables)
 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 gráfica R monitorea los rangos de las muestras del

proceso monitoreando la variabilidad del proceso.
P. Reyes 105
3.3.Carta X, R (Continuación)
Procedimiento:
 Identificar la característica crítica a controlar y tamaño de
subgrupo (n = 3 a 6)
 Iniciar la recolección de aprox. 25 subgrupos (k),

tomando partes consecutivas en cada uno.
 Decidir cómo y cuándo colectar la información de los

subgrupos, de tal forma de detectar cambios.
 Elaborar la gráfica con los datos.
 Analizar las cartas de control

P. Reyes 106
Terminología
k = número de subgrupos; n = número de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R
NOTA: Para el cálculo de los límites de control
LICX = x - A2 R
usar los factores mostrados en las tablas
LSCR = D4 R correspondientes a cada valor de n
LICR = D3 R estos factores para calcular Límites de Control)
P. Reyes 107
Análisis:
• La gráfica R debe estar en control antes de interpretar

la gráfica X-media.
• Interpretar la gráfica X-media para puntos que no están

aleatoriamente distribuidos
• La clave consiste en eliminar la variación excesiva antes

de tratar de identificar tendencias en los promedios de los
subgrupos del proceso
P. Reyes 108
Ejemplo 1: Psi en un componente. Se toman muestras de
Cinco componentes cada día.
Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5
1 55 75 65 80 80
2 90 95 60 60 55
3 100 75 75 65 65
4 70 110 65 60 60
5 55 65 95 70 70
6 75 85 65 65 65
7 120 110 65 85 70
8 65 65 90 90 60
9 70 85 60 65 75
10 100 80 65 60 80
n = # muestras en un subgrupo/día = 5
k = # de subgrupos (días) = 10
X = 74.6 R = 36.0
P. Reyes 109
3.3.Carta X, R (en Excel)
Ejemplo 1:
Gráfica Xbar/R para Muestra1-Muestra5
Medias
100
3.0SL=95.36
90
80
X=74.60
70
60
50 -3.0SL=53.84
Subgroup 0 1 2 3 4 5 6 7 8 9 10
80
Rangos
70 3.0SL=76.12
60
50
40 R=36.00
30
20
10
0 -3.0SL=0.000
¿Cuál gráfica se analiza primero?

¿Cuál es su conclusión acerca del proceso ?
P. Reyes 110
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por día.
Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5

1 55 60 60 55 57
2 90 95 85 100 85
3 60 60 70 50 62
4 100 110 95 85 100
5 55 65 60 70 70
6 95 90 90 90 100
7 55 50 45 50 50
8 105 100 90 100 60
9 70 60 60 65 75
10 100 110 105 100 90
n = # muestras en un subgrupo (día) = 5
k = # de subgrupos (días) = 10
X = 77.2 R = 18
P. Reyes 111
3.3.Carta X, R (en Excel)
Ejemplo 2:
Gráfica Xbar/R para Muestra1-Muestra5
Medias
105 1 1
95 1 1 1
85 3.0SL=87.56
75 X=77.18
65 1 -3.0SL=66.80
1 1
55 1
45 1
Subgroup 0 1 2 3 4 5 6 7 8 9 10
50 1
Rangos
40 3.0SL=38.06
30
20 R=18.00
10
0 -3.0SL=0.000
• ¿Cuáles pesos fallaron?
P. Reyes 112
3.3..Hacer una carta X-R y concluir:
MUESTRA VALORES
1 12 12 13 15 12
2 15 17 16 17 18
3 13 18 14 14 15
4 10 12 11 10 11
5 13 16 15 16 15
6 15 12 13 15 11
7 15 16 15 16 15
8 15 17 15 17 14
9 22 17 16 17 14
10 16 15 17 15 18
11 16 18 16 16 16
12 15 16 17 17 14
13 17 15 16 15 16
14 16 15 18 18 16
15 17 19 17 15 17
16 19 17 15 15 17
17 16 19 16 15 14
18 16 15 17 16 18
19 17 13 17 15 14
20 19 18 17 15 16
P. Reyes 113
3.3.Carta X, S
 Este es un par de Cartas muy similar a las gráficas X - R. La

diferencia consiste en que el tamaño de la muestra puede variar y
es mucho más sensible para detectar cambios en la media o en la
variabilidad del proceso.
 El tamaño de muestra n es mayor a 9.
 La Carta X monitorea el promedio del proceso para vigilar

tendencias.
 La Carta S monitorea la variación en forma de desviación estándar.
 Como se dijo anteriormente, las cartas se dividen en zonas. Aquí

están divididas en intervalos de 1 sigma.
P. Reyes 114
3.3.Carta X, S (Continuación)
Terminología
k = número de subgrupos n = número de muestras en cada subgrupo
x = promedio para un subgrupo
x = promedio de todos los promedios de los subgrupos
S = Desviación estándar de un subgrupo
S = Desviación est. promedio de todos los subgrupos
x1 + x2 + x3 + ...+ xN
x = n 5 6 7 8 9 10
n
x1 + x2 + x3 + ...+ xN B4 2.09 1.97 1.88 1.82 1.76 1.72
x =
k B3 0.00 0.03 0.12 0.18 0.24 0.28
LSCX = x + A3 S A3 1.43 1.29 1.18 1.10 1.03 0.98
LICX = x - A3 S C4 .940 .952 .959 .965 .969 .973
LSCS = B4 S
LICs = B3 S (usar estos factores para calcular Límites de Control
P. Reyes 115
3.3.Carta de Individuales (Datos variables)
 A menudo esta carta se llama “I” o “Xi”.
 Esta Carta monitorea la tendencia de un proceso con datos

variables que no pueden ser muestrados en lotes o grupos.
 Este es el caso cuando la capacidad de

corto plazo se basa en subgrupos racionales de una unidad o
pieza
 La línea central se basa en el promedio de los datos, y los

límites de control se basan en la desviación estándar poblacional
(+/- 3 sigmas)
P. Reyes 116
Terminología
k = número de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x1 + x2 + x3 + ...+ xN
x =
n
n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R
D3 0
LSCR = D4 R
LICR = D3 R E2 2.66
(usar estos factores para calcular Límites de Control n = 2)

P. Reyes 117
3.3. Ejemplo: Carta I (en Excel)
Carta I para Longitud de parte

Valor Individual
12.35
3.0SL=12.30
12.25 6
6 6
12.15
12.05 X=12.03
11.95
11.85 8
11.75 -3.0SL=11.75
1
11.65
0 5 10 15
Número de Observación
Observar la situación fuera de control
P. Reyes 118
3.3. Ejercicios de Cartas I o X, R
 Hacer dos cartas X-R y concluir:
MUESTRA 1 MUESTRA 2 MUESTRA 1 MUESTRA 2
1 12 2.832 11 16 2.97
2 15 2.802 12 15 2.95
3 13 2.952 13 17 2.95
4 10 2.80 14 16 2.86
5 13 2.95 15 17 2.89
6 15 2.92 16 19 2.86
7 15 2.95 17 16 2.85
8 15 2.92 18 16 2.78
9 22 2.93 19 17 2.89
10 16 2.93 20 19 2.78
P. Reyes 119
4. Cartas de Control
para atributos
P. Reyes 120
4. Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 30
defectivas o no conformes
np Número de partes defectuosas Constante > 30
c Número de defectos Constante = 1 Unidad de

inspección
u Número de defectos por unidad Constante o variable en

unidades de inspección
P. Reyes 121
4. Cartas de control para Atributos
Situaciones fuera de control
 Un punto fuera de los límites de control.
 Siete puntos consecutivos en un mismo lado de de la línea central.
 Siete puntos consecutivos, todos aumentando o disminuyendo.
 Catorce puntos consecutivos, alternando hacia arriba y hacia abajo.
Carta C
C Chart for Pitted S
15
Límite Superior de Control
1
3.0SL=12.76
Sample Count
10
Línea Central
C=5.640
5
0
Límite Interior de Control
-3.0SL=0.000
0 5 10 15 20 25
Sam pl e Num ber
Número de Muestras
Ahora, veamos algunos ejemplos...

P. Reyes 122
4. Carta p (Atributos)
 También se llaman Cartas de Porcentaje Defectivo o Fracción

Defectiva
 Monitorea el % de defectos o fracción defectiva en una muestra
 El tamaño de muestra (n) puede variar
 Recalcula los límites de control cada vez que (n) cambia
Terminología
n = tamaño de cada muestra (por ejemplo, producción
semanal)
np = número de unidades defectuosas en cada muestra
p = proporción (porcentaje) de defectos en cada muestra -
(fracción defectiva)
k = número de muestras
P. Reyes 123
4. Carta p (Atributos)
np # de productos defectivos en cada muestra

pi = =
ni # de productos inspeccionados en la muestra
Cálculo de los límites de control
n1 p1 + n2p2 + n3 p3 + ...+ nk pk Fracción defectiva

p =
n1 + n2 + n3 + ... + nk promedio
p (1- p) p (1- p)
LSC = p + 3 LIC = p - 3
n n
Nota: Recalcular los límites en cada

muestra (ni) si n es variable
P. Reyes 124
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspección final. Los datos de falla se
registraron semanalmente tal como se muestra a continuación.
# de Fracción de
componentes Componentes componentes
n
inspeccionados np
defectuososp defectuosos
7 0 0.000
7 0 0.000
K = 13 semanas 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
P. Reyes 125
4...Carta p (Cont..)
Ejemplo:
Gráfica P para Fracción Defectiva
0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
ón
0.2
0.1 P= 0.1128 p
0.0 -3.0SL= 0.000
LIC
0 5 10
Número de muestra
 Observe como el LSC varía conforme el tamaño (n) de cada muestra varía.
 ¿Por qué el LIC es siempre cero?
 ¿Qué pasó en la muestra 7? (33.3% defectos)
 ¿Qué oportunidades para mejorar existen?,
¿Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
 ¿Podría este proceso ser un buen proyecto de mejora?
P. Reyes 126
4... Carta np (Atributos)
 Se usa cuando se califica al producto como bueno/malo,

pasa/no pasa.
 Monitorea el número de productos defectuosos de una
muestra
 El tamaño de muestra (n) es constante y mayor a 30.
Terminología (igual a gráfica p, aunque n es constante)

n = tamaño de cada muestra (Ejemplo: producción semanal)
np = número de unidades defectuosas en cada muestra
P. Reyes 127
4...Carta np (Atributos)
np = # de productos defectuosos en una muestra

n = tamaño de la muestra
k = Número de muestras o subgrupos
p = Suma de productos defectuosos / Total inspeccionado
[n * k]
n p1 + np2 + n p3 + ...+ npk

np = k
LSC = np + 3 np (1-p) LIC = np - 3 np (1-p)
P. Reyes 128
4...Carta np (Cont..)
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:
n np
# de partes
# de partes inspeccionadas 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 P. Reyes 129
4... Carta np (Cont...)
Ejemplo 1:
Carta np de número de defectivos o defectuosos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
0 - 3.0S LIC=0.0 LIC

0 5 10 15
Número de muestras
 El tamaño de la muestra (n) es constante
 Los límites de control LSC y LIC son constantes
 Esta carta facilita el control por el operador ya que el evita

hacer cálculos P. Reyes 130
4... Carta c (Atributos)
 Monitorea el número de defectos por cada unidad de inspección

(1000 metros de tela, 200 m2 de material, un TV)
 El tamaño de la muestra (n unidades de inspección) debe ser
constante
 Ejemplos:
- Número de defectos en cada pieza
- Número de cantidades ordenadas incorrectas en órdenes
de compra
Terminología
c = Número de defectos encontrados en cada
unidad o unidades constantes de inspección
P. Reyes 131
4... Carta c (Atributos)
c1 + c2 + c3 + ...+ ck
c=
k
LSC = c + 3 c LIC = c - 3 c
P. Reyes 132
4... Carta c (cont..)
Ejemplo: Número de defectos encontrados en una unidad de inspección que
consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).
#Lote / Defectos encontrados

1 6
2 4
3 4
4 2
NOTA: Utilizar Excel para
5 4
Construir la carta c
6 3
7 4
8 4
9 5
10 5
11 5 P. Reyes 133
4... Carta c (cont..)
Ejemplo:
Carta C
15 1
Número de defectos
3.0L SC=12.76 LSC

10
5 C = 5.640 C
0 -3.0L IC=0.000
0 5 10 15 20 25
Número de Muestras
 Observe el valor de la última muestra; está fuera del límite

superior de control (LSC)
 ¿Qué información, anterior a la última muestra, debió haber
obviado el hecho de que el proceso iba a salir de control?
P. Reyes 134
4...Carta u (Atributos)
 Monitorea el número de defectos en una muestra de n unidades

de inspección. El tamaño de la muestra (n) puede variar
 Los defectos por unidad se determinan dividiendo el número de
defectos encontrados en la muestra entre el número de unidades
de inspección incluidas en la muestra (DPU o número de
defectos por unidad) .
 Ejemplos:
• Se toma una muestra de tamaño constante de tableros PCB por
semana, identificando defectos visuales por tablero.
• Se inspeccionan aparatos de TV por turno, se determinan los

defectos por TV promedio.
P. Reyes 135
4... Carta u (cont...)
Terminología
n = tamaño de cada muestra en unidades de inspección
(por ejemplo, producción semanal)
c = Número de defectos encontrados en cada muestra
de unidades de inspección
u = defectos por unidad (DPU)
c = # de defectos en una muestra de n unidades de
inspección
n = Número de unidades de inspección en cada muestra
u = c / n = DPU = Número de defectos por unidad
P. Reyes 136
Ui = Ci / ni Defectos por unidad para cada muestra

c1 + c2 + c3 + ...+ ck Número de defectos por
u=
n1 + n2 + n3 + ...+ nk Unidad promedio
LSC = u + 3 u LIC = u - 3 u
ni ni
Nota: Recalcular los límites en cada tamaño de muestra (ni)
Se puede tomar n promedio o estandarizar para tener Límites de control
constantes
P. Reyes 137
4... Carta u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana
Los defectos visuales observados se registran
cada semana.
n c u
Defectos
# PCB Visuales
Soldados 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
k=12 semanas
P. Reyes 138
4... Carta u (Cont.)
Ejemplo 1:
Gráfica U para Defectos

