Universidad Autónoma de Querétaro

Facultad de Contaduría y Administración

Licenciatura en Administración
Grupo 8.6
Equipo no. 3
Integrantes y expedientes:
• Arroniz Pérez América Itzayana 235388
• Elizondo Álvarez Yair Antonio 555555
• González García Diana Laura 263584
• Juárez Gómez Mariel Celeste 263586
• Muñoz Sánchez Kamelyn Britanya 263588
• Pérez Salcedo Francisco Ricardo 263591
• Zamora Barrón Jorge Luis 555555 1
SISTEMAS DE CALIDAD

TEMA NO. 3
CONTROL ESTADÍSTICO

2
3.1 Control Estadístico
de Procesos (CEP)

3
 3.1 Control estadístico de procesos (CEP)

¿Qué es?

El objetivo del control

estadístico de procesos (CEP)
es obtener un proceso
controlado usando técnicas
estadísticas para reducir la
variación continuamente.

Harrison M. Wadsworth, JR y Kenneth S. Stephens. (2005). 4

Métodos de control de calidad. P. 125
 3.1 Control estadístico de
procesos

Capacidad de un proceso

Consiste en conocer la amplitud de la variación natural del proceso para una característica de
calidad dada; esto permitirá saber en qué medida tal característica de calidad es satisfactoria
(cumple especificaciones).

Cantidades o mediciones que se obtienen a partir de los

Estadísticos datos de una muestra y que ayudan a resumir las
características de la misma.

5
Gutiérrez Pulido Humberto y De la Vara Salazar Román. (2004).
Control estadístico de la calidad y seis sigma. P(18).
 3.1 Control estadístico
Las variables de salida o de respuesta de de procesos
un proceso deben cumplir con ciertas metas.

• Una tarea primordial del control de

calidad es conocer la capacidad o
habilidad de un proceso.

• Consiste en determinar la amplitud de la

variación natural del proceso para una
característica de una calidad dada.

6
Gutiérrez Pulido Humberto y De la Vara Salazar Román. (2004).
Control estadístico de la calidad y seis sigma. P(18).
 3.1 Control estadístico
de procesos

Lo cual nos permitirá saber en qué

medida tal característica de
calidad es satisfactoria.

7
3.1 Control estadístico de
procesos.

La reducción de la variación
conduce a:

• Mejorar la calidad.

• Menores costos (residuos,

desechos, mermas, etc.)

• Mejor comprensión de la
capacidad del proceso.
8
3.1 Control estadístico de
procesos.

• Registrar los datos medidos de la

manera correcta.
• Analizar los datos registrados en la
forma correcta.
• Tomar decisiones basadas en análisis
realizados.
• Registrar y controlar las acciones
correctivas para evaluar los efectos.

9
 3.1 Control estadístico de
procesos.

Por lo general, para realizar un estudio de

capacidad se toman datos del proceso durante
un periodo considerable para reflejar
correctamente el desempeño del proceso.

El periodo de referencia depende

de la velocidad del proceso:

Gutiérrez Pulido Humberto y De la Vara Salazar Román. (2004). 10

Control estadístico de la calidad y seis sigma. P(18).
 3.1 Control estadístico de procesos (CEP)

Si se trata de un proceso masivo que produce muchas Cuando se trata de un proceso lento, que
piezas por día, se considera un periodo de 4 a 10 día. produce pocos piezas por día es necesario
incrementar el periodo de estudio para
completar una muestra.

Será de, por lo menos, 50 a 60 productos.

Así, cada determinado tiempo

tomar una pequeña cantidad de
productos hasta completar una
muestra de 120 a 150.

Gutiérrez Pulido Humberto y De la Vara Salazar Román. (2004). 11

Control estadístico de la calidad y seis sigma. P(18).
3.1 Control estadístico de
procesos.
En ambos casos, en la medida que se
tengan más datos y un periodo más
amplio será posible conocer el estado
real del proceso.

12
 3.2 Habilidad y
Capacidad de Procesos
(CCP´s)

13
 3.2 Habilidad y Capacidad de Procesos (CCP´s)

Habilidad y Capacidad de proceso

Proceso: secuencia
cronológica de acciones.

Capacidad o Habilidad:
Se refiere a la capacidad
del proceso cuantificada a
partir de sus datos.
14
3.2 Habilidad y Capacidad
de Procesos (CCP´s)

Capacidad de proceso:
Se refiere a la capacidad de un
proceso para cumplir las
especificaciones de un diseño o
servicio dado.

Las especificaciones de diseño se

expresan a menudo como un
valor nominal u objetivo y como
una tolerancia o margen.
15
 3.2 Habilidad y Capacidad de Procesos (CCP´s)

Valor nominal: Es el valor optimo o deseado.

Tolerancias: es una unidad de medida
que determina la variación u holgura.

16
3.2 Habilidad y Capacidad de Procesos (CCP´s)

Objetivos:

• Predecir el grado de cumplimiento de las

especificaciones del proceso
• Apoyar en la creación de modificaciones o
correcciones.
• Especificar requerimientos de desempeño para equipo
nuevo.
• Reducir la variabilidad en el proceso de manufactura.
• Reduce la incertidumbre
• Establece requisitos de ejecución.

