3 Cartas de Control&Cap

Predictibilidad de Procesos
Datos Individuales
Av. Providencia N° 545, Of. 15, Providencia, Santiago - CHILE, Teléfonos: (56-2) 2797 9400 Fax: (56-2) 2797 9409
Internet: www.quality.cl E-mail: college@quality.cl
Objetivos
Después de completar este módulo, usted será capaz de:

 Usar una tabla para seleccionar el tipo de gráfico de control,
que se usa tradicionalmente en situaciones típicas.
 Entender porque los gráficos de control tradicionales,
pueden llevar a tomar decisiones equivocadas y del mismo
modo, entender los beneficios de un plan de sub-
agrupamiento /muestreo infrecuente para gráficos de control
de alto nivel.
 Entender la predictibilidad de procesos de datos individuales
continuos
© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 2
Smarter Solutions, Inc.

© Smarter Solutions, Inc. 10(Part 1) - 1 Austin, Texas
Objetivos (cont.)
 Determinar la métrica Capacidad/Desempeño del Proceso

para una variedad de situaciones
 Datos individuales normalmente distribuidos.
 Datos distribuidos no normales
 Entender el por qué las métricas tradicionales de capacidad
y de desempeño del proceso Cp, Cpk, Pp, y Ppk, pueden
ser engañosas.
 Entender los beneficios de informar una tasa de ppm tanto
en respuestas de datos continuos como de atributos
Revisión
 En 1920 el Dr. Shewhart, de Bell Laboratories, desarrolló la teoría que

hay dos componentes de la variación.
 La Componente Constante (aleatoria o causa común de variación).
 La variación intermitente, debido a causas asignable s o especiales.
 Mejoramiento.
 Las causas asignables, pueden removerse con un programa de
diagnóstico efectivo.
 Las causas aleatorias, no pueden removerse sin efectuar cambios
sustanciales en el proceso.
 Al Dr. Shewhart se le reconoce por el desarrollo de la carta de control
estándar, basada en los límites de las 3 desviaciones estándar de la
distribución de la muestra, para separar las componentes comunes de
las causas asignables.
 Las cartas de control de Shewhart, se comenzaron a usar ampliamente en
los años 1940, debido a los esfuerzos de producción para la guerra.

Carta de Control Típica
Variabilidad “ENTRE”
Los Límites de Control

enmarcan las causas
comunes de variabilidad o
variabilidad natural
esperada de los datos
+/- 3σ
Causas especiales o
asignables – “rompen la
variabilidad natural del
proceso”
Variabilidad “DENTRO”
Revisión
 Notas de Deming
 “Una falla que se ve con frecuencia en la interpretación de las observaciones, es
suponer que cada evento (defecto, error o accidente) es atribuible a alguien
(normalmente el que está más a mano), o que se relaciona con un evento
especial”.
 “Debemos referirnos a las fallas de sistema, como causas comunes de problemas
y a las fallas o eventos ocasionales como causas especiales”
 “La confusión entre causas comunes y causas especiales, lleva a muchos a la
frustración, produciendo gran variabilidad y mayores costos, exactamente el
sentido opuesto a lo que se necesita”.
 “Yo debo estimar que de acuerdo a mi experiencia, la mayoría de los problemas y
las mejores posibilidades de mejoramiento, se comparten en proporciones como
las siguientes: 94% pertenecen al sistema (que son de responsabilidad
Gerencial) y sólo el 6% se debe a causas especiales”.

Revisión
 Eventos que pueden considerarse como Causas Especiales

de variación
 Edwards Deming: un evento inusual externo al sistema
 Walter Shewhart: una causa asignable que pudo ser interna o externa
al sistema
 Esta Filosofía afecta la forma en que se le puede hacer
seguimiento al proceso
 Ejemplo: Existe un key process input variable (KPIV) que afecta el
output de su proceso. Puede que usted no conozca el qué o el cómo
este KPIV afecta su proceso. Podría ser un nuevos lotes de materia
prima que el proceso recibe diariamente o que el volumen de
llamados en un call center es diferente en cada día de la semana.
Revisión
 Pregunta: ¿Se puede considerar estos KPIVs (materia prima o día de

la semana) como causas especiales?
 Deming diría que esos KPIVs son causas comunes
 Shewart las consideraría causas especiales, dado que esas variables
son asignables
 La estrategia a nivel de 30.000-pies, está en línea con la filosofía de
Deming
 Reference: Control Charting at the 30,000-Foot-Level, Forrest
Breyfogle, Quality Progress, November 2003, p. 67-70 (homework
reading assignment)

