INSTITUTO BOLIVIANO DE

NORMALIZACIÓN Y CALIDAD
 HERRAMIENTAS
OPERATIVAS DE LA
CALIDAD

DR. BORIS C. HERBAS TORRICO

 Introducción

 Antes de ser vendidos, los productos son

inspeccionados para:
 Asegurar la precisión dimensional de las partes (ajuste
correcto).
 Identificar aquellos productos cuya falla o mal
funcionamiento puedan tener implicaciones serias
(heridas, fatalidades, etc.).

Rev. 1 2015-02-02 Diapositiva 3 de 71

 Introducción

 La prevención de defectos en los productos e

inspección en línea son grandes metas de las
actividades de manufactura.
 En vista de la competitividad global, la mejora
continua en la calidad es una gran prioridad de las
grandes corporaciones en países industrializados:
改善 (kaizen) = mejora infinita (mejora continua)
改 = Revisión
善 = Virtud

Rev. 1 2015-02-02 Diapositiva 4 de 71

 Calidad del producto

Que es la calidad?
 Aptitud de un producto para su uso.
 La calidad es una característica o propiedad muy
amplia que se relaciona con la eficiencia,
durabilidad, robustez, disponibilidad, costo y utilidad.
 Es trabajo del ingeniero de manufactura y del
ingeniero de diseño seleccionar los mejores materiales
o componentes para hacer el producto.

Rev. 1 2015-02-02 Diapositiva 5 de 71

 Calidad del producto

 Debe notarse que aquellos materiales con mejores

propiedades tienden a ser mas caros y mas difíciles
de procesar.
 El nivel de calidad que un fabricante selecciona
depende del mercado al que quiere introducir sus
productos.
 Contrario a la percepción generalizada, los productos
con mejor calidad no son necesariamente mas caros.

Rev. 1 2015-02-02 Diapositiva 6 de 71

 Calidad del producto

 Especialmente si se considera que los productos de

baja calidad:
 Presentan dificultades en el ensamblaje y mantenimiento
de componentes.
 Resultan en la necesidad de reparaciones en campo.
 Tienen un costo incorporado de insatisfacción del
cliente.

Rev. 1 2015-02-02 Diapositiva 7 de 71

 Aseguramiento de la
calidad
 Es el esfuerzo hecho por el fabricante para asegurar
que sus productos están conformes con un grupo
detallado de especificaciones y estándares.
 Se puede definir como todas las acciones necesarias
para asegurar que todos los requerimientos de
calidad serán cumplidos.

Rev. 1 2015-02-02 Diapositiva 8 de 71

 Aseguramiento de la
calidad
 El control de calidad es el conjunto de técnicas
operacionales utilizadas para cumplir los requisitos de
calidad.

Rev. 1 2015-02-02 Diapositiva 9 de 71

 Aseguramiento de la
calidad
 El aseguramiento de la calidad es la responsabilidad
de todos aquellos relacionados con el diseño y
manufactura de un producto.
 A pesar que se puede inspeccionar para verificar su
calidad, y rechazado si las condiciones no son
cumplidas:
La calidad no debe ser inspeccionada en el producto
terminado!!!

Rev. 1 2015-02-02 Diapositiva 10 de 71

 Aseguramiento de la
calidad
 Un importante aspecto del aseguramiento de la
calidad es la capacidad de:
 Analizar los defectos a medida que ocurren en la línea
de producción.
 Eliminar inmediatamente los defectos o reducirlos a
niveles aceptables.

Rev. 1 2015-02-02 Diapositiva 11 de 71

 Aseguramiento de la
calidad
 En líneas generales, el aseguramiento de la calidad se
refiere a evaluar el producto y su satisfacción del
cliente!
 La suma de todas estas actividades se conoce como
Control de Calidad Total y un sentido mas amplio:
Gestión de Calidad Total (TQM)

Rev. 1 2015-02-02 Diapositiva 12 de 71

 Aseguramiento de la
calidad
 Resulta evidente que para controlar la calidad es
esencial:
 Medir los niveles de calidad cuantitativamente!
 Identificar todos los materiales y variables del proceso
que pueden ser controlados.

Rev. 1 2015-02-02 Diapositiva 13 de 71

 Métodos y

Rev. 1 2015-02-02
Filosofía del
Control
Estadístico de
la Calidad

Graficas de
Control por
Atributos

Graficas de
Control por
Variables

Otras cartas

Análisis de
Capacidad de
los procesos
Diapositiva 14 de 71
 Métodos y Filosofía
del Control
Estadístico de la
Calidad

Rev. 1 2015-02-02 Diapositiva 15 de 71

 Calidad
Prevenir no incorporada a las
conformidad fases del proceso
Aumentar
SPC productividad
Variabilidad y
métodos de EXCELENCIA
corrección
Sistemas de
Gestión de
Inspección Calidad
Conformidad Mejora Continua
del producto Concepto del Ejemplaridad de la dirección
control total cambio en la cultura de la
de calidad organización,
Evaluación y planificación de la
calidad,
Aseguramiento
Rápida circulación de la
de la calidad Información
Importancia del cliente
Orientado hacia el cliente
interno.
Control
Orientado hacia

Clasificación Orientado al el proceso

producto

1920 1950 1960 1970 1980 1990 2000 2010

Rev. 1 2015-02-02 Diapositiva 16 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad
Frederick TAYLOR, 1900. División del trabajo, estandarización

Harold Dodge, Harry Roming, 1920. Muestreo de aceptación

Walter Shewhart, 1924. Concepto de graficas de control

1930, uso intensivo del control estadístico de calidad Western Electric, Bell

1946, se crea American Society for Quality Control

1950- 1960. desarrollo de muchos libros, calidad se introduce en la gestión

Rev. 1 2015-02-02 Diapositiva 17 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad
1950, diseño de experimentos para productos y mejoramiento de procesos

1955, Kaoru Ishikawa introdujo las técnicas de las graficas de control al

Japón
1960, los japones hacen uso intensivo de los diseños experimentales
1980, profundo crecimiento en el uso de métodos estadísticos para el
mejoramiento de calidad

1980, Calidad Total (Total Quality Manegement TQM

1990. Interes por las ISO

Rev. 1 2015-02-02 Diapositiva 18 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad
Deming,
-War Department and Census Bureau, Segunda guerra mundial
- Consultor para los Japones
- Deming Prize, Japonese Union Of Scientist and Engineers
- Filosofía de Deming se resumen en 14 puntos.

Juran,
- Es uno de los fundadores del Control Estadístico de Procesos
- Trabajo con Shewhart AT&T Bell
-Coautor de Quality Control Handbook

Rev. 1 2015-02-02 Diapositiva 19 de 71

 Métodos de Deming

 Deming reconoció que las empresas manufactureras

son sistemas de gestión de trabajadores, maquinas y
productos.
 Puso gran énfasis en la comunicación, participación
directa del trabajador, educación en estadística y
tecnología moderna de manufactura.
 Sus ideas básicas se resumen en sus siguientes
principios gerenciales:

Rev. 1 2015-02-02 Diapositiva 20 de 71

 MODELO DEMING
Crear perseverancia en el propósito de mejorar productos y servicios
Adoptar la nueva filosofía
Dejar de depender de la inspección para lograr la calidad
Mejorar de manera permanente y constante el sistema de producción y servicio
con el fin de alcanzar la calidad, la productividad y así reducir los costos
Eliminar las barreras que le quitan al trabajador su derecho a sentir orgullo de su
trabajo
Desechar el miedo, de tal manera que cada uno pueda trabajar con eficacia para
la compañía
Destruir las barreras entre departamentos
Instruir un programa moderno de capacitación
Eliminar temas, exhortos y objetivos que solicitan a los trabajadores, cero
defectos y nuevos niveles de productividad.
Eliminar los estándares de trabajo (cuotas) en planta. Sustituirlos por liderazgo
Implantar el liderazgo
Instituir un programa vigoroso de educación y automejora
Acabar con la práctica de hacer negocios con base en el precio
Poner a todo el personal de la compañía a trabajar para conseguir la
transformación
Rev. 1 2015-02-02 Diapositiva 21 de 71
 Conocimiento profundo

 La variación no controlada produce baja calidad.

 La alta calidad produce productividad.
 No son enemigas!
 Constantemente debemos tratar de predecir el
futuro.
 No existen los valores verdaderos!
 La ente es la parte mas importante del sistema
 Debemos entender psicología!

www.Deming.org

Rev. 1 2015-02-02 Diapositiva 22 de 71

 Métodos de Juran

 Su filosofía similar a la de Deming.

 Su perspectiva es mas evolucionaria que
revolucionaria.
 Su filosofía se relaciona con adaptar el sistema
de gestión actual en lugar de instituir un sistema
completamente nuevo.

Rev. 1 2015-02-02 Diapositiva 23 de 71

 Métodos de Juran

 Similar a Deming, el creía que el 80% o mas de

los defectos producidos por un sistema son
controlables por la gerencia en lugar del
operador.
 La definición de calidad para Juran es
“Aptitud para el uso”

Rev. 1 2015-02-02 Diapositiva 24 de 71

 Métodos de Juran

 La “trilogía de Juran” resume su enfoque de

calidad:
 Planificación de la Calidad: Da un sistema que es
capaz de lograr los estándares de calidad.
 Control de Calidad: Utilizada para determinar la
acción correctiva que se requiere.
 Mejora de la Calidad: Busca mejores maneras de
hacer las cosas.

Rev. 1 2015-02-02 Diapositiva 25 de 71

 Métodos de Juran

 Según Juran, preguntarse cual de los tres

aspectos es mas importante es similar a
preguntarse que pata del taburete es mas
importante.
 Sin las tres, el taburete (y el sistema de calidad)
no puede funcionar efectivamente.