17
 3.2 Habilidad y Capacidad de Procesos (CCP´s)

Razón de Capacidad de proceso

18
Predicción cuantitativa: es el
procedimiento que genera un
análisis estadístico usando
magnitudes numéricas que
pueden ser tratadas mediante
herramientas del campo de
la estadística.
Histograma: es una
representación gráfica de
una variable en forma de barras,
donde la superficie de cada
barra es proporcional a
la frecuencia de los valores
representados
19
3.3 Inferencia Estadística
para la Toma de
Decisiones

20
 3.3 Inferencia Estadística para la Toma de Decisiones

CONCEPTO:

Encargada de hacer deducciones

Inferir propiedades

Conclusiones y tendencias

Interpretar, hacer proyecciones y comparaciones 21

 3.3 Inferencia Estadística para la Toma de Decisiones

Emplea usualmente mecanismos que le permiten llevar a

cabo…

• Pruebas de estimación puntual • Pruebas de hipótesis

• Pruebas paramétricas • No paramétricas

22
 3.3 Inferencia Estadística para la Toma de Decisiones

Ejemplos de estadística inferencial

Sondeos de tendencia de Opinión pública para recabar datos

voto. relevantes

Análisis de mercado Contratación de otras empresas

especializadas en marketing

Conclusiones sobre las

Epidemiología médica
medidas públicas

23
 3.3 Inferencia Estadística para la Toma de Decisiones

Toma de decisiones
Corroborar hipótesis

Justificar las decisiones

gerenciales
Recopilación y presentación
de información

“Los gerentes y profesionales, en general, necesitan justificar sus decisiones

basándose en la información proporcionada por los datos.”
24
3.4 Matriz Causa-Efecto,
Gráfico de Pareto.

25
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

¿Qué es?

Representación gráfica
que permite visualizar las
causas que explican un
determinado problema.

26
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Construcción

4. Análisis de
las relaciones
3. causa-efecto.
Representación
2. Identificar los del diagrama.
factores o
1. Definir y causas que
determinar originan el
claramente el efecto.
problema.
27
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Ventajas

Sistematizar Favorece el
Metodología
las causas de trabajo en
Racional.
un problema. equipo.

28
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Diagrama de Pareto

Representación gráfica identifica

los problemas más importantes, en
función a su frecuencia de
ocurrencia o coste (dinero, tiempo),
y que permite establecer las
prioridades de intervención.

29
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Construcción
1. Decidir cómo clasificar 2. Determinar el tiempo de 3. Obtener los datos y
los datos. recogida de los datos. ordenarlos

4. Dibujar los ejes de

coordenadas. 5. Dibujar el diagrama.
30
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Construcción

31
 3.4 Matriz Causa-Efecto, Gráfico de Pareto.

Construcción

6. Construir la línea de
frecuencia acumulada.

7. El Análisis de
Pareto.

32
Construcción

33
3.5 Diagramas de
Dispersión

34
 3.5 Diagramas de Dispersión

¿En qué consiste?

• Los diagramas de dispersión o

también llamados gráficos de
correlación o nube de puntos,
permiten estudiar la relación entre si
y en qué medida se encuentran
vinculadas dos magnitudes.

• Nos puede servir para planificar la

producción y controlar los procesos.
35
 3.5 Diagramas de Dispersión

Pasos a seguir 1. Decidir qué factores se quieren comparar y para qué.

para elaborar
2. Recopilación de datos
un diagrama
de dispersión 3.Colocar los datos en una tabla
Una empresa quiere analizar si existe relación entre el número de
productos vendidos respecto a las reclamaciones por parte de los
clientes

4. Realizar el gráfico
Con la finalidad de poder incorporarlo en un informe de análisis, o
bien en el acta de la revisión del sistema de gestión de calidad.

5. Interpretación de los resultados

Las reclamaciones por parte de los clientes vienen dadas porque los
productos ofrecidos no cumplen sus expectativas
36
 3.5 Diagramas de Dispersión

Tipos de correlaciones
que nos encontramos:

• Correlación positiva: se observa que cuando crece X, crece Y.

como es el caso de nuestro ejemplo.

• Correlación negativa: se observa que cuando crece X,

disminuye Y y viceversa.

• Correlación compleja: cuando el valor de Y parece estar

relacionado con el valor de X pero esta relación no es simple
o lineal.

• Sin correlación: cuando a todo el valor de X puede

corresponder a cualquier valor de Y, obtenemos una
dispersión de datos.
37
 3.5 Diagramas de Dispersión

¿Qué nos aporta esta herramienta al sistema de

gestión ISO 9001:2015?
Nos permite encontrar relaciones entre factores,
que nos permitirán saber, si modificamos un
factor, con la finalidad de mejorarlo, qué
repercusiones tendrá sobre otros.

38
 3.6 Análisis de
Regresión y Correlación
Lineal.

39
3.6 Análisis de Regresión y Correlación Lineal.

¿Qué es?

