Del Curso

CONTROL ESTADÍSTICO DE
PROCESOS
UNIDAD SERVICIOS EMPRESARIALES (USE)
Capacitacion online 2020
Objetivos del curso
 El objetivo del Control Estadístico de Pocesos es detectar

rápidamente la ocurrencia debida a causas asignables e
investigar las causas que la han producido para eliminarlas.
 Comprender la aplicación de las 7 herramientas estadísticas

para la solución de problemas en la ruta de la calidad
 Comprender los conceptos de la variabilidad de los

procesos y la forma de evaluarla
 Comprender los conceptos estadísticos para implantar

cartas de control por variables y por atributos para prevenir
los defectos y mejorar los procesos.
www.senati.edu.pe
PRIMERA UNIDAD
FUNDAMENTOS Y HERRAMIENTAS DE
ANÁLISIS
Sesión 1: FUNDAMENTOS DEL CONTROL ESTADÍSTICO
DE PROCESOS (CEP)

Objetivos
 Conocer los principales aspectos conceptuales del CEP así
como su terminología técnica.
 Presentar herramientas básicas del Control Estadístico de

Procesos (CEP).
 Describir las bases estadísticas de las graficas de control de

Shewhart.
 Discutir e ilustrar algunos aspectos prácticos en la

implantación del CEP.
www.senati.edu.pe
Contenido
1. Conceptos importantes del CEP
2. Métodos estadísticos de control y mejoramiento de calidad
3. El control estadístico y la mejora continua.
4. Estadígrafos y la distribución normal
5. Las siete herramientas estadísticas de la calidad
www.senati.edu.pe
¿Qué es C.E.P.?
 Definimos el “Control Estadístico de la Calidad” como la aplicación

de diferentes técnicas estadísticas a procesos industriales,
administrativos y/o servicios con objeto de comprobar si todas y
cada una de las partes del proceso o servicio cumplen unas ciertas
exigencias de calidad y ayudar a cumplirlas.
 Entendiendo por calidad de un producto o servicio como su

adecuación para ser usado.
www.senati.edu.pe
¿Qué es C.E.P.?
 CONTROL: Mantener el proceso dentro de sus límites.
 ESTADÍSTICO: Con la ayuda de datos que permita obtener

conclusiones.
 PROCESO: Operadores, máquinas, métodos y materiales

unidos para producir un producto o servicio
www.senati.edu.pe
Variabilidad
• La mayor dificultad para proporcionar productos o servicios de calidad

perfecta es la variabilidad inherente a cualquier proceso de fabricación o
de prestación de servicios.
• Si la diferencia entre dos unidades es pequeña no tiene importancia,

pero si es relativamente grande, alguna unidad puede ser inaceptable, o
lo que es lo mismo defectuosa.
• El estudio y evaluación de esa variabilidad es el objetivo de la aplicación

de técnicas estadísticas al control de la calidad.
www.senati.edu.pe
Variabilidad
 El principal objetivo del Control Estadístico de Procesos será

reducir sistemáticamente la variabilidad en productos y servicios.
Para ello es necesario, primero identificar las causas que
provocan variabilidad y posteriormente eliminarlas del proceso de
fabricación.
 Diremos que un proceso está bajo control o en estado de control

cuando la característica de calidad observada en el proceso varía
de forma estable alrededor de un valor medio fijo.
www.senati.edu.pe
Modelo conceptual de proceso
¿Que variables influyen y que tanto?

¿Que variables se pueden asegurar, como?
¿Que se puede controlar, donde, cuando, como?
www.senati.edu.pe
¿Qué es C.E.P.?
Control de calidad durante el proceso de producción, utilizando los datos

para mantener el proceso en estado de control estadístico (dentro de su
propia capacidad).
 Un sistemático y riguroso proceso para identificar y

ayudar a resolver problemas
 Una herramienta para mejorar la calidad y productividad
 Parte de una filosofía relacionada con el mejoramiento
continuo
 $ $ $ $ $ $ $
www.senati.edu.pe
Como trabaja el C.E.P....
 Cambiando el énfasis de la detección a la prevención
 Suministrando evidencia de como el sistema está actuando

(No opiniones o memoria)
 Diferenciando las causas especiales y las causas comunes

de variación.
www.senati.edu.pe
¿ Quiénes deben utilizarlo ?
 no es solo un asunto de
manufactura
 las técnicas del cep pueden y han
sido exitosamente utilizadas en Ingeniería para :
ambientes no manufactureros  Incorporar la capacidad del proceso en los diseños
La gente de Ventas necesita entender el CEP

 Comunicarse con manufactura
para:  Evaluar la ingeniería de procesos
 Comunicarse con los clientes y con
la planta Mantenimiento para:
 Evaluar el proceso de ventas  Entender porqué los llaman a hacer reparaciones
(aviso de fuera de control)
 Porque los clientes lo están
pidiendo y cada vez son más los  Comunicarse con la planta y la alta Gerencia
que lo piden  Evaluar el proceso de mantenimiento
www.senati.edu.pe
Porqué usted necesita C.E.P....
Porque la calidad es una exigencia para el éxito empresarial en el ambiente

competitivo de hoy.
Las expectativas del cliente lo demandan
Porque el mejoramiento de la calidad es la mejor forma de mejorar la rentabilidad.

El retorno de la inversión del mejoramiento de la calidad no tiene comparación
Porque la información es la clave del mejoramiento de la Calidad

Especialmente en manos de los empleados
Porque el C.E.P.. dirige la atención al proceso en lugar de al
producto.
www.senati.edu.pe
Para qué implementar el C.E.P....
 Para ayudar a decidir cuando ajustar el proceso, dejarlo quieto o detenerlo
 Para lograr costos bajos, alta calidad, alta productividad, capacidad

predecible, disminución del desperdicio y reproceso.
 Para ayudar a medir el efecto que tienen los cambios realizados en los
procesos.
 Para ayudar a elevar la moral porque la gente está más involucrada y dispuesta
a hacer un mejor trabajo
 Para aumentar la satisfacción de cliente porque: de pocos errores, mayores
negocios
www.senati.edu.pe
Algunos productos, servicios y expectativas del cliente
Hospital Fabrica de automoviles

• El paciente recibe el tratamiento • ¿Se desempeña como se
correcto? pretende?
• Pacientes tratados con cortesía • Componentes dentro de las
por todo el personal? tolerancias de fabricación?
• apoya todo el entorno del • Es agradable su apariencia?
Hospital a que los pacientes se
•
recuperen?
Banco Aserradero
• las transacciones del cliente se • Maderos dentro de las tolerancias
completa con precisión? de contenido de humedad?
• Cumple el Banco con las • Se clasifican correctamente los
reglamentaciones maderos?
gubernamentales? • Hay nudos, rajaduras, muchas
• ¿Los estados de los clientes
reflejan con exactitud sus superficies y otros defectos en
transacciones? cantidad excesiva?
www.senati.edu.pe
Dimensiones de la calidad
Evolución de la Calidad
 Desempeño
 Confiabilidad
 Durabilidad
 Facilidad de servicio
 Estética
 Características incluidas
 Calidad percibida
 Conformidad con los estándares
Características de la Calidad
1. Físicas: Longitud, peso, voltaje, viscosidad.

2. Sensoriales: sabor, apariencia, color.
3. Orientadas al tiempo: confiabilidad,
durabilidad, facilidad de servicio.
www.senati.edu.pe
Antecedentes históricos
CEP en occidente – Western Electric CEP en Japón
1924: WALTER SHEWHART realizó experimentos en 1950’s: EDWARD DEMING / JOSEPH JURAN:
base al Teorema del Límite Central y desarrolló las Entrenaron a líderes industriales en técnicas del
Cartas de Control del CEP CEP
1926: HAROLD F. DODGE Y HARRY G. ROMIG, 1950’s: KAOURU ISHIKAWA: Es un seguidor de

desarrollaron las técnicas de Muestreo Estadístico. Deming y desarrolla el Diagrama de Ishikawa, los
Círculos de calidad e impulsa el control de
calidad total CWQC.
Durante la 2a. Guerra Mundial se expande el uso del
CEP en la industria de manufactura
La aplicación de las técnicas estadísticas ha  Los japoneses implantaron el CEP y lograron
evolucionado a lo que hoy se conoce como Seis productos de alta calidad, Occidente retoma los
Sigma, aplicada por Motorola, GE, Sony, etc. métodos de CEP hasta después de los 1980’s.
www.senati.edu.pe
Métodos estadísticos de control y mejoramiento de calidad
A. LAS CARTAS DE CONTROL 15