Conteo de muestras
1
6
5
LSC
3.0L SC=5.066
4
U = 4.197 u
-3.0L IC=3.328
3
LIC
2 1
0 5 10
Número de Muestras
 Observe como los límites de control permanecen constantes

cuando se utiliza un tamaño de muestra constante igual a 50
 ¿Cuáles son las dos observaciones de mayor interés?
 ¿Los datos muestran alguna tendencia?
P. Reyes 139
Ejemplo 2: Defectos encontrado al inspeccionar varios
lotes de productos registrados por semana
Lote n c = Defectos u = DPU
Lote Unidade s De fe ctos DPU
1 10 60 6
2 12 75 6.3
3 7 42 6
4 14 77 5.5
5 12 69 5.8
6 12 72 6
7 13 76 5.8
8 10 55 5.5
9 9 51 5.7
10 14 78 5.6
11 13 72 5.5
12 13 77 5.9
13 12 74 6.2
14 10 57 5.7
15 11 62 5.6
16 13 41 3.2
17 11 30 2.7
18 15 45 3
19 15 42 2.8
20 14 40 2.9
k=20 semanas
P. Reyes 140
4... Carta u (cont..)
Ejemplo 2:
Gráfica U para Defectos
Número de efectos
7 3.0L SC
=6.768
LSC
6
5 U=4.979 u
4
-3.0L IC=3.190
3 LIC
2
0 10 20
Número de Muestras
 Observe que ambos límites de control varían cuando el

tamaño de muestra (n) cambia.
 ¿En que momentos estuvo el proceso fuera de control?

P. Reyes 141
5. Cartas de control especiales
P. Reyes 142
5. Cartas de Control especiales
• CARTAS PARA CORRIDAS CORTAS (medias – rangos,
pequeños lotes de producción de productos similares)
• CARTAS ESPECIALES
– Cartas de Precontrol
– Cartas para desgaste de herramienta
– Cartas para procesos de salida múltiple
• CARTAS DE CONTROL PARA ppm, para procesos muy capaces
• CARTAS DE CONTROL Cusum Y EWMA (para detectar

pequeñas variaciones en la media del proceso, en proceso
químicos o farmaceúticos)
P. Reyes 143
5.1 Cartas de Control para Corridas
Cortas
• CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod. similares)
• CARTA DE CONTROL X-R ESTANDARIZADA

(Desviaciones estándar diferentes para los productos)
• CARTAS DE CONTROL ATRIBUTOS ESTANDARIZADAS

(Para estadístico p, np, c y u)
P. Reyes 144
5.2 Cartas de Control Modificadas
y de Aceptación
• CARTA DE CONTROL MODIFICADAS
Se utilizan para control de la fracción defectiva cuando
el Cpk es grande >=2, cuidando no salir de
especificaciones y no interesa tanto el control bajo
límites de control
• CARTA DE CONTROL DE ACEPTACIÓN

Esta carta es similar a la anterior pero toma en cuenta
errores Alfa y Beta (I y II), en función de la aceptación
y el riesgo del proveedor
P. Reyes 145
5.3-5 Cartas de Control especiales
• CARTAS DE PRECONTROL (ARCOIRIS)
– Se basa en límites de especificación, dividiendo el rango
de especificaciones en cuatro partes, las dos intermedias
son verdes, las de la orilla amarillas y las que salen de
límites, rojas. Se monitorea sólo una pieza.
• CARTA DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE

– Se toma el valor mayor y el menor del proceso de salidas
múltiples, monitoreando en el tiempo
• CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA

– Se ajusta la herramienta en un extremo de los límites de
control y se deja operar hasta que llega al otro extremo de
los límites para ajuste
P. Reyes 146
5 Cartas de Control
especiales por variables
• CARTA DE CONTROL CUSUM
(Detecta pequeñas corridas de media < 1.5 sigma con n
= 1)
- Método tabular
- Mascarilla en V
• CARTA DE CONTROL EWMA

(Detecta pequeñas corridas de media <1.5 sigma con n
= 1)
• CARTA DE CONTROL DE MEDIA MOVIL

(Detecta pequeñas corridas de X, con n = 1, sensibilidad
entre la de Shewhart y EWMA)
P. Reyes 147
Cartas especiales de control
P. Reyes 148
Cartas especiales de control
• Carta de sumas acumuladas CuSum
• Carta de promedios móviles ponderadas

exponencialmente
• Carta de promedios móviles simples
P. Reyes 149
Cartas de sumas acumuladas
CuSum
P. Reyes 150
Gráfica de Sumas acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tándem (una tras otra)
- Es más sensible que la gráfica X al movimiento de los
pequeños cambios sostenidos en el centro del proceso.
- Es más sensible que la gráfica X al movimiento de separación
gradual del centro del proceso.
- Es menos sensible que la gráfica X al desplazamiento grande e
único del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales
- Sus parámetros clásicos son h = 4; k = 0.5
P. Reyes 151
Carta de sumas acumuladas CuSum
• Son más eficientes que las cartas de Shewhart para

detectar pequeños corrimientos en la media del proceso
(2 sigmas o menos)
– Para crear la carta Cusum se colectan m subgrupos

de muestras, cada una de tamaño n y se calcula la
media de cada muestra Xi-media. Después se
determina Sm o S’m de las ecuaciones siguientes:
m
Sm =  ( X i - m0 )...m0 = media.en.control.estimada
i =1
m
1
Sm=
'
X
(X
i =1
i - m0 )... X = desv.es tan dar.de.las.medias
P. Reyes 152
Carta de sumas acumuladas CuSum – Con
Máscara en V
– La carta de control CuSum se obtiene graficando los
valores de Sm o S’m como función de m.
– Si el proceso permanece centrado, la carta tenderá

hacia el valor de la media m0
– Si el proceso se corre gradualmente hacia arriba o

hacia abajo, será indicado en la carta. Su sensibilidad
está determinada por los parámetros k y h.
– Una forma de identificar si el proceso sale de control

es con una mascara en V cuyo origen se coloca en el
último punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar acción
P. Reyes 153
Carta CuSum – parámetros de la máscara
en V
h = Intervalo de decisión – Valor medio del ancho de
máscara en el punto de origen
k = Corrimiento a ser detectado en sigmas – Pendiente de
los brazos de la máscara en V
f = Respuesta inicial rápida - Identifica puntos fuera de
control en el arranque
T = Meta o especificación nominal; n = Tamaño de subgrupo
Ci = Valor de los 2 lados de la máscara en el tiempo i

C0 = 0
Ci = Ci - 1 + (i - T)
Puntos graficados de la máscara = Ci
Pendiente de la máscara en V = k  / raiz (n)
Ancho de máscara en el origen = 2h  / raiz (n)
Origen de la máscara en V = p
Por omisión Xmedia = µ, Sp/c4(d) = , T = 0, h = 4, k = .5, p = m
P. Reyes 154
Ejemplo de carta Cusum
con Máscara en V
1- 4.925
CUSUM Chart for Cusum
2- 4.675
3- 4.725
4- 4.350 4
5- 5.350 3
2
6- 5.225
Cumulative Sum
1
7- 4.770 0 0
8- 4.525 -1
9- 5.225 -2
-3
10- 4.600
-4
11- 4.625 -5
12- 5.150 -6
13- 5.325 0 5 10 15
Subgroup Number
14- 4.945
15- 5.025
16- 5.223 Target = 5, sigma = 1, h = 2, k =0.5, Vmask
P. Reyes 155
Continuación de ejemplo –
con máscara en V

17. 5.463
18. 5.875
19. 6.237
20. 6.841 5
Cumulative Sum
0 0
Agregando 4
Puntos adicionales
Se observa que se
-5
Salen los puntos 0 10 20
16, 17 y 18 Subgroup Number
Requiriendo acción
Target = 5, sigmaP. Reyes
= 1, h = 2, k =0.5, Vmask 156
Carta CuSum– Sólo un Límite
inferior o superior
CIi = valor del nivel bajo de la Cusum de un lado inferior en tiempo i


CL0 = CU 0 = f
n
CSi = valor del nivel alto de la Cusum de un lado superior en tiempo i

    i
CIi = min 0, CI i -1 + xi -  T - k
  n
 C i = Si =
 j =1
 x j - ( m0
 + K )

   
CSi = min 0, CSi -1 + xi -  T + k  m0 = media.objetivo
  n 
Datos graficados = CIi, CSi m1 = media.no.aceptable = m0 + 
Línea central = 0 m1 - m0  
 K = = k
LIC = - h 2 2 n
n
Ci = 0.cuando.cambia.el .signo
LSC = h

n P. Reyes 157
Cata CuSum – sólo un Límite
superior o inferior
1- 4.925
2- 4.675 17. 5.463
3- 4.725 18. 5.875
4- 4.350 19. 6.237
Upper CUSUM
5- 5.350 20. 6.841 2 2
Cumulative Sum
6- 5.225
1
7- 4.770
8- 4.525 0
9- 5.225
-1
10- 4.600
11- 4.625 -2 Lower CUSUM
-2
12- 5.150 0 10 20
13- 5.325 Subgroup Number
14- 4.945
15- 5.025 Target = 5, sigma = 1, h = 2, k =0.5, One Sided
16- 5.223 FIR = 1 sigma,P.Reset
Reyes after each signal 158
Carta CuSum – Forma tabular para un
solo límite inf. ó sup.
• Los límites para cada valor se calculan dependiendo de
si es hacia el lado superior Sh o hacia el inferior Sl
S H (i ) = max  0, xi - ( m0 - K ) + S H (i - 1) 
S L (i ) = max  0, - xi + ( m0 - K ) + S H (i - 1) 
S H (0) = S L (0) = 0
N H . y.N L = No. periodos.en.que.Sh.o.Sl.son.  0
• Como ejemplo si K = 0.5 y µ0 = 10 y X1 = 9.45, Sh(1)
= max [0, 9.45 – 10.5 + 0] = 0 etc..
• Cuando Sh(i) toma un valor negativo, se regresa a cero

y continua el proceso, si excede el límite superior de
control H en este caso indica que el proceso está fuera
de control
P. Reyes 159
Carta CuSum – Forma tabular para un
solo límite inf. ó sup.
Period Xi Xi- Sh(i) Nh
o 10.5
1 9.45 -1.05 0 0 En este caso el
Valor de H es 5
2 S (i) 7.99 -2.51 0S (i - 1) 0
H = max  0, xi - ( m 0 - K ) + H 
3 S (i) =9.29 -1.21 0+ S (i - 1) 0
L max  0, - x i + ( m 0 - K ) H 
4 11.66 1.16 1.16 1
H
5 12.16 1.66 2.82 2
6 10.18 -0.32 2.50 3
7 8.04 -2.46 0.004 4
Máscara en V
8 11.46 0.96 1.00 5
9 9.20 -1.30 P. Reyes 0 0 160
Carta EWMA de promedios móviles
ponderados exponencialmente
P. Reyes 161
Carta de Promedios Móviles Ponderados
Exponencialmente (EWMA)
• Monitorea un proceso promediando los datos de tal
forma que les da cada vez menos peso conforme son
removidos en el tiempo
• En la carta de Shewhart la decisión en relación al

estado de control del proceso en cierto instante t
depende de la medición más reciente y de los límites
de control
• En la carta EWMA la decisión depende del estadístico

EWMA que es el promedio ponderado exponencial de
los datos.
P. Reyes 162
 Es más sensible que la gráfica X al movimiento de los

pequeños cambios sostenidos en la media del
proceso.
 Es más sensible que la gráfica X al movimiento de

separación gradual de la media del proceso.
 Es menos sensible que la gráfica X a desplazamientos

grandes de la media del proceso.
 Se puede aplicar a las Xs o a las Xs individuales.
P. Reyes 163
– Seleccionando un factor de ponderación  la carta puede ser
sensible a corrimientos graduales pequeños en la media del
proceso. El estadístico EWMA es:
EWMAt = Yt + (1 -  ) EWMAt -1 - - - -t = 1, 2,.., n
  
2
S
S EWMA = 
2

n  2- 
– EWMAo es la media (meta) de los datos históricos
– S es la desviación estándar de los datos históricos para n grande
– Yt es la observación en el tiempo t
– n es el número de observaciones monitoreadas incluyendo 0
– 0 <  <=1 es una constante que determina la memoria de
EWMA
P. Reyes 164
–  determina la tasa en la cual los datos “antiguos”
entran en el cálculo del estadístico EWMA.
– Un valor de  =1 indica que sólo el último dato será

incluido (carta Shewhart).
– Un valor grande  de da más peso a datos recientes y

menos peso a datos antiguos. Un valor pequeño de 
da más peso a datos antiguos
– Un valor común para  es 0.2 para detectar cambios