Rev. 1 2015-02-02 Diapositiva 26 de 71

 MODELO JURAN
Crear perseverancia en el propósito de mejorar productos y
servicios
Establecer la infraestructura necesaria para asegurar la mejora
anual de calidad
Identificar las necesidades específicas para mejorar (proyectos
de mejora)
Crear para cada proyecto un equipo que tenga responsabilidad
clara de dirigir el proyecto hacia un fin satisfactorio
Promocionar los recursos y la motivación necesaria para que los
equipos:
Diagnostiquen las causas
Fomenten el establecimiento de remedios
Establezcan controles para que perduren los logros

Rev. 1 2015-02-02 Diapositiva 27 de 71

 Métodos de Ishikawa

 Kaoru Ishikawa quería que la gente cambie su

forma de pensar sobre el trabajo.
 Urgía a los gerentes a resistir alegrarse solamente
con mejorar la calidad del producto.
 Insistía que la mejora de la calidad siempre
puede ir un paso mas allá.
 En su visión, un cliente continua recibiendo
servicios hasta después de recibir el producto.

Rev. 1 2015-02-02 Diapositiva 28 de 71

 Métodos de Ishikawa

 Ishikawa creía en la importancia del apoyo y

liderazgo de la alta gerencia.
 El continuamente urgía a la alta gerencia a
tomar cursos de control de calidad.
 Entendía que sin el apoyo de gerencia, estos
programas fallarían irremediablemente.

Rev. 1 2015-02-02 Diapositiva 29 de 71

 Métodos de Ishikawa

 Enfatizaba que se necesitaba el compromiso de

la jerarquía total de empleados para lograr el
potencial éxito de la empresa.
 Otra área de la mejora que Ishikawa enfatizaba
era la calidad a lo largo de todo el ciclo de vida
del producto (no solo producción).

Rev. 1 2015-02-02 Diapositiva 30 de 71

 Métodos de Ishikawa
 A pesar que creía fuertemente en las normas, sentía que estos
eran como programas continuos de mejora de calidad:
debían ser constantemente evaluados y cambiados.
 Las normas no son la mayor fuente de decisiones, sino la
satisfacción del cliente.
 Ishikawa quería que los gerentes constamente cumlan las
necesidades de los clientes:
Todas las decisiones que se tomen deben ser resultado de las
necesidades de los clientes!

Rev. 1 2015-02-02 Diapositiva 31 de 71

 Métodos de Ishikawa
 Expandió las ideas del ciclo de Deming
(PDCA) a 6 pasos:
 Determine los objetivos y metas (P).
 Determine los métodos para lograr las metas (P).
 Involúcrese en educación y entrenamiento (Do).
 Implemente el trabajo (Do).
 Verifique los efectos de la implementación
(Check).
 Tome la acción apropiada (Act)

Rev. 1 2015-02-02 Diapositiva 32 de 71

 MODELO ISHIKAWA

Implantar el control de la calidad en toda la compañía

Establecer programas de educación y entrenamiento
en calidad como pilar fundamental para el desarrollo de
la cultura de la calidad
Formar los círculos de la calidad
Realizar auditorías de control de la calidad
Aplicación de métodos y herramientas estadísticas
Promoción de actividades de control de la calidad en
toda la nación

Rev. 1 2015-02-02 Diapositiva 33 de 71

 Métodos de Crosby
 Su filosofía difiere significativamente de la de
Deming.
 Deming dijo que “la filosofía de Crosby es
totalmente equivocada en el sentido que los
trabajadores y no los gerentes mejoren el
sistema”.

Rev. 1 2015-02-02 Diapositiva 34 de 71

 Métodos de Crosby

 El enfoque de Crosby gira alrededor de:

 Cero Defectos.
 Hacer bien las cosas bien la primera vez
siempre es mas barato que corregir defectos
que se crearon.
 Entonces: la calidad es gratis!.

Rev. 1 2015-02-02 Diapositiva 35 de 71

 Métodos de Crosby
 Según Crosby:
 Los costos de baja calidad son mas altos de
lo que las empresas piensan.
 Las empresas deberían realizar el seguimiento
de los costos de calidad respecto a la
reducción de los costos a medida que la
calidad mejora.

Rev. 1 2015-02-02 Diapositiva 36 de 71

 Métodos de Crosby
 Los principios de Crosby son:
 La calidad es definida como la conformidad
con los requerimientos, no como “grade
éxito” (goodness) o “elegancia”.
 El sistema para lograr la calidad es la
prevención, no la evaluacion.
 El rendimiento estándar debe ser “cero
defectos” no “eso esta lo suficientemente
cerca”.
 La medición de la calidad es el Precio de la
No Conformidad, no índices.

Rev. 1 2015-02-02 Diapositiva 37 de 71

 MODELO CROSBY

Establecer el compromiso de la Dirección con la calidad

Formar el equipo para la mejora de la calidad
Capacitar al personal en los conceptos de la calidad
Establecer mediciones de la calidad
Evaluar los costos de la calidad
Tomar acciones correctivas
Planificar el día "cero defectos"
Festejar el día "cero defectos"
Establecer metas
Eliminar las causas de error
Dar reconocimiento
Formar equipos de calidad
Repetir todos los pasos

Rev. 1 2015-02-02 Diapositiva 38 de 71

 Control Estadístico de
Procesos
 La gestión de calidad total (TQM: Total Quality
Management) ha probado ser por si misma la
forma mas utilizada para gestionar y
continuamente mejorar la calidad.

Rev. 1 2015-02-02 Diapositiva 39 de 71

 Control Estadístico de
Procesos
 Su implementación exitosa en las empresas
Japonesas no solo fue un factor muy importante
para su éxito, sino también en el establecimiento
de niveles de calidad que los consumidores
esperan en cualquier producto.

Rev. 1 2015-02-02 Diapositiva 40 de 71

 Control Estadístico de
Procesos
 El Control Estadístico de Procesos es una
herramienta esencial para el logro del TQM.

Rev. 1 2015-02-02 Diapositiva 41 de 71

 Control Estadístico de
Procesos
 ¿Que es TQM?
 ¿En realidad que queremos decir al hablar de calidad?
 La calidad puede ser simplemente definida como:

“cumplir los requisitos del consumidor”

 Dado el nivel de competición en el mercado, debería mas

bien ser definida como:
“cumplir y mejorar los requisitos del consumidor”

Rev. 1 2015-02-02 Diapositiva 42 de 71

 Control Estadístico de
Procesos
 Como su nombre indica, TQM toma en cuenta la
mejora continua de la calidad orientada al
consumidor basada en la participación activa de
gerencia, proveedores y consumidores.
 TQM puede ser descrita en términos prácticos
como:
“Enfoque al consumidor, mejora continua y trabajo en
equipo”

Rev. 1 2015-02-02 Diapositiva 43 de 71

 Control Estadístico de
Procesos
 Se escribió mucho sobre TQM y enfoques
académicos mas profundos han identificado cuatro
orientaciones fundamentales de TQM:
“sistemas, clientes, aprendizaje y cambio”
 Desde esta perspectiva TQM se lo ve como un
esfuerzo económico dinámico de las empresas para
adaptarse y sobrevivir en ambientes dinámicos.

Rev. 1 2015-02-02 Diapositiva 44 de 71

 Control Estadístico de
Procesos
 El TQM nació de las raíces de la producción,
estadística y control de calidad a mediados de 1920
en EEUU.
 Sin embargo, no fue muy aplicado en el hemisferio
occidental hasta los 80s, después de dos décadas
de haber sido aplicado con resultados asombrosos
en Japón.

Rev. 1 2015-02-02 Diapositiva 45 de 71

 Control Estadístico de
Procesos
 En los 50s las empresas japonesas estaban
insatisfechas con la calidad de sus productos.
 Buscaron ideas para mejorar la calidad de expertos
occidentales como Deming y Juran que no eran
apreciados en occidente.

Rev. 1 2015-02-02 Diapositiva 46 de 71

 Control Estadístico de
Procesos
 Los enfoques tradicionales estaban basados en la
inspección de productos defectuosos que eran
mandados a los consumidores.
 Esto resultaba en productos que eran descartados o
reprocesados.

Rev. 1 2015-02-02 Diapositiva 47 de 71

 Control Estadístico de
Procesos
 Era altamente problemático con perdidas estimadas
del 25% en ventas, además de no ser efectivo.
 Los Japoneses en su lugar escogieron prevenir
cualquier unidad defectuosa que era producida
aguas arriba.

Rev. 1 2015-02-02 Diapositiva 48 de 71

 Control Estadístico de
Procesos
 Un objetivo básico para la prevención de defectos es la
“reducción de la variación”.
“Los productos hechos bajo las mismas condiciones y bajo
las mismas especificaciones, siempre varían en alguna
forma”

Rev. 1 2015-02-02 Diapositiva 49 de 71

 Control Estadístico de
Procesos
 Estas variaciones pueden ser pequeñas o grandes y
pueden venir de los componentes principales del
proceso productivo:
 Maquinas (desgaste)
 Personas (cansancio)
 Método (mal diseño)
 Materiales (variaciones
de lote a lote)

Rev. 1 2015-02-02 Diapositiva 50 de 71

 Control Estadístico de
Procesos
 La pregunta critica es:

“Estas variaciones tienen algún efecto en la calidad?”

Rev. 1 2015-02-02 Diapositiva 51 de 71

 Control Estadístico de
Procesos
 Generalmente, la respuesta a esta pregunta es
desconocida porque las variaciones no son usualmente
medidas.
 TQM da herramientas que permiten medir estas
variaciones y realizar acciones correctivas.

Rev. 1 2015-02-02 Diapositiva 52 de 71

 Control Estadístico de
Procesos
 Las herramientas en si mismas no son suficientes para
lograr una prevención exitosa de defectos y la mejora
continua que el mercado requiere.
 Se requiere la cooperación de todos los miembros de la
empresa.

Rev. 1 2015-02-02 Diapositiva 53 de 71

 Control Estadístico de
Procesos
 Se requiere que diferentes departamentos y funciones
trabajen de forma conjunta.
 Se requiere que los trabajadores se reúnan
regularmente para resolver problemas de sus puestos
de trabajo.
 Se requiere un cambio en el estilo de gerenciamiento,
en la forma de pensar y en la cultura organizacional.