• Técnica útil para el monitoreo de procesos
• Permiten identificar situaciones anormales 10
LCS
(causas especiales originadas por cambios en 5 Promedio
LCI
las 6M’s)
0 Perfil
• Sirven para prevenir la producción de defectivos
C. MUESTREO DE ACEPTACIÓN
B. DISEÑO DE EXPERIMENTOS
Técnica que permite calificar lotes de
Técnica útil para identificar las variables clave que productos como conformes o no
afectan a la variabilidad de productos. conformes, por medio de una muestra
Permite variar en forma sistemática los factores y representativa sin inspeccionar al 100%
analizar su efecto
Variables de Proceso Característica
Entrada/Factores de calidad
Lote Muestra ¿Ok?
www.senati.edu.pe
Administración por calidad total
Modelos: Creación de valor a Los Costos de Calidad

las partes interesadas
 Premio Malcolm Baldrige – EUA
CROSBY: La calidad se mide con el costo de calidad
 Premio Europeo a la calidad – Europa
• COSTOS DE PREVENCIÓN
 Premio Deming – Japón
 Planeación de calidad (manuales), Entrenamiento
 Premio Nacional de Calidad -México • COSTOS DE APRECIACIÓN
 Premios Estatales a la calidad  Inspecciones, pruebas y materiales de prueba
• COSTOS DE FALLA INTERNA
 Desperdicios, retrabajos, reinspecciones
• COSTOS DE FALLA EXTERNA
 Garantías, reclamaciones, demandas legales,
penalizaciones, campañas
www.senati.edu.pe
Factores de éxito para la implantación del CEP
Liderazgo gerencial, ser parte de un programa mayor
 Enfoque de grupo de trabajo
Educación y entrenamiento en todos los niveles
Énfasis en la mejora continua
Sistema de reconocimiento
Apoyo técnico de ingeniería o calidad
www.senati.edu.pe
¿Qué es Estadística?
Recolección de Organización de
datos datos
Es la ciencia que
relaciona los métodos
usados en la
Presentación de Análisis de datos

datos Estadística Descriptiva
www.senati.edu.pe
Definiciones
Población: Es la colección de todos los elementos (piezas, personas, etc.). En

nuestro caso sería un número infinito de mediciones de las características bajo
estudio.
Muestra: Es una parte o subconjunto representativo de la población, o sea un

grupo de mediciones de las características.
Variable aleatoria: es una función o regla que asigna uno y sólo un valor de una
variable " y" a cada evento en el espacio muestral. En este caso representa una
medición particular.
www.senati.edu.pe
Definiciones
Distribución: Es la forma del patrón de variación observado.
Datos continuos Los datos que tienen un valor real (temperatura,

presión, tiempo, diámetro, altura ).
Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.
www.senati.edu.pe
Definiciones
Estadístico: Es una medición tomada en Parámetro: Es el valor verdadero en

una muestra que sirve para hacer una población (media, desviación
inferencias en relación con una población estándar, se indican con letras
(media de la muestra, desviación estándar
griegas)
de la muestra).Normalmente es una
variable aleatoria y tiene asociada una
distribución.
Ejemplo de estadísticos Ejemplo de Parámetros

x : la media muestral : la media poblacional
p: la proporción muestral : la proporción poblacional
s2 : la varianza muestral 2 : la varianza poblacional
s: la desviación estándar muestral : la desviación estándar poblacional
www.senati.edu.pe
Clasificación de las variables
Nominales
Cualitativas o
Categóricas
Ordinales
Variables
Discretas
Cuantitativas o
Numéricas
Continuas
www.senati.edu.pe
La distribución Normal Estándar
La distribución normal es una distribución de

probabilidad que tiene media 0 y desviación
estándar de 1.
La desviación estándar
sigma representa la
El área bajo la curva o la probabilidad desde distancia de la media al
menos infinito a más infinito vale 1. punto de inflexión de la
curva normal
La distribución normal es simétrica, es decir cada

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

desviaciones estándar, su número se describe con x-3s x-2s x-s x x+s x+2s x+s3
Z.
Para cada valor Z se asigna una probabilidad o

z
área bajo la curva mostrada en la Tabla de -3 -2 -1 0 1 2 3
distribución normal
www.senati.edu.pe
La distribución Normal Estándar
 Es una distribución simétrica y unimodal.

 La media, la mediana y moda tienen el mismo valor.
 Es de amplia aplicación, dado que la mayoría de los procesos industriales y las
variaciones naturales siguen un comportamiento “normal”.
www.senati.edu.pe
Ejem: Proceso con media =100 y desviación estándar = 10
70 80 90 100 110 120 130
68%
34% 34%
90 110
68%
34% 34%
13.5% 13.5%
95%
80 120
68%
2.365% 34% 34% 2.365%
13.5% 13.5%
99.73%
70 130
www.senati.edu.pe
El control estadistico
y la mejora de procesos
www.senati.edu.pe
Enfoque Tradicional
Clasificación de Procesos
“Las tareas se desarrollan en forma individual”
Enfoque basado en procesos

“El resultado es obtenido en forma más eficiente
cuando las actividades y recursos anexos se
gestionan como un proceso”
www.senati.edu.pe
Aplicación del Ciclo Shewhart
al
aci on
niz
rga
aO
ultur
C
1. Desarrollar procesos Solución de problemas (Kaizen)

2. Satisfacer clientes A través de mejoras
3. Mejorar la organización Objetivos y estrategias
www.senati.edu.pe
Las 7 herramientas
Estadisticas de la Calidad
www.senati.edu.pe
Control estadístico de Procesos
1. Hoja de Verificacion
www.senati.edu.pe
1. Hoja de verificación o registro
 Una Hoja de Verificación (también llamada “de Control” o “de Chequeo”)

es un impreso con formato de tabla o diagrama, destinado a registrar y
compilar datos mediante un método sencillo y sistemático.
 Esta técnica de recogida de datos se prepara de manera que su uso sea

fácil e interfiera lo menos posible con la actividad de quien realiza el
registro, para analizar la manera en que los principales factores que
intervienen, influyen en una situación o problema específico.
www.senati.edu.pe
Utilización
En la mejora de la calidad, se utiliza tanto en el estudio de

los síntomas de un problema, como en la investigación de
las causas o en la recogida y análisis de datos para probar
alguna hipótesis.
También se usa como punto de partida para la elaboración

de otras herramientas, como por ejemplo los Gráficos de
Control, diagramas de Pareto e Histogramas.
www.senati.edu.pe
Kaoru Ishikawa identificó cinco usos para las hojas de control en el control
estadístico de la calidad. Estas pueden utilizarse para:

 Comprobar la forma de la distribución de probabilidad de un proceso.
 Cuantificar defectos por tipo.

 Cuantificar defectos por ubicación.
 Cuantificar defectos por causa (máquina, trabajador).
 Realizar un seguimiento de la finalización de los pasos en un procedimiento de

varios pasos (como una lista de verificación o checklist).
www.senati.edu.pe
Pasos para elaborar una Hoja de verificación o registro
1. Determinar claramente el proceso sujeto a observación.
2. Definir el período de tiempo durante el

cual serán recolectados los datos.
3. Diseñar una forma que sea clara y fácil de

usar.
4. Obtener los datos de una manera consistente y honesta.
Para este diseño, existen muchísimas herramientas ofimáticas: Excel, Word,

Libre Office, Google Sheets, etc.
www.senati.edu.pe
Tipos de Hoja de verificación o de chequeo
I. Hoja de chequeo con escala de medición:
Sirve para evaluar la forma de distribución

de probabilidad para construir después una
distribución de frecuencia. En este tipo de
hoja se clasifica la medición según una serie
de categorías o parámetros. Además,
permite trazar límites de especificación.
www.senati.edu.pe
II. Hoja de chequeo para identificar la

frecuencia con la que ocurre un defecto:
Cuando un proceso ha sido identificado como un candidato

para la mejora, es importante saber qué tipos de defectos
ocurren en sus salidas y sus frecuencias relativas. Esta
información sirve de guía para investigar y eliminar las fuentes
de defectos, empezando por las más frecuentes.
Por ejemplo:
La fábrica de muñecas “Muñecas para todos, S.L”, ha
identificado que los defectos más comunes en el momento de
la fabricación de un tipo de muñecas son:
 Pintura movida en los ojos.
 Cabello mal cosido.
 Brazos mal encajados.
 Otros.
El período de medición determinado es de una semana.
www.senati.edu.pe
III. Hoja de chequeo para determinar la localización de un defecto
Cuando las salidas del proceso son objetos para los cuales se pueden
observar defectos en lugares variables (por ejemplo burbujas en
productos laminados o huecos en piezas fundidas), se puede usar un
diagrama de concentración de defectos.
Este tipo de hoja de control consta de lo siguiente: un diagrama a

escala del objeto desde cada uno de sus lados, opcionalmente dividido
en secciones de igual tamaño.
Cada vez que el proceso genera una salida, se evalúa la salida de los
defectos y marca la sección de cada vista donde se encuentra cada
uno.
El uso de su conocimiento del proceso junto con las ubicaciones debe

revelar la fuente o fuentes de variación que producen los defectos.
www.senati.edu.pe
VI. Lista de chequeo o checklist
La lista de verificación está diseñada como una ayuda para la

corrección de fallos cuando se realizan procedimientos de pasos
múltiples, particularmente durante la comprobación y el acabado de
las salidas del proceso.
Este tipo de hoja de control consta de lo siguiente:
• Un contorno (opcionalmente numerado) de las subtareas a

realizar.
• Cajas o espacios en los que se pueden introducir marcas de

verificación para indicar cuándo se ha completado la subtarea.
• Las anotaciones se deben hacer en el orden en que las

subtareas se completan realmente.
Es una de las más usadas tanto en calidad como en nuestra vida

diaria.
www.senati.edu.pe
Sesión 2: HERRAMIENTAS DE ANÁLISIS

Objetivos
 Definir las reglas básicas a seguir en la construcción e
interpretación de los histogramas, resaltando las situaciones en
que pueden o deben ser utilizados.
 Su utilización será beneficiosa para el desarrollo de los

proyectos abordados por los equipos y grupos de mejora que
estén implicados en la mejora de la calidad.
 Es de aplicación a todos aquellos estudios en que es necesario

analizar la pauta de comportamiento de un determinado
fenómeno en función de su frecuencia de aparición.
 Desarrollar ejercicios de aplicación con los alumnos.