1 y de 0.4 para detectar cambios de 2
P. Reyes 165
• Los límites de control se determinan como sigue:
LSC = EWMA0 + 3sEWMA

LIC = EWMA0 - 3sEWMA
 La carta EWMA requiere que se obtengan datos históricos del
proceso para calcular la Media y desviación estándar
representativas del mismo para continuar el monitoreo,
asumiendo que estuvo en control al colectar los datos
 Para los primeros valores de X, la desviación estándar S se

calcula como:
   2
2
S
SEWMA = 
2
 
S 1 - (1 -  ) 2t

2- 
nP. Reyes 166
• Ejemplo: Si EWMAo = 50 y s = 2.0539,  = 0.3 entonces

se tiene:
LSC = 50 + 3(0.4201)(2.0539) = 52.5884
LIC = 50 - 3(0.4201)(2.0539) = 47.4115
Y 52 47 53 49.3 50.1 47 51
EWM 50 50.6 49.5 50.56 50.18 50.16 49.12 49.75

A
P. Reyes 167
Carta EWMA del ejemplo
Xewma
1- 52.0
2- 47.0
3- 53.0 EWMA Chart for X
4- 49.3 53
UCL=52.59
5- 50.1 52
6- 47.0
51
7- 51.0
EW MA
8- 50.1 50 Mean=50
9- 51.2
49
10- 50.5
48
11- 49.6
LCL=47.41
12- 47.6 47
13- 49.9 0 10 20
Sample Number
14- 51.3
15- 47.8
P. Reyes 168
Carta EWMA
• Los puntos a graficar son los siguientes :
Z0 = X
Z1 =_ X1 +(1- Z0)

Z2 =_ X2 + (1-
 Z1 )
_ 

Z3 = X3 + (1-
 Z2)
Z4 = X4 + (1- Z3)
• Observa que Z es un promedio ponderado deCon
X i yZde
= EWMA
todas
las Xs anteriores.
• La típica forma de una gráfica EWMA se muestra a
continuación. UCL
Los cálculos, especialmente de los
límites de control, son tan complejos
XII
que normalmente este tipo de gráfica

LCL se realiza por medio de un paquete
subgrupo de computo.
1 2 3 4 5 6
P. Reyes 169
• Si la desviación estándar se estima de la carta X-R
entonces los límites de control se determinan como
sigue:

LSC = X + A2 R
(2 -  )

LIC = X - A2 R
(2 -  )
P. Reyes 170
• Esta carta proporciona un PRONOSTICO del siguiente
valor de la media, lo cual es muy importante para el caso
de control automatizado.
• Los límites de control permiten detectar cuando se

requiere un ajuste y la diferencia entre el valor
pronosticado y la media meta permiten identificar de
cuanto debe ser el ajuste
P. Reyes 171
• Se puede desarrollar una ecuación para el clásico control
PROPORCIONAL, INTEGRAL y DIFERENCIAL (PID).
Donde los parámetros de las lambdas 1, 2 y 3 se
seleccionan para obtener el mejor desempeño de
pronóstico
• Si e representa el error entre el valor real y pronósticado

en el periodo t se tiene:
et = X t - zt -1
t
Zt = EWMAt = Zt -1 + 1et + 2  e j + 3et
j =1
P. Reyes 172
Carta de control de
promedios móviles
P. Reyes 173
Carta de control de Promedios Móviles
• Monitorea un proceso promediando los últimos W

datos. Con valores individuales se usa W = 2
• Tiene una sensibilidad intermedia entre las cartas de

control de Shewhart y las cartas EWMA o Cusum
para detectar pequeñas corridas graduales en la
media del proceso
• Suponiendo que se colectan muestras de tamaño n y

se obtienen sus respectivas medias Xi. La media
móvil promedio de amplitud W en el tiempo t se
define como sigue:
P. Reyes 174
Carta de control de Promedios Móviles
xt + xt -1 + ...... + xt - w+1
Mt =
w
2
Var ( Mt ) =
nw
3 3
LSC = x + - - para.n.0  t  w - - LSC = x +
nw nt
3 3
LIC = x - - - para.n.0  t  w - - LIC = x -
nw nt
– El procedimiento de control consiste en calcular la

nueva media móvil Mt cada vez que haya una nueva
media muestral, graficando Mt en la carta, si excede
los límites de control el proceso está fuera de control
– En general la magnitud del corrimiento que se quiere

detectar esta inversamente relacionado con W, ente
mayor sea W se podr´na detectar corrimientos más
pequeños P. Reyes 175
Ejemplo de carta de
promedios móviles
Xmm
1- 10.5
2- 6.0 Moving Average Chart for Xmm
3- 10.0
4- 11.0
15
5- 12.5
Moving Average
6- 9.5 UCL=12.12
7- 6.0 10 Mean=10
8- 10.0
LCL=7.879
9- 10.5
10- 14.5 5
11- 9.5
12- 12.0 0 5 10 15
Sample Number
13- 12.5
14- 10.5
15- 8.0
P. Reyes 176
6. Análisis de capacidad
de proceso
P. Reyes 177
6. CONTENIDO
Introducción
1. Capacidad a partir de histogramas
2. Capacidad a partir de papel normal
3. Capacidad a partir de cartas de

control
4. Capacidad de los sistemas de

medición
P. Reyes 178
6.1 Introducción
P. Reyes 179
6.1 Objetivos de la capacidad del proceso
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseñadores de producto o proceso en sus

modificaciones
3. Especificar requerimientos de desempeño para el

equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de producción cuando hay un

efecto interactivo de los procesos en las tolerancias
P. Reyes 180
LIE LSE
s _
Xi
X
p = P(Xi) = porcentaje de partes con probabilidad

de estar fuera de Especificaciones
P. Reyes 181
¿Cómo vamos a mejorar esto?
Podemos reducir la desviación estándar...
Podemos cambiar la media...
O (lo ideal sería, por supuesto) que podríamos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

se deben tomar medidas para que se mantenga
P. Reyes 182
6.1 Capacidad a partir
de histogramas
P. Reyes 183
6.1 Procedimiento
1. Seleccionar una máquina donde realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error

R&R < 10%)
5. Cuidadosamente colectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso

P. Reyes 184
6.1 Teoría del camión y el túnel
•El túnel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es perfecto
(variación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es mayor
que la especificación.
•Centrar es hacer que el promedio del proceso sea igual al centro de la
especificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
el chofer puede mantener el centro del camión en el centro del túnel. De otra forma
chocará con las paredes del túnel y no pasará a pesar de ser más angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9´
Nigel´s Trucking Co.
P. Reyes 185
6.1 Capacidad del proceso – Fracción defectiva
La capacidad en función de la fracción defectiva del Proceso se calcula
En función de la fracción defectiva para cada lado del rango de Especificación.
Rango medio
Desv. Est. =
Constante d2 de acuerdo al tamaño de subgrupo en X-R
Los valores de Z inferior y Z superior se calculan de acuerdo a las fórmulas
Siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviación Estandar Desviación Estandar
La fracción defectiva se calcula con las tablas de distribución normal
P(Zi) = Área en tabla (-Z) P(Zs) = 1 – Área corresp. a Zs en tabla (+Z)
Fracción defectiva = P(Zi) + P(Zs)
P. Reyes 186
6.1 Capacidad del proceso – Cp y Cpk
La capacidad potencial del Proceso (Cp) es una medida de la
variación del proceso en relación con el rango de Especificación.
Tolerancia LSE - LIE
Cp = =
Variación del proceso 6 Desviaciones STD.
Cpk es una medida de la capacidad real del proceso en función de la posición

de la media del proceso (X) en relación con con los límites de especificación.
Con límites bilaterales da una indicación del centrado. Es el menor de:
LSE - promedio del proceso y Promedio del proceso - LIE
CpK =
3 desviaciones STD 3 desviaciones STD
La relación de capacidad (CR) es la inversa del cálculo de Cp. Este índice le

indica que porcentaje de la especificación está siendo usado por la variación del
proceso.
Rango del proceso 6 desviaciones STD
CR = =
LSE - LIE
Tolerancia
P. Reyes Cp, Cpk y fracción defectiva 187
Capacidad
6.1 Cálculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 

Debe ser  1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor | ZI - ZS | / 3

El Cpk debe ser  1 para que el
proceso cumpla especificaciones
P. Reyes 188
6.1.. Ejemplo
Se tomaron los datos siguientes:
265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251
P. Reyes 189
6.1.. Ejemplo (cont…)
Agrupando los datos en celdas se tiene:
Intervalo Marca Frecuencia Frecuencia

de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .
P. Reyes 190
El histograma es el siguiente (se observa con forma normal):
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
P. Reyes 191
Calculando la media y la desviación estándar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6  = 192.12

Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hábil el proceso
Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02
Cpk = menor de Zi y Zs < 1 el proceso no cumple

especificaciones
P. Reyes 192
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribución de
frecuencias siguiente considerando LIE = 530 y LSE = 580:
Intervalo Frecuencia Frecuencia

de clase Marca de clase Frecuencia Relativa Absoluta .
531 - 535 533 6

536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8
P. Reyes 193
6.2 Capacidad a partir de papel normal
P. Reyes 194
6.2 Ventajas
1. Se puede observar el comportamiento del proceso sin

tomar tantos datos como en el histograma, 10 son
suficientes
2. El proceso es más sencillo ya que no hay que dividir el

rango de la variable en intervalos de clase
3. Visualmente se puede observar la normalidad de los

datos, si se apegan a la línea de ajuste
4. Permite identificar la media y la desviación estándar

aproximada del proceso. Así como la fracción defectiva, el
porcentaje de datos entre cierto rango, el Cp y el Cpk.
P. Reyes 195
6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma

ascendente, asignándoles una posición (j) entre 1 y n.
2. Se calcula la probabilidad de cada posición con la fórmula

siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una línea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la línea recta, se considera

normal el proceso y se procede a hacer las identificaciones:
La media será el punto en X correspondiente a Pj = 0.5

La desv. Estándar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84
P. Reyes 196
6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenándolos y calculando la

probabilidad de su posición (Pj)
Pos.J Valor Xj Pj Pos. J Xj Pj

1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975
P. Reyes 197
6.2... Ejemplo (cont..)
Graficando los puntos y ajustándolos con una recta que

minimice los errores con cada punto se tiene:
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
P. Reyes 198
Pi = ( I - 0.5 ) / N
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
P. Reyes
Normal distribution probability paper Xi 199
N o rm a l P ro b a b i li ty P lo t
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
200 300 400 500 600 700 800 900

C1
A v erage: 504.232 A nders on-Darl i ng Norm ality Tes t
S tDev : 139.682 A -S quared: 0.315
N: 100 P -V alue: 0.538
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se está analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores

Xi, puede predecirse usando una línea sólida como modelo. Por ejemplo,
sólo más del 20% de los datos del proceso serían valores de 400 o
inferiores. P. Reyes 200
6.2 Diferentes trazos en papel de probabilidad Normal
P. Reyes 201
6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la probabilidad (Pj),
graficar en papel norma, ajustar valores con una recta,
determinar la media, desv. Estándar, si las especificaciones son
LIE = 1200 y LSE = 1800 determinar la fracción defectiva,
el Cp y el Cpk.
1210 2105
1275 2230
1400 2250
1695 2500
1900 2625 P. Reyes 202

6.3 Capacidad a partir
de cartas de control
P. Reyes 203
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o “IMPREDECIBLE”. ?
? ?
? ?
? ?
P. Reyes 204
6.3 Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO “ESTABLE”.
LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO
Predicción
Tiempo
P. Reyes 205
6.3 Control y Capacidad de Proceso
Control de Proceso:
Cuando la única fuente de variación es normal o de causa común, se dice

que el proceso esta operando en “CONTROL”.
Capacidad de Proceso:
Medición estadística de las variaciones de causa común que son

demostradas por un proceso. Un proceso es capaz cuando
la causa común de variación cae dentro de las especificaciones
del cliente.
L a capacidad no se puede determinar a menos que

el proceso se encuentre en Control y Estable.
P. Reyes 206
6.3 Proceso en control estadístico
La distribución de la mayoría de las características medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . ¿cuales son las causas comunes?
x Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribución
del Proceso
_
x = media
34% 34% s= sigma; es la
desviación
estándar; medida
de la variación
14 % 14 % del proceso.
2% 2%
-3s -2s -1s x +1s +2s 3s
99.73% P. Reyes 207
6.3.. Desviación Estándar del proceso 
 =R o  =S
d2 c4
Donde,
= Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de
control X - R
C4 = Idem al anterior para una carta X - S
NOTA: En una carta por individuales, d2 se toma para n = 2 y
RangoMedio=Suma rangos / (n -1)
P. Reyes 208
6.3 Capacidad del proceso
Cuando las causas comunes son la única variación:

Cp El índice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6 
Cpk El índice de capacidad real del proceso compara la media

real con el límite de especificaciones más cercano (LE) a esta.
_
Cpk = LE – X o Cpk = menor |Z1 , Z2| / 3
3
P. Reyes 209
6.3 Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo

siguiente, después de que el proceso se estabilizó quedando sólo con
causas comunes:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parámetros del proceso se tiene:
m = X media de medias  = Rmedio / d2 =77.3 / 2.326 = 33.23

[ d2 para n = 5 tiene el valor 2.326]
Si el límite de especificación es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones
P. Reyes 210
6.3 Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo

causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parámetros del proceso se tiene:
m = X media de medias  = Smedio / C4 = 1.05 / 0.94 = 1.117

[ C4 para n = 5 tiene el valor 0.94 ]
Si el límite de especificación es: LIE = 85 y el LSE = 105.

