Documentos de Académico
Documentos de Profesional
Documentos de Cultura
estadístico de
procesos (SPC)
Tiene como objetivo
hacer predecible un
proceso en el tiempo
SPC (Statistical Process Control)
SPC
• Fueron desarrollados por Walter Shewhart, en 1924, mientras trabajaba para Bell Laboratories.
• Se busca tener un criterio económico para tomar la decisión de cuando aceptar y cuando rechazar un
producto que es fabricado en serie.
• Una gráfica de control se utiliza para determinar el centrado y la variación de procesos y para localizar
los patrones o tendencias poco comunes en los datos.
Gráficas de control
• Las gráficas de control se pueden aplicar siempre que podamos efectuar mediciones a eventos repetitivos, y
estos se encuentren en un proceso estable.
• El proceso está bajo control estadístico cuando la localización, expansión o forma de su distribución no
cambia con el tiempo, es decir sus resultados son previsibles y se encuentran dentro de ciertos límites, a los
que se conoce como limites de control del sistema.
• Los resultados están bajo control estadístico si, además, la variación entre datos producida al interior de los
limites de control es aleatoria.
Bajo control
• “Bajo Control” es un término estadístico.
• Un proceso está “Bajo Control” cuando sólo causas Comunes de la variación están actuando sobre éste.
• Si un proceso “Sale de Control”, o está “Fuera de Control”, significa que han aparecido causas Especiales y la
variación ha dejado de ser como la del patrón al cual respondía el proceso en un principio.
COMPORTAMIENTO
DE LOS PROCESOS
Proceso estable
Proceso inestable
Funciones de una gráfica de control
1) Es una herramienta que proporciona una base económica para la toma de decisiones, como la de investigar posibles
problemas, ajustar el proceso o abandonar el proceso. La información de una gráfica de control sirve para
determinar la capacidad de un proceso. Muestras de productos terminados se pueden comparar estadísticamente
con las especificaciones del proceso.
2) Las gráficas de control son herramientas de resolución de problemas. Ayudan a identificar problemas en el proceso.
Sirven para determinar una base sobre la cual formular acciones de mejora. Los gráficos de control mejoran el
análisis de un proceso al mostrar cómo se ésta desempeñando ese proceso con el transcurso del tiempo. Al
combinar las gráficas de control con un resumen estadístico adecuado, quienes estudian un proceso pueden
entender lo que es capaz de producir el proceso.
Cuando el proceso esta bajo control estadístico, los responsables del proceso usan
herramientas de la calidad para detectar el momento en que surgen causas asignables, de
modo que éstas se eliminan
Límites de control
• Los limites de control se calculan con formulas estadísticas y son propios de cada proceso.
• Si todos los puntos se encuentran dentro de los limites podemos esperar que solo existan causas comunes de
variación en el proceso que describen.
• Si existen puntos fuera de los limites de control, o hay tendencias, es muy probable que el proceso esté fuera
de control.
• Los sistemas naturales rara vez son estables. La estabilidad de un sistema es algo que se logra con análisis y
eliminando las causas especiales.
Tipos de gráficas de control
Los atributos se usan con frecuencia cuando las especificaciones de calidad son complicadas y la medición por
medio de variables resulta difícil o costosa.
Ejemplos : Número de formularios que contienen errores, proporción de equipos que no funcionan en la
prueba final, proporción de vuelos regulares que llegan con una diferencia menor de 15 minutos con respecto
a la hora prevista.
Medir Atributos
• Muchas características de calidad no se miden en una escala cuantitativa. En estos casos cada unidad del
producto puede ser clasificada como conforme o disconforme según posea o no ciertos atributos.
• También se puede contar el número de disconformidades que aparecen en una unidad de producto. El
gráfico representa entonces a la variación de los no-conformes o defectos entregados por el proceso.
VENTAJAS :
Los recuentos de atributos requieren menos esfuerzos y recursos
DESVENTAJAS :
Aún cuando los recuentos de atributos bastan para revelar que la calidad de rendimiento ha cambiado, no son
de mucha utilidad para conocer la magnitud del cambio.
Medir Variables
• Evaluar las características del producto que son susceptibles de ser medidas como el peso, longitud,
volumen o tiempo. En este caso, la característica de calidad se describe mediante una medida de tendencia
central y una de variabilidad.
• En realidad son dos gráficos, representando uno a la localización y otro a la variación.
VENTAJAS:
Si un producto no satisface las especificaciones, se sabe cuál es el valor de la discrepancia.
DESVENTAJAS:
Las mediciones suelen requerir uso de equipo especial, destrezas, procedimientos rigurosos, tiempo.
Variabilidad en
el proceso de
producción
• No hay dos productos (bienes o servicios) exactamente iguales,
porque los procesos mediante los cuales se producen incluyen
muchas fuentes de variación, incluso cuando dichos procesos se
desarrollen en la forma prevista.