www.senati.edu.pe
Contenido
1. Los Histogramas
2. Tabulación de datos
3. El Diagrama Tallo y Hoja
4. El Diagrama de Caja
www.senati.edu.pe
2. Histograma
Es una representación grafica que muestra datos (valores) agrupados indicando

la frecuencia de su ocurrencia o existencia.
Se emplea para mostrar la capacidad de un proceso, la relación que guarda el

proceso con las especificaciones y Las normas. Da una idea de la magnitud de
la población y muestras de discontinuidades y dispersiones que se dan en los
datos.
LIE LSE
www.senati.edu.pe
Histograma: ejemplos tipicos
 Evaluar o revisar procesos (control).
 Detectar la necesidad de correctivos (evidencia del problema).
 Medir los efectos de cambios (evaluación y seguimiento).
 Comparar rendimientos de maquinas, procesos, operarios …
 Comparar proveedores (evaluación de alternativas de materiales).
 Y otros …
www.senati.edu.pe
Histograma
Modos de frecuencia:
1. Histogramas normales (tipo campana, Gauss): mas frecuencia de valores
centrales.
2. Histogramas bimodales (doble pico): Cuando hay mezcla de datos o de factores
diferentes.
3. Histogramas de “islas” (2 grupos diferentes): Cuando hay mezcla accidental de
datos.
www.senati.edu.pe
Construcción del histograma - datos agrupados
Paso 1. Contar los datos (N)

Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el número de columnas o celdas del histograma

Regla de sturges : k = 1 + 3.3 log(n),
Regla de Jule : k = √n
si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el límite inferior de clase más conveniente y sumarle el ancho

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

Paso 7. Graficar el histograma y observar si tiene una forma normal
www.senati.edu.pe
Caso de estudio
Una persona investigó en 40 tiendas los precios de la calculadora Casio

FX–570-ES y obtuvo los siguientes resultados, expresados en soles.
60 68 74 75 73 67 83 75
75 80 65 74 72 80 76 78
85 72 76 84 87 86 64 82
75 71 67 68 74 78 75 83
78 63 90 91 77 71 70 77
Construya un cuadro de distribución de frecuencias.
www.senati.edu.pe
Caso de estudio
Ordenando por filas Variable : Precio de la calculadora

Tipo de Clases : Intervalos
Cantidad de datos : N = 40
60 67 68 73 74 75 75 83
65 72 74 75 76 78 80 80 Rango : Xmax – Xmin = 91 – 60 = 31
64 72 76 82 84 85 86 87 Número de clases : k = 1 + 3,32 log N

ó k = 1 + 3,32 log 40
67 68 71 74 75 75 78 83 R k = 6,32 => Redondeando k = 6
W 
K 31
63 70 71 77 77 78 90 91 Amplitud : => w= = 5,17 = 6
6
www.senati.edu.pe
Caso de estudio
Determinando la Marca de Clase

Precio Marca de
clase
60 67 68 73 74 75 75 83
[60 – 66> 63
65 72 74 75 76 78 80 80 [66 – 72> 69
64 72 76 82 84 85 86 87 [72 – 78> 75
[78 – 84> 81
67 68 71 74 75 75 78 83
[84 – 90> 87
63 70 71 77 77 78 90 91 [90 – 96] 93
www.senati.edu.pe
Caso de estudio
Determinando la frecuencia
Ii Xi fi
60 67 68 73 74 75 75 83
[60 – 66> 63 4
65 72 74 75 76 78 80 80 [66 – 72> 69 7
64 72 76 82 84 85 86 87 [72 – 78> 75 15
67 68 71 74 75 75 78 83 [78 – 84> 81 8
63 70 71 77 77 78 90 91 [84 – 90> 87 4
[90 – 96] 93 2
Total 40
www.senati.edu.pe
Caso de estudio
Determinando las demás frecuencias
Ii Xi fi hi Fi Hi
[60 – 66> 63 4 0.100 4 0.100
[66 – 72> 69 7 0.175 11 0.275
[72 – 78> 75 15 0.375 26 0.650
[78 – 84> 81 8 0.200 34 0.850
[84 – 90> 87 4 0.100 38 0.950
[90 – 96] 93 2 0.050 40 1.000
Total 40 1.000
www.senati.edu.pe
Construcción del histograma Ii Xi fi hi Fi Hi
[60 – 66> 63 4 0.100 4 0.100
[66 – 72> 69 7 0.175 11 0.275
[72 – 78> 75 15 0.375 26 0.650
[78 – 84> 81 8 0.200 34 0.850
[84 – 90> 87 4 0.100 38 0.950
16 [90 – 96] 93 2 0.050 40 1.000
14 Total 40 1.000
12
10
8
Frec.
6
4
2
0
60-66 66-72 72-78 78-84 84-90 90-96
www.senati.edu.pe
El uso del Histograma en la valoración de la calidad
 El histograma representa un grupo de piezas provenientes de una operación

industrial. Esto muestra como se comporta un proceso industrial en un
momento determinado.
 mediante el histograma puede determinarse en que grado el proceso esta

produciendo buenos resultados y hasta que punto existen desviaciones
respecto a los limites fijados en las especificaciones.
www.senati.edu.pe
Estratificación
Cuando los datos proceden de distintas maquinas, proveedores, lotes, turnos u

operadores, pueden encontrarse información valiosa si se hace un histograma
por cada fuente (estratificar) con lo que se podrá determinar cual es la maquina o
el proveedor mas problemático.
Es recomendable que siempre que se realice un estudio de la salida de un

proceso se utilice el histograma y este se interprete a detalle. De esa manera será
posible detectar situaciones problemáticas y posibles soluciones para las
mismas.
www.senati.edu.pe
www.senati.edu.pe
Diagrama de tallo y hoja
Supongamos la siguiente distribución de

frecuencias
36 25 37 24 39 20 36 45 31 31
39 24 29 23 41 40 33 24 34 40
que representan la edad de un colectivo de N = 20
personas y que vamos a representar mediante un
diagrama de Tallo y Hoja. Por último reordenamos las hojas y hemos
Comenzamos seleccionando los tallos que en terminado el diagrama
nuestro caso son las cifras de decenas, es decir 3,
2, 4, que reordenadas son 2, 3 y 4.
A continuación efectuamos un recuento y vamos
«añadiendo» cada hoja a su tallo
www.senati.edu.pe
Diagrama de tallo y hoja
Comparar dos distribuciones

Podemos comparar, mediante estos diagramas, dos distribuciones. Supongamos una
segunda distribución.
35 38 32 28 30 29 27 19 48 40
39 24 24 34 26 41 29 48 28 22
De ella podemos elaborar sus diagrama de Tallos y Hojas y compararla con la anterior.
www.senati.edu.pe
2.2 Diagrama de caja
Es una ayuda gráfica para ver la variabilidad de los datos.
Min Max
Q1 Q2
Q3
(Mediana)
Escala
www.senati.edu.pe
Medidas descriptivas
1. Medidas de tendencia central

Media aritmética
Mediana
Moda
Media Aritmética: datos no agrupados

• La media aritmética de un conjunto de n observaciones x1, x2, ..., xn de una muestra es el
promedio de las mediciones:
Media aritmética para datos
Media aritmética muestral Media aritmética poblacional con frecuencia
n N k
x i x i y i fi k
x i 1
  i 1  i 1
  yi hi
n N n i 1
www.senati.edu.pe
Medidas descriptivas: Medidas de tendencia central
Media aritmética para datos agrupados

Ejemplo
• Para datos agrupados en intervalos Intervalo Xi fi Xi fi

k k s
X i fi X i fi k [ 60, 63 › 61.5 2 123
x i 1
 i 1
  X i hi
k
n [ 63, 66 › 64.5 6 387
 i 1
fi i 1
[ 66, 69 › 67.5 4 270
• Donde: [ 69, 72 › 70.5 6 423
Xi son las marcas de clase de los intervalos de [ 72, 75 [ 73.5 2 147
clase
fi es la frecuencia absoluta del intervalo i 20 1,350
n es el número de datos
k es el número de intervalos
Media aritmética ponderada
La Media Cuando los Valores de la Variable X:

X1, X2 … Xn tiene asociados algunas
Ponderada pesos o pi: p1, p2 … pn
Población Muestra
r r
pX i i pX i i
p  i 1
r Xp  i 1
r
p i 1
i p i
i 1
65
La Mediana (Me): datos no agrupados
• Para un conjunto de observaciones x1, x2,...,xn, se ordenan las observaciones de

menor a mayor
x[1], x [ 2], ...,x [ n].