El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones
P. Reyes 211
6.3 Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo

causas comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6) se obtuvo lo

causas comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5
P. Reyes 212
6.4 Capacidad de los
sistemas de medición
P. Reyes 213
6.4 Definiciones
Exactitud
Desviación respecto del valor verdadero del promedio de las
mediciones
Valor verdadero:
Valor correcto teórico / estándares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones y el
valor verdadero. Error sistemático o desviación
Estabilidad
La variación total en las mediciones obtenidas durante un
período de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a través del rango de
operación esperado del instrumento de medición.
Precisión
Medición de la variación natural en mediciones repetidas
P. Reyes 214
6.4 Posibles Fuentes de la
Variación del Proceso
Variación total del proceso,
observada
Variación del proceso, Variación de la medición

real
Variación
dentro de la Variación originada
Reproducibilidad
muestra por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
La “Repetibilidad” y la “Reproducibilidad” (R&R), son los errores

más relevantes en la medición.
P. Reyes 215
6.4 Definición de la Repetibilidad
REPETIBILIDAD
Repetibilidad: Es la variación de las mediciones obtenidas con un

mismo instrumento de medición, cuando es utilizado varias veces por
un operador, al mismo tiempo que mide las mismas características en
una misma parte y bajo las mismas condiciones de medición.
P. Reyes 216
6.4 Definición de la Reproducibilidad
Operador-B
Operador-C
Operador-A
Reproducibilidad
Reproducibilidad: Es la variación, entre promedios de las mediciones

hechas por diferentes operadores que utilizan un mismo instrumento
de medición cuando miden las mismas características en una misma
parte, bajo las mismas condiciones.
P. Reyes 217
6.4 ESTÁNDARES INTERNACIONALES
• En México se tiene el CENEAM o el Centro

Nacional de Metrológia
• En EUA se tiene el NIST (National Institute of

Standards and Technologý)
•Un Estándar primario es certificado por NIST o por

una organización alterna que use procedimientos de
calibración actualizados
• Los Estándares secundarios son calibrados por el

depto. de Metrología de las empresas en base a los
estándares primarios, para efectos de calibración.
P. Reyes 218
6.4 ESTÁNDARES INTERNACIONALES
• Los Estándares secundarios se transfieren a

Estándares de trabajo en producción.
•Para determinar la exactitud de los sistemas de

medición se debe conocer su rastreabilidad a
Estándares nacionales e internacionales.
Resolución: Para que el equipo de medición

tenga una discriminación adecuada en la
evaluación de las partes, su resolución debe
ser al menos 1/10 de la variabilidad del proceso
( LTNS - LTNI = 6  )
P. Reyes 219
6.4 Definición del Sesgo
Valor
Verdadero
Sesgo
Sesgo es la diferencia entre el promedio observado de las

mediciones y el valor verdadero.
P. Reyes 220
6.4 Definición de la Estabilidad
Tiempo 2
Tiempo 1
Estabilidad (o desviación) es la variación total de las mediciones

obtenidas con un sistema de medición, hechas sobre el mismo
patrón o sobre las mismas partes, cuando se mide una sola de sus
características, durante un período de tiempo prolongado.
P. Reyes 221
6.4 Definición de la Linealidad
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Rango inferior Rango superior

Rango de Operación del equipo
Linealidad es la diferencia en los valores real y observado, a través del

rango de operación esperado del equipo.
P. Reyes 222
6.4 Estabilidad del Calibrador
Cómo Calcularla…
• Para calibradores que normalmente se utilizan sin ajuste, durante

periodos de tiempo relativamente largos.
» Realizar un segundo estudio R&R del Calibrador justo antes de que

venza el tiempo de re calibración.
» La estabilidad del calibrador es la diferencia entre los promedios

sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad…

• El calibrador no se ajusta tan frecuentemente como se requiere
• Si es un calibrador de aire, puede necesitar un filtro o un regulador
• Si es un calibrador electrónico, puede necesitar calentamiento previo.
P. Reyes 223
Error R&R = RPT2 + REPR2
Para la fase de control del proyecto,
• Precisión en relación a la variación sólo substituya la Tolerancia por
total Variación Total.
TV= R&R + PV
%R&R = R&R *100 PV= variación de parte = Rp x K3
Var. Total
• Identificar qué porcentaje de la variación total debe absorberse
como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan crítico es
el grado de la medición.
>30%. ¡Inaceptable!
P. Reyes 224
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION TOTAL DEL
PROCESO:
La dimensión verdadera de
las partes se encuentra en VARIACIÓN DE PARTE
algún lugar de la la región A PARTE
sombreada…
Lo que fue
medido
LIE OBJETIVO LSE

Mientras más mayor sea el % del R&R, mayor será el área de
incertidumbre para conocer la dimensión verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de
especificaciones
P. Reyes 225
6.4 Estudio de R&R
• Generalmente intervienen de dos a tres
operadores
• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó

3 veces.
P. Reyes 226
6.4 Métodos de estudio del error R&R:
I. Método de Promedios- Rango

• Permite separar en el sistema de medición lo referente
a la Reproducibilidad y a la Repetibilidad.
• Los cálculos son más fáciles de realizar.
II. Método ANOVA

•Permite separar en el sistema de medición lo referente a la
Reproducibilidad y a la Repetibilidad.
•También proporciona información acerca de las interacciones de
un operador y otro en cuanto a la parte.
•Calcula las varianzas en forma más precisa.
• Los cálculos numéricos requieren de una computadora.
El Método ANOVA es Más Preciso

P. Reyes 227
6.4 Realizando el estudio R&R
 Las partes deben seleccionarse al azar, cubriendo el RANGO

TOTAL DEL PROCESO . Es importante que dichas partes sean
representativas del proceso total (80% DE LA VARIACION)
 10 partes NO son un tamaño de muestra significativo para una

opinión sólida sobre el EQUIPO DE MEDICIÓN a menos que
 Los operadores deben haber sido debidamente entrenados

para realizar las mediciones
 Se debe medir con mucho cuidado en el mismo punto de las

partes, con una limpieza absoluta en el medidor y partes.
P. Reyes 228
6.4 Proc. para realizar un estudio de R&R
1. Ajuste el calibrador, o asegúrese de que éste haya sido

calibrado.
2. Marque cada pieza con un número de identificación que

no pueda ver la persona que realiza la medición.
3. Haga que el primer operador mida todas las muestras

una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las muestras

una sola vez, siguiendo un orden al azar.
P. Reyes 229
6.4 Proc. para realizar un estudio de R&R
5. Continúe hasta que todos los operadores hayan medido las
muestras una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el número requerido de
ensayos
7. Utilice el formato proporcionado para determinar las estadísticas
del estudio R&R
– Repetibilidad
– Reproducibilidad
– %R&R
– Desviaciones estándar de cada uno de los conceptos
mencionados
– Análisis del % de R&R contra Variación Total y contra
tolerancia
8. Analice los resultados y determine los pasos a seguir, si los hay.
P. Reyes 230
6.4 Ejemplo:
Planteamiento del problema:

Las partes producidas en el área de producción, se rechazaron
en 3% por problemas dimensionales.
CTQ: Mantener una tolerancia ± 0.125”
Sistema de Medición: Se miden las partes con un calibrador de 2”.
Estudio R&R del La dimensión A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
P. Reyes 231
6.4 Método corto
Se toman 5 partes y se miden por ambos operadores:

Pieza Operador A Operador B Rango A-B
#1 4 2 2
#2 3 4 1
#3 6 7 1
#4 5 7 2
#5 9 8 1
Rango Medio = Suma R / 5 = 7 / 5 = 1.4
El error del sistema de medición = 4.33 * Rmedio = 4.33 x 1.4 = 6.1
El error contra tolerancia = (Error / Tol.) *100, por ejemplo si la tolerancia
es de 20, el % de error es de 30.5%,
P. Reyes
siendo inadecuado . 232
Método Largo con X-media y Rango
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. lecturas
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
P. Reyes 233
1. Cálculo de las X-medias
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. Lecturas
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
Xmedia -A 9.3689 Xmedia-B 9.3584
P. Reyes 234
2. Cálculo de los Rangos
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento XmediaP
Rango Prom. Lecturas
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
Xmedia - A 9.3689 Xmedia - B 9.3584
Rmedio-A
Rmedio A 0.0174 Rmedio-B
Rmedio B 0.0052
Rango de 0.0630
Xpartes
LSCR = D4 x Rmedia Probar que ningún rango salga de control 235
P. Reyes
3. Identificación de Parámetros del Estudio y Cálculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
RmediaA 9.3689 XmediaB 9.3584
Rpartes
RmedioA 0.0174 RmedioB 0.0052
Rpartes 0.0630
Rango
de
Ancho de tolerancia====> 0.25 X-media máx.=> 9.3689
Medias
r Número de intentos => 2 X-media min => 9.3584 de
n Número de partes ==> 10 Diferencia 0.0105
partes
Número de operadores 2 de X-medias
K1 4.56 R-media de => 0.0113

Todos los
operadores
(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos)

K2 3.65 K3 (para 10 1.62
Partes)
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores)
P. Reyes 236
6.4 Cartas de control X - R
Carta de Medias X: Gráficar cada una de las medias de las

lecturas de cada operador, calcular media de medias y límites
de control y verificar que haya cuando menos el 20% de
puntos fuera de control, asegurando que el instrumento
discrimina las diferentes partes.
LCmedias = Xmedia de medias +- A2 x R
Carta de Rangos: Graficar los rangos de las lecturas de cada

operador, calcular rango promedio de ambos operadores y
límites de control, verificar que ningún rango sale de límites, en
caso contrario repetir las lecturas fuera de control.
LCrangos = D4 x Rmedio (de ambos operadores)

P. Reyes 237
6.4 Cálculo de R&R
Repetibilidad: La variación del dispositivo de medición (EV)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
EV = R x K1 = 0.0515
Reproducibilidad: La variación en el promedio de las

mediciones (AV) se calcula sobre el rango de los promedios de
todas las mediciones, para cada operador, menos
el error del calibrador. Si la raíz es negativa se toma cero.
AV = (Xdif * K2)2 - (DV2/(r * n)) = 0.0259
P. Reyes 238
6.4 Cálculo de R&R
El componente de varianza para Repetibilidad y

Reproducibilidad (R&R) se calcula combinando la varianza
de cada componente.
R&R = EV2 + AV2 = 0.0577
El componente de varianza para las partes (PV), se calcula

sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV = Rparte x K3 = 0.1021
P. Reyes 239
6.4 Cálculo de R&R
La variación total (TV) se calcula combinando la varianza de

Repetibilidad y Reproducibilidad y la variación de la parte.
TV = R&R2 + PV2 = 0.1172
Comparando contra la tolerancia (LSE – LIE):

%EV = 100*EV/Ancho de tolerancia = 20.61
%AV = 100*AV/Ancho de tolerancia = 10.36
%R&R = 100*R&R/Ancho de tolerancia = 23.07

P. Reyes 240
6.4 Cálculo de R&R
Comparando contra la variación Total del

proceso:
%EV = 100*EV/Variación total = 43.95
%EV = 100*AV/ Variación total = 22.10
%R&R = 100*R&R/ Variación total = 49.20
%PV = 100*PV Variación total = 87.06
CRITERIO: El % R&R debe ser menor al 10%

P. Reyes 241
6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo

de medición 10 partes en 3 intentos cada uno,obteniendo:
Mediciones Mediciones
Número de operador A de operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
P. Reyes 242
7. Métodos de
mejora continua
P. Reyes 243
7. CONTENIDO
1. Proceso de cambio organizacional
2. Trabajo en equipo
3. Manejo efectivo de juntas
4. Solución de problemas por medio de la

Ruta de la Calidad
5. Ejemplos
P. Reyes 244
7.1 Proceso de Cambio organizacional
P. Reyes 245
7.1 Organizaciones tradicionales
 Buscar culpables, Burocracia

 Enfoque a seguir procedimientos y reglas
 Olvido al cliente
 Alto desperdicio en tiempo, materiales, papel

 Poca atención al empleado, mala seguridad
 Comunicación sólo en sentido vertical
 Mal Mantenimiento
 Poco involucramiento y compromiso
 Feudos/Revanchas/Política negativa
 Autoridad jerárquica, sin equipos
 Alta rotación / Alto ausentismo
 Bajo desempeño
P. Reyes 246
7.1 Organizaciones modernas
 El cliente es la máxima prioridad

 Operación limpia (ISO 14000)
 Competitividad y finanzas sanas
 Sistemas simples visuales y Operación estable

 Entrega oportuna y Trabajo en equipos
 Ambiente de trabajo seguro y agradable
 Desarrollo de empleados con multihabilidades

 Comunicación alta, horizontal y abierta
 Desarrollo de personal, decisiones participativas
 Productividad y mejora continua, reconocimientos
 Empowerement a empleados / Personal motivado
 Alta Calidad, enfoque a la gente
P. Reyes 247
7.1 Organización Multifuncional
Team
Gerencial
Costos Producción R Humanos Materiales Champion
Patrocinadores
Facilitador de Facilitador de
Facilitador de
Procesos / Procesos de
Mantenimiento /
Proyectos Recursos Humanos
Proyectos
Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,
P. Reyes
celdas de mfra., unidades de negocio 248
7.1 Reestructuración organizacional
• Equipos de trabajo: solución de problemas, propósito

especial, autodirigidos
• Organización horizontal: elementos clave
• Planes de reconocimiento: individual, grupal,

capacitación
• Diseño de puestos de trabajo: especialización,
ampliación, rotación de puestos, enriquecimiento
• Normas de trabajo
• Métodos para la medición del trabajo: estudios de
tiempo, muestreos, estándares
• Curvas de aprendizaje
P. Reyes 249
7.1 Equipos Kaizen
• Las tres fases claves