Un proceso que trabaja sólo con causas comunes de variación se dice que está en control estadístico (o es
estable), independientemente de que su variabilidad sea mucha o poca; no obstante, es predecible en el
futuro inmediato.
En un proceso en control estadístico: la calidad, la cantidad y los costos son predecibles.
Un proceso en el que están presentes causas especiales de variación se dice que está fuera de control
estadístico (o es inestable). Este tipo de proceso es impredecible en el futuro inmediato porque en cualquier
momento pueden aparecer situaciones que tienen un efecto especial sobre la variabilidad.
Variabilidad en el
proceso de
producción
Media poblacional
2 Varianza poblacional
Desviación estándar poblacional
Proporción poblacional
Parámetro y Estimador
Estimador:
Valor representativo de una muestra. Se simboliza por letras latinas.
Existen tantos estimadores como muestras se extraigan de una población.
Parámetro y Estimador
n1
x1
n2
x2
POBLACIÓN n3
x3
. .
. .
nm
xm
PARÁMETRO
DIFERENTES MUESTRAS OCASIONAN DIFERENTES
VALORES DEL ESTIMADOR
Parámetro y Estimador
Técnicas de
MUESTRA
Muestreo
Estimador : x
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Media = 3 Media = 4
Medidas de tendencia central
MEDIANA
La mediana es el punto medio del conjunto de datos ordenado.
No se ve afectada por los valores atípicos.
=MEDIANA()
Medidas de tendencia central
MODA
La moda es el valor que ocurre con más frecuencia.
Un conjunto de datos puede tener 0 modas, 1 moda o múltiples modas.
La moda se calcula simplemente encontrando el valor con la frecuencia más alta.
Media, Mediana y Moda
Medidas de dispersión o variabilidad
La varianza y la desviación estándar miden la dispersión de un conjunto
de puntos de datos en torno a su valor medio
o Medida de variabilidad que indica qué tan esparcidos están los datos
respecto de la media.
o Mide la distancia que en “promedio” hay entre los datos y la media
REGLA EMPÍRICA
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝑺 , + 𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟔𝟖% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟐 𝑺 , + 𝟐𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟗𝟓% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔
𝑬𝒏 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐 − 𝟑 𝑺 , + 𝟑𝑺 𝒆𝒔𝒕á 𝒆𝒍 𝟗𝟗. 𝟕% 𝒅𝒆 𝒍𝒐𝒔 𝒅𝒂𝒕𝒐𝒔
Se obtuvo por la experiencia de analizar datos y observar la relación entre ambos estadísticos (media y desviación estándar)
Es válida para muchos de los casos que se dan en la práctica , sobre todo si los datos tienen un comportamiento con cierto
grado de similitud a una campana o a la DISTRIBUCIÓN NORMAL . Ambos (Chebyshev y R. Empírica) ilustran cómo la
desviación estándar mide la variabilidad en torno a la media.
Regla Empírica
68%
μ
μ 1σ
Si los intervalos se calculan con la media y desviación estándar del proceso o población, entonces serán
válidos para toda la población. En la medida en la que se tengan muestras aleatorias grandes y
representativas, los intervalos podrán dar una idea aproximada de lo que pasa con el proceso
Retomando los conceptos
El método más completo para una inspección consiste en revisar la calidad de todos los productos en
cada una de las etapas. Se usa cuando los costos de pasar los defectos a la siguiente etapa (estación de
trabajo) o al cliente, son mayores que los costos de inspección.
La inspección completa garantiza virtualmente que las unidades defectuosas NO pasarán a la siguiente
operación o al cliente ( es una política congruente con el TQM)
Cuando participan inspectores humanos (por efecto de fatiga) o cuando hay imperfecciones en los
métodos de prueba, algunos defectos pueden pasar inadvertidos; por lo tanto, hasta la inspección
completa puede no ser capaz de descubrir todos los defectos.
Muestreo
Un plan de muestreo proporciona más o menos el mismo grado de protección que obtendremos
con una inspección completa.
de control
La gráfica de control tiene un valor nominal o
línea central, que generalmente es el objetivo
que los gerentes desearían alcanzar por
medio del proceso, y dos límites o
acotamientos de control basados en la
distribución de muestreo de la medida de
calidad.
Cuando las causas asignables a la variabilidad del proceso han sido identificadas y
Los puntos azules representan las medias del subgrupo o las medianas del
subgrupo.
NOTA
Si el tamaño del subgrupo es = 1, la línea central es la mediana de todos los
datos, independientemente de la opción que seleccione para los puntos
graficados.
Incluso con datos asimétricos, la mediana de las medias del subgrupo por lo
general está cercana a la mediana de las medianas del subgrupo.