• La mediana se calcula como:
• si n es impar es el valor central de los datos ordenados.
• si n es par es la semisuma de los dos datos centrales.
Depende del número de datos, no de los valores de los datos por lo que no se ve afectada por valores
extremos.
www.senati.edu.pe
La Mediana (Me) de datos agrupados:
Wm  n 
Me  Lm    Fm 1 
fm  2 
Donde:
Lm : limite inferior de la clase mediana
Wm : ancho de clase de la clase mediana
n : total de datos
Fm-1 : frecuencia absoluta acumulada de la clase que precede a la clase mediana
fm : frecuencia absoluta de la clase mediana
www.senati.edu.pe
Longitud fi Fi
8 8 8
10 16 24
12 12 36
15 8 44
17 24 68 Intervalos Xi fi Fi
20 32 100 [ 60, 63 › 61.5 2 2
[ 63, 66 › 64.5 6 8
[ 66, 69 › 67.5 4 12
[ 69, 72 › 70.5 6 18
[ 72, 75 ] 73.5 2 20
www.senati.edu.pe
• Es el dato que más veces se repite

La Moda (Mo) datos no agrupados:
• No siempre es única.
 d1 
Mo  Li   d d  W
 1 2 
La Moda (Mo) de datos agrupados:
donde
Li  es el límite inferior del intervalo modal
d1  f i  f i 1
d 2  f i  f i 1
W  ancho de clase
www.senati.edu.pe
Relación entre la media, mediana y moda
• Si la distribución es simétrica, la media, mediana y moda tienen el mismo

valor.
• Si es asimétrica de cola a la derecha:

• Mo < Me < Media
• Si es asimétrica de cola a la izquierda:

• Mo > Me > Media
www.senati.edu.pe
2. Medidas de Dispersión o Variabilidad
I. Rango o recorrido
• Son números que miden el grado de Es la diferencia entre sus valores
separación de los datos con respecto a máximo y mínimo. Esto es:
un valor central.
• Las principales son: R  xmáximo  xmínimo

I. Rango  Es fácil de calcular
II. Varianza y desviación estándar  Es una medida inestable, pues su valor
III. Coeficiente de variación cambia grandemente ante datos
extremos.
www.senati.edu.pe
II. Varianza: datos no agrupados
Es la media aritmética de los cuadrados de Ejemplo:

la diferencia de los datos respecto a su
media aritmética. Ejemplo: hallar la varianza de los valores
15, 13, 12, 15, 18, 17
n n
 ( yi  x ) 2
 yi
2
2
̅x = 90 / 6 = 15
s 
2 i 1
 i 1
x
n n Yi Yi - ̅x (Yi - ̅x )²
15 0 0
13 -2 4
 Si se calcula a partir de una muestra es denotada por s2 y 12 -3 9
si es de una población por σ2. 15 0 0
 Tiene unidades de medición al cuadrado. 18 3 9
17 2 4
 La desviación estándar es la raíz cuadrada de la varianza 26
www.senati.edu.pe
II. Varianza: datos agrupados

Para datos agrupados con marcas de clase x1, x2,...,xk y frecuencias f1, f2,..., fk,:
Ejemplo: hallar la varianza del sgte cuadro estadístico

k k
 f i ( xi  x) 2  f i xi
2
2 Intervalos Xi fi Xi fi Xi - ̅X (Xi - ̅X)² fi(Xi - ̅X)²
s 
2 i 1
 i 1
x
n n
[ 20, 40 › 30 12 360
k
  hi ( xi  x) 2 [ 40, 60 › 50 14 700
i 1
[ 60, 80 › 70 36 2520
k [ 80, 100] 90 20 1800

  hi xi  x
2 2
i 1
82 5,380 31,219.52
www.senati.edu.pe
III. Coeficiente de variación
Es una medida de dispersión relativa que se define como:
s
CV 
x
 El CV no tiene unidades de medida.

 Compara la variabilidad de dos o más series de datos que tengan
unidades diferentes.
 A mayor CV mayor dispersión
 Cuando las medias son iguales basta comparar las desviaciones
estándar.
www.senati.edu.pe
3. Medidas de Asimetría
3.1 Índices de asimetría de Pearson (As)
 Es el número x  Mo
As 
s
• Si es unimodal y asimétrica:
• (Media–Mo) es aproximadamente 3(Media–Me)
3( x  Me )
As 
s
www.senati.edu.pe
Medidas descriptivas: Medidas de Asimetría
Índice de Asimetría de Pearson (As)
Asimétrica positiva (o de cola a la derecha) As>0
Simétrica As=0
Asimétrica negativa (o de cola a la izquierda) As<0
www.senati.edu.pe
Medidas descriptivas: Medidas de Asimetría
3.2 Índice de Curtosis o apuntamiento

Leptocúrtica K > 0
• El apuntamiento se mide en relación a la curva

normal o mesocúrtica
1
• Es el número Q3  Q1
K  2
P90  P10 Platicúrtica K < 0
Normal o mesocúrtica K = 0
P10 P25 P75 P90
www.senati.edu.pe
Las medidas de posicion no central
Las cuantilas
Medidas descriptivas que pueden dividir al total de datos en cierto numero

de partes igualmente numerosos y nace como consecuencia del estudio de
la mediana. Las principales son:
• Cuartiles (Qi)
• Deciles (Di)
• Percentiles (Pi)
www.senati.edu.pe
Las medidas de posicion no central: los Cuartiles (Qi)
www.senati.edu.pe
Los Cuartiles: datos no agrupados:
Punto de posición
i  n  1
Donde:
i : numero que indica el cuartil deseado
4 n : total de datos
Ejemplo: Sean los sueldos diarios de 12 trabajadores

9, 11, 13, 15, 15, 16, 16, 17, 17, 18, 19, 20
Se pide determinar: Q1, Q2, y Q3
www.senati.edu.pe
 in 
  F Q 1 
Los Cuartiles: datos agrupados: Qi  LQ  WQ  4 
 fQ 
 
 
Donde:
LQ : limite inferior de la clase donde esta el cuartil
WQ : ancho de clase donde esta el cuartil
n : total de datos
i : numero que indica el cuartil deseado
FQ-1 : frecuencia absoluta acumulada de la
clase que precede a la clase del cuartil
fQ : frecuencia absoluta de la clase del cuartil
in /4 : Punto de posición
www.senati.edu.pe
Los Cuartiles: ejemplo
En el siguiente cuadro estadístico, se pide determinar: Q1, Q2, y Q3
Interv. fi Fi
[10 - 20> 3 3
[20 - 30> 17 20
[30 - 40> 8 28
[40 - 50> 22 50
50
www.senati.edu.pe
Diagrama de caja
Los diagramas de Caja-Bigotes (boxplots o box and whiskers) son una presentación visual
que describe varias características importantes al mismo tiempo, tales como la dispersión y
simetría.
Para su realización se representan los tres cuartiles y los valores mínimo y máximo de los
datos, sobre un rectángulo, alineado horizontal o verticalmente.
Min Max
Q1 Q2 Q3
(Mediana)
www.senati.edu.pe Escala
¿Cómo se dibuja un Diagrama de Caja?
1) Se ordenar los datos de la muestra y se obtienen; el valor mínimo, el máximo, y los tres
cuartiles Q1, Q2 y Q3.
2) Se dibuja un rectángulo (de anchura arbitraria) cuyos extremos son Q1 y Q3 y se indica

en su interior la posición de la mediana, Q2, mediante una línea vertical.
3) Se calcula el rango intercuartílico del conjunto de datos: Q = Q3 −Q1
www.senati.edu.pe
4) Se determinan los límites admisibles superior e inferior. Donde el límite inferior es

igual al máximo entre el valor mínimo de los datos y el primer cuartil menos una vez
y media el rango intercuartílico. Y el límite superior es el mínimo entre el valor mayor
de los datos y la suma del tercer cuartil con una vez y medio el rango intercuartílico.
Estos límites nos permitirán identificar los valores atípicos, que serán aquellos datos
que queden fuera del intervalo (Li , Ls).
www.senati.edu.pe
5) Se dibuja una línea horizontal desde cada extremo del rectángulo central hasta el
valor más alejado no atípico, es decir, que está dentro del intervalo (Li, Ls).
6) Identificar todos los datos que están fuera del intervalo (Li,Ls), marcándolos como
atípicos.
www.senati.edu.pe
¿Cómo se dibuja un diagrama de caja?
Ejemplo: Construir el diagrama de caja para un conjunto de datos que tiene: valor mínimo 10, valor
máximo 55, Q1 = 28 , Q2 = 32, Q3= 38, El rango intercuartílico es Q = Q3 −Q1 = 38 − 28 =10 , por lo que
En el diagrama podemos observar que tenemos dos valores atípicos, (el 10 y el 55), puesto que ambos
caen o están fuera del intervalo (Li, Ls ) = (13, 53) (13, 53).
Además la distribución de datos es sesgada en forma positiva.
Recordemos que la caja central contiene el 50% de los datos. Cada línea o bigote puede contener hasta un
25% de los datos. Por último, es recomendable señalar con una marca especial los valores atípicos.
www.senati.edu.pe
Ejemplo: distribución de edades