– Percepción
– Desarrollo de la idea, entre más simples mejor
– Implantación de la idea y efectos, Kaizen busca el
camino más corto para lograr el propósito
• Puntos críticos de éxito

• Mejoras en la seguridad, en la calidad, productividad,
WIP, control visual
P. Reyes 250
7.1 Estrategias para
Recursos Humanos
• Eliminar continuamente actividades que no agregan
valor
• Reducir el número de categorías ampliando alcance de
los puestos
• Proporcionar recomendaciones a la Alta Dirección sobre
métodos para aplanar la organización
• Crear oportunidades e incentivos para la rotación

normal de puestos y capacitación cruzada.
• Invertir en el desarrollo de Multihabilidades de los
empleados
• Incluir planes de desarrollo de personal que estén en
línea con las metas y objetivos
• Facultamiento y desarrollo del personal

P. Reyes 251
7.1 Proceso de cambio
organizacional
1. Autoanálisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofías y políticas.
5. Planeación estratégica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluación de resultados: indicadores clave.
9. Comunicación en todas direcciones.
P. Reyes 252
7... Consejos para administradores
1. Mantener actitud positiva.
2. Poner planes por escrito.
3. Buscar causas de problema en el sistema.
4. Ser humilde: Escuchar a subordinados.
5. No tener miedo a expresar ideas.
6. Tomarse tiempo para capacitar a subordinados.
7. Pensar, revisar y revisar.
8. Decir “no” a planes no realistas.
P. Reyes 253
7... Consejos para administradores
9. Tener empatía con la gente.
10. Reducir la rotación de personal.
- Reclutamiento y selección.
- Orientación.
- Inducción de personal nuevo.
- Supervisión y capacitación en el puesto.
- Auxilio de Recursos Humanos.
11. Falta gente capacitada ¡Haga algo!
-Capacitar a la propia gente.
12. Conocer a sus sindicatos.

P. Reyes 254
7.2 Equipos de trabajo
P. Reyes 255
7.2 Equipos de trabajo
• OBJETIVOS
– Establecer una situación de control.

– Elevar el estado de ánimo.
– Mejorar las relaciones humanas.
– Mejorar el área de trabajo.
– Pensar y usar los conocimientos.
– Ampliar la forma de pensar.
– Mejorar el ingreso.
– Mejorar el aseguramiento de calidad.
– Los ingenieros se pueden dedicar a otras tareas.
P. Reyes 256
7.2 Introducción
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL PERSONAL
2.- LA ARMONIA ENTRE LAS PERSONAS
OBJETIVOS
3.- LA FORMACION DE UNA DEL
CULTURA EQUIPO
P. Reyes 257
7.2 ¿Qué es un...?
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO

DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE

PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?

P. Reyes 258
7.2 Tienen en común...
6 ó 7 (maximo 10) personas trabajando
en estrecha interrelacion,
interacción y comunicación
dirigidas hacia un
OBJETIVO COMUN
P. Reyes 259
7.2.. Análisis de Fuerzas
FUERZAS NEGATIVAS. FUERZAS POSITIVAS.
EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES
P. Reyes 260
7.2 Ejemplos de fuerzas negativas
HABILIDADES FALTA DE ESPIRITU

PERSONALES DE EQUIPO
NO APROVECHADAS
INCAPAZ DE
PRIORIDADES DE OBJETIVO PARTICIPAR EN LOS
DEPARTAMENTO INTERESES DEL
DEL
EQUIPO
EQUIPO
CONFLICTO DE OBJETIVOS
EQUIPO PERSONALES
P. Reyes 261
7.2 El objetivo del equipo
EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS
1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
2.-¿Cuales son mis objetivos como integrante del equipo....?

_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
P. Reyes 262
7.2 ¿QUE PUEDO HACER YO PARA AYUDAR
A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________
__________________________________________________________
__________________________________________________________
2.-__________________________________________________________
__________________________________________________________
__________________________________________________________
3.-__________________________________________________________
__________________________________________________________
__________________________________________________________
4.-__________________________________________________________
__________________________________________________________
__________________________________________________________
P. Reyes 263
7.2 Normas de los equipos
Cada equipo establece sus propias normas de trabajo, tomando en

cuenta los elementos siguientes:
SEGURIDAD
LA SEGURIDAD OTROS LA CALIDAD
EL MANTENIMIENTO DEL
MANTENIMIENTO EQUIPO LA PRODUCCION
ASISTENCIA O LOS COSTOS

EL MEDIO AMBIENTE LOS CLIENTES
PUNTUALIDAD
P. Reyes 264
7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a menos que el
equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razón.
3.- Cumplir con las asignaciones.
4.- Cumplir con las fechas compromiso., etc.
¿Cuales son las normas de funcionamiento de mi equipo de

mejora...?
1.- __________________________________________
2.- __________________________________________
3.- __________________________________________
P. Reyes 265
7.2 Responsabilidades del equipo
PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:
COOPERACION
ASISTENCIA COMUN
DIVISION DEL TRABAJO
P. Reyes 266
7.2 Organización de los equipos
TODOS PERTENECEN A UNA MISMA AREA DE TRABAJO

PERO TIENEN RESPONSABILIDADES DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.
SE FORMAN POR UN LIDER Y EL LIDER DEL EQUIPO ES

MIEMBROS DEL EQUIPO ELEGIDO POR LOS MIEMBROS
DEL EQUIPO
EL LIDER APLICA EL LIDERAZGO POSITIVO, EDUCA,

DESARROLLA, APOYA, ENTUSIASMA Y DESARROLLA
P. Reyes 267
¿EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR ESPECIAL
EN EL AREA DE TRABAJO
2.-LEJOS DEL MISMO SI ES POSIBLE
¿CADA CUANDO SE REUNEN...?
PERIODICAMENTE DE ACUERDO A LAS

NECESIDADES DEL EQUIPO. (1 0 2 VECES POR
SEMANA, 1 VEZ AL MES, ETC.)
P. Reyes 268
LOS EQUIPOS DE MEJORA CONTINUA

REQUIEREN DE CAPACITACIÓN
CONTINUA:
DETECTAN SUS NECESIDADES

DE ENTRENAMIENTO
P. Reyes 269
7.2 ¿De quién necesitan apoyo . . . ?
1. Apoyo Total de la direccion / gerencia general.
2. Del líder que coordina y desarrolla a los integrantes.
3. De otras áreas, especialistas o técnicas que les ayudan

a resolver los problemas que ellos no pueden resolver.
4. De otros equipos de mejora.
P. Reyes 270
7.2 El líder del equipo
LIDER:
ES AQUEL QUE GUIA, ENSEÑA Y DA EL EJEMPLO A SU
EQUIPO DE MEJORA CONTINUA. DEBEN TENER....
FLEXIBILIDAD
PACIENCIA
HONESTIDAD
HABILIDAD DE COMUNICARSE
Y
ELIMINAR EL FRACASO
HACIENDO POSIBLE LO IMPOSIBLE
P. Reyes 271
7.2 De quién necesitan apoyo
EQUIPOS DE
MEJORA CONTINUA
LIDER DE EQUIPO
EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
DIRECCION EQUIPO DIRECTIVO
P. Reyes 272
7.2 Problemas comunes
1. Apatía de los equipos para generar resultados.

2. Falta de apoyo económico y motivación personal
por la dirección.
3. Comunicación mínima entre jefes y coordinadores.
4. Apatía de la gente.
5. Poca comunicación.
6. Exceso de “bomberazos” en áreas saturadas de
trabajo.
7. No se mantiene la disciplina por el líder del
equipo.
P. Reyes 273
8. La situación de crisis afecta a los equipos

9. No hay compromiso de la Dirección.
10. Mala actitud de personal y no hay medición de
trabajo estadísticamente.
11. No se cuenta con asesoría profesional.
12. Escasez de tiempo para juntas de trabajo
13. No hay un sistema de control y aseguramiento
de calidad.que funcione
P. Reyes 274
14. Baja participación de los departamentos. de la

empresa.
15. Falta de involucramiento de las gerencias y dirección.
16. Falta de apoyo de gerentes y superintendentes.
17. No se dan facilidades para asistir a conferencias y
congresos de equipos de trabajo
18. Falta conocimiento en la aplicación de las 7
herramientas estadísticas.
19. Falta constancia y disciplina en las tareas una vez
iniciadas.
P. Reyes 275
20. Cambio de citas de reunión por actividades de

participantes.
21. Falta de conocimiento de métodos de estandarización.
22. Falta de involucramiento de algunas áreas de calidad
total.
23. Problemas de inestabilidad generados por la crisis.
P. Reyes 276
7.3 Manejo efectivo de
Juntas y reuniones
P. Reyes 277
7.3 Tipos de reuniones
• Para control y mejora (30-60 min.)
– Asignar tareas y responsabilidades.
– Contribuir a procesos de solución de problemas.
• De comunicación (15 - 20 min.)

– Metas de la semana, avisos de reunión, breve
explicación
• De información (10 - 15 min.)

– Reporte de evento.
– Reflexiones de lectura/tarea.
P. Reyes 278
7.3 Tipos de reuniones
• De estudio (30-60 min.)

– Trabajo en equipo, calidad.
– Conocimiento de producto o servicio.
• De seguimiento (15 - 30 min.)

– Verificación y análisis de tareas asignadas en
Control y Mejora.
• De memorandum (5 – 10 min.)
– Avisos escritos de diversa índole.
P. Reyes 279
7.3 Función del coordinador
1.- Crear una atmósfera apropiada para que los participantes

externen sus ideas y opiniones libremente.
2.- Obtener la información necesaria ..
3.- Anticipar las reacciones positivas y negativas de las personas.
4.- Crear un sentido de trabajo en equipo, que sea llevado al mismo

lugar de trabajo.
¡HACIENDO POSIBLE LO IMPOSIBLE!
P. Reyes 280
7.3 Funciones del coordinador
1.- Pedir ideas a todo el grupo y en forma Individual.
2.- Mantener la junta en el tema.
3.- Clarificar la información.

4.- Ayudar a desarrollar ideas completas.
5.- Replantear el punto si no esta claro.

6.- No culpar nunca a nadie si no es claro en sus ideas.
7.- Aceptar todas y cada una de las sugerencias.

8.- No criticar, modificar o evaluar de inmediato una opinión.
9.- Asegurarse que se cumplan los objetivos (Dando seguimiento)

10.- Asegurarse que la agenda sea cubierta en el tiempo
establecido.
P. Reyes 281
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y visibles enfrente del lugar
de reunión.
2.- Difiera la información que no este relacionada con el tema a

discutir .
3.- De reconocimiento a los participantes cuyas opiniones se

relacionen directamente con el tema, este debe ser verbal y frente
al grupo.
P. Reyes 282
7.3 Ejercicio
Seleccionar un tema a tratar de la vida real
Establecer reglas y objetivos
NOTAS
¿ Como se comporto el equipo . . . ?
___________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
P. Reyes 283
7.3 Ejercicio
¿ Como se comportaron los integrantes . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
¿ Se cumplio el objetivo . . . ? SI___ NO____
¿ Por que . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
P. Reyes 284
7.4 Solución de problemas por
medio de la Ruta de Calidad
P. Reyes 285
7.4 Los 11 pasos de la Ruta de la
calidad
1. Selección del problema
2. Razón de la selección
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnóstico de la situación actual
6. Identificación de causas
7. Análisis de soluciones
8. Implantación de soluciones
9. Verificación de soluciones
10. Prevención de la reincidencia y
estandarización
11. Reflexiones y tareas futuras
P. Reyes 286
7.4 La ruta de la calidad
1.- SELECCIÓN DEL TEMA
PLANEAR 2.- RAZON DE LA SELECCIÓN

3.- ESTABLECER OBJETIVOS ESTABLECER LA
P
FORMA IDEAL
4.- PROGRAMA DE ACTIVIDADES
5.- DIAG. DE SITUACION ACTUAL
HACER 6.- ANALISIS DEL PROBLEMA BUSQUEDA DE EN CASO

D 7.- ANÁLISIS DE SOLUCIONES CAUSA REAL DE NO
HABER
8.- IMPLANTAR SOLUCIONES EFECTO
CHECAR
C 9.- VERIFICACION DE SOLUCIONES
10.- PREVENCION DE LA
ACTUAR REINCIDENCIA POR INICIATIVA
A HACER
11.- REFLEXION Y TAREAS
UN EJEMPLO
FUTURAS
INMEDIATAMENTE
P. Reyes 287
7.4 Beneficios de la ruta de la
calidad
1.- Es un método estándar para resolver problemas.
2.- Se usa para mejorar procesos administrativos, de

manufactura e individuales.
3.- Se usa para sistematizar la forma en que se mejoran

los procesos.
P. Reyes 288
P. Reyes 289
Análisis de situación actual e identificación de

problemas.
Una vez seleccionado el tema:
- Comprensión de elementos situacionales.
- Cuantificación de datos reales.
- Identificación de factores de variabilidad.