Esto es TQM!

Rev. 1 2015-02-02 Diapositiva 54 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad
SATISFACCION DEL CLIENTE

ADECUACIÓN CALIDAD CUMPLIMIENTO

DE UNA
PARA EL USO (QUALITATEM)
ESPECIFICACIÓN

Grado en que un conjunto de

características de un producto CUMPLE
CON LOS REQUISITOS EXIGIDOS

Rev. 1 2015-02-02 Diapositiva 55 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad

Mejora continua
Actividad recurrente para aumentar la
capacidad de cumplir los requisitos

CALIDAD = INVERSA DE LA VARIABILIDAD

MEJORAMIENTO DE CALIDAD = REDUCIR LA VARIABILIDAD EN

EL PROCESO Y LOS PRODUCTOS

Rev. 1 2015-02-02 Diapositiva 56 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad

Variabilidad. Dos productos nunca son exactamente iguales

Valor nominal – target value. Valor referencial
Limites de especificación superior e inferior (USL, LSL) o
Valores de especificación superior e inferior (VES, VEI) o
Valores límite superior e inferior (VLS,VLI)

PRODUCTO NO CONFORME
Un Producto No Conforme es aquel que no
cumple con algún requisito.

Rev. 1 2015-02-02 Diapositiva 57 de 71

 Métodos y Filosofía del
Control Estadístico de la Calidad

OBJETIVOS:

- Trazabilidad y
vigilancia de la
calidad
- Reducción de la
variabilidad
- Estimación de
parámetros de
producto o proceso

Rev. 1 2015-02-02 Diapositiva 58 de 71

 MODELO DE UN SISTEMA DE GESTIÓN DE LA
CALIDAD BASADO EN PROCESOS

MEJORA CONTINUA DEL

SISTEMA DE GESTIÓN DE LA CALIDAD

C RESPONSABILIDAD
S
A C
L R
DE LA DIRECCIÓN T
I L
I E S
F I
Q
E U GESTIÓN DE
MEDICIÓN
ANÁLISIS
A
C E
I
N S
RECURSOS Y MEJORA C
I N
T I
T
O
N T
REALIZACIÓN
E O
DEL E
S
PRODUCTO PRODUCTO

Rev. 1 2015-02-02 Diapositiva 59 de 71

 Graficas de Control

Rev. 1 2015-02-02 Diapositiva 60 de 71

 Introducción a las Graficas
de Control
 Un enfoque para controlar la falta de uniformidad es el
control estadístico de procesos.
 El control estadístico de procesos trata de determinar y
eliminar las variaciones no aleatorias (esporádicas) a
medida que surgen, mientras se esta llevando a cabo
el proceso.

Rev. 1 2015-02-02 Diapositiva 61 de 71

 Introducción a las Graficas
de Control
 El proceso tiene un seguimiento periódico al
examinar muestras de unidades del producto.
 Si las características criticas se han alejado de
un modelo totalmente aleatorio, el proceso
debe detenerse hasta que las causas de no
apego hayan sido corregidas.
 Las graficas de control constituyen la
herramienta principal para el control estadístico
de procesos, y la selección de graficas de
control depende del tipo de mediciones que
deben realizarse.

Rev. 1 2015-02-02 Diapositiva 62 de 71

 Introducción a las Graficas
de Control
 Para que una grafica sea llamada de control debe
funcionar en la misma norma que un termostato en una
casa.
 El termostato tiene fijado un valor y continuamente
monitorea la temperatura.
 Si la casa se vuelve fría, el termostato inmediatamente
hará el ajuste inicializando el calefactor.
 Cuando la casa llega a cierta temperatura, el termostato
apagara el calefactor.
 Su trabajo es mantener una variación normal alrededor
de un valor nominal (proceso de control automático).

Rev. 1 2015-02-02 Diapositiva 63 de 71

 Introducción a las Graficas
de Control
 Las graficas de control funcionan mejor cuando son
automatizadas.
 Antes de las computadoras, la implementación y
mantenimiento de graficas de control era una tarea
manual.

Rev. 1 2015-02-02 Diapositiva 64 de 71

 Introducción a las Graficas
de Control
 Las graficas necesitaban ser interpretadas por personas y
estaban sujetas al error humano.
 En algunas operaciones, las graficas de control manuales
pueden ser apropiadas y eficientes, pero si se puede
automatizar el sistema, se debería computarizar las
mismas.

Rev. 1 2015-02-02 Diapositiva 65 de 71

 Introducción a las Graficas
de Control
 Las graficas de control son medios para graficar patrones
de variación de un proceso o las características de un
producto para que se pueda realizar una acción
correctiva si fuese necesario.

Rev. 1 2015-02-02 Diapositiva 66 de 71

 Introducción a las Graficas
de Control
 Cuando un proceso se encuentra “bajo control”, una
grafica de control mostrara patrones de variación
conocidos.
 Cuando una grafica de control se desvía de estos
patrones, el proceso es considerado “fuera de
control”.

Rev. 1 2015-02-02 Diapositiva 67 de 71

 Introducción a las Graficas
de Control
 Una grafica de control puede ser utilizada como un
manómetro que indica la necesidad de realizar ajustes.
 Como en el ejemplo del termostato, cuando los datos
siguen ciertos patrones, no se necesitan ajustes en el
proceso.

Rev. 1 2015-02-02 Diapositiva 68 de 71

 Introducción a las Graficas
de Control
 Se necesitan ajustes en el proceso.
 Cuando los datos se alejan de un patrón normal, se
necesitan ajustes u otras acciones para traer el proceso
de nuevo bajo control.
 Las graficas de control son la mayor herramienta de del
control estadístico de procesos (SPC) y el control
estadístico de calidad (SQC).

Rev. 1 2015-02-02 Diapositiva 69 de 71

 Introducción a las Graficas
de Control
 El SPC y SQC son la aplicación de varias técnicas
estadísticas para hacer que un producto o proceso se
comporte de la manera que se esperaba.
 Las graficas de control fueron una de las primeras
técnicas estadísticas introducidas en el control estadístico
de calidad.
 El Dr. Walter Shewhart de los laboratorios Bell-AT&T
desarrollo estas graficas en 1924.

Rev. 1 2015-02-02 Diapositiva 70 de 71

 Introducción a las Graficas
de Control
 Las graficas originales eran graficas de datos de variables:
promedios y rango.
 El concepto de graficas de control fue introducido en el
libro “El control económico de productos
manufacturados” (1931).
 Las graficas de control distinguen entre variación normal y
no normal a través del uso de pruebas estadísticas y
limites de control.

Rev. 1 2015-02-02 Diapositiva 71 de 71

 Introducción a las Graficas
de Control
 Los limites de control son calculados utilizando las reglas
de probabilidad, para que cuando un punto se determine
fuera de control, se deba a una causa asignable y no a
variación normal.
 Los puntos que estén fuera de los limites de control no son
el único criterio para determinar las condiciones de “fuera
de control”.

Rev. 1 2015-02-02 Diapositiva 72 de 71

 Introducción a las Graficas
de Control
 Todos los puntos pueden estar dentro de los limites de
control y el proceso puede estar fuera de control si no
muestra un patrón normal de variación.

Rev. 1 2015-02-02 Diapositiva 73 de 71

 Introducción a las Graficas
de Control
 Se utilizan “pruebas de zona” para determinar las
condiciones fuera de control.
 Las pruebas de zona son pruebas de hipótesis en una
forma modificada.
 Se utilizan para determinar si los puntos dibujados siguen
un patrón de comportamiento normal.

Rev. 1 2015-02-02 Diapositiva 74 de 71

 Introducción a las Graficas
de Control
 Las graficas de control son herramientas estadísticas que
pueden ayudar a establecer capacidades del proceso,
identificando problemas que causan condiciones fuera
de control y mantienen el control del producto y la
calidad del proceso.

Rev. 1 2015-02-02 Diapositiva 75 de 71

 Introducción a las Graficas
de Control
 Las graficas de control no realizaran esto por si mismas.
 Para que una grafica de control sea efectiva, se debe
tomar una acción como resultado de un patrón en la
grafica.

Rev. 1 2015-02-02 Diapositiva 76 de 71

 Introducción a las Graficas
de Control
 Una patrón normal significa que el proceso esta alineado
con las probabilidades de una distribución normal.
 Una gran variabilidad anormal y patrones poco naturales
indican condiciones fuera de control.
 Las condiciones fuera de control usualmente tienen
causas asignables y deben ser investigadas y resueltas.

Rev. 1 2015-02-02 Diapositiva 77 de 71

 Introducción a las Graficas
de Control
 Existen dos tipos de graficas de control: por variables y por
atributos.
 Las graficas de control por variables utilizan como datos
mediciones reales.
 Las graficas de control por atributos utilizan porcentajes o
conteos.

Rev. 1 2015-02-02 Diapositiva 78 de 71

 ¿Cuantos puntos se necesitan para
determinar que una grafica esta
bajo control?
 Shewhart decía:
“Se ha observado que una persona raramente podría estar
justificada en concluir que una operación repetitiva dada
ha logrado un estado de control estadístico hasta que haya
obtenido, bajo presumiblemente las mismas condiciones,
una secuencia de no menos de 25 muestras de tamaño 4
que están bajo control”.

Rev. 1 2015-02-02 Diapositiva 79 de 71

 ¿Cuándo recalculamos los limites
de control una grafica de control?
 Debido a que una grafica de control “compara” el
rendimiento actual de la característica de un proceso,
con su rendimiento pasado, cambiar los limites de control
frecuentemente podría ser contraproducente.

Rev. 1 2015-02-02 Diapositiva 80 de 71

 ¿Cuándo recalculamos los limites
de control una grafica de control?
 Solamente cambie sus limites de control si tiene una razón
valida para hacerlo. Por ejemplo:
 Cuando tiene por lo menos 30 puntos para añadir a la
grafica y no han existido cambios conocidos en el proceso.
 Si ha existido un gran cambio en el proceso y afecta la
forma en que el proceso es realizado.
 Si un acto conocido y predecible cambia la manera en que
una herramienta o proceso podría comportarse (corte
eléctrico, etc).