Seguimiento del Proceso
Y = F(x)
KPOV
Pueden usarse para evitar que las causas
comunes, sean tratadas como si fueran
Y causas asignables o especiales (es decir,
reducir “apaga incendios”).
Se pueden usar gráficos de control al final del proceso KPOV

(Nivel de 30.000 pies) o a su inicio KPIV (Nivel de 50pies)
KPIV
Pueden usarse para identificar causas

especiales y corregirlas oportunamente.
x

¿Un muestreo de Gráfico de control, producirá las
mismas conclusiones acerca del proceso?
 Propósito de un sistema de Carta de control.

 Separar las causas especiales de las causas comunes.
 ¿Cree usted que es posible el siguiente escenario?
 Una estrategia de gráficos de control que indique que el sistema está
fuera de control.
 Otra persona organiza una estrategia de gráficos de control distinta e
indica que el sistema está bajo de control
 Sí
 Diferentes planes de muestreo y cartas de control, entregan una
información de variación de un modo diferente.
 Una carta de control mal concebida, puede incitar a actividades
de “apaga incendios”, en circunstancias que la variación es una
causa común.
10

 Los planes de muestreo pueden hacer la diferencia - Considere dos

opciones:
 Cinco muestras tomadas consecutivamente.
 Una muestra diaria.
 La variabilidad de los datos (no especificaciones), son las que crean
los límites de control.
 Considere si esperaría la misma variabilidad en la situación de arriba.
 Respuesta: No; se esperaría que la variabilidad dentro de un día, sea menor que
entre días.
 Con un plan de “Cinco muestras consecutivas” podríamos estar:
 Apagando un incendio un día.
 Recobrando el aliento y relajados el día siguiente, porque (por suerte) el proceso
aparenta estar mejor.
 Apagando incendios de nuevo, un par de días después de nuestro “arreglo”.
11

KPOV (Y)
 El muestreo diario de una pieza, podría no indicar una condición fuera de control;
sin embargo, esto no significa que no hay problemas – por ejemplo, el 10% del
producto no es satisfactorio.
 Cuando una causa común es extremadamente relevante, la razón de no
conformidades se traduce a términos monetarios y de satisfacción del cliente y en ese
caso, todos entienden el impacto.
 Entonces un equipo puede atacar el problema, coleccionando datos que den más
conocimiento sobre las razones que puedan estar causando el problema.
 Muchas ideas se pueden mencionar en una lluvia de ideas – una sugerencia de esta
sesión podría ser materia prima.
 Más análisis podrían indicar que la materia prima es un “problema de sistema”.
 Una medida rápida para este problema de sistema, podría ser inspeccionar la materia
prima.
 Una medida de más largo plazo, podría ser conducir un DOE para robustecer el
proceso, respecto de la variabilidad de la materia prima.
Usar gráficos de control con otras

herramientas
12

Muestreo y Sub-agrupación
Racional
 Consideraciones de sub-agrupación racional.

 Metodologías de sub-agrupación diferentes, pueden afectar
dramáticamente los límites del Gráfico de Control.
 En los gráficos XmR los límites de control se calculan en base a la
variabilidad global de las muestras
 Da una visión de la variabilidad del proceso a largo plazo
 Es un reflejo de la variabilidad que ve el cliente a lo largo del tiempo
 En los gráficos Xbar-R los límites de control se calculan sólo en
base a la variabilidad dentro del subgrupo
 Da una visión de corto plazo de la variabilidad del proceso
Las sub-agrupaciones pueden afectar los resultados