Utilizamos la ya usada distribución de frecuencias (en
tallos y hojas), que representan la edad de un
colectivo de 20 personas.
36 25 37 24 39 20 36 45 31 31
39 24 29 23 41 40 33 24 34 40
Para calcular los parámetros estadístico, lo primero El bigote de la izquierda representa al
es ordenar la distribución: colectivo de edades ( Xmín, Q1)
La primera parte de la caja a (Q1, Q2),
20 23 24 24 24 25 29 31 31 33 34 36 36 37
La segunda parte de la caja a (Q2, Q3)
39 39 40 40 41 45
El bigote de la derecha viene dado por (Q3,
Xmáx).
www.senati.edu.pe
Información del diagrama

La parte izquierda de la caja es mayor que la de la derecha; ello quiere decir que las
edades comprendidas entre el 25% y el 50% de la población está más dispersa que entre
el 50% y el 75%.
El bigote de la izquierda (Xmím, Q1) es más corto que el de la derecha; por ello el 25% de
los más jóvenes están más concentrados que el 25% de los mayores.
El rango intercuartílico = Q3 - Q1 = 14,5; es decir, el 50% de la población está comprendido
en 14,5 años.
www.senati.edu.pe
Comparar distribuciones
La mayor utilidad de los diagramas caja-bigotes
es para comparar dos o más conjuntos de
datos.
Comparación distribución de edades
Análogamente a lo realizado con los diagramas
de tallo y hojas, comparamos, mediante estos
diagramas, esta distribución con la del otro
ejemplo de distribución de edades.
A partir de dicha comparación puede
35 38 32 28 30 29 27 19 48 40 obtenerse bastante información de
39 24 24 34 26 41 29 48 28 22 ambas distribuciones.
www.senati.edu.pe
www.senati.edu.pe
SEGUNDA UNIDAD
CARTAS DE CONTROL Y CAPACIDAD
DEL PROCESO
Sesión 3: CARTAS DE CONTROL

Objetivos
 Mostrar los cambios que se han producido en los datos.
 Verificar si un proceso es estable o esta en control

estadístico.
 Inferir la tendencia futura del proceso.
 Evaluar si un proceso esta mejorando o empeorando
 Mejorar un proceso.
www.senati.edu.pe
Contenido
1. Cartas de control: Conceptos
2. Causas comunes y especiales
3. Errores al hacer inferencias
4. Reglas para identificar procesos fuera de control
5. El teorema de limite central
6. Cartas de control para variables 1º parte
www.senati.edu.pe
Las cartas de control
• El objetivo de los gráficos de control es facilitar la

vigilancia del proceso para así detectar rápidamente la
presencia de causas asignables y minimizar la producción
defectuosa.
• Están pensados para ser usados directamente por los

propios operadores, de modo que las acciones se tomen
rápidamente.
www.senati.edu.pe
Las cartas de control
Una Carta de Control es como un

historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
 El promedio y los límites de control se calculan a partir de los datos.
 Los datos se grafican en orden secuencial en el tiempo (conforme

ocurren).
Se trata de detectar los cambios.
www.senati.edu.pe
www.senati.edu.pe
Variación observada en una Carta de Control
•Una Carta de control es simplemente un registro de datos en

el tiempo con límites de control superior e inferior.
•Una carta de control identifica los datos secuenciales en

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

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

especial de variación.
www.senati.edu.pe
Causas Comunes o Normales
• CAUSAS COMUNES
-Siempre están presentes
-Sólo se reduce con acciones de mejora mayores
-Su reducción es responsabilidad de la dirección
Límite
inf. de
 Fuentes de variación: Márgenes inadecuados de diseño, especs.
Límite
sup. de
materiales de baja calidad, capacidad del proceso insuficiente especs.
 Según Deming Objetivo

- El 85% de las causas de la variación son causas comunes,
responsabilidad de la dirección.
www.senati.edu.pe
Causas Especiales
• CAUSAS ESPECIALES Límite

inf. de
• Ocurren esporádicamente especs.
• Son ocasionadas por variaciones anormales (6Ms)

 Medición, Medio ambiente, Mano de obra, Método,
Maquinaria, Materiales Límite
sup. de
• Sólo se reduce con acciones en el piso o línea especs.
• Su reducción es responsabilidad del operador por

medio del Control Estadístico del Proceso
• Según Deming Objetivo
• El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
www.senati.edu.pe
Errores al hacer inferencias considerando Cartas de Control
• Error tipo I: Inferir que el proceso esta fuera de control cuando en
realidad esta bajo control estadístico.
• Error tipo II: Inferir que el proceso esta bajo control estadístico
cuando en realidad no lo esta.

Errores
Estado del Proceso

H0 Verdadera H1 Verdadera
Decisión En Control Fuera de Control
Error tipo II
Continuar Decisión
Dejar continuar el pro-
el Proceso Correcta ceso fuera de control
Error tipo I Decisión

Ajustar el
Proceso Ajustar el proceso
en control Correcta
www.senati.edu.pe
Límites de Control y Errores
LSC
Media del
Proceso
LIC
Límites 3 sigma
www.senati.edu.pe
Error tipo I:
Probabilidad de investigar
una causa cuando no existe
LSC
Media del
Proceso
LIC
www.senati.edu.pe
Error tipo I: Error tipo II:

Probabilidad de investigar Probabilidad de concluir
una causa cuando no existe que no ha habido cambios
UCL
Cambio en la media
del proceso
Media del
Proceso
LCL
www.senati.edu.pe
Tipos de comportamiento
Solo si hay causas comunes (naturales), los resultados de la característica conforman una
distribución estable y predecible en el tiempo.
Si hay causas asignables (especiales), los resultados de la característica

conforman distribuciones variables y no predecibles.
Varían: media, desviación estándar y forma.
www.senati.edu.pe
Reglas para identificar procesos fuera de control
Regla 1:
– Un proceso se supone fuera de control si un punto esta fuera de los límites de control.
Regla 2:
– Un proceso se supone fuera de control si dos de tres puntos consecutivos se localizan
fuera de los límites de advertencia en el mismo lado de la línea central.
UCL
Advertencia
Advertencia
LCL
www.senati.edu.pe
Reglas para identificar procesos fuera de control
Regla 3: UCL
- Un proceso se supone fuera de control Límite un

sigma
si 4 de 5 puntos consecutivos caen Límite un
fuera del límite 1 del mismo lado de la sigma
LCL
línea central.
UCL
Regla 4:
- Un proceso se supone fuera de control
si ocho o mas puntos consecutivos se
ubican del mismo lado de la línea
central. LCL
www.senati.edu.pe
Determinación de causas asociadas a puntos fuera de control
• La tarea del usuario de las cartas de control no termina identificando

puntos fuera de control.
• Es importante identificar las causas que hacen que los puntos estén
fuera de los límites de control.
Conocimiento del proceso.
Esfuerzo conjunto.
Diagrama de causa y efecto.
www.senati.edu.pe
A. Cambio en el comportamiento de los puntos

(salto).
1. Cambio en la calidad de materia prima y

partes por el cambio de un proveedor.
2. Cambio de operador
3. Error en la calibración de componente de
medición.
4. Falla en algún componente del equipo.
5. Desgaste de una herramienta.
www.senati.edu.pe
B. Tendencia
1. Operador aprendiendo el trabajo.
2. Deterioro gradual de la maquinaria o

partes.
3. Cambio gradual en la presión o

temperatura.
www.senati.edu.pe
Pasos para establecer un Gráfico de Control
1. Elegir una característica a graficar.
2. Elegir el tipo de gráfico de control.
3. Decidir la línea central a utilizar.
4. Seleccionar el “subgrupo racional”
5. Proporcionar un sistema de recolección de datos.
6. Calcular los límites de control.
7. Graficar los datos e interpretar los resultados.
www.senati.edu.pe
Cuando y donde Inspeccionar
1. En la planta del proveedor mientras los productos son producidos.
2. En la zona de recepción de productos
3. Justo antes de un Cuello de Botella del proceso
4. Antes de operaciones costosas
5. Cuando la producción ha sido completada
6. Antes del despacho a los clientes
www.senati.edu.pe
Tipos de cartas de control
1. Para variables
a) Gráficos X-barra y R
2. Para atributos
b) Gráficos X-barra y S
c) Gráficos X (Valores individuales) a) Gráficos p
d) Gráfico CUSUM y de promedios ponderados. b) Gráficos np
e) Gráficos para características de calidad c) Gráficos para no conformidades
relacionadas.
(c y u)
www.senati.edu.pe
Teorema del Límite Central
• La distribución de las medias de las muestras tienden a distribuirse en forma

normal
• Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a 9) pueden estar
distribuidos como sigue:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
www.senati.edu.pe
Tomando muestras de 10 datos, calculando su promedio y

graficando estos promedios se tiene:
10
8
6
4 Frec.
2
0
3.5 4.5 5.5 6.5
www.senati.edu.pe
• La distribución de las medias de las muestras