En análisis de regresión es una

herramienta de frecuente uso
en estadística que permite investigar las
relaciones entre diferentes variables
cuantitativas. Esto, mediante la
formulación de ecuaciones matemáticas.

40
 3.6 Análisis de Regresión y Correlación Lineal.

Aplicaciones del análisis de regresión

 Una de las principales aplicaciones del análisis de regresión es la

proyección con diferentes escenarios. Esto, teniendo en cuenta el
grado de influencia (en estadística se conoce a esto
como correlación) sobre la variable dependiente.

 El objetivo del análisis de regresión es construir una función que

permita estimar el valor futuro de la variable de estudio.

 Desde otro punto de vista, la regresión permite calcular una

esperanza (promedio) condicional. Para ese fin, se toman como
dados los valores de las variables independientes.

 Cabe precisar que cuando se tiene en cuenta solo una variable

independiente hablamos de regresión lineal simple. En cambio, si
se incluyen más factores, se trataría de una regresión lineal
múltiple. 41
 3.6 Análisis de Regresión y Correlación Lineal.

Ejemplo de análisis de
regresión
Veamos un ejemplo muy simple del análisis de
regresión. Supongamos que una empresa quiere
calcular la demanda por una determinada
mercancía.
Como variable independiente, tomaremos el
precio del producto. Entonces, la compañía, en
base a sus datos históricos, construye una
ecuación como la siguiente:

Así, el análisis de regresión tiene como objetivo hallar los

valores de a (coeficiente de correlación lineal) y b. 42
 3.6 Análisis de Regresión y Correlación Lineal.

Análisis de correlación
lineal

El análisis de correlación emplea métodos para medir la

significación del grado o intensidad de asociación entre dos o
más variables. El concepto de correlación está estrechamente
vinculado al concepto de regresión, pues, para que una
ecuación de regresión sea razonable los puntos muestrales
deben estar ceñidos a la ecuación de regresión; además el
coeficiente de correlación debe ser:  grande cuando el grado de asociación es
alto (cerca de +1 o -1, y pequeño
cuando es bajo, cerca de cero.

 independiente de las unidades en que se

miden las variables.
43
3.6 Análisis de Regresión y Correlación Lineal.

Análisis de correlación
lineal simple

• Si entre dos variables cuantitativas

existe una relación lineal, el análisis
de correlación lineal simple se usa
para determinar la dirección y la
magnitud de dicha relación. La
dirección de la relación se refiere a
si ésta es positiva o negativa.

44
3.6 Análisis de Regresión y Correlación Lineal.

Coeficiente de
correlación

Expresa de manera cuantitativa el

grado y la dirección de la relación entre
dos variables.

• Coeficiente de correlación r de Pearson (rxy). Se usa cuando los datos están medidos en
una escala de intervalo o de razón.
• Coeficiente de correlación rho de Spearman (rs). Se utiliza cuando una o ambas variables
están medidas en la escala ordinal, en la escala de intervalo o la de razón.
45
 3.6 Análisis de Regresión y Correlación Lineal.

Características del coeficiente de correlación

• El signo del coeficiente indica si la relación entre las
variables es positiva o negativa: si el coeficiente es
positivo, entonces la relación es positiva. En caso contrario,
la relación es negativa.
• El valor numérico del coeficiente de correlación varía
entre –1 y +1 y éste describe la magnitud de la relación
entre las variables.
• Si r = -1 entonces existe una relación lineal perfecta
negativa entre las variables.
• Si r = 0 entonces no existe relación entre las variables.
• Si r = +1 entonces existe una relación lineal perfecta
positiva entre las variables.
46
 3.6 Análisis de Regresión y Correlación Lineal.

Las relaciones imperfectas, positivas o

negativas, tienen coeficientes de
correlación que varían entre -1 y +1.
Relaciones:

Si r= 0  Nula
Si r > 0 y r <  0,10  Casi Nula
Si r   0,10 y r <  0,20  Muy Baja
Si r   0,20 y r <  0,40  Baja
Si r   0,40 y r <  0,60  Media
Si r   0,60 y r <  0,80  Alta
Si r   0,80 y r <  1,00  Muy Alta
Si r =  1  Perfecta
47
 3.6 Análisis de Regresión y Correlación Lineal.

• Al calcular el coeficiente de correlación deben tomarse en

cuenta dos aspectos: La forma de la relación y la escala
de medición.
• La forma de la relación: para interpretar correctamente el
valor del coeficiente de correlación de Pearson o de
Spearman es necesario que la relación entre las variables
sea lineal. Por ello, previo al cálculo de un coeficiente de
correlación lineal, es necesario elaborar un diagrama de
dispersión para determinar si existe o no una relación
lineal entre las variables.
• La escala de medición: si las variables están medidas en la
escala de intervalo o razón se calcula de r de Pearson. Si
una o ambas variables están medidas como mínimo en la
escala ordinal se puede calcular el coeficiente de
correlación de Spearman.
48
¡MUCHAS
GRACIAS!
POR SU ATENCIÓN
 Exposición
Empresa
Internacional

50