dramáticamente.
13
Muestreo y Sub-agrupación
Racional LSS
 Nivel Satelital: Se usa para describir una métrica de negocios, de muy alto
nivel, que tiene un sub-agrupamiento/muestreo infrecuente, de modo tal que
las variaciones de corto plazo, que pueden ser causadas por KPIVs, tendrán
como resultado gráficos que ven estas perturbaciones como causas comunes.
 Nivel de 30.000-pies: Una respuesta de una variable Six Sigma KPOV, CTQ,
o Y, que se usa en LSS para describir una métrica de operación o proyecto de
alto nivel, que tiene un sub-agrupamiento/muestreo infrecuente, de modo tal
que las variaciones de corto plazo, que pueden ser causadas por KPIVs
tendrán como resultado gráficos que ven estas perturbaciones como causas
comunes. Un gráfico XmR a nivel de 30,000 pies, puede reducir la cantidad de
“apaga incendios” en una organización, si es que usa estas métricas para sus
informes operacionales.
 Nivel de 50- pies: Una métrica de bajo nivel de un KPIV; p.e., la temperatura
del proceso cuando se fabrican piezas plásticas. Este tipo de gráficos de
control implican muestreo frecuente, dado que las causas especiales
necesitan una identificación oportuna para que, de ese modo, los problemas
se puedan resolver rápidamente y sin amenazar la calidad o la oportunidad de
los despachos de los productos o servicios.
14

Gráficos de Control de Procesos
estadísticos
 Los gráficos de control Shewhart monitorean los procesos, graficando los

datos contra tiempo en la siguiente forma, donde los límites son típicamente
+/- 3 desviaciones estándar, de la distribución del muestreo.
Parámetro del Proceso
Límite de control superior (UCL)
Línea central (CL)
Límite de control inferior (LCL)
Períodos de tiempo
 Gráfico de variables: X-bar & R, XmR; X-bar & s ¿Son los límites una función de
 Gráficos de atributo: p, np, c, u las especificaciones?
15
Interpretación de Patrones de los

Gráficos de Control
 Cuando un proceso está bajo control, debería exhibir

“características naturales” como si fuesen datos al azar.
 Patrones no-naturales significa la ausencia de una o más de
las características.
16

 Se definen las siguientes zonas en un Gráfico de control:

Parámetros de Procesos
Límite de Control Superior (UCL)

Zona A
Zona B
Zona C
Línea de Centro (CL)
Zona C
Zona B
Zona A
Límite de Control Inferior (LCL)
Tiempo
17

 Existen múltiples pruebas posibles (programas estadísticos

ofrecen opciones) --- Un juego de pruebas es:
 Un punto más allá de la zona A.
 Dos de tres puntos en la zona A o más allá.
 Cuatro o Cinco puntos en la zona B o más allá.
 Ocho puntos en la zona C o más allá.
 Los ejercicios de Lloyd Nelson previenen en contra de correr
una batería grande de pruebas, debido a las falsas alarmas.
 Él prefiere usar como criterio, sólo 9 puntos consecutivos en el
mismo lado de la línea de centro.
18

Interpretación de las opciones de
los Gráficos de Control
 Minitab lista estas opciones bajo el botón “tests”.
 Cuando se violan las reglas, aparecen pequeños números muy
próximos a los puntos violados. Estos números se refieren a la
lista secuencial de reglas, que se indica más abajo.
Se verá más tarde que esta

pantalla se puede seleccionar
bajo “options” en el menú de
las cartas de control
19
Defecto versus Defectuoso
 Defecto: Una no conformidad o una falta de cumplimiento

de una característica de la calidad respecto de su nivel
pretendido o estado.
 Defectuoso: Un ítem no conforme, que contiene al menos

un defecto o tiene una combinación de varias
imperfecciones que ocasiona que ese ítem no cumpla los
requisitos que se pretenden
Describa ocurrencias de defectos y

defectuosos en su ambiente de trabajo
20

Opciones Tradicionales del Gráfico
de Control
Se muestran Gráficos Tradicionales para diversas

aplicaciones. También se discuten aplicaciones alternativas.
Nomenclatura: Los datos variables

n = número en la muestra del
Construir Gráficos de
Control Básicos suelen llamarse datos continuos y los
subgrupo datos de atributos, datos discretos.
Variables Atributos Defectos
Gráfico ¿Variables Defectos o
Si n=1 o Atributos ? defectuosos Área de oportunidad No
XmR
constante
Defectuosos
No
Si
2< = n < = 9
n < 10 Tamaño de Muestra
No Constante y Rastreo
del total de Si
No defectuosos
Gráficos Gráficos Gráfico np Gráfico c Gráfico u