Rev. 1 2015-02-02 Diapositiva 81 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”
 WECO es la abreviatura de Western Electric
Company.
 Estas reglas están basadas en probabilidad.
 Sabemos que en una distribución normal la
probabilidad de encontrar un punto fuera de 3 es
0.3% (muy raro).
 Si observamos un unto fuera de los limites de
control, concluimos que el punto esta fuera de los
limites de control.

Rev. 1 2015-02-02 Diapositiva 82 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”
 De forma similar podemos identificar otros eventos
que son igualmente raros y utilizarlos como signos de
inestabilidad.
 La probabilidad de observar dos puntos de tres en
una fila entre 2 y 3 y la probabilidad de observar
cuatro de cinco puntos en una fila entre 1 y 2 es
también 0.3%.

Rev. 1 2015-02-02 Diapositiva 83 de 71

 Reglas WECO para
determinar “Graficas Fuera
de estándar
Control”
 El ancho de cada zona es un error estándar para la grafica de
variables y una desviación para una grafica de
atributos.
Un punto por encima de limite control
superior
LCS (3)
Zona A1 𝑥 + 2 a 𝑥 + 3 2 de 3 puntos en la Zona A1 o por encima
+2
Zona B1 𝑥 + 1 a 𝑥 + 2 4 de 5 puntos en la Zona B1 o por encima
+1 Zona C1 𝑥 + 1 8 puntos seguidos en la Zona C1 o por
encima
𝑥
Zona C2 𝑥 - 1 8 puntos seguidos en la Zona C2 o por
debajo
-1
Zona B2 𝑥 - 1 a 𝑥 - 2 4 de 5 puntos en la Zona B2 o por debajo
-2
LCI (3) Zona A2 𝑥 - 2 a 𝑥 - 3 2 de 3 puntos en la Zona A2 o por debajo
Un punto por debajo del limite control
inferior

Rev. 1 2015-02-02 Diapositiva 84 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”
 A pesar que las reglas WECO incrementan la
sensibilidad de las graficas de control, existe un
problema con estas.
 Cuando se sigue la regla de Shewart de “fuera de
control”, se tendrán “falsas alarmas” cada 371
puntos en promedio.

Rev. 1 2015-02-02 Diapositiva 85 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”

 Añadir las reglas WECO a las graficas de control

incrementa la frecuencia de falsas alarmas en
promedio alrededor de 1 vez cada 91.75 puntos.
 El analista debe decidir si este precio es suficiente
(algunos utilizan estas reglas pero no las toman muy
en serio).

Rev. 1 2015-02-02 Diapositiva 86 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”

 1 punto más allá de la zona de control: se estima que

la probabilidad de que pase esto es suficientemente
baja (de hecho es inferior al 0.3%) como para
sospechar que el sistema está fuera de control.
 2 de 3 puntos consecutivos en la zona de control:
similar al caso anterior, ya que la probabilidad de
que esto suceda es inferior al 0.0625%.

Rev. 1 2015-02-02 Diapositiva 87 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”

 6 puntos consecutivos en línea ascendente o

descendente: se considera que el sistema sigue una
tendencia no aleatoria.
 9 puntos consecutivos a un lado de la línea central
(ya sea por encima de ella o por debajo): este caso
suele constituir un desplazamiento del promedio o del
valor central, generalmente debido a un cambio
significativo en el sistema.

Rev. 1 2015-02-02 Diapositiva 88 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”

 14 puntos consecutivos alternando arriba o abajo:

fenómeno cíclico o series temporales.
 15 puntos consecutivos en la zona de control: esto
implica una mejora de la precisión y una menor
desviación estándar asociada.
 Se tendrían que volver a recalcular los límites de de
control.

Rev. 1 2015-02-02 Diapositiva 89 de 71

 Reglas WECO para determinar
“Graficas Fuera de Control”

 4 de 5 puntos consecutivos en la zona de aviso o

más allá. - 8 puntos consecutivos por encima y por
debajo de la zona de control: 2 poblaciones
diferentes. no cíclico o series temporales.
 8 puntos consecutivos por encima y por debajo de la
zona de control: 2 poblaciones diferentes.

Rev. 1 2015-02-02 Diapositiva 90 de 71

 Tiempo de Detección o Tiempo
“Longitud Media de Racha”
(ARL)
 Dos preguntas importantes aparecen cuando se
realizan graficas de control:
 Cuan frecuentemente existirán falsas alarmas cuando
busquemos por causas asignables pero nada ha
cambiado?
 Cuan rápidamente detectaremos ciertos tipos de
cambios sistemáticos, como cambios en la media?

Rev. 1 2015-02-02 Diapositiva 91 de 71

 Tiempo de Detección o Tiempo
“Longitud Media de Racha”
(ARL)
 La ARL no dice cuanto en promedio dibujaremos
puntos sucesivos de graficas de control antes de
detectora un unto mas allá de los limites de control.
 Para una grafica X, sin cambios en el proceso,
esperaremos en promedio 1/p puntos, antes de que
se de una falsa alarma.
 p denota la probabilidad de que una observación se
dibuje fuera de los limites de control.
 Para una distribución normal p = 0.0027 y ARL será
aproximadamente 371.

Rev. 1 2015-02-02 Diapositiva 92 de 71

 Tiempo de Detección o Tiempo
“Longitud Media de Racha”
(ARL)
 Si se toman muestras en intervalos fijos de tiempo en
horas (h)  Aparecerá una falsa alarma cada tiempo
promedio de indicación (ATS) en horas.

ATS = ARL*h

 Por ejemplo, si se toman muestras cada hora, se genera

una falsa alarma cada 371 horas.

Rev. 1 2015-02-02 Diapositiva 93 de 71

 Patrones en las graficas de
control
 Cuando una grafica de control es natural (sigue la curva normal),
no existen condiciones anormales o externas en el proceso.
 Cuando el patrón es no natural, hay algo presente en el proceso
que tiene un efecto en el patrón de la grafica de control.
 Todos los patrones no naturales necesitan ser investigados para
determinar su causa.
 La grafica de control por si misma no determinara la causa,
solamente identificara que existe un patrón natural o no natural.

Rev. 1 2015-02-02 Diapositiva 94 de 71

 Patrones en las graficas de
control

 Una grafica de control que se encuentra bajo control mostrara

patrones naturales de variación.
 Los patrones no naturales tienden a fluctuar mucho o fallan en
balancearse alrededor de la línea central.
 La representación de patrones naturales o no naturales es lo que
hace una grafica de control útil para el control estadístico de
calidad.

Rev. 1 2015-02-02 Diapositiva 95 de 71

 Patrones en las graficas de
control

 Cuando una grafica es interpretada, se buscan patrones especiales

como:
 ciclos,
 tendencias,
 cosas raras,
 mezclas,
 agrupaciones de mediciones,
 cambios súbitos en los niveles.

Rev. 1 2015-02-02 Diapositiva 96 de 71

 Patrones en las graficas de
control
Patrones naturales
Los puntos siguen una
distribución normal.
Los patrones naturales se
caracterizan por:
 La mayoría de los puntos
están cerca del promedio.
 pocos puntos se aproximan a
los limites de control.
 Raramente los puntos
exceden los limites de control

Rev. 1 2015-02-02 Diapositiva 97 de 71

 Patrones en las graficas de
control
mezclas
La mayoría de los puntos están
cerca de los limites de control y
algunos pocos cerca de la línea
central.
Las posibles causas son:
 Lotes de diferentes
proveedores.
 Diferencias en las personas
que realizan las pruebas.
 Diferencias en los equipos de
prueba.
 Existen Dos o mas materiales
diferentes, maquinas,
Rev. 1 2015-02-02 operadores, o medidores.
Diapositiva 98 de 71
 Patrones en las graficas de
control Cambios súbitos de nivel
Los puntos muestran un cambio
marcado en una dirección.
Las posibles causas son:
 Nuevos equipos de producción.
 Nuevo personal realizando las
pruebas.
 Nuevos sets de pruebas.
 Nueva configuración de la
maquina.
 Nuevo proveedor.
 Mantenimiento o revisión
inadecuada.
 Cambios en la calibración del
equipo.

Rev. 1 2015-02-02  Mejora de la capacidad Diapositiva

del 99 de 71
 Patrones en las graficas de
control
Tendencias
Los puntos muestran un
cambio gradual en una
dirección.
Las posibles causas son:
 Desgaste de los equipos.
 Mantenimiento
inadecuado o mejorado.
 Producción gradual de
nuevos materiales.
 Mejora o deterioro del
proceso.

Rev. 1 2015-02-02 Diapositiva 100 de 71

 Patrones en las graficas de
control
Agrupaciones
Todos o la mayoría de los puntos
están por encima de los limites
de control y muy cerca unos de
otros.
Las posibles causas son:
 Diferentes inspectores o
evaluadores.
 Errores de ploteo.
 Cambios en el set de
calibración.

Rev. 1 2015-02-02 Diapositiva 101 de 71

 Patrones en las graficas de
control
Ciclos
Son tendencias repetidas a
corto plazo en los datos
Las posibles causas son:
 Diferentes equipos.
 Diferentes evaluadores o
inspectores.
 Diferencias entre
proveedores.
 Efectos estacionales
(temperatura, etc.)

Rev. 1 2015-02-02 Diapositiva 102 de 71

 Patrones en las graficas de
control Cosas raras
Son ocurrencias ocasionales que
varían mucho respecto a un
patrón normal.
Las posibles causas son:
 Fallas del equipo.
 Daños accidentales durante
la manipulación.
 Equipos de prueba
inestables.
 Muestreo no aleatorio.
 Inspector o revisor no
entrenado.