P. Reyes 290
* Seleccionar el problema en base a las políticas de la

organización, al jefe inmediato y a los resultados de sus
actividades diarias. Se sugieren sean problemas enfocados a
impactar al cliente.
* ¿Cómo nombrar el problema? Menor Costo, Más rápido,

Mejor desempeño
1).- Expresar concretamente el grado del problema. (el tema

no deberá ser demasiado amplio).
P. Reyes 291
2).- Es mejor no usar la solución para nombrar un problema, sin

antes realizar la búsqueda de la causa verdadera, se creará duda
de si esa solución es la definitiva.
3).- Criterios para seleccionar el problema
Seguridad Calidad
Entrega Costo
Moral
P. Reyes
2 GUOQCSTORY.PPT
292
2. Razón de la Selección
¿Porque?
P. Reyes
3 GUOQCSTORY.PPT
293
*Expresar los antecedente, la importancia y la prioridad de los
problemas.
•Explicar por qué se seleccionó el problema
* Efecto económico, reclamo de mercado,rechazos, % de ventas

perdidas , otros.
* Impacto para los procesos posteriores, monto de pérdida,

incremento de tiempo de operación, paro de línea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones
arriba descritas mediante las 7 herramientas básicas, las 7 nuevas
herramientas, etc; y enfocarse en un solo tema.
P. Reyes
4 GUOQCSTORY.PPT
294
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluación
Criterio de evaluación 3 puntos 2 puntos 1 punto
Evaluación
Problema Impor- Prior. Política Periodo Facti- Orden

tancia Depto. de Ejec. bilidad
DEVOLUCIONES 12 Puntos
1er. lugar
10 Puntos
ENTREGAS TARDIAS 2o. lugar
10 Puntos
DOCS. INADEC. 2o. lugar
9 Puntos
NIVEL SERVICIO 3er. lugar
P. Reyes 295
Ejemplo2 : Utilización de la gráfica lineal y el diagrama de Pareto.
periodo 6/Mayo/’98 - 15/junio/’98
n = 5,000
x = 0.48 %
% de incidencia
(%)
1
0.51 0.53
0.45 0.47 0.46
0.8 0.46
objetivo del grupo 0.3%
0.6
6/mayo-11 13 - 16 20 - 24 27 - 31 3/junio - 7 10 - 15
0.4
PARETO DE DEFECTOS DEL PRODUCTO A

0.2 PERIODO 6/MAY/98 AL 15/JUNIO/98 (%)
(CASOS)
NUMERO DE DEFECTOS
n = 170
0
170 100
% ACUMULADO
160
140
80
120
30 %
100
51 60
80 31 27 25 20
60 16 40
CONTAMINACION
ALTURA MAYOR
ADHESION
MULTIPLE
Y MENOR
40
CORTE
CORTE
DOBLE
PORO
BAJA
20
20
0 0
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y además de investigar
las causas de incumplimiento se encontró que ”DOBLE CORTE" es el más problemático,
296
por lo que se seleccionó como tema.
P. Reyes
5 GUOQCSTORY.PPT
3. Establecimiento de objetivos
PUNTO CRITICO ACTIVIDADES
* Aclarar la meta del valor del objetivo. * Indicar el objetivo con valores en forma numérica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relación con el
expectativas en el objetivo, si no esta- efecto esperado .
blecer un objetivo factible de manera es-
calonada.
* El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisión de impulso ¿QUÉ? ****** Reducir el defectuoso en productos A
(sin analizar).
¿HASTA CUÁNDO?****De Mayo del 97 a
(Punto clave para establecer el valor Abril del 98
objetivo). ¿HASTA CUANTO?****Bajar hasta 1% ó
* Definirlo tomando en cuenta las políticas menos del 1% promedio de defectuoso.
de la empresa.
* En caso de no tener un concepto claro de * Hay un método para establecer el objetivo

las políticas, analizar la importancia de final de una vez; otro estableciendolo en forma
los problemas y / o mejoras, cuando nos gradual entre objetivo primario y secundario,
ocasionen un defecto al proceso pos- establecer periodos de tiempo cortos.
terior, factibilidad de cumplimiento, pro-
grama, distribución de cargo, etc. y de- Establecer objetivos graduales en los casos
finirlo. Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras áreas.
(3).- Que se requiera la selección de las actividades
conforme a la habilidad real del grupo de trabajo
Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
P. Reyes 297
Ejemplo n° 1 Establecimiento del
Objetivo con fundamento
EJEMPLO N°2 CONCEPTO CONTENIDO ESTABLECIDO

VALOR OBJETIVO IGUAL O MENOR DE 1%
FECHA LIMITE FIN DE Abril de 1998
EFECTO ESPERADO 3% DE INCREMENTO EN EL % DE AHORRO
IGUALAR AL
(%) 8 x 1 NIVEL PAIS
6 1
2 2 IGUALAR AL
4
4 3 2
PASADO
2 3 IGUALAR A
OTRAS LINEAS
0 4 ESTABLECER
10 11 12 1 2 3 4 EN BASE A LA
POLITICA
6 MESES
El objetivo debe ser establecido en consenso OBJETIVO
P. Reyes
FINAL 298
Ejemplo n° 3: Establecimiento gradual del objetivo
Se debe tomar en cuenta el problema real anterior, etc.,

para que los datos sean razonables y convincentes.
CONDICION ACTUAL
(%) 6
V P
5
4
E E 3 OBJ. PRIMARIO
N R 2
1 OBJ. SECUNDARIO 0%
T D
A I 0 1 2 3 4 5 6
S D OBJETIVO FINAL
A
S
PERIODO DE TIEMPO
P. Reyes
7 GUOQCSTORY.PPT
299
4. Programa de actividades
ASIGNACION DE LAS TAREAS
POR QUE ? QUE ? QUIEN ? CUANDO ? COMO ? DONDE ?
PROPOSITO CONCEPTO DE ACT. RESP. FECHA
CONOCER LA HOJA DE
COMPRENDER LA
SITUACION Juan Pérez may-97 CHEQUEO Y Máquina
SITUACION ACTUAL
ACTUAL GRAFICA
DIAGRAMA DE
¿QUE ESTA
ANALISIS TODOS JUN. 97 CAUSA Y Reunión
MAL ?
EFECTO
¿COMO SE PLAN DE
ACCIONES
PUEDE TODOS JUN. 97 ACCIONES Reunión
CORRECTIVAS
MEJORAR ? CORRECTIVAS
¿SE PUEDE
CONFIRMAR EFECTO TODOS JUL. 97 GRAFICA Máquina
MEJORAR ?
CAMBIO DE ING.
EMISION DEL
PROCEDIMIENTOS Y PRODUCT JUL. 97 Máquina
CAMBIO
PREVENCION ESPECIFICACIONES O.
DE
REINCIDENCIA REFLEXION DE LAS
LLUVIA DE
ACTIVIDADES Y TODOS ene-98 Reunión
IDEAS
TAREAS FUTURAS
P. Reyes
8 GUOQCSTORY.PPT
300
5. Diagnóstico de la situación actual
Observar de manera exhaustiva la condición real de * Investigar a fondo de manera que se pueda
lo problemático y checar a través de los datos. dar el siguiente paso (análisis).
Investigar la diferencia en las variaciones del * Investigar clasificando por tiempo, proceso, turno
comportamiento de los fenómenos. operador, método de operación, material, lote,
procedimiento, tipo de máquina, clima,
Lo que se busca es confirmar la condición real no temperatura, humedad, operación, estándar
encontrar las ideas de solución.
* De inmediato ver físicamente las cosas en campo, siendo realista, mostrar gráficamente lo investigado de
tal forma que se vean fácilmente las diferencias, problemas, etc. Usar las 7H’s, concluir e iniciar análisis.
EJEMPLO No. 1 PARETO 100%
100
80%
80 60%
60 40%
40
20%
20
0
80% VITALES
20% TRIVIALES
P. Reyes 301
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO
P. Reyes 302
Determinar las causas raíz.
1. Análisis de posibles causas.
2. Relación causa-efecto.
3. Uso de herramientas.
4. Cuantificación de posibles
causas
5. Selección de causas reales.
6. Experimentación y prueba de
hipótesis y causas probables.
7. Determinación de causas reales.
P. Reyes 303
- Identificar las posibles causas verdaderas - En base al conocimiento de la situación actual,
(factores) del análisis de la situación actual identificar las posibles causas verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa) VERIFICAR CADA UNO DE LOS FACTORES
como una alternativa de análisis - Repetir la pregunta "porqué" 4-5 veces
- Buscar la causa(s) real(es) desde los factores. - Ir a piso a verificar físicamente cuantas veces
- Hay casos en que se pueden conseguir los efec- sea necesario, sobre todo observar bien.
tos (resultados) de un análisis al investigar a fon- - Analizar a fondo involucrando al jefe inmediato,
do la situación actual. staff y las áreas relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de solucionar un problema diciendo
excusas. Ejemplo: "Es la primera vez que aparece“, "No tenemos experiencia", etc.
MAQUINARIA MANO DE OBRA

FALTA AIRE FALTA CAPACITACION
BARRA SOPORTE DE RETROALIMENTACION FALTA DE COMPROMISO
PAPEL DESALINEADO
ROLLOS PESADOS LINEA DE
APLICACIÓN DE PAPEL
BOLSA DAÑADA
PAPEL MANUAL MAL CORTE PAPEL
PAPEL FUERA DE MAT. FRESCO
NO SE MIDEN ESPESORES
ESPESOR
POCO ESPESOR NO SE SIGUE EL PROC:
MATERIAL
FLUJO DE PAPEL EN APLICACIÓN DE
LA PARTE SUPERIOR CINTA
DEL MOLDE INCORRECTO
METODO
P. Reyes 304
Cada causa tiene soluciones basadas en:
1. Definición de soluciones.
2. Evaluación de éstas.
3. Definición cuantitativa de mejores.
4. Uso de métodos de Control de

Calidad.
5. Desarrollo de plan de
implementación.
P. Reyes 305
* Eliminar la causa real que se encontró como resul- * Planear las medidas correctivas para cada una
tado del análisis. (no eliminar los fenómenos) de las causas encontradas a través del análisis.
* Recabar todas las ideas de los miembros del gru- * Dividir las medidas correctivas en dos tipos:
po, jefe inmediato y personas relacionadas. 1) Medida contingente provisional
* Pensar medidas físicas, más que personales, pa- 2) Medida correctiva. sobre las causas raíz
ra que la acción correctiva sea estable y sin para prevenir la reincidencia
variación. (poka-yoke)
•Evaluar las ideas de Kaizen. Hacer una evaluación de efectos, factibilidad, economía, grado de tecnología,
operatividad, seguridad, etc. Elaborar propuesta operativa y preparar los recursos requeridos.
EJEMPLO No. 1:
Evaluación
Factibilidad
Prioridad
FECHA
3 PUNTOS
Efecto
LIDER
2 PUNTOS 1. CONTROLAR
1 PUNTO ESPESORES EN MAQ.
5 J Pérez. Junio 97
A. CONTROL DE
ESPESORES
2. VERIFICAR 4 OPERADORES Junio 97
DE PLÁSTICO ESPESORES Junio 97

3 OPERADORES
ANTES DE DE
3. CAMBIAR
LINEA CONSTRUIR
MATERIAL
DE
PAPEL 1. MODIFICACION AL Julio 97
B. MODIFICAR 5
APLICADOR DEL PAPEL J. Pérez
APLICACIÓN
DE PAPEL. Julio 97
2. CAMBIAR ANCHO DE 4 J. Pérez
PAPEL
P. Reyes
14 GUOQCSTORY.PPT
306
P. Reyes
15 GUOQCSTORY.PPT
307
1. Explicación de implementación.
2. Descripción de áreas afectadas.

3. Descripción de obstáculos.
4. Análisis cuantitativo de impacto.
5. Análisis cuantitativo de situación
mejorada vs. situación actual.
6. Medición de efectos secundarios.
7. Uso de herramientas .
P. Reyes 308
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundadarios que puedan afectar al producto o áreas*
Los equipos implantan las acciones correctivas y después poner en práctica las luciones.
* Obtener la aprobación de las áreas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
¿A QUE? - ¿COMO?
NO CUANDO DONDE RESU JUICIO QUIEN
TOPE PROC. DE LTAD
LIMPIEZA O
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
PARA LOS EXISTE POCO L.TORRES

2 JULIO 97 MOLDES DEFECTO
P. Reyes 309
PARA LA LINEA DE PAPEL:
APLICACIÓN
ANTERIOR
DEL PAPEL
CON LA ACCION CORRECTIVA

SE MODIFICÓ LA APLICACIÓN DEL PAPEL,
ASEGURADO CON UN TOPE (POKA YOKE)
EN LA BARRA DE APLICACION
P. Reyes
9. Verificación de soluciones
* Verificar hasta obtener efectos estables ampliando * Hacer análisis comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de aplicar varias medidas
correctivas
"razón de selección del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de KAIZEN respecto al objetivo. confirmar el efecto sobre cada concepto de
(relación humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, área de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen áreas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
Ejemplo 1.
% 2.5
2.33
D 2.19
2.1 2.14
2.22 %D < 1 %
2
E
2
1.9
1.8 1.76
F 1.5
1.7
1.6
1.5
E 1.32
1.4
1.3
1.2
C 1
0.9 0.94
1.1
1
0.99 0.94
0.87
T 0.79
U 0.5
S
311
0
O may-97 jun-97 jul -97 ago-97
P. Reyes
sep-97 oct-97 nov-97 di c-97 ene-98 feb-98 Mzo-98 abr-98
Ejemplo 3.
UMI MICRO V - TIMING BELTS

BENCHMARKING DEFECTUOSO TIMING BELTS
9.5
10
8 6.85
6 3.3 3.27
%
4 2.66
2 0.9
0
MONCKS C. DUMFRIES COREA BRASIL JAPON MEXICO
P. Reyes 312
10. Prevención de la reincidencia –
Estandarización
DISPOSITIVOS A PRUEBA DE ERROR ( Poka - Yokes ).