Gráfico p
x-bar - R x-bar - S
21
Opciones de Gráficos de Control
 Un Gráfico con valores individuales, se conoce normalmente

como Gráfico I o Gráfico X.
 Un Gráfico de rango móvil acompaña frecuentemente a estos gráficos;
de aquí, la designación Gráfico I-MR o XmR.
 Usaremos la nomenclatura XmR, pero Minitab usa I-MR.
 El criterio de gráficos X-bar y R, consideran tamaños de
muestras mayores que uno, dentro de los grupos muestreados.
 Para algunas situaciones, como un proceso de un lote de químicos, sólo
se puede alcanzar un tamaño de muestra de uno.
 Mediciones individuales de este tipo, se pueden monitorear usando
Gráfico X.
 Para otras situaciones, se puede escoger qué tipo de Gráfico usar.
22

Opciones de Gráficos de Control
 Gráficos individuales (XmR o I-MR)

 Los límites de control se calculan en base a la variabilidad entre las
muestras.
 Da una mejor idea de la variabilidad del desempeño del proceso a largo
plazo
 X-bar Charts
 Los límites de control se calculan en base a la variabilidad que existe
dentro de las muestras (subgrupo)
 Puede ser confuso para el desempeño de los procesos en el largo plazo
Preferimos el uso de gráficos de control individuales
23
Gráfico XmR: Mediciones Individuales
 Para un Gráfico de mediciones individuales, el promedio del

proceso es simplemente la media de los n puntos de datos,
el cual es:
 Frecuentemente se usan valores adyacentes para

determinar el rango móvil.
 Sin embargo, uno puede usar una duración más larga cuando se
hace este cálculo.
 Las constantes se deberán ajustar acorde al problema.
24

Gráfico XmR: Mediciones Individuales
 Los rangos móviles (MR’s), cuando se usan valores

adyacentes, se determinan de los datos usando las
ecuaciones.
 El promedio de rango móvil, es el valor promedio MR para

los n valores descritos por:
25
Ejemplo 10.3: Gráfico XmR
 Considere las mediciones de muestras de viscosidad, tomadas sobre

tiempo.
 Juego de datos Minitab: “Cap 10, ejem 10-03, xmr chart.MTW”
 Primero creemos un Gráfico de corrida (run chart).
Grupo Viscosidad
Grupo Viscosidad 10 74.3
1 70.1 11 72.9
2 75.2 12 72.5
3 74.4 13 74.6
4 72.07 14 75.43
5 74.7 15 75.3
6 73.8 16 78.17
7 72.77 17 76
8 78.17 18 73.5
9 70.77 19 74.27
10 74.3 20 75.05
26

Cap 10, ejem 10-03, xmr chart.MTW
Graph>Time Series Plot
Mostraremos un gráfico en serie de

tiempo y luego un gráfico de
control de individuales
27
 ¿Considera que este Gráfico de serie de tiempo es insatisfactorio?

 Respuesta: Uno pudiera pensar que la respuesta de variabilidad es
muy grande, sin embargo no podemos hacer una evaluación sólo con
este Gráfico.
 Necesitamos determinar si la respuesta está bajo control.
 Luego deberíamos evaluar el nivel de respuesta relativo a límites de
especificación.
28

Grupo Viscosidad Rango móvil

 Creemos ahora el Gráfico de control en 1 70.10
2 75.20 5.10
Minitab. 3 74.40 0.80
4 72.07 2.33
 Juego de datos Minitab: “Cap 10, ejem 10-03, 5 74.70 2.63
xmr chart.MTW” 6
7
73.80
72.77
0.90
1.03
8 78.17 5.40
9 70.77 7.40
10 74.30 3.53
11 72.90 1.40
12 72.50 0.40
13 74.60 2.10
14 75.43 0.83
15 75.30 0.13
16 78.17 2.87
17 76.00 2.17
18 73.50 2.50
19 74.27 0.77
20 75.05 0.73
media 74.197 2.264
29

Cap 10, ejem 10-03, xmr chart.MTW
Stat>Control Charts>Variables Charts for Individuals>I-MR
Para el Gráfico de control

de mediciones
individuales, Minitab
utiliza la nomenclatura “I”
en lugar de “X”.
30

Límites de control de
valor individual, son los
mismos que se
calcularon manualmente
Una gran variación en

los valores individuales,
causan una respuesta
grande en el valor del
rango en el Gráfico MR
 ¿Cómo se calcula el rango móvil y cuáles son sus implicancias?