Rev. 1 2015-02-02 Diapositiva 103 de 71

 Acondicionamiento
de Datos

Rev. 1 2015-02-02 Diapositiva 104 de 71

 Supuesto de Normalidad
 En las graficas de control se asume que los residuos
siguen una distribución normal.
 Es una buena practica, antes de llegar a conclusiones
finales, revisar las distribuciones de las variables de
mayor interés.
 En caso que se viole el supuesto de normalidad
debería realizarse una transformación matemática.

Rev. 1 2015-02-02 Diapositiva 105 de 71

 Supuesto de Normalidad
 Según Ghasemi y Zahediasl (2012), para
verificar el supuesto de normalidad se
sugiere realizar el siguiente
procedimiento:
1. Realice la verificación visual de la
normalidad a través de:
 Histogramas
 Diagramas de tallos y hojas (stem and leaf
diagram).
 Gráficos P-P (Probability-Probability plot).
 Gráficos Q-Q (Quantile-quantile Plot).
 En SPSS:
 Analyze Descriptive Statistics  Explore Plots 
Normality Plots with tests
Rev. 1 2015-02-02 Diapositiva 106 de 71
 Supuesto de Normalidad
2. Realice pruebas estadísticas de normalidad
 Kolmogorov-Smirnov (Prueba K-S) para muestras
menores a 50.
 Shapiro Wilk (Prueba S-W) para muestras menores a 30.
H0: la distribución es normal.
Problemas:
 En muestras pequeñas estos tests de normalidad tienen
capacidad limitada de rechazar la hipotesis nula 
Muestras pequeñas casi siempre pasan las pruebas de
normalidad (Oztuna et al. 2006).
 En muestras grandes, se rechazara la hipótesis nula
aunque existan pequeñas desviaciones de la
normalidad (Oztuna et al. 2006).
 En SPSS:
 Analyze Descriptive Statistics  Explore Plots  Normality Plots
with tests
Rev. 1 2015-02-02 Diapositiva 107 de 71
 Supuesto de Normalidad
 Para subsanar esos problemas se puede utilizar el test
de Ghasemi-Zahediasl (2012):
1. Calcule los valores estandarizados de curtosis y asimetría:

𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎 − 0
𝑍𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎 =
𝐸𝑟𝑟𝑜𝑟 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎

𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠 − 0
𝑍𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠 =
𝐸𝑟𝑟𝑜𝑟 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠

Rev. 1 2015-02-02 Diapositiva 108 de 71

 Supuesto de Normalidad
2. Compare con los valores de Z críticos
 Si N < 200 y -1.96  Zasimetria/curtosis  1.96  P < 0.05 
Rechaza H0
 Si N  200 y -2.58  Zasimetria/curtosis  2.58  P < 0.01 
Rechaza H0
 Si N  200 y -3.29  Zasimetria/curtosis  3.29  P < 0.001 
Rechaza H0

Rev. 1 2015-02-02 Diapositiva 109 de 71

 Supuesto de Normalidad
 Cuando no se cumpla el supuesto de normalidad
deberá realizar “transformaciones” a las variables que
no cumplen normalidad.
1. Revise los datos por valores extremos (control de
calidad de datos).
 Asegúrese que no existen datos mal tabulados.
 Realice nuevamente la prueba de normalidad.
2. Utilice modelos de transformación de datos:
Transformación directa o Modelo Transformacion Box-
Cox

Rev. 1 2015-02-02 Diapositiva 110 de 71

 SUPUESTO DE NORMALIDAD

 Cuando no se cumpla el supuesto de normalidad

deberá realizar “transformaciones” a las variables que no
cumplen normalidad.
1. Revise los datos por valores extremos (control de calidad
de datos).
 Asegúrese que no existen datos mal tabulados.
 Realice nuevamente la prueba de normalidad.
2. La característica que define el tipo de transformación a
realizar es:
a) Los datos tienen asimetría positiva o negativa.
b) La variable contiene valores de cero (no se puede aplicar
transformación logarítmica)  En esos casos añada un valor
constante de 1

Rev. 1 2015-02-02 Diapositiva 111 de 71

 SUPUESTO DE NORMALIDAD

Transformación Logarítmica
 Utilice transformación logarítmica si:
 Los datos tienen asimetría estadística positiva.
 Sospecha un componente exponencial en los datos.
 Los datos pueden ser mejor clasificados en “grados”.
 Los efectos acumulativos son multiplicativos en lugar de
aditivos.
 La base del algoritmo es arbitraria (las bases e, 10 y 2
son las mas utilizadas).

Rev. 1 2015-02-02 Diapositiva 112 de 71

 SUPUESTO DE NORMALIDAD

 Algoritmo en SPSS
COMPUTE NEWVAR = LG10(OLDVAR) .
COMPUTE NEWVAR = LG10(OLDVAR+1) .

COMPUTE NEWVAR = LN(OLDVAR) .

COMPUTE NEWVAR = LN(OLDVAR+1) .

Rev. 1 2015-02-02 Diapositiva 113 de 71

 SUPUESTO DE NORMALIDAD

Transformación Cuadrática
 Utilice transformación cuadrática si:
 Los datos tienen asimetría estadística positiva.
 Los datos son frecuencias.
 Los datos tienen muchos ceros o valores
extremadamente pequeños.
 Los datos tienen un componente físico, como área vs.
longitud.

Rev. 1 2015-02-02 Diapositiva 114 de 71

 SUPUESTO DE NORMALIDAD

 Algoritmo en SPSS
COMPUTE NEWVAR = SQRT(OLDVAR) .

Rev. 1 2015-02-02 Diapositiva 115 de 71

 SUPUESTO DE NORMALIDAD

Transformación Reciproca
 Utilice transformación reciproca si:
 Los datos tienen asimetría estadística positiva.
 Los datos fueron originalmente calculados mediante una
división, o representa un radio.
La variable no deberia tener valores cercanos a cero.
Esta transformación no puede ser realizada en valores no
positivos.

Rev. 1 2015-02-02 Diapositiva 116 de 71

 SUPUESTO DE NORMALIDAD

 Algoritmo en SPSS
COMPUTE NEWVAR = 1 / OLDVAR .
COMPUTE NEWVAR = 1 / (OLDVAR+1) .

Rev. 1 2015-02-02 Diapositiva 117 de 71

 SUPUESTO DE NORMALIDAD

Transformación Exponencial
 Utilice transformación exponencial si:
 Los datos tienen asimetría estadística negativa.
 Usted sospecha una tendencia logarítmica subyacente
(decadencia, abandono, supervivencia, etc.) en los datos.
 Esta transformación puede ser realizada a números
negativos.
 Dependiendo del rango de valores, esta transformación
es la mas poderosa en la reducción de asimetría
negativa.
 Algoritmo en SPSS
COMPUTE NEWVAR = EXP(OLDVAR) .
COMPUTE NEWVAR = 2 ** OLDVAR.

Rev. 1 2015-02-02 Diapositiva 118 de 71

 SUPUESTO DE NORMALIDAD

Transformación con Potencias

 Utilice transformación con potencias si:
 Los datos tienen asimetría estadística negativa.
 Los datos tienen un componente físico (potencia) como area vs. longitud.
 Usualmente los datos son elevados al cuadrado. También se pueden
utilizar otras potencias.
 Trate de escoger una potencia que refleje la realidad física existente.
 Esta transformación no puede ser realizada en valores negativos.
 Algoritmo en SPSS
COMPUTE NEWVAR = OLDVAR ** 2.
COMPUTE NEWVAR = OLDVAR ** 3.

Rev. 1 2015-02-02 Diapositiva 119 de 71

 SUPUESTO DE NORMALIDAD

Transformación Arcoseno
 Utilice transformación arcoseno si:
 Los son una proporción que se encuentra en un rango
desde 0.0 a 1.0 o en porcentaje de 0 a 100.
 La mayoría de los datos esta entre 0,2 – 0.8 o entre los
porcentajes de 20 y 80
 Esta transformación resulta en radianes (grados) cuya
distribucion sera cercana a la normal.
 Algoritmo en SPSS
 Para números: COMPUTE NEWVAR =
ARSIN(OLDVAR).
 Para porcentajes: COMPUTE NEWVAR =
ARSIN(OLDVAR/100) .

Rev. 1 2015-02-02 Diapositiva 120 de 71

 Supuesto de Normalidad

 Los Profesores George Box y David Cox desarrollaron

un procedimiento para identificar el exponente
apropiado para transformar datos a una “forma
normal”.
 El valor de Lambda indica la potencia a la cual los
datos deberían ser elevados.
 Para hacer esto, la transformación Box-Cox busca un
Lambda entre – 5 a +5 hasta que el mejor valor es
encontrado.

Rev. 1 2015-02-02 Diapositiva 121 de 71

 Supuesto de Normalidad

Lambda Transformación Box-Cox

-2 Y-2 = 1/Y2
-1 Y-1 = 1/Y1
-0.5 Y-0.5 = 1/Y1/2
0 Log (Y)
0.5 Y0.5 = Y1/2
1 Y1 = Y1
2 Y2

Rev. 1 2015-02-02 Diapositiva 122 de 71

 Histogram of Satisfaccion Servicio
Normal

300 Mean 6.228

StDev 2.002
N 1197
250

200
Frequency

150

100

50

0
2 4 6 8 10
Satisfaccion Servicio

Rev. 1 2015-02-02 Diapositiva 123 de 71

 Box-Cox Plot of Satisfaccion Servicio
Lower CL Upper CL
3.5 Lambda
(using 95.0% confidence)
Estimate 1.27

Lower CL 1.13
3.0 Upper CL 1.42

Rounded Value 1.27

StDev

2.5

2.0

Limit

-2 -1 0 1 2 3 4 5
Lambda

Rev. 1 2015-02-02 Diapositiva 124 de 71

 Histogram of Datos Trans 2
Normal

300 Mean 10.49

StDev 4.051
N 1197
250

200
Frequency

150

100

50

0
2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0
Datos Trans 2

Rev. 1 2015-02-02 Diapositiva 125 de 71

 Histogram of Satisfaccion Servicio
Normal

300 Mean 6.228

StDev 2.002
N 1197
250

200

Frequency
150

100

50

0
2 4 6 8 10
Satisfaccion Servicio

Histogram of Datos Trans 2

Normal

300 Mean 10.49

StDev 4.051
N 1197
250

200
Frequency

150

100

50

0
2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0
Datos Trans 2
Rev. 1 2015-02-02 Diapositiva 126 de 71
 Supuesto de Normalidad

 El Metodo de Box-Cox siempre funciona?