P. Reyes 313
10. Estandarización
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicación de soluciones en otros

procesos.
5. Uso de métodos de estandarización.

. P. Reyes 314
10. Prevención de la reincidencia
* Hacer estandarización para prevenir la reincidencia * Mantener y controlar los efectos
* Con el fin de mantener y controlar lo estandariza- * Hacer estandarización.
do, establecer sistemas y realizar la revisión de los Equipos
equipos, capacitación y entrenamiento de manera Poka-yoke, dibujos, hoja de especificaciones,
periódica. instructivo de manejo, muestreo de límite.
Mano de obra
Confirmar el resultado de la modificación Capacitación y adiestramiento de habilidad
Comunicar adecuadamente a las áreas técnica en base a la operación
involucradas Calidad: Carta de control de proceso.
EJEMPLO 1:
Por qué Qué Donde Cuándo Quién Cómo
Medidas 5 W 1 H Why What Where When Who How
correctivas
Integrar botador Chequeo Botador En almacén 1 vez cada Turnar Chequeo
1 de electrodo despostilladora de de Htas. 3 días responsable visual
de filos
en martillo electrodo hoja de chequeo
Adopción de Chequeo Base de Proceso Cada Turnar Chequeo
electrodo roscado de daño en electrodo usuario. semana responsable visual
2 rosca inferior hoja de chequeo
Prevención de Prevención Chequeo

Automatización En el 2 veces Turnar
3 sobrecalenta- de sobreca- proceso por día responsable visual
de paro de agua miento lentamiento hoja de chequeo
cada día
Cada vez que se presente un problema, se investiga y se toman medidas correctivas
P. Reyes 315
Ejemplo No. 2
5W
Por Cuán
1H Qué Donde Quién Cómo
Medidas qué do
1
correctiva
What Where When Who How
s
Why
2
CORRECTA CHE
INTEGRAR
APLICACIÓN QUE
TOPE APLICA J.
DE PAPEL. TOPE JULIO O
DOR PEREZ
DE 97 VISU
PAPEL AL
TISSUE
INST.PARA
ELABORAR PARA
APLICAR PROCESO PRO
PROCEDIMIEN ESTANDARIZAR AGOSTO ING. DE
DE PAPEL DEL CEDI-
TO LAS 97 PRODUC
TISSUE USUARIO MIEN
OPERACIONES TO
TO
P. Reyes
11. Reflexiones
Análisis de resultados
1. Comparación cuantitativa.
2.Evaluación cuantitativa de resultados
intangibles.
3. Análisis del impacto económico
4. Presentación de resultados
Conclusiones
1. Evaluación objetiva.
2. Descripción de problemas pendientes.
3. Descripción del plan de acción.
P. Reyes 317
P. Reyes 318
PUNTOS CRITICOS ACTIVIDADES
* Aclarar la diferencia entre la planeación y el resul- * Aclarar los puntos positivos y negativos.
tado. Reflexionar sobre la satisfacción lograda. * Registrar las actividades tomando en cuenta
* Resumir los planes futuros en forma concreta. el efecto físico, QC Story, administración de
* Aprovechar puntos positivos de resultado y apren-grupo, juntas, herramientas, programa,
der de puntos negativos. asignación de funciones, entusiasmo
EJEMPLO:
A) Efecto físico. A
B) Participación. J B
C) Aprovechamiento
del método QC.
D) Trabajo en equipo. I C
E) % Participación en
juntas.
F) Puntualidad H
G) Asignación de D
funciones.
H) Mejora de G
conocimiento.
E
F
I) % de cumplimiento
de programa.
J) No. de juntas. Gráfica de Radar
P. Reyes 319
7.5 Ejemplos
P. Reyes 320
8. Métodos de muestreo
P. Reyes 321
Muestreo aleatorio estadístico
Muestra n
Lote N
P. Reyes 322
Muestreo de aceptación
• Calificación de lotes: sin inspección, insp. 100% y

muestreo
• Ventajas de la aceptación por muestreo:

– Aplicable a pruebas destructivas
– Menor costo de inspección
– Menor tiempo de inspección
– Menor manejo de producto
– Presión al proveedor para mejorar su calidad
• Desventajas de la aceptación por muestreo

– Riesgo de aceptar lotes malos o rechazar buenos
– Poca información sobre el producto o proceso
– Requiere planeación
P. Reyes 323
Tipos de muestreo de aceptación
• Muestreo por atributos

– Muestreo simple
– Muestreo doble
– Muestreo múltiple
• Muestreo por variables

– Calificación por variables (un plan por cada
característica)
– Plan en base a la posición de la media
P. Reyes 324
Formación de lotes y muestreo
• Los lotes deben ser homogéneos es decir haberse

producido bajo las mismas condiciones de
manufactura
• Es mejor inspeccionar lotes grandes que pequeños
• Los lotes deben ser fáciles de manejar tanto con el

cliente como con el proveedor
• Las muestras se deben seleccionar en forma

aleatoria y deben ser representativas de todo el
lote
P. Reyes 325
Muestreo por atributos
P. Reyes 326
Muestreo simple por atributos
• Se define por su tamaño de muestra n y el número de
aceptación c máxima de partes defectivas (N tamaño de
lote)
• Pa es la probabilidad de aceptar un lote con fracción

defectiva p con base en el plan de inspección n-c
Pa
• Pa es
1 la probabilidad acumulada de Poisson (Excel)
0.8 Curva característica de
0.5 Operación dado una
0.3 Tamaño de muestra n
0.1 y un criterio de aceptación c
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 327
n = tamaño.de.muestra
c = criterio.de.aceptacion
d = defectivos.encontrados.en.la.muestra
p = fraccion.defectiva.en.el.lote
c
n!
Pa = P (d  c ) =  p (1 - p )
d n-d
d = 0 d !( n - d )!
Calcular la probabilidad de aceptar un

Lote defectivo con p=0.01, n=89, c=2
P. Reyes 328
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson
a) Determinar la Pa con n=89 y

c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
P. Reyes 329
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribución Hipergeométrica
a) Determinar la Pa con n=50, N = 500

c = 0, 1 y 2
b) Observar que pasa si se anteponen
A las curvas OC tipo B
P. Reyes 330
Diseño de un plan de muestreo
con una curva OC específica
• Si se quiere un plan en el cual p1 = 0.01 y alfa = 0.05,
p2=0.06 y beta = 0.1 se procede como sigue:
• Se localiza en el nomograma la intersección de las líneas

que conectan (p1=0.02, 1-alfa=0.99) y (p2=0.06,
beta=0.1)
• Se localiza la intersección y se determinan n y c del

mismo nomograma
Encontrar el plan de muestreo para
p1 = 0.02, alfa =0.01, p2 =0.06 y
Beta=0.1 P. Reyes 331
Inspección rectificadora
9 lotes son
Entrada de 100 aceptados a pesar
n =200
lotes de cierto de tener un 2%
proveedor con Pa c=1
defectivo:
N=10,000 y
Es decir ingresan
p = 0.02
P=0.02 88,820 piezas OK
AOQ
Y 1800 piezas KO
91 lotes son Total de piezas OK Alm.

rechazados y
seleccionados 998,820
por el Piezas defectivas
proveedor, deja
910,000 piezas 1,800
OK
0.18% AOQ
P. Reyes 332
• Conforme se disminuye c o se aumenta n la probabilidad
de aceptar lotes defectivos se reduce Pa
• AOQ es la calidad de salida promedio después de aplicar

un plan de muestreo a los lotes del proveedor, donde
algunos lotes se aceptan y otros se rechazan para
selección 100%
Fracción AOQ = p*Pa Planta
defectiva
que ingresa 0.3 Almacén
al almacén
o planta 0.25 Fracción
después de defectiva
aplicar el
0.20 AOQL que envía el
plan de 0.15 proveedor
muestreo
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 333
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva AOQ para N grande
a) Determinar la AOQ= p*Pa con

n=89 y c = 0, 1 y 2
para n=50, 100, 200 para c=2
P. Reyes 334
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva ATI para N grande
a) ATI=n + (1-Pa)(N-n) con

n=89 y c = 2
para N=1000, 5000 y 10000 con
n = 89, c=2
P. Reyes 335
ATI 10,000 N=10,000
N=5,000
N=1,000
p
P. Reyes 336
Planes de muestreo doble
• Bajo ciertas circunstancias es necesario tomar una
segunda muestra para tomar una decisión.
Muestras n1 y n2 con criterios de aceptación c1 y
c2 Inspeccionar 1a.
Muestra con n1=50
d1 = # de defectivos Si
Si
d1 > c2 = 3
d1<=c1=1
1< d1 <= 3 Rechazar lote
Aceptar lote Inspeccionar 2a.
Muestra con n2=50
d2 = # de defectivos
Si d1 + d2 Si d1+d2 > c2
<= c2 =3 Con c2 = 3
Aceptar lote Rechazar lote
P. Reyes 337
Curva OC – Muestreo doble
Pa Probabilidad de rechazo
con Primera muestra
Probabilidad de
Aceptación con
Probabilidad de
Muestras combinadas
Aceptación con
Primera muestra
p
P. Reyes 338
Probabilidad de aceptación en el muestreo doble
Pa = PaI + PaII = 0.279 + 0.010 = 0.289

1
50!
P =
I
(0.05) d 1 (1 - 0.05)50- d 1 = 0.279
d 1= 0 d1!(50 - d1)!
a
PaII = PaII (1) + PaII (2) = 0.009 + 0.001 = 0.01

P (1) = P d1 = 2, d 2  1 = P d1 = 2 * P d 2  1 = 0.009
a
II
PaII (2) = P d1 = 3, d 2 = 0 = P d1 = 3 * P d 2 = 0 = 0.001
P. Reyes 339
Probabilidad de rechazo
Pr = P + P
r
I
r
II
2
50!
P = 1- 
I
(0.05) d 1 (1 - 0.05)50-d 1
d 1= 0 d1!(50 - d1)!
r
P = P (1) + P (2)
r
II
r
II
r
II
PrII (1) = P d1 = 2, d 2  1 = P d1 = 2 * 1 - P d 2  1

PrII (2) = P d1 = 3, d 2  1 = P d1 = 3 * P 1 - P d 2 = 0
P. Reyes 340
Curva ASN – Average Sample Number
ASN bajo inspección completa
ASN = n1P1 + (n1 + n2)(1 - P1)

P1 = P lote.aceptado.en. primera.muestra +
P lote.rechazado.en. primera.muestra
P1 = P(d1  1) + P(d1  3)
P(d1  3) = 1 - P(d1  3)
P. Reyes 341
Curva ASN – Average Sample Number
ASN bajo inspección recortada en 2a. Muestra al tener d >c2
c2
ASN = n1 +  P(n1, j )  n2 PL (n2, c2 - j +
j = c1+1
c2 - j + 1
+ PM (n2 + 1, c2 - j + 2) 
p
P(n1, j ) = probabilidad .de. j.defectivos.en.muestra.n1
PL (n2, c 2 - j ) = prob.de.obser var.c2 - j.o.menos.defectivos.en.muestra.n2
PM (n2 + 1, c 2 - j + 2) = prob.de.obser var.c2 - j + 2.defectivos.en.muestra.n2 + 1
P. Reyes 342
Curvas de ASN para diferentes planes de
muestreo: simple, doble y doble recortado
Plan: n1=60, n2=120, c1=2, c2=3
120
ASN
Inspección doble
completa
Inspección
90
simple
Inspección
recortada
60
0.02 0.04 0.06 0.08 0.10 0.12
p
P. Reyes 343
Diseño de planes de muestreo dobles
• Se utilizan tablas especiales para diseñar los planes

de muestreo doble en función de (p1, 1-alfa) y (p2,
beta)
P. Reyes 344
Curva AOQ y ATI – Muestreo doble
Ecuaciones para AOQ y ATI:
 PaI ( N - n1) + PaII ( N - n1 - n2)  * p

AOQ =
N
ATI = n1* PaI + (n1 + n2)* PaII + N (1 - Pa)
P. Reyes 345
Muestreo múltiple
• Es una extensión del muestreo doble, por ejemplo:
• Muestra Aceptar Rechazar