tienden a distribuirse en forma normal . Tomando muestras de 10 datos,
calculando su promedio y graficando
• Por ejemplo los 300 datos (cuyo valor se estos promedios se tiene:
encuentra entre 1 a 9) pueden estar
distribuidos como sigue:
10
50
8
40
6
30
4 Frec.
20 Frec.
2
10
0 0
1 2 3 4 5 6 7 8 9 3.5 4.5 5.5 6.5
www.senati.edu.pe
Población con media  y desviación estándar  y cualquier distribución.
Seleccionando muestras de tamaño n y calculando la X-media o promedio en

cada una
X-media 1 X-media 2 X-media 3
Conforme el tamaño de muestra se incrementa las muestras se distribuyen
normalmente con media de medias  y desviación estándar de las medias de las
muestras  / n. También se denomina Error estándar de la media.
www.senati.edu.pe
PREMISAS
• Si la variable aleatoria X tiene cualquier distribución con media  y desviación estándar .
• Seleccionando muestras de tamaño n de la población se tiene:
CONCLUSIONES
• La distribución de todas las medias o promedios de las muestras X-media, tienden a

distribuirse normalmente
• La media de las medias de las muestras será  .
• La desviación estándar de las medias de las muestras será
 /n
www.senati.edu.pe
CONCLUSIONES (cont..)
• Si la población original es casi normal, las medias muestrales se
distribuyen normalmente para toda n.
• Walter Shewhart en la Western Electric (1924), demostró que para

una distribución triangular y una uniforme, n=4 era suficiente para
que las medias de las muestras se distribuyeran normalmente.
• Esta es la base del Control Estadístico del proceso.
www.senati.edu.pe
Sesión 4: CARTAS DE CONTROL PARA VARIABLES

Objetivos
 Identificar los diferentes tipos de gráficos de control
 Definir las regla básicas a seguir para la elección, construcción,

interpretación y resaltar las situaciones en que pueden o deben
ser utilizados.
 Es de aplicación a todos aquellos estudios en que es necesario

analizar el funcionamiento de los procesos, bien sea para su
control o para profundizar en el conocimiento de su
comportamiento.
 Mostrar ejemplos de cada una de las graficas de control por

variables.
www.senati.edu.pe
Contenido
1. Cartas de control de Promedios y rangos
2. Cartas de control de Promedios y Desviación estándar
3. Cartas de control individual
www.senati.edu.pe
Cartas de Control para Variables
www.senati.edu.pe
Pasos para la construcción de gráficos X R
• Se toman k muestras de tamaño n (usualmente constante y

menor a 7).
• Se calcula la media y el rango de cada muestra:
1 n
X i   xij Ri  max xij  min xij
n j 1 j j
• Se estiman los promedios poblacionales:

1 k 1 k
X   Xi R   Ri
k i 1 k i 1
www.senati.edu.pe 126
Gráficos de medias y rangos ( X R )
• Si se conocen  y , estos se pueden usarse para calcular los

límites de control:
• Medias:
LSC    A LC   LIC    A
• Rangos:
LSC  D2 R LC  d 2  LIC  D1 R
Donde: 3
A D1  d 2  3d 3 D2  d 2  3d 3
n
Gráficos de medias y rangos ( X  R )
Si no se conocen  y  (lo más común) deben estimarse a partir de los

datos.
• Para las medias
LSC  X  A2 R LC  X LIC  X  A2 R
• Para los rangos
LSC  D4 R LC  R LIC  D3 R
Donde: 3 d3 d3
A2  D3  1  3 D2  1  3
d2 n d2 d2
www.senati.edu.pe
Pasos para la construcción de gráficos X R
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
3 1,693 1,023 0,888 0,000 2,575
4 2,059 0,729 0,880 0,000 2,282
5 2,326 0,577 0,864 0,000 2,115
6 2,534 0,483 0,848 0,000 2,004
7 2,704 0,419 0,833 0,076 1,924
La tabla de la derecha muestra el 8
9
2,847
2,970
0,373
0,337
0,820
0,808
0,136
0,187
1,864
1,816
10 3,078 0,308 0,797 0,223 1,777
valor de las constantes d2, d3, A2, D3 y 11 3,173 0,285 0,787 0,256 1,744
12 3,258 0,266 0,778 0,284 1,716
13 3,336 0,249 0,770 0,308 1,692
D4 para distintos tamaños de los 14 3,407 0,235 0,763 0,329 1,671
15 3,472 0,223 0,756 0,348 1,652
16 3,532 0,212 0,750 0,640 1,636
subgrupos racionales. 17 3,588 0,203 0,744 0,379 1,621
18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
Cartas de X y R
· Este par de cartas se utilizan para monitorear procesos con datos variables. Una para
las medias y otra para los rangos.
· Los datos de 3 a 6 piezas consecutivas forman subgrupos o muestras de los cuales se

calcula la media y el rango.
· La Carta X-media monitorea los promedios de las muestras del proceso monitoreando
tendencias en la media del proceso.
· La gráfica R monitorea los rangos de las muestras del proceso monitoreando la

variabilidad del proceso.
www.senati.edu.pe
Cartas de X y R
Procedimiento:
 Identificar la característica crítica a controlar y tamaño de subgrupo (n = 3 a 6)
 Iniciar la recolección de aprox. 25 subgrupos (k), tomando partes consecutivas
en cada uno.
 Decidir cómo y cuándo colectar la información de los subgrupos, de tal forma de
detectar cambios.
 Elaborar la gráfica con los datos.
 Analizar las cartas de control
www.senati.edu.pe
Como el C.E.P. es empleado para mejorar procesos
www.senati.edu.pe
Cartas de X y R
n A 2 A 3 d2 D 3 D 4 B3 B4
2 1.880 2.659 1.128 0 3.267 0 3.267
3 1.023 1.954 1.693 0 2.575 0 2.568
4 0.729 1.628 2.059 0 2.282 0 2.266
5 0.577 1.427 2.326 0 2.115 0 2.089
6 0.483 1.287 2.534 0 2.004 0.030 1.970
7 0.419 1.182 2.704 0.076 1.924 0.118 1.882
8 0.373 1.099 2.847 0.136 1.864 0.185 1.815
9 0.337 1.032 2.970 0.184 1.816 0.239 1.761
10 0.308 0.975 3.078 0.223 1.777 0.284 1.716
11 0.285 0.927 3.173 0.256 1.744 0.321 1.679
12 0.266 0.886 3.258 0.283 1.717 0.354 1.646
13 0.249 0.850 3.336 0.307 1.693 0.382 1.618
14 0.235 0.817 3.407 0.328 1.672 0.406 1.594
15 0.223 0.789 3.472 0.347 1.653 0.428 1.572
www.senati.edu.pe
Cartas de X y R – ejemplo 1
Muestra Observaciones en la muestra Media Rango

1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
3 35.00 37.00 33.00 34.00 36.00 35.00 4.00
4 30.00 31.00 33.00 34.00 33.00 32.20 4.00
5 33.00 34.00 35.00 33.00 34.00 33.80 2.00
6 38.00 37.00 39.00 40.00 38.00 38.40 3.00
7 30.00 31.00 32.00 34.00 31.00 31.60 4.00
8 29.00 39.00 38.00 39.00 39.00 36.80 10.00
Se muestran datos correspondientes a la 9 28.00 33.00 35.00 36.00 43.00 35.00 15.00
10 38.00 33.00 32.00 35.00 32.00 34.00 6.00
apertura del alabe (en milímetros) para un 11
12
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
29.80
34.00
4.00
4.00
13 27.00 32.00 34.00 35.00 37.00 33.00 10.00
componente de la turbina de un avión. Se 14 33.00 33.00 35.00 37.00 36.00 34.80 4.00
15 35.00 37.00 32.00 35.00 39.00 35.60 7.00
16 33.00 33.00 27.00 31.00 30.00 30.80 6.00
pueden ver los cálculos preliminares en la 17 35.00 34.00 34.00 30.00 32.00 33.00 5.00
18 32.00 33.00 30.00 30.00 33.00 31.60 3.00
misma tabla. 19
20
25.00 27.00 34.00 27.00 28.00
35.00 35.00 36.00 33.00 30.00
28.20
33.80
9.00
6.00
Promedios: 33.32 5.80
www.senati.edu.pe
0 5 1 01 5o d e a
Los límites de control para el
g
LS C=12.27
gráfico de rangos:
n
LSC  D4 R  2,115 (5,8)  12,27
a
LC=5.80
LIC  D3 R  0 (5,8)  0
R
LC  5,8
5 10 15 20
M ues tra
www.senati.edu.pe
2 38 A 30 p 32 e 34 r 36t u 48 r 0 a p r o
Los límites de control para el gráfico
de medias:
L S C=36 .67
LSC  X  A2 R  33,32  0,577  5,8  36,65 LC=3 3.32
LIC  X  A2 R  33,32  0,577  5,8  29,95 LI C=29 .9 8
LC  33,32
5 10 15 20
M ue s tra
www.senati.edu.pe
o
u
r
r t
• Las muestras 6, 8, 11 y 19 están fuera de control en
p
e
gráfico de medias y la 9 lo esta en el gráfico de rangos.
2 83 03 23 43 63 84 0a
p
• Cuando se estudian las causas asignables, estas llevan
r
a una herramienta defectuosa en el área de moldeo.
a
u
Los límites deben ser recalculados excluyendo estas

t
observaciones atípicas, obteniéndose así un nuevo
e
r
LS C=36.10
gráfico.
d
e
LC=33.21
0 5 1 01 5
p
o
A
g
LIC=30.33
n
LS C=10.57
a
5 10 15 20
LC=5. 00
Mues tra
R
5 10 15 20
M ues tra
www.senati.edu.pe
Cartas de X s
 Utiliza el mismo gráfico de medias anterior, pero ahora se estudia la
dispersión usando un gráfico de las desviaciones standard de cada
subgrupo.
 La desviación muestral es un mejor estimador de la variabilidad, pero más
difícil de calcular. Se prefiere en procesos con subgrupos racionales
grandes (10 o más) o en procesos automatizados.
www.senati.edu.pe
Cartas de X s
• Se toman k muestras de tamaño n.