 Esta transformación no garantiza la normalidad,
 La suposicion para todas las transformaciones con
valores Lambda -5 a +5 tiene la mayor probabilidad
(pero no garantiza) de estar normalmente distribuido
con la mas pequeña desviación estándar.
 Es absolutamente necesario verificar que los datos
estén normalmente distribuidos con los métodos ya
mencionados.

Rev. 1 2015-02-02 Diapositiva 127 de 71

 Supuesto de Normalidad
 Tome en cuenta que los valores transformados no tienen
sentido practico en si mismos.
 En consecuencia, se deben recrear las graficas de control
con los limites de control “correctos”.
 Siga el siguiente procedimiento:
1. Dibuje la grafica de control con los datos transformados.
2. Identifique los nuevos limites de control para los datos
transformados.
3. Utilice esos nuevos limites de control y realice la transformación
con las valores de Lambda.
a) Por ejemplo, en los datos transformados LCS = 3.4442 y LCI = -0.0542
con Lambda = 0.5 (raíz cuadrada)
b) Los limites de control para los datos sin transformar serán elevados al
cuadrado LCS = 3.4442 = 11.847 y LCI = -0.05422 = 0.003.
4. Dibuje nuevamente la grafica de control con los datos originales
pero utilizando los nuevos limites de control transformados.

Rev. 1 2015-02-02 Diapositiva 128 de 71

Rev. 1 2015-02-02 Diapositiva 129 de 71
Rev. 1 2015-02-02 Diapositiva 130 de 71
Rev. 1 2015-02-02 Diapositiva 131 de 71
 I-MR Chart of Satisfaccion Servicio
U C L=11.53
10.0

Individual V alue
7.5 _
X=6.23
5.0

2.5
LC L=0.92
0.0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation

1
1
8
1 1 1 1 11 1 1 1 1 1 1 1 1

M oving Range
U C L=6.52
6

4
__
2 M R=1.99

0 LC L=0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation

Probability Plot of Satisfaccion Servicio

Normal
99.99
Mean 6.228
StDev 2.002
N 1197
99 KS 0.182
P-Value <0.010
95

80
Percent

50

20

5
1

0.01
0.0 2.5 5.0 7.5 10.0 12.5 15.0
Satisfaccion Servicio

Rev. 1 2015-02-02 Diapositiva 132 de 71

 Box-Cox Plot of Satisfaccion Servicio
Lower CL Upper CL
3.5 Lambda
(using 95.0% confidence)
Estimate 1.27

Lower CL 1.13
3.0 Upper CL 1.42

Rounded Value 1.27

StDev
2.5

2.0

Limit

-2 -1 0 1 2 3 4 5
Lambda

Probability Plot of Datos Trans 2

Normal
99.99
Mean 10.49
StDev 4.051
N 1197
99 KS 0.172
P-Value <0.010
95

80
Percent

50

20

5
1

0.01
-5 0 5 10 15 20 25
Datos Trans 2
Rev. 1 2015-02-02 Diapositiva 133 de 71
 I-MR Chart of Datos Trans 2
U C L=21.36
20

Individual V alue
15
_
10 X=10.49

0 LC L=-0.39
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation

20
1

1
1
15 1 1 1 1
M oving Range

U C L=13.36

10

5 __
M R=4.09

0 LC L=0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation

12

10

8
7.699
6

2
1.99
0
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
1
5
9

101
105
109
113
117
121
125
129
Rev. 1 2015-02-02 Diapositiva 134 de 71
 Graficas de Control
por Variables

Rev. 1 2015-02-02 Diapositiva 135 de 71

 GRAFICAS DE CONTROL POR VARIABLES

GRAFICAS DE CONTROL POR VARIABLES

1. Graficas de control X – R. Principio, construcción y uso

2. Graficas de control X – S. Principio, construcción y uso

3. Graficas de control I – MR. Principio, construcción y uso

Rev. 1 2015-02-02 Diapositiva 136 de 71

 GRAFICAS DE CONTROL POR VARIABLES

• La curva normal es la base para estas graficas y requiere

las siguientes suposiciones:
– La característica de calidad a ser monitoreada es
adecuadamente modelada por una variable normal
aleatoriamente distribuida.
– Los parámetros  y  para la variable aleatoria es la misma
para cada unidad y cada unidad es independiente para sus
predecesores o sucesores.

Rev. 1 2015-02-02 Diapositiva 137 de 71

 GRAFICAS DE CONTROL POR VARIABLES

– El procedimiento de inspección es el mismo para cada

muestra y es llevado a cabo consistentemente de
muestra a muestra.

Rev. 1 2015-02-02 Diapositiva 138 de 71

 Graficas de control X-R
 Los puntos de una grafica 𝒙 siempre siguen un patrón
normal de variación.
 Los puntos son promedios de pequeñas muestras.
 El teorema central del limite dice que una distribución de
promedios tiende a seguir el patrón de una distribución
normal.

Rev. 1 2015-02-02 Diapositiva 139 de 71

 Graficas de control X-R
Recolección de datos y cálculos para la construcción de
graficas 𝒙 y R
 Se toman y registran muestras de 4, 5 o 6 lecturas en una
forma apropiada.
 Generalmente se utilizan 5 lecturas porque es el tamaño
de muestra mas económico y común.

Rev. 1 2015-02-02 Diapositiva 140 de 71

 Graficas de control X-R
 El promedio (𝒙) de cada muestra es calculado mediante
la suma de medidas en la muestra y la división por el
numero de muestras.
 Estos promedios tienden a seguir el patrón de una
distribución normal aunque no vengan de un proceso
normal.

Rev. 1 2015-02-02 Diapositiva 141 de 71

 Graficas de control X-R
 El rango (R) es calculado mediante la resta de la
medición mas pequeña con la medición mas grande en
cada muestra.
 La línea central para la grafica 𝒙 es calculada
promediando todos los promedios de las muestras.
 A este promedio se lo denomina promedio de promedios, gran
promedio o 𝑥.

 El línea central para la grafica r es calculada

promediando los rangos de las muestras y designándolo
𝑹.

Rev. 1 2015-02-02 Diapositiva 142 de 71

 Graficas de control X-R

 Los limites de control de la grafica 𝒙 se calculan de la siguiente

forma:
 Limite de control superior (𝐿𝐶𝑆𝑥 ) = 𝑥 + A2 𝑹
 Limite de control inferior (𝐿𝐶𝐼𝑥 ) = 𝑥 - A2 𝑹
 Los limites de control de la grafica 𝑹 se calculan de la siguiente
forma:
 Limite de control superior (𝐿𝐶𝑆𝑅 ) = D4 𝑹
 Limite de control inferior (𝐿𝐶𝐼𝑅 ) = D3 𝑹
Donde A2, D3 y d4 se listan en la tabla de factores.

Rev. 1 2015-02-02 Diapositiva 143 de 71

Rev. 1 2015-02-02 Diapositiva 144 de 71
 Graficas de control X-R
Construcción de graficas 𝒙 y R
 Ambas graficas son dibujadas en una “misma” hoja de
papel.
 Para que las graficas sean efectivas es importante verlas al
mismo tiempo.
 La escala vertical debería ser seleccionada para permitir
un rango completo de valores y también prevenir
superposición o extensiones del grafico.
 Se sugiere utilizar papeles cuadriculados para dibujar las
graficas.

Rev. 1 2015-02-02 Diapositiva 145 de 71

 Graficas de control X-R
 La grafica 𝒙 es dibujada en la parte superior del papel y la
grafica R en la parte inferior.
 La grafica R comienza en la parte inferior o cerca de la
parte inferior del papel, utilizando una escala apropiada
para cubrir todos los posibles rangos de valores (LCI).
 El LCS para la grafica R debe estar por encima de la línea
central.
 La línea central es dibujada aproximadamente al centro
de la mitad superior de la hoja.

Rev. 1 2015-02-02 Diapositiva 146 de 71

 Graficas de control X-R
 La grafica 𝒙 es dibujada en la parte superior del papel y la
grafica R en la parte inferior.
 La grafica R comienza en la parte inferior o cerca de la
parte inferior del papel, utilizando una escala apropiada
para cubrir todos los posibles rangos de valores (LCI).
 El LCS para la grafica R debe estar por encima de la línea
central.
 La línea central es dibujada aproximadamente al centro
de la mitad superior de la hoja.

Rev. 1 2015-02-02 Diapositiva 147 de 71

Rev. 1 2015-02-02 Diapositiva 148 de 71
 Observaciones
Numero
de
muestra 1 2 3 4
1 15.85 16.02 15.83 15.93
2 16.12 16 15.85 16.01
3 16 15.91 15.94 15.83
4 16.2 15.85 15.74 15.93
 El inspector de una empresa de 5 15.74 15.86 16.21 16.1
refrescos ha tomado 25 muestras 6 15.94 16.01 16.14 16.03
y 4 observaciones por muestra 7 15.75 16.21 16.01 15.86
del volumen de botellas 8 15.82 15.94 16.02 15.94
9 16.04 15.98 15.83 15.98
llenadas. A continuación se 10 15.64 15.86 15.94 15.89
presentan los valores. Si la 11 16.11 16 16.01 15.82
desviación estándar de la 12 15.72 15.85 16.12 16.15
operación es 0.14 onzas: 13 15.85 15.76 15.74 15.98
14 15.73 15.84 15.96 16.1
calcule las grafica de control X- 15 16.2 16.01 16.1 15.89
R. 16 16.12 16.08 15.83 15.94
17 16.01 15.93 15.81 15.68
18 15.78 16.04 16.11 16.12
19 15.84 15.92 16.05 16.12
20 15.92 16.09 16.12 15.93
21 16.11 16.02 16 15.88
22 15.98 15.82 15.89 15.89
23 16.05 15.73 15.73 15.93
24 16.01 16.01 15.89 15.86
25 16.08 15.78 15.92 15.98
Rev. 1 2015-02-02 Diapositiva 149 de 71
 Graficas de control X-S
 Las graficas de control X-S son similares a las graficas X-R.
 La única diferencia es que en lugar de utilizar el rango, se
utiliza la desviación estándar de la muestra (error
estándar).
 Las graficas X-S son ventajosas en las siguientes
situaciones:
 El tamaño de muestra es lo suficientemente largo (n>10).
 El tamaño de muestra es variable.
 Se pueden utilizar computadoras para facilitar la pesadez de
los cálculos.