El eje Y tiene un rango amplio porque los datos sin procesar también están
graficados, por lo tanto, la diferencia por lo general no es notable.
Gráfica de corridas
La variación ocurre en todos los procesos.
La gráfica de corridas en Minitab provee las dos pruebas siguientes para determinar aleatoriedad:
Patrones de mezcla
Una mezcla se caracteriza por cruzar
frecuentemente la línea central.
A menudo, las mezclas indican datos
combinados a partir de dos poblaciones
o de dos procesos operando a diferentes
niveles.
Si el p-valor para mezclas es menor que
0.05, puede tener mezclas en sus datos.
Patrones no aleatorios que puede identificar una
gráfica de corridas
Patrones de conglomerados
Los conglomerados pueden indicar
variación por causas especiales, tales como
problemas de medición, variabilidad de
lote a lote o de configuración o muestreo
de un grupo de partes defectuosas.
Los conglomerados son grupos de puntos
en un área de la gráfica.
Si el p-valor para los conglomerados es
menor que 0.05, puede tener
conglomerados en sus datos.
Los datos encerrados en círculo pueden
representar conglomerados de datos.
Patrones no aleatorios que puede identificar una
gráfica de corridas
Patrones de oscilación
La oscilación ocurre cuando los datos
fluctúan hacia arriba y hacia abajo, lo
que indica que el proceso no es estable.
Si el p-valor para la oscilación es menor
que 0.05, puede tener oscilación en sus
datos.
En este caso, los datos encerrados en
círculo parecen variar hacia arriba y
hacia abajo con frecuencia.
Patrones no aleatorios que puede identificar una
gráfica de corridas
Patrones de tendencias
Una tendencia es un cambio gradual sostenido en
los datos, bien sea hacia arriba o hacia abajo.
Una tendencia puede advertir que un proceso está
fuera de control o probablemente esté por salirse de
control y que puede deberse a factores tales como
herramientas desgastadas, una máquina que no
mantenga los valores de configuración o períodos de
rotación de los operadores.
Si el p-valor para las tendencias es menor que 0.05,
puede tener una tendencia en sus datos.
La tendencia hacia arriba se encuentra encerrada en
un círculo.
Ho : Hipótesis Nula (hipótesis de trabajo) → Se la
rechazará o no se la rechazará
REVISIÓN
H1: Hipótesis Alterna (hipótesis del investigador)
IGUALDAD (comparar)
NO RELACIÓN (Relacionar)
La rechazo
❑ Ho Puedo cometer errores
No la rechazo
Significativo
Si :
=0
=1
-3 -2 -1 0 +1 +2 +3
Distribución Normal & Distribución Normal Estándar
= 100
= 20
x−
z=
Estandarizar la Distribución Normal
z = 1
x z
z =0
𝒙 −𝝁
N (µ,𝜎) z=
𝝈
N (170, 12)
𝒙 −𝝁 185 −170 Z = 1,25
¿ P(X ≤ 185) ? z= Z= 12
𝝈
89.44 %
P (Z ≤ z )
P (Z ≤ 1.25 )
INTERVALO DE CONFIANZA
Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí,
encierra un % que uno quiere conocer (nivel de confianza)
Probabilidad de
estar dentro del
intervalo
∝ൗ
𝟐
% ∝ൗ
𝟐
Nivel de confianza
∝ൗ ∝ൗ
𝟐 𝟐
Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí, encierra
un % que uno quiere conocer (nivel de confianza)
Probabilidad de
estar dentro del
intervalo
10%
80% 10 %
Nivel de confianza
∝ൗ ∝ൗ
𝟐 𝟐
Intervalo de confianza es encontrar dos valores simétricos respecto a la media que es cero [N (0,1)] que dentro de sí, encierra
un % que uno quiere conocer (nivel de confianza)
Probabilidad de
estar dentro del
intervalo
∝ൗ ∝ൗ
𝟐 𝟐
2,5 %
95 %
𝑍∝/2
95 % + 2,5 %
97,5 %
Z = 1,96
INTERVALO DE CONFIANZA
95
%
-1,96 1,96
IC = intervalo de confianza
Ejemplo de intervalo de confianza
La duración en kilómetros de cierta marca de neumáticos para automóviles, se ajusta
a una distribución N(48.000, 3.000). Calcular el intervalo de confianza del 80%
µ =48.000
𝜎 =3.000
80%
80% 10%
10%
α = 20%
80% 10%
10%
𝒙 −𝝁
-1.28 =
𝑋1 − 48.000
z= 1.28 =
𝑋2− 48.000
3.000 𝝈 3.000
X1 = 44,160 X2 =51,840
La fábrica podría asegurar que el 80% de sus neumáticos duran entre 44,160 km y 51,840 km