 Respuesta: Normalmente se calcula como la diferencia
entre dos puntos de observación adyacentes:
 Por esto es que hay redundancia entre gráficos.
 De aquí que algunas personas prefieran usar sólo el Gráfico X.
31
Ejercicio 10.4: Gráfico XmR
 Usando un Gráfico XmR, determine si el proceso del cual se

recolectaron los datos de serie de tiempo ,está bajo control.
 Juego de datos Minitab: Cap 10, ejer 10-04, xmr chart.MTW”
3.40, 8.57, 2.42, 5.59, 9.92, 4.63, 7.48, 8.55, 6.10, 6.42, 4.46, 7.02,
5.86, 4.80, 9.60, 5.92
32

Stat>Control Charts>Variables Charts for Individuals>I-MR
i
33
El proceso está
bajo control
i
34

Importancia de las Métricas
Capacidad/Desempeño de los Procesos
 Usted necesita entender las complicaciones de los cálculos de

capacidad (capability) y así, poder tomar decisiones respecto
de la mejor métrica.
 Más preguntas claves:
 ¿Sus mediciones son capaces (capable)?
 ¿Su proceso está en control?
 ¿Cómo se recolectan las muestras?
 ¿Cuántos datos se usan para estimar la capacidad (capability)?
No motivamos el uso de los índices de capacidad. Los incluimos

en este material para su entendimiento o para el caso que un
cliente lo tenga como requisito en su negocio
35
Importancia de las Métricas

Capacidad/Desempeño de los Procesos
 Los cálculos de Capacidad/Desempeño, dependen de cómo

se calcule la desviación estándar (cálculo corto plazo(ST) o
largo plazo (LT)
 Es normal que se intente usar los cálculos de Capacidad/
Desempeño traducido a tasa de defectuosos.
 Por qué no preguntarse por la tasa de defectos, media del
proceso y cómo se esparcen (spread)
 Las suposiciones respecto de las mediciones de
Capacidad/Desempeño, dependen de la normalidad.
ST= short term (corto plazo)

LT = long term (largo plazo)
36

Revisión
 Se llevan a cabo estudios de la capacidad/desempeño del

proceso para estimar el comportamiento de un proceso, en
relación con los criterios de especificación.
 Una manera de ver esta situación es:
Sin secuencia Con secuencia de
de tiempo Tiempo de los Datos
de los Datos
Mediciones de la Capacidad del Proceso, pueden describir qué tan bien una
respuesta se esta desempeñando, en relación a las necesidades de los clientes o
a sus límites de especificación.
37
Revisión
 Los estudios de capacidad/desempeño del proceso, evalúan

un proceso en relación con los criterios de especificación.
 Los Estadísticos comúnmente tienen dudas respecto de qué tan
bien los índices de capacidad que se usan, sirven para eso.
 Los clientes piden normalmente estos índices cuando se comunican
con sus proveedores.
 Los clientes también pueden poner metas de capacidad/desempeño
del proceso y luego, preguntar a sus proveedores si se están
cumpliendo estas metas.
Por favor comparta experiencias con

índices de capacidad del proceso.
38

Revisión
 Cp compara cómo se esparcen nuestros datos, con el

ancho de los límites de especificación.
Ancho de los límites de
especificación
Variabilidad del
proceso
39
Revisión
 Los cálculos para el Cpk se hacen en relación al límite de

especificación más cercano (línea LSL con deriva a la izquierda).
40

Revisión
 Considere cómo se debería

determinar la desviación
estándar de un proceso para
poder estimar un valor del
índice de capacidad del
proceso.
 Hay diferencias de opinión
sobre cómo debe
determinarse e informarse la
capacidad del proceso.
 La interrogante es:
¿Debiéramos enfocarnos a?:
 Variabilidad en general o
 Variabilidad dentro de un
subgrupo “Promediando”
dentro de la
desviación estándarCartas de Control : 10 (Part 1) - 41
© 2008 Derechos Reservados Quality College
41
Revisión
Ésto
 Pp y Ppk se representa el
desempeño
calculan usando del proceso
todos los datos
Variaciones entre
grupos pueden ser
materias primas,
 Cp y Cpk se equipos, turnos.
calculan En el Capítulo 11
eliminando la se discute la
confusión y las
variación entre inconsistencias
grupos en el uso de
estas métricas
Esta sería la razón para que su proceso fuera capaz, si
es que no hubiera variación entre grupos.
42