Rev. 1 2015-02-02 Diapositiva 150 de 71

 Graficas de control X-S
 Los limites de control de la grafica 𝒙 se calculan de la
siguiente forma:
 Limite de control superior (𝐿𝐶𝑆𝑥 ) = 𝑥 + A3 𝑺
 Limite de control inferior (𝐿𝐶𝐼𝑥 ) = 𝑥 - A3 𝑺
 Los limites de control de la grafica 𝑹 se calculan de la
siguiente forma:
 Limite de control superior (𝐿𝐶𝑆𝑅 ) = B4 𝑺
 Limite de control inferior (𝐿𝐶𝐼𝑅 ) = B3 𝑺
Donde A3, B3 y B4 se listan en la tabla de factores.

 x  x 
2
1 m
i S   Si
S i 1
m i 1
n 1

Rev. 1 2015-02-02 Diapositiva 151 de 71

Rev. 1 2015-02-02 Diapositiva 152 de 71
 Graficas de control de Mediciones
Individuales (Graficas I)

 Las graficas I son ventajosas en las siguientes situaciones:

 El tamaño de muestra es igual a 1.
 Tasa de producción baja y no es conveniente tomar
muestras superiores a 1 pieza.
 Las mediciones entre unidades difieren muy poco (baja
variabilidad) y se debe a errores de medición.
 Plantas de producción de papel donde el espesor varia
levemente.

Rev. 1 2015-02-02 Diapositiva 153 de 71

 Graficas de control de Mediciones
Individuales (Graficas I)

 Utiliza el rango móvil de dos observaciones consecutivas

para medir la variabilidad del proceso.
 El rango móvil se define como:
MR = 𝑋𝑖 − 𝑋𝑖−1

Rev. 1 2015-02-02 Diapositiva 154 de 71

 Graficas de control de Mediciones
Individuales (Graficas I)

 Los limites de control de la grafica I se calculan de la

siguiente forma:
𝑴𝑹
 Limite de control superior (𝐿𝐶𝑆𝐼 ) = 𝑥 + 3 𝟏.𝟏𝟐𝟖
𝑴𝑹
 Limite de control inferior (𝐿𝐶𝐼𝐼 ) = 𝑥 - 3 𝟏.𝟏𝟐𝟖

Rev. 1 2015-02-02 Diapositiva 155 de 71

 Graficas de control de Mediciones
Individuales (Graficas I)
 A continuación se presentan las mediciones de un proceso
donde se monitoreaba el flujo de un proceso. Los primeros 10
lotes resultaron en las siguientes mediciones.
Numero de lote Flujo
1 49.6
2 47.6
3 49.9
4 51.3
5 47.8
6 51.2
7 52.6
8 52.4
9 53.6
10 52.1
Rev. 1 2015-02-02 Diapositiva 156 de 71
 Graficas de Control
por Atributos

Rev. 1 2015-02-02 Diapositiva 157 de 71

 Graficas de Control por
Atributos
 Las graficas que utilizan conteos o porcentajes
son de alguna forma menos poderosas que las
graficas de variables, pero pueden ser utilizadas
ventajosamente si son entendidas y utilizadas
apropiadamente.
 Se recomienda utilizar las graficas por atributos
cuando es imposible, difícil o no económico
tomar medidas numéricas.
 Las graficas por atributos tienen la ventaja
distintiva de combinar múltiples características
en una sola grafica.

Rev. 1 2015-02-02 Diapositiva 158 de 71

 Graficas de Control por Atributos

GRAFICAS DE CONTROL POR ATRIBUTOS

1. Graficas de control P, NP. Principio, construcción y uso

2. Graficas de control C. Principio, construcción y uso

Rev. 1 2015-02-02 Diapositiva 159 de 71

 Graficas de control por
atributos
Grafica p
 La grafica mas frecuentemente utilizada para graficas de
control por atributos es la “Grafica p” o grafica de
porcentaje de productos defectuosos.
 A pesar que muchas características de calidad son
combinadas en una Grafica p, esta será mas fácil de
interpretar si esta las características se limitan a aquellas
pocas que son mas problemáticas.

Rev. 1 2015-02-02 Diapositiva 160 de 71

 Graficas de control por
atributos
Recolección de datos y calculo de la grafica p
 Los tamaños de muestra son mas grandes para las
graficas de control por atributos que para las graficas de
control por variables.
 Los tamaños de muestra van desde 50 a 100 datos o mas.
 El tamaño de muestra promedio 𝑛 es utilizado en las
formulas para el calculo de limites de control.
 El porcentaje de defectuosos (p) para cada muestra es
calculado dividiendo el numero total de unidades
defectuosas en la muestra, dividido por el tamaño de
muestra.

Rev. 1 2015-02-02 Diapositiva 161 de 71

 Graficas de control por
atributos
 Este es el porcentaje de unidades defectuosas en lugar
del porcentaje de defectos.
 Una unidad defectuosa puede contener uno o mas
defectos.
 La línea central de la Grafica p es calculada dividiendo el
numero total de unidades defectuosas en todas las
muestras por el numero de unidades observadas en todas
las muestras.
 El promedio del porcentaje de defectuosos se conoce
como grafica p (𝑝).

Rev. 1 2015-02-02 Diapositiva 162 de 71

 Graficas de control por
atributos
 Los limites de control son calculados con las siguientes
formulas:
𝑝(1−𝑝)
 LCS = 𝑝 + 3 𝑛

𝑝(1−𝑝)
 LCI = 𝑝 − 3 𝑛

 si el LCI es negativo, se utiliza cero

Rev. 1 2015-02-02 Diapositiva 163 de 71

 Graficas de control por
atributos
Construcción de la grafica p
 Como solamente una grafica es colocada en la hoja de
papel, la escala vertical es construida colocando la línea
central 𝑝 al centro de la grafica.
 El LCS cerca de la parte superior de la hoja y el LCI cerca
de la parte inferior de la grafica.
 La línea central es indicada por una línea solida y
denominada 𝑝.
 El LCS y el LCI son dibujados con líneas punteadas.

Rev. 1 2015-02-02 Diapositiva 164 de 71

 Graficas de control por
atributos
 Las muestras no necesitan ser del mismo tamaño para una
grafica p.
 El tamaño promedio de la muestra n es utilizada en las
formulas de las graficas de control.
 La muestra mas grande no debería ser el doble de grande
que el tamaño de muestra promedio.

Rev. 1 2015-02-02 Diapositiva 165 de 71

Rev. 1 2015-02-02 Diapositiva 166 de 71
 Numero Numero de Numero de
de llantas observaciones
muestra defectuosas muestreadas
1 3 20
 El gerente manufactura de una 2 2 20
empresa que produce llantas ha 3 1 20
inspeccionado el numero de 4 2 20
5 1 20
llantas defectuosas en 20 6 3 20
muestras aleatorias. Basado en 7 3 20
los datos que se presentan a 8 2 20
continuación, dibuje la Grafica 9 1 20
10 2 20
de control p 11 3 20
12 2 20
13 2 20
14 1 20
15 1 20
16 2 20
17 4 20
18 3 20
19 1 20
20 1 20
Rev. 1 2015-02-02 Diapositiva 167 de 71
 Graficas de control por
atributos
Grafica np
 La grafica np es utilizada para dibujar el numero de
productos defectuosos cuando los tamaños de muestra
son del mismo tamaño.
 Si los tamaños de muestra no son todos iguales utilizar
grafica p.
 Línea central: n𝑝
 LCS = n𝑝 + 3 𝑛𝑝(1 − 𝑝)

 LCI = n𝑝 - 3 𝑛𝑝(1 − 𝑝)

Rev. 1 2015-02-02 Diapositiva 168 de 71

 Numero Numero de Numero de
de llantas observaciones
muestra defectuosas muestreadas
1 3 20
2 2 20
 El gerente manufactura 3 1 20
de una empresa que 4 2 20
produce llantas ha 5 1 20

inspeccionado el numero 6
7
3
3
20
20
de llantas defectuosas en 8 2 20
20 muestras aleatorias 9 1 20
con 20 observaciones. 10 2 20
Basado en los datos que 11 3 20
se presentan a 12 2 20
continuación, dibuje la 13 2 20
grafica de control np 14 1 20
15 1 20
16 2 20
17 4 20
18 3 20
19 1 20
20 1 20
Rev. 1 2015-02-02 Diapositiva 169 de 71
 Graficas de control por
atributos
Graficas de control c
 Las graficas de control c se utilizan para dibujar el numero
de defectos por unidad.
 Esta grafica es utilizada cuando las posibilidades de
defectos son infinitas y la probabilidad de obtener un
producto defectuoso es muy pequeña.
 Linea central: 𝑐 = numero Promedio de defectos en la
muestra
 LCS = 𝑐 + 3 𝑐
 LCI = 𝑐 - 3 𝑐

Rev. 1 2015-02-02 Diapositiva 170 de 71

 Semana # de Quejas
1 3
2 2
 El numero de quejas semanales son 3 3
monitoreadas por un hotel que utiliza las 4 1
graficas c. se han registrado las quejas 5 3
de las ultimas 20 semanas. Dibuje la 6 3
grafica de control c utilizando los 7 2
siguientes datos 8 1
9 3
10 1
11 3
12 4
13 2
14 1
15 1
16 1
17 3
18 2
19 2
20 3

Rev. 1 2015-02-02 Diapositiva 171 de 71

 Análisis de la
Capacidad de
Procesos

Rev. 1 2015-02-02 Diapositiva 172 de 71

 Análisis de la capacidad del
proceso
 El termino capacidad del proceso se refiere al
comportamiento normal de las medidas
características de un producto cuando el proceso se
encuentra estadísticamente bajo control.
 Es el rango medido de la variación inherente de las
características del producto que resultan de un
proceso.
 La capacidad de un proceso puede ser expresada
por datos de variables o atributos.