• Se calcula la media y la desviación standard de cada muestra:
2
  xij  X i 
n
n
1
X i   xij Si  j 1
n 1
n j 1
• Se calculan los parámetros poblacionales.
1 k 1 k
X   Xi S   Si
k i 1 k i 1
www.senati.edu.pe
Pasos para la construcción de Cartas X s
• Si se conocen  y  el cálculo de los límites de control es muy

sencillo:
• Para las medias:
LSC    A LC   LIC    A
• Para las desviaciones estándar:

LSC  B6 R LC  c 4  LIC  B5 R
3
A B5  c4  3 1  c42 B6  c4  3 1  c42
n
www.senati.edu.pe
Pasos para la construcción de Cartas X s
Cuando no se conocen los valores de  y  los mismos se calculan a
partir de los datos para obtener los límites de control.
• Para el gráfico de medias:

LSC  X  A3 S LC  X LIC  X  A3 S
• Para el gráfico de desviaciones estándar:

LSC  B4 S LC  S LIC  B3 S
3 1  c4 1  c4
A3  B3  1  3 B4  1  3
c4 n c4 c4
www.senati.edu.pe
Carta X y S
n A A d2 D D B3 B4
LSC  B4 S
2 3 3 4
2 1.880 2.659 1.128 0 3.267 0 3.267 LC  S

3 1.023 1.954 1.693 0 2.575 0 2.568 LIC  B3 S
4 0.729 1.628 2.059 0 2.282 0 2.266
5 0.577 1.427 2.326 0 2.115 0 2.089
6 0.483 1.287 2.534 0 2.004 0.030 1.970 LSC  x  A3 S
7 0.419 1.182 2.704 0.076 1.924 0.118 1.882
8 0.373 1.099 2.847 0.136 1.864 0.185 1.815 LC  x
9 0.337 1.032 2.970 0.184 1.816 0.239 1.761 LIC  x  A3 S
10 0.308 0.975 3.078 0.223 1.777 0.284 1.716
11 0.285 0.927 3.173 0.256 1.744 0.321 1.679
12 0.266 0.886 3.258 0.283 1.717 0.354 1.646
m m
13 0.249 0.850 3.336 0.307 1.693 0.382 1.618 x i S i
14 0.235 0.817 3.407 0.328 1.672 0.406 1.594 x i 1
y S  i 1
m m
15 0.223 0.789 3.472 0.347 1.653 0.428 1.572
www.senati.edu.pe
Carta X y S: Ejemplo
Mediciones del diámetro interior (mm) de los anillos para pistones de motores de automóviles
K (muestras) x Si
25 Σ = 1,850.028 0.2350
x = 74.001 s = 0.0094
n = tamaño de la muestra = 5
Se toman k muestras de tamaño n.

Se calcula la media y la desviación estándar de cada muestra:
2
  xij  X i 
n
n
1
Xi 
n
 xij
j 1
Si  j 1
n 1
www.senati.edu.pe
3. En la siguiente tabla se presentan los pesos

en onzas de una sucesión de 15 muestras de
subgrupo racional de papas fritas, con n=4 en
cada muestra, las desviaciones estándar y los
rangos muéstrales.
Suponga que las especificaciones de

empacado requieren de un peso promedio por
paquete de una media de 15 onzas y un
desviación estándar de 0.1 onzas.
www.senati.edu.pe
A) Media y Desviación Conocidas

Linea Central    15
  0.1
 0 .1
Limite    3  15  3
n 4
Limite  14.85 y 15.15
Grafico de control
www.senati.edu.pe
B) Media y Desviación Desconocidas
Linea Central  x 
x  Limite  x  3
s

k C4 n
224.72 0.08551
 14.98 14.98  3  14.98  0.014 
15 0.9213 4
s
 s  1.280  0.08551 
Limite  14.84 y 15.12
k 15
Grafica de Control
www.senati.edu.pe
Carta X y S
2. Un plan de muestreo de variables se usa para aceptación o rechazo de grupos de habilidad
de lámparas faro para cumplir con las bujías mínimas requeridas. Los rechazos de grupos son
demasiados frecuentes, y se desean estudiar los datos de muestreo por medio de graficas de
control x̄ y s, puesto que los tamaños de las muestras varían de 4 a 20. Para el estudio inicial
se obtienen datos de doce muestras en tres días. Esto se indica en la sgte tabla con los
cálculos del tamaño de la muestra x̄ y s. Los datos son resultados codificados, ajustados para
fijar la especificación mínima para las bujías en el valor de cero (0.0).
Valores x y s para mediciones de bujías
fecha: n x̄ s fecha: n x̄ s
9 set 4 9.425 4.18 10 set 10 5.37 5.484
5 16.66 3.559 20 17.7 3.893
5 10.58 4.258 13 set 5 10.38 4.303
5 10.78 2.476 7 9.343 3.814
10 set 5 5.48 4.917 7 8.486 5.99
10 9.89 5.8 20 12.905 5.914
www.senati.edu.pe
Los cálculos de los limites de control para las graficas de control del promedio
( ̄x ) y deviación estándar (s) son como sigue:

 n xi 1,196.603
X 
i   11 .62
n i
103

  n  1 s  2

2199.37
 24.169  4.92
s
i i

n  k i
91

Para n = 5 LSCx  x  A3 s = 11.62 + 1.427 (4.92) = 18.64

LIC x  x  A3 s = 4.60

LICs  B3 s = 2.089 (4.92) = 10.28

LSCs  B4 s = 0.0 (4.92) = 0.0
www.senati.edu.pe
No se sabe de qué magnitud fue ese desplazamiento, puesto que sólo se

han obtenido 10 datos, pero existe una alta seguridad de que durante ese
momento se desplazó la media del proceso.
El comportamiento del proceso en los subsecuentes subgrupos muestra

que, al parecer, esa causa especial dejó de actuar. En cuanto a la carta S,
no se muestra ningún punto fuera de sus límites, ni algún patrón especial,
por lo que la magnitud de la variación del proceso se mantuvo durante ese
tiempo.
www.senati.edu.pe
Carta de Control Individual
En muchas situaciones, el tamaño de la muestra usado para monitorear el proceso es

n= 1 ; es decir la muestra consta de una unidad individual. Algunos ejemplos son:
1. La velocidad de producción es muy lenta, y no es conveniente dejar que se

acumulen tamaños de la muestra de n › 1 antes del análisis.
2. Las mediciones repetidas del proceso difieren únicamente por el error de

laboratorio o de análisis, como en muchos procesos químicos.
3. Se hacen mediciones múltiples en la misma unidad del producto, como la

medición del espesor de oxido en varios sitios diferentes de una oblea en la
manufactura de semiconductores.
www.senati.edu.pe
Carta de Control Individual
Resumiendo, tenemos que los gráficos de control de Datos Individuales

y Rangos Móviles (X-Rm), quedarían.
Para el gráfico de datos individuales:
Para el gráfico de Rangos Móviles:
www.senati.edu.pe
Carta de control Individuales: Ejemplo
Nº de la Viscosidad Rango Móvil

La viscosidad de una pintura tapaporo para Tanda x MR
1 33.75
aviones, es una característica de calidad 2 33.05 0.70
3 34.00 0.95
4 33.81 0.19
importante. El producto se produce por lotes, y 5 33.46 0.35
6 34.02 0.56
debido a que la producción de cada lote se lleva 7 33.68 0.34
8 33.27 0.41
varias horas, la velocidad de producción es 9 33.49 0.22
10 33.20 0.29
demasiada lenta para permitir tamaños de la 11 33.62 0.42
12 33.00 0.62
muestra mayores que uno. 13 33.54 0.54
14 33.12 0.42
15 33.84 0.72
www.senati.edu.pe
Carta de control individual
Nº de la Rango Móvil
Tanda
Viscosidad
MR
Carta de Rango móvil:
x
1 33.75 LSC MR  D4 MR  3.267  0.48  1.57
2 33.05 0.70
3 34.00 0.95
4 33.81 0.19 LIC MR  D3 MR  0.0  0.48  0
5 33.46 0.35
6 34.02 0.56
7 33.68 0.34
Carta de Promedios:
8 33.27 0.41
9 33.49 0.22 MR 0.48
10 33.20 0.29
LSC  x  3  33.52  3  34.80
d2 1.128
11 33.62 0.42
12 33.00 0.62
13 33.54 0.54
MR 0.48
14 33.12 0.42 LIC  x3  33.52  3  32.24
d2 1.128
15 33.84 0.72
www.senati.edu.pe
Uno de los criterios para determinar el tamaño de muestra en
cartas de control para variables: utilizando la norma mil std 414
Tamaño del Lote % a Muestrear