Revisión
 Las ecuaciones de capacidad del proceso son sencillas,

pero sensibles al dato de entrada de la desviación estándar.
 Desafortunadamente, pueden haber diferentes opiniones en cómo
determinar la desviación estándar en una situación dada.
 Las ecuaciones descritas son para datos distribuidos
normalmente.
 Los programas computacionales, pueden manejar situaciones
donde los datos no estén distribuidos normalmente.
 Se debe verificar la normalidad antes de aplicar estas ecuaciones
¿Alguna idea adicional de cómo se debe

calcular la desviación estándar?
43
Calculando la Desviación Estándar
El enfoque usando muestreo o sub agrupamiento

infrecuente utiliza sólo el método 1
Moviendo
la mediana
ref
44

Revisión
 Para un proceso dado, la métrica capacidad o desempeño de

procesos es una función de cómo “alguien” obtiene las
muestras desde el proceso.
 Esto es un poco escalofriante; es decir dos personas que muestrean el
mismo proceso, pueden llevar a cálculos muy diferentes de los índices
de capacidad del proceso
 Esto trae mucha confusión al momento de informar los índices
de capacidad o desempeño de procesos
 Por esto, desalentamos el uso de éstos índices
 Una descripción de lo que podemos esperar desde un proceso,
se llama métrica e capacidad o desempeño del proceso
45
Ejercicio 10.4: Capacidad
 En el proceso del ejercicio 10.4 los límites de especificación

son respectivamente 4 y 10
 Juego de datos Minitab: Cap 10, ejer 10-04, xmr chart.MTW”
3.40, 8.57, 2.42, 5.59, 9.92, 4.63, 7.48, 8.55, 6.10, 6.42, 4.46, 7.02,
5.86, 4.80, 9.60, 5.92
46

Stat>Quality Tools>Capability Analysis>Normal
47

Stat>Quality Tools>Capability Analysis>Normal
48

18,4 % del producto

está fuera de
especificación
49
Gráfica>Gráfica de Probabilidad
50

14,2 + 4,2 = 18,4 %
18,4 % del producto

está fuera de
especificación, sin
problemas de corto o
largo plazo
51
Ejercicio 10.4
Sentencia de Predictibilidad
Proceso es predecible con una media de 6,3 y el 18,4 %

del producto está fuera de especificación
52

53
Métrica 1b de Cadena de Valor - Ejemplo
Sentencia de Predictibilidad para Métrica de

Promedio Mensual de MP en MUS$
Proceso es predecible con una media de 28,24 [MUS$] y

el 38,7 % está fuera del Budget definido para el 2012
54

Métrica de Capacidad/Desempeño del
Proceso, cuando No Existen Especificaciones
 Los requerimientos de especificación, son necesarios para

determinar Cp , Cpk , Pp , Ppk
 Algunas veces la salida de un proceso no tiene especificación.
 Esto es frecuente en negocios, administración o procesos de servicios.
 Ejemplos incluyen tiempo de ciclo y costos.
 Algunas organizaciones usan las metas como una especificación, sin
embargo, ocasionalmente los resultados pueden ser engañosos.
 Un enfoque útil, es describir la respuesta total, como un
porcentaje esperado de ocurrencias.
 Para ilustrar ese enfoque, considere lo siguiente:
55