• 20 0 3
• 40 1 4
• 60 3 5
• 80 5 7
• 100 8 9
• Su ventaja es que las muestras requeridas en cada

etapa son más pequeñas que las requeridas en
muestreo simple o doble y se tiene menor costo pero es
más complejo
P. Reyes 346
Muestreo secuencial
P. Reyes 347
Muestreo secuencial
• Se toma una secuencia de muestras de un lote n
dependiendo de los resultados de la inspección
• Para cada punto la X es el número de puntos

seleccionados hasta cierto tiempo y la ordenada el
número de defectivos hallados
No.de 7 Xb
Defectivos 6
5 Rechazar
4 Xa
3
Continuar
2
h2
Aceptar
1
0
-1 10 20 30 40
-2
-h1 P. Reyes 348
Muestreo secuencial
X ACEPTACION = -h1 + sn Curva OC
1-Alfa
X RECHAZO = h2 + sn
h2/(h1+h2)
p 2 (1 - p1 )
k = log
p1 (1 - p 2 )
Beta
 1 - p1 
s = log    k p1 s p2
 1 - p2 
 1-   Calcular ecuaciones
h2 =  log k
   para:
 1-  p1 = 0.01, Alfa = 0.05

h1 =  log   k
   P. Reyes p2 = 0.06, Beta = 0.10 349
Resultados del muestreo
n Xa
secuencial
Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
23 -0.576 2.214 -1 3 46 0.068 2.858 0 3
P. Reyes 350
Fórmulas muestreo secuencial
Número promedio de muestras inspeccionadas
 A B Número de muestras que
ASN = Pa   + (1 - Pa ) inspecciona el cliente
C  C
unicamente
 1-  p   1 - p2
C = p log  2  + (1 - p) log 


A = log B = log
  p1   1 - p1 
1-
Nivel de calidad promedio de salida AOQ = p*Pa

y ATI
Número de muestras que
 A
ATI = Pa   + (1 - Pa ) N inspecciona cliente y el
C  proovedor
P. Reyes 351
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859
P. Reyes 352
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Requiere información de:
– Tamaño del lote N
– Nivel de inspección (especial o normal )

• Se usa inspección especial cuando las
características no son críticas o en pruebas
destructivas. El nivel de default es el II
– Magnitud del AQL (fracción defectiva aceptable en

lotes)
• Es la fracción defectiva que se negocía entre
cliente y proveedor como aceptable en aprox.
Del 91 al 99% de las veces (1 – alfa).
• Alfa es el riesgo del proveedor y beta el del

consumidor P. Reyes 353
105E o ANSI Z1.4
• Contempla tres tipos de muestreo:
– Simple
– Doble
– Múltiple
• En cada uno de los tipos se prevén los planes de inspección:

– Inspección normal
– Inspección reducida
– Inspección estricta
P. Reyes 354
105E o ANSI Z1.4
• Iniciando con Inspección normal, proporciona información
de:
– Tamaño de muestra n
– Criterio de aceptación Aceptar con
– Criterio de rechazo Rechazar con
• Contempla cambiar de Insp. Normal a Estricta si:

– Se rechazan 2 de 5 lotes consectivos
– Regresa a la Normal si se aceptan 5 lotes consecutivos
• Contempla cambiar a Insp. Reducida si:

– Se han aceptado 10 lotes consecutivos
– Regresa a Normal si se rechaza un lote
P. Reyes 355
105E o ANSI Z1.4
• Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspección II
– La tabla I indica letra código K
– La tabla II-A para inspección normal indica el plan

de muestreo n = 125, Aceptar = 2, Rechazar = 3
– La tabla II—B para inspección estricta indica el plan

– La tabla II—C para inspección reducida indica el plan

P. Reyes 356
105E o ANSI Z1.4
• Buscar los planes equivalentes en curva CO para
muestreo doble y múltiple
• Las tablas solo incluyen algunos valores de n que se

incrementan conforme al lote es mayor, sin embargo la
razón de N/n disminuye rápidamente dando economía de
inspección
• Las flechas ascendentes y descendentes indican cambio

de letra y plan (n-c) dentro del mismo plan de inspección
Ejercicios
P. Reyes 357
Planes de muestreo Dodge - Romig
• Planes para protección en LTPD (lot tolerant percent

defective), o fracción defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) – para componentes
críticos
• Es necesario conocer el LTPD y la fracción defectiva

promedio del proceso p y el tamaño de lote N
• La p puede obtenerse de una carta p histórica con 25

lotes promediando los valores pi de las muestras
tomadas
• Ejemplo: Si N = 5000, p = 0.25% de no conformes y

LTPD de 1%. Se obtiene de la tabla de LTPD
• n = 770 y c = 4
P. Reyes 358
Planes de muestreo Dodge - Romig
• Planes para protección en AOQL (average outgoing quality

limit) o máxima fracción defectiva que se desea ingresar a la
empresa después de aplicar un plan de muestreo
• Asumiendo N = 5000, AOQL = 3% y fracción defectiva del

proveedor en sus lotes del 1%, se obtiene de la tabla:
n = 65 c = 3 LTPD = 10.3% (punto donde Pa=0.1)
• Asumiendo que al 1% de fracción defectiva, se acepta el 99%

de las veces (AQL), entonces el ATI es:
ATI = n + (1-Pa)(N-n) = 65+(0.01)(5000-65) = 114.35
P. Reyes 359
Muestreo por variables
P. Reyes 360
Muestreo por variables
• El parámetro de interés debe seguir una distribución

normal
• Una ventaja es que el tamaño de muestra es más

pequeño que en su equivalente por atributos
• Una desventaja es que se requiere un plan por cada

característica, el de atributos considera varias a la
vez
• Para diseñar planes de muestreo por variables se

utiliza un Nomograma como en el caso de atributos
P. Reyes 361
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
• Se define por su tamaño de muestra n y el número de aceptación
k distancia mínima de la media de la muestra al límite de
especificación LIE o LSE.
• Se toma una muestra y se evalúa la característica obteniendo un

valor de MEDIA y de DESVIACIÓN ESTANDAR, con estos datos se
determina Z y se compara con el valor mínimo de K. El lote se
acepta si |Z| >= k es lo minimo que puede valer Z, porque en el
momento mas pequeño es mas se acerca al limite de aceptación
LIE Posición de la media en
Conforme se Z Relación con el límite de
Recorre a la derecha
la fracción defectiva Especificación inferior LIE
disminuye
Z = (LIE-Xm)/s
1.05 1.1 1.15 1.2 1.25 1.3 Dimensión X
P. Reyes 362
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
Pa es la probabilidad de aceptar un lote con fracción

defectiva p con base en el plan de inspección n-k
Pa
1 Curva característica de
0.3 y un criterio de aceptación k
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 363
Determinación de la fracción
defectiva en la muestra por el Método II
Pasos:
1.Se toma una muestra de tamaño n
2. Se mide la característica de interés
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en función de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal
LIE X LSE
Aceptar el lote
Si P(Qtot) <= M
Qi Qs
s
P(Qi) P(Qs)
P. Reyes 364
Fórmulas
Q=Z n
(n - 1)
X - LIE
QLIE = n /( n - 1)

LSE - X
QLSE = n /( n - 1)

Buscar en tabla P(Q) para una n

P. Reyes 365
Muestreo simple por variables –
Método II de M = fracc. Def. máx.
• Se define por su tamaño de muestra n y el número
de aceptación M máxima fracción defectiva
aceptable en la muestra
• Pa es la probabilidad de aceptar un lote con

fracción defectiva p con base en el plan de
Pa
inspección n-M
1 Curva característica de
0.3 y un criterio de aceptación M
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 366
Tablas de muestreo ASQC-Z1.9
• Requiere información de (por cada característica variable):
• Tamaño del lote
• Nivel de inspección (especial o normal – Default II)
• Magnitud del AQL (fracción defectiva aceptable en lotes)
• Contempla dos tipos de muestreo:

• Método I utilizando el valor de K
• Método II utilizando el valor de M
• En cada uno de los tipos se prevén los planes de inspección:

• Inspección normal
• Inspección reducida
• Inspección estricta
P. Reyes 367
• Iniciando con Inspección normal, proporciona información
de:
• Tamaño de muestra n
• Criterio de aceptación K (máx) o M (mín)
• Contempla cambiar de Insp. Normal a Estricta si:

• Se rechazan 2 de 5 lotes consectivos
• Regresa a la Normal si se aceptan 5 lotes consecutivos
• Contempla cambiar a Insp. Reducida si:

• Se han aceptado 10 lotes consecutivos
• Regresa a Normal si se rechaza un lote
P. Reyes 368
Tablas de muestreo ANSI Z1.9
• Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de inspección
II
• La tabla I indica letra código K
• La tabla II-A para inspección normal indica el plan de

muestreo n = 125, Aceptar = 2, Rechazar = 3
• La tabla II—B para inspección estricta indica el plan de

• La tabla II—C para inspección reducida indica el plan de

P. Reyes 369
Método I con el valor de K
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II teniendo
un Límite Superior de especificaciones LSE = 209
• La tabla A-2 indica letra código D
• La tabla B-1 para inspección normal indica el plan de

muestreo n = 5, Criterio de aceptación K = 1.52
• Se toma una muestra de 5 mediciones (197, 188, 184, 205

y 201)
• Calculando la media de la muestra es X = 195 y la desv.

Estándar s = 8.81, por tanto Z = 1.59
• Conclusión: Como Z es mayor que K, se acepta el lote

P. Reyes 370
Método II con el valor de M
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II teniendo
Límite Superior de Especificaciones LIE = 180, LSE = 209
• La tabla A-2 indica letra código D
• La tabla B-3 para inspección normal indica el plan de muestreo

n = 5, Criterio de aceptación M = 3.33%
• Se toma una muestra de 5 mediciones (197, 188, 184, 205 y

201)
• Calculando la media de la muestra es X = 195 y la desv.

Estandar s = 8.81, por tanto s = 1.59, Zi = 1.7
• P(Zi) = 0.66%, P(Zs) = 2.19%, P(Zt) = 2.85%

• Conclusión: Como P(Zt) es menor que M, se acepta el lote
P. Reyes 371
Plan de muestreo para
asegurar la media del lote
• Si deseamos aceptar lotes con una probabilidad Pa
siempre que tengan una media máxima Xmedia
histórica y que deseamos rechazar los lotes el 90%
de las veces si llegan con una fracción defectiva p
X A - 0.30 X A - 0.30
= = +1.645 - -(95%)
 0.10
n n
X A - 0.40
= -1.282 - -(10%)
0.10
n
n=9
X A = 0.356
P. Reyes 372

Manual de Control Estadistico de Procesos

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Manual de Control Estadistico de Procesos

Caricato da

Copyright:

Formati disponibili

CONTROL ESTADÍSTICO

Dr. Primitivo Reyes A.

OBJETIVOS: Al finalizar el curso, el participante será capaz

1. Comprender los conceptos estadísticos para implantar

2. Evaluar la capacidad de un proceso y de los equipos

3. Realizar proyectos de mejoramiento de la calidad.

3. Cartas de control por variables

5. Cartas de control especiales

7. Métodos para el proceso de mejora

8. Métodos de muestreo por atributos

• La calidad es adecuación al uso e inversamente

• La mejora de la calidad se logra a través de la

Variables: Medibles, temp., voltaje

• PRODUCTO DEFECTIVO: No cumple una o

• DEFECTO: Carácterística específica de un

• CARACTERISTICAS DEL PRODUCTO

• ADAM SMITH (División del trabajo): 1 persona = 200

• FEDERICK W. TAYLOR: Administración Científica, ciencia

• FRANK / LILLIAN GILBERTH: Afinan los movimientos,

• FORDISMO: Líneas de porducción masiva, los

• 1926: HAROLD F. DODGE Y HARRY G. ROMIG,

• Durante la 2a. Guerra Mundial se expande el uso del

• La aplicación de las técnicas estadísticas ha

• 1950’s: EDWARD DEMING / JOSEPH JURAN:

• 1950’s: KAOURU ISHIKAWA: Es un seguidor de

• Los japoneses implantaron el CEP y lograron

• En México el programa Ford ITESM de los 1990’s

• Control de calidad por inspección: Con la división del

• Control estadístico del proceso: Shewhart, Deming, Juran.

• Aseguramiento de calidad (ISO 9000): Sistemas aislados

• Métodos de inspección sucesiva: Detectan los

• Métodos de auto inspección: Detecta los resultados de

• A prueba de error (Poka Yokes): Hacer que sea difícil,

Evitar: AQLs, concesiones, desviaciones, inspecciones al

Separa “buenos” Ni asegura

Auditoría Proc. Investigación Convive con los

Control Estadístico Ayuda a estabilizar Mejora pero

En la Fuente EVITA EL ERROR IMPIDE DEFECTOS

• Feigenbaum (Control de calidad total)

• Deming (mejora continua, CEP, conocimiento profundo)

• Juran (Trilogia de la calidad – Plan, mejoramiento y control)

• Crosby (Costo de la calidad)

Formatos Vacios 4. Formatos

MODELOS – Creación de valor a las partes interesadas

El CEP debe ser parte de un programa mayor de calidad

Por ejemplo, sí deseamos saber el promedio de peso de las

Pesar a todas y cada una de las personas, anotar y organizar los

Pesar solo una porción o subconjunto de la población (muestra).

Muestra: Es una parte o subconjunto representativo de la

Variable aleatoria: es una función o regla que asigna uno y

Distribución: Es la forma del patrón de variación observado.

Normalmente es una variable aleatoria y tiene asociada una distribución.

Parámetro: Es el valor verdadero en una población (media, desviación

Datos continuos Los datos que tienen un valor real (temperatura,

Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)

Datos por atributos: Bueno - malo, pasa - no pasa, etc.

Una tabla de frecuencias lista los valores y su frecuencia:

VALOR FREC. VALOR FREC.

En un proceso estable las mediciones se distribuyen normalmente, a la derecha

•La variabilidad del proceso se representa por el ancho del histograma, se

POSICIÓN AMPLITUD FORMA

… O TENER CUALQUIER COMBINACION

Media - Promedio numérico o centro de

S (FiXi2 )- [S(FiXi)]2/n S (xi - x)2

Xi Fi X2i FiXi FiX2i