60 a 300 10%
301 a 1.000 5%
1.001 a 5.000 2%
Más de 5.000 1%
www.senati.edu.pe
Selección del Gráfico de Control
www.senati.edu.pe
Sesión 5: CARTAS DE CONTROL PARA ATRIBUTOS

Objetivos
 Identificar los diferentes tipos de graficas de control.
 Definir las reglas básicas a seguir para elección, construcción

e interpretación de las graficas de control por atributos.
 Resaltar las situaciones en que pueden utilizarse las graficas

de control.
 Indicar algunas ventajas y desventajas de las graficas de

control.
 Mostrar ejemplos de cada una de las graficas de control por

atributos.
www.senati.edu.pe
Contenido
1. Conceptos importantes
2. Carta de control p
3. Carta de control np
4. Carta de control C
5. Carta de control U
6. Casos prácticos
www.senati.edu.pe
Cartas de Control para Atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 30 defectivas o no
conformes
np Número de partes defectuosas Constante > 30
c Número de defectos Constante = 1 Unidad de inspección
u Número de defectos por unidad Constante o variable en unidades de inspección
www.senati.edu.pe
Carta P
• Cuando las observaciones pueden ser colocadas en dos categorías:
• Buena o mala
• Pasa-No Pasa
• Opera-No Opera
• Conforme o No conforme
• Cuando los datos consisten de varias muestras de varias observaciones

cada una.
www.senati.edu.pe
Carta P
•Muestra las variaciones en la fracción o

proporción de artículos defectuosos por muestra o
subgrupo.
•En esta carta se toma una muestra o subgrupo de
n artículos, que puede ser la totalidad o una parte
m m
de las piezas de un pedido, un lote. D i  pˆ i
Di
p i 1
 i 1
con pˆ i 
• Se revisa cada uno de estos n artículos y se mn m n
encuentra cuantos de estos fueron defectuosos p : fracción promedio de no conformes

por lo que la carta grafica la proporción de n : tamaño de la muestra
k : número de muestras
artículos defectuosos. np o D : número de unidades no conformes en una
muestra
p : fracción de unidades no conformes en una
muestra = D / n
www.senati.edu.pe
Carta P
· También se llaman Cartas de Porcentaje Defectivo o Fracción Defectiva

· Monitorea el % de defectos o fracción defectiva en una muestra
· El tamaño de muestra (n) puede variar
· Recalcula los límites de control cada vez que (n) cambia
Terminología
n = tamaño de cada muestra (por ejemplo, producción semanal)
np = número de unidades defectuosas en cada muestra
p = proporción (porcentaje) de defectos en cada muestra -
(fracción defectiva)
k = número de muestras
www.senati.edu.pe
Carta P - ejemplo
Se seleccionan 30 muestras de n = 50 unidades c/u.
Número Número de Fracción

disconforme
de muestra disconformes muestral
1 12 0.24
2 15 0.30
: : :
30 6 0.12
347 0.2313
www.senati.edu.pe
Carta P - ejemplo
347
p  0 .2313  LC
 30   50  .5
LSC = 0.410239
.4 LC = 0.231333
.3 LIC = 0.0524275
Límites de Control:
p
.2
0.2313  0.7687 
 LSC  0 .2313  3  0.4102 .1
50
5 10 15 20 25 30
0.2313  0.7687  Muestra o subgrupo

LI C  0.2313 - 3  0 .0524
50
www.senati.edu.pe
Carta P - ejemplo
N°
Componentes
Muestra Errores Fracción
defectuosos
Algunos componentes no pasaron la p
inspección final. Los datos de falla se 1 7 0 0.000

2 7 0 0.000
registraron semanalmente tal como se 3 15 2 0.133
14 0.143
muestra a continuación. 4
48
2
0.125
5 6
6 22 0 0.000
7 18 6 0.333
8 7 0 0.000
9 14 1 0.071
10 9 0 0.000
11 14 2 0.143
12 12 2 0.167
13 8 1 0.125
K = 13 semanas
www.senati.edu.pe
Carta P - ejemplo
SOLUCION:
Paso 1: Calcular ̅̄p̄̅ y n (puesto que los tamaños de muestras son diferentes)
 Total defectuoso s 22
p  d /( m x n)  
Numero total inspeccion ado 195
 0.1128
Total inspeccion ado 195

n    15
total subgrupos 13
Los límites de control para este caso son:
 
 p (1  p ) 0.1128 (1  0.1128 )
LCS  p  3  0.1128  3  0.358
n 15
LC  0.1128


 p (1  p ) 0.1128 (1  0.1128 )
LCI  p  3  0.1128  3   0.132  0
n 15
www.senati.edu.pe
Carta P - ejemplo
Paso 2. Dibuje en la gráfica cada una de las proporciones defectuosas de la muestra. Como vemos en la sgte
figura, la proporción de elementos defectuosos es estable. Ningún subgrupo está fuera de control.
Grafica p de componentes defectuosos

0.5
LCS=0.4484
0.4
0.3
LCS =0.358 · ¿Por qué el LIC es siempre cero?
Proporción
· ¿Qué pasó en la muestra 7? (33.3% defectos)

0.2
_
• ¿Qué oportunidades para mejorar existen?,
P=0.1128
0.1
• ¿Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
0.0 LCI=0
1 2 3 4 5 6 7 8 9 10 11 12 13
Muestra
Las pruebas se realizaron con tamaños de la muestra desiguales
www.senati.edu.pe
Carta P - ejemplo
Numero de Números de
muestra cuenta
equivocados
El gerente de operaciones del Dpto. de servicios de
1 15
registros del Hometown Bank se siente preocupado por la
2 12
gran cantidad de errores que comete el personal de ese
3 19
banco al registrar los números de cuenta de los clientes.
4 2
5 19
Cada semana se toma una muestra aleatoria de 2,500 6 4
depósitos y se anota la cantidad de números de cuenta 7 24
registrados incorrectamente.
8 7
9 10
Los resultados de las 12 ultimas semanas aparecen en la 10 17
siguiente tabla. ¿Esta fuera de control este proceso? Use 11 15
acotamientos de control tres sigma. 12 3
Total 147
www.senati.edu.pe
Carta P - ejemplo
SOLUCION:
Paso 1. Construya la gráfica p, usando datos del pasado para calcular ̅̄p̄̅
Luego, los límites de control son:

 Total de defectos 147
p  d /( m x n)  
Numero total de observacio nes 12  2500
 0.0049
p (1  p )
p   0.0049 (1  0.0049) / 2500  0.0014
n
LSC p  p  z  p  0.0049  3(0.0014)  0.0091
LIC p  p  z  p  0.0049  3(0.0014)  0.0007
www.senati.edu.pe
Carta P - ejemplo
Paso 2. Calcule la proporción defectuosa de esta muestra. En el caso de la muestra 1, la proporción de
elementos de elementos defectuosos es 15/2500 = 0.0060
Paso 3. Dibuje en la gráfica cada una de las proporciones defectuosas de la muestra, como vemos en la sgte
figura.
Grafica p de los numeros de cuenta equivocados
0.010 1
LCS=0.00909
0.008
0.006
Proporción
_
P=0.0049
0.004
0.002
LCI=0.00071
0.000
1 2 3 4 5 6 7 8 9 10 11 12
Muestra
La muestra 7 rebasa el acotamiento de control superior, por lo tanto, el proceso está fuera de control y
será necesario averiguar las razones del mal desempeño registrado durante esa semana. Tal vez los
números de cuenta fueron introducidos erróneamente en la computadora por una persona en proceso de
capacitación, o una maquina codificadora tenía una falla. Una vez corregido el problema, el analista vuelve
a calcular los acotamientos.
www.senati.edu.pe
Carta NP
 Cuando el tamaño de la muestra en las cartas p es constante, es más

conveniente usar la carta np, en la que se grafica el número de artículos
defectuosos por muestra en lugar de la proporción.
 los límites de control para la carta np se obtiene bajo el supuesto de la
distribución binomial.
n p = # de productos defectuosos en una muestra

n = tamaño de la muestra
k = Número de muestras o subgrupos
p = Suma de productos defectuosos / Total inspeccionado [n * k]
www.senati.edu.pe
Carta NP
Esta gráfica es casi la misma que la de p, pero es más fácil de entender para los operarios pues
no requieren hacer ningún cálculo a la hora de utilizarla y colocar el número de unidades no
conformes.
Donde po es el valor de la fracción de unidades no conformes en control. Si este valor no es

conocido, entonces es estimado mediante pˆ .
Nota:
Si el tamaño de muestra varía de subgrupo a subgrupo, se presenta una gráfica difícil de explicar al
personal operativo. Una técnica es utilizar un tamaño de muestra promedio. De esta forma los límites
aparecerán constantes. Este tamaño puede calcularse con información histórica de inspecciones
previas.
www.senati.edu.pe
Carta NP - ejemplo