 Los estudios de capacidad/desempeño del proceso se hacen para

evaluar un proceso con respecto a un criterio de especificación.
 Una manera de ver la situación es: Rango esperado
de 80%
No son límites de
especificación
Sin Secuencia de Con Secuencia de
Tiempo de datos Tiempo de datos
En vez de calcular los índices de capacidad del proceso, describa la

variabilidad del proceso y el porcentaje de ocurrencia (eje., 80%)
56

 Una gráfica de probabilidad normal, puede permitir

estimaciones de la proporción de población con datos
limitados.
La evaluación de la
capacidad de nuestro
proceso, es tal que el
80% de las veces
90% esperamos una respuesta
10%
entre los niveles A y C.
A C
57
Ejemplo 10.07A: DSO
 Desde las facturas que fueron pagadas en un día

determinado, se selecciona una factura en forma aleatoria.
Se registra el Nº de días transcurrido desde la fecha de
emisión de la factura; también se registra el Nº de días con
vencimiento de pago (DSO) para este pago
 Determine si el proceso de recepción de los pagos (i.e.,
duración del DSO) es predecible
 Minitab data set: Cap 10, ejem 10-07A, DSO.MTW
58

Ejemplo 10.07A: DSO
Stat>Control Charts>Variables Charts for Individuals>Individuals Chart
Cap 10, ejem 10-07A, DSO.MTW
59
Ejemplo 10.07A: DSO
Al examinar el gráfico de control,

notamos que no hay una repartición
aleatoria dentro de los límites de
control.
Parece que hay una frontera natural

de límite inferior. Cuando esto ocurre
es importante para evaluar la
situación de cómo se recolectaron los
datos.
Para situaciones en las que hay una

Un gráfico de individuales NO es robusto a la no- frontera natural (p.e. unos pocos días
normalidad de los datos. Si los datos no provienen
antes del vencimiento de la factura),
de una distribución normal, nos pueden aparecer
señales de causas especiales falsas. podemos esperar que los datos sigan
una distribución log normal.
60

Ejemplo 10.07A: DSO
Stat>Reliability/Survival/Distribution Analysis (Right Censoring)
61
Ejemplo 10.07A: DSO
Parece que la
distribución lognormal
es la que ajusta mejor
62

Ejemplo 10.07A: DSO
Stat>Control Charts>Box-Cox Transformation
63
Ejemplo 10.07A: DSO
Un valor de lambda
igual a cero, indica una
transformación log
64

Ejemplo e 10.07A: DSO
Stat>Control Charts>Variables Charts for Individuals>Individuals Chart
65
Ejemplo 10.07A: DSO
Podemos afirmar que

el proceso está en
control y es predecible
66

Ejemplo 11.43A: DSO
 Desde las facturas que fueron pagadas en un día

determinado, se selecciona una factura en forma aleatoria.
Se registra el Nº de días transcurrido desde la fecha de
emisión de la factura; también se registra el Nº de días con
vencimiento de pago (DSO) para este pago
 Los resultados del ejercicio 10.07 A mostraban que el
proceso era predecible
 Realice una predicción para el proceso, cuando no se han
definido especificaciones o no existen
 Minitab data set: cap 10, ejem 10-07A, DSO.MTW
67
Ejemplo 11.43A: DSO
Podemos afirmar que

el proceso está en
control/predecible
Ya se determinó en el Ejemplo 10.07A
68

Ejemplo 11.43A: DSO
Graph>Probability Plot
Más en la próxima
69
Ejemplo 11.43A: DSO
Graph>Probability Plot
70

Ejemplo 11.43A: DSO
71
Ejemplo 11.43A: DSO
Sentencia de Predictibilidad
Proceso es predecible con una mediana de 82,5 días y el 80%

de las veces las factura se pagarán entre 46,9 y 145 días
72

Predictibilidad de procesos para distintas
sub-agrupaciones racionales de muestreos
n=1 2<= n <=9 n >9
Gráfico de Control de Gráfico de Control de Gráfico de Control de
Variabilidad
Individuales Individuales de la media del Individuales de la media del
Entre subgrupo subgrupo
Gráfico de Control de Gráfico de Control de
Variabilidad Individuales del Log Natural Individuales de la Desviación
No Aplica
Dentro de la Desviación Estándar Estándar del subgrupo
del subgrupo
Gráfico de Probabilidad con Gráfico de Probabilidad de Gráfico de Probabilidad de
líneas de porcentuales para la todos los datos desapilados todos los datos desapilados
especificación. Porcentaje con líneas de porcentuales con líneas de porcentuales
Capacidad del fuera de para la especificación. para la especificación.
proceso con Porcentaje fuera de Porcentaje fuera de
especificación Análisis de Capacidad para Análisis de Capacidad para Análisis de Capacidad para
datos individuales. PPM o % datos agrupados. PPM o % datos agrupados. PPM o %
de no conformes para de no conformes para de no conformes para
Desempeño General Desempeño General Desempeño General
Capacidad del Gráfico de Probabilidad de todos los datos (para los datos agrupados por filas, desapilados)
con líneas de porcentuales para el 80% de la región de valor (se considera el 10% superior y
proceso sin el 10% inferior como fuera de la especificación). Se informa porcentaje de conformidad para
especificación el 80% de las veces
73
Estrategias de Muestreo
La línea base puede tener