Rev. 1 2015-02-02 Diapositiva 173 de 71

 Análisis de la capacidad del
proceso
 La capacidad de un proceso puede ser también
definida como el rango de valores donde se
encuentran el 99.73% de los datos tomados.
 La desviación estándar de la muestra (s) se utiliza
como un valor estimado de la desviación estándar
de la población ().
Ejemplo: si un proceso arroja un promedio de 2.1 cm y
una s de 0.1 cm, ¿Cual es la capacidad del proceso?

Rev. 1 2015-02-02 Diapositiva 174 de 71

Rev. 1 2015-02-02 Diapositiva 175 de 71
 Análisis de la capacidad del
proceso

 Despeje Xi de la formula para el calculo de z

(𝑥𝑖 − 𝑥)
𝑧=

𝑥𝑖 =  * Z + 𝑥
 Z =  2.985 ; 𝑥 = 2.1;  = 0.1
 La capacidad del proceso se encuentra en el
rango 2.39 cm a 1.80 cm (LES y LEI).

Rev. 1 2015-02-02 Diapositiva 176 de 71

 Análisis de la capacidad del proceso
¿Que hacer si se desconoce  y ?
Para calcular las estimaciones se parte de un proceso ideal.
Esto significa que se supone que el valor medio del proceso μ y
de la desviación estándar σ se mantienen constantes a lo
largo de un periodo prolongado.
 1 n
̂  x   x
n i 1 i Estimación del valor medio μ

1 n 2 Estimación de la desviación estándar σ

ˆ   s
n i 1 i n = cantidad de muestras

Rev. 1 2015-02-02 Diapositiva 177 de 71

 Análisis de la capacidad del
proceso
Índice de capacidad del proceso (Cp)
 Es el radio de la dispersión de las especificaciones con la
variabilidad medida del proceso o la distribución de la
muestra (6).
 El cp no indica la localización de la distribución de la
muestra relativa a las especificaciones.
 Es una comparación del ancho de la distribución de la
muestra con el ancho de la especificación.

𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖𝑜𝑛 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟 − 𝐿𝑖𝑚𝑖𝑡𝑒 𝑑𝑒 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎𝑐𝑖𝑜𝑛 𝐼𝑛𝑓𝑒𝑟𝑖𝑜𝑟

𝐶𝑝 =
6

Rev. 1 2015-02-02 Diapositiva 178 de 71

 Análisis de la capacidad del
proceso

Rev. 1 2015-02-02 Diapositiva 179 de 71

 Análisis de la capacidad del
proceso

Rev. 1 2015-02-02 Diapositiva 180 de 71

 Análisis de la capacidad del
proceso 5.00%

4.50% 0.67, 4.55%

P (RADIO PROMEDIO DE DEFECTOS)

4.00%

3.50%
Cp P (Radio
3.00%
promedio de
defectos) 2.50%
0.67 4.55% 2.00%
1 0.3% 1.50%
1.33 0.006%
1.00%
1.67 0.00006%
0.50%
2 0.0000002% 1, 0.30% 1.33, 0.01%1.67, 0.00%
0.00% 2, 0.00%
0 0.5 1 1.5 2 2.5
CP

Rev. 1 2015-02-02 Diapositiva 181 de 71

 Análisis de la capacidad del
proceso
 Ejemplo: Las especificaciones de cierta
característica de un proceso es 0.005  0.0002 cm.
Como resultado del análisis del proceso se obtuvo
que la desviación estándar es 0.0000429. Calcule:
A) el cp para esta característica de calidad.
b) la capacidad del proceso es aceptable?

Rev. 1 2015-02-02 Diapositiva 182 de 71

 Análisis de la capacidad del
proceso

 Ejemplo 2: el proceso de empacado de banano para

exportación se tienen las siguientes especificaciones para
la longitud de bananos: 15  0.050 cm. Como resultado
del análisis del proceso se obtuvo que la desviación
estándar es 0.005. calcule:
A) el cp para esta característica de calidad.
b) la capacidad del proceso es aceptable?

Rev. 1 2015-02-02 Diapositiva 183 de 71

 Análisis de la capacidad del
proceso
Índice de rendimiento del proceso (cpk)
 Este índice refleja la localización de la
distribución de la muestra en relación con el
promedio especificado.
 El máximo valor que puede adoptar cpk es igual
cp.
 Esto ocurre cuando la distribución de la muestra
esta centrada en el promedio especificado.

𝑥−𝐿𝐸𝐼 𝐿𝐸𝑆 − 𝑥
𝐶𝑝𝑘 = 𝑀𝑖𝑛𝑖𝑚𝑜 𝐶𝑝𝑖 𝑜 𝐶𝑝𝑠 = 𝑀𝑖𝑛𝑖𝑚𝑜 𝑜
3𝑠 3𝑠

Rev. 1 2015-02-02 Diapositiva 184 de 71

 Análisis de la capacidad del
proceso
 Si cpk < 1  no existe espacio para la variación
del promedio del proceso de las dimensiones
nominales de las especificaciones de ingeniería.
 En otras palabras: “alguna parte de la distribución de
datos esta fuera de los limites especificados!”
 Si cpk = 1  la dispersión 6 se encuentra dentro
de los limites especificados.

Rev. 1 2015-02-02 Diapositiva 185 de 71

 Análisis de la capacidad del
proceso
 Si cpk = o parte de la distribución de datos se
encuentra sobre uno de los limites especificados
del proceso.
 En otras palabras: “50% de los datos estarán fuera de
los limites de especificación!”
 Si cpk < o El proceso se encuentra fuera de los
limites de especificación.
 Se considera un cpk de 1.3 a 2 como un índice
de proceso respetable.

Rev. 1 2015-02-02 Diapositiva 186 de 71

Rev. 1 2015-02-02 Diapositiva 187 de 71
 Análisis de la capacidad del
proceso

 Ejemplo: las especificaciones de cierta característica de

un proceso es 0.005  0.0002 cm. Como resultado del
análisis del proceso se obtuvo que el promedio del
proceso es 0.0051 cm y la desviación estándar es
0.0000429. calcule:
1. El cpk para esta característica de calidad.

2. La capacidad del proceso es aceptable?

3. Calcule el porcentaje de productos defectuosos

Rev. 1 2015-02-02 Diapositiva 188 de 71

 ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS

Ejemplo
En una empresa metalmecánica se compra un nuevo torno
para el maquinado del diámetro exterior de tubos. De acuerdo
al punto 7.4.3 Verificación del producto comprado, hay que
asegurar que el torno comprado satisfaga los requisitos
establecidos para la calidad. Para tal fin se convino
contractualmente hacer una tanda preliminar para la
aceptación del torno. Después de la instalación y la puesta a
punto del torno se extrajeron 25 muestras de tamaño n = 5. El
periodo entre extracciones de muestras fue de
aproximadamente media hora. Se obtuvieron los siguientes
valores de diámetro, en mm. Se conoce que el proceso
funciona bajo el siguiente rango de tolerancias [49.80 y 50.20].
Calcule:
(a) El cp y cpk para esta característica de calidad; (b) ¿La
capacidad del proceso es aceptable?; y (c) Calcule el
Rev. 1 2015-02-02
porcentaje de productos defectuosos. Diapositiva 189 de 71
 ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS
N° VALORES CARACTERÍSTICOS
1 50,11 50,04 50,09 50,06 49,98
2 50,00 50,06 50,02 50,04 50,07
3 50,00 50,06 50,05 50,05 50,08
4 50,06 50,03 50,01 50,03 50,09
5 50,05 50,04 50,01 50,03 49,99
6 50,07 50,05 50,02 50,01 49,95
7 50,03 50,04 50,07 50,00 50,00
8 50,07 49,95 50,00 49,96 50,07
9 50,05 50,07 49,97 50,04 50,04
10 50,04 50,04 50,06 50,01 50,08
11 50,03 50,04 49,94 49,99 49,97
12 50,03 50,07 49,99 50,03 50,01
13 50,06 50,03 50,05 50,06 49,95
14 49,97 50,07 50,02 50,03 49,96
15 50,09 50,08 49,98 50,00 50,00
16 50,02 50,01 50,04 49,95 49,99
17 50,02 50,03 50,05 49,98 50,01
18 50,02 50,06 50,03 49,97 50,07
19 50,10 50,05 50,01 50,07 49,99
20 50,05 50,03 49,98 50,01 50,06
21 49,94 50,01 50,05 50,06 50,03
22 50,00 50,08 50,04 50,02 50,04
23 49,91 50,00 49,99 50,04 50,07
24 50,04 49,99 50,01 50,01 49,99
25 50,00 50,00 50,01 50,02 50,01
Rev. 1 2015-02-02 Diapositiva 190 de 71
 ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS

Índice Z = Mide el número de σ con el que se

desempeña un proceso.
La meta es lograr 6 sigma “calidad de clase
mundial”
𝐿𝐸𝑆 − 𝑥
Índice Zs=3*Cps = 3* ;
3𝑠

𝑥−𝐿𝐸𝐼
Índice Zi=3*Cpi = 3*
3𝑠

Rev. 1 2015-02-02 Diapositiva 191 de 71

 ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS

Estime los
índices de
capacidad en las
representaciones
gráficas
mostradas a
continuación y
que
conclusiones
puede sacar de
ellos.

Rev. 1 2015-02-02 Diapositiva 192 de 71

 MUCHAS GRACIAS
Rev. 1 2015-02-02 Diapositiva 193 de 71