grandes diferencias en los
resultados y conclusiones
dependiendo de cómo se
muestrea el proceso
74

Evaluación Final
 Muchos apaga incendios (fire fighting).

 Normalmente las organizaciones reaccionan a los problemas del día.
 Frecuentemente, estos problemas se derivan de causas comunes.
 El gráfico de control de alto nivel, se puede usar para ayudar a re-enfocar
problemas de causas comunes hacia actividades de mejora de proceso.
 Muchas señales de fuera de control.
 Gráficos X-bar y R, donde las muestras se producen secuencialmente, no tienen
consideraciones de variabilidad de largo plazo, dentro de los límites de control.
 Cuando se escoja un subgrupo racional, para un gráfico de alto nivel, considere un
plan de muestreo que dé una visión de la variabilidad a largo plazo (eje., 1 por
día).
 Con este enfoque, un cambio de material día-a-día, que afecta la salida del
proceso adversamente, se vería como un problema que se deriva de una causa
común, en lugar de una por causa especial.
Podemos reducir los apaga incendios
75


3 Cartas de Control&amp;Cap

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

3 Cartas de Control&amp;Cap

Cargado por

Copyright:

Formatos disponibles

Predictibilidad de Procesos

Después de completar este módulo, usted será capaz de:

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 2

Smarter Solutions, Inc.

 Determinar la métrica Capacidad/Desempeño del Proceso

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 3

 En 1920 el Dr. Shewhart, de Bell Laboratories, desarrolló la teoría que

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 4

Smarter Solutions, Inc.

Los Límites de Control

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 5

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 6

Smarter Solutions, Inc.

 Eventos que pueden considerarse como Causas Especiales

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 7

 Pregunta: ¿Se puede considerar estos KPIVs (materia prima o día de

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 8

Smarter Solutions, Inc.

Se pueden usar gráficos de control al final del proceso KPOV

Pueden usarse para identificar causas

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 9

Seguimiento del Proceso

 Propósito de un sistema de Carta de control.

Smarter Solutions, Inc.

 Los planes de muestreo pueden hacer la diferencia - Considere dos

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 11

Seguimiento del Proceso

Usar gráficos de control con otras

Smarter Solutions, Inc.

 Consideraciones de sub-agrupación racional.

Las sub-agrupaciones pueden afectar los resultados

Smarter Solutions, Inc.

 Los gráficos de control Shewhart monitorean los procesos, graficando los

Límite de control superior (UCL)

Línea central (CL)

Límite de control inferior (LCL)

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 15

Interpretación de Patrones de los

 Cuando un proceso está bajo control, debería exhibir

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 16

Smarter Solutions, Inc.

 Se definen las siguientes zonas en un Gráfico de control:

Límite de Control Superior (UCL)

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 17

Interpretación de Patrones de los

 Existen múltiples pruebas posibles (programas estadísticos

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 18

Smarter Solutions, Inc.

Se verá más tarde que esta

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 19

Defecto versus Defectuoso

 Defecto: Una no conformidad o una falta de cumplimiento

 Defectuoso: Un ítem no conforme, que contiene al menos

Describa ocurrencias de defectos y

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 20

Smarter Solutions, Inc.

Se muestran Gráficos Tradicionales para diversas

Nomenclatura: Los datos variables

Gráficos Gráficos Gráfico np Gráfico c Gráfico u

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 21

Opciones de Gráficos de Control

 Un Gráfico con valores individuales, se conoce normalmente

© 2008 Derechos Reservados Quality College Cartas de Control : 10 (Part 1) - 22

Smarter Solutions, Inc.

3 Cartas de Control&Cap

3 Cartas de Control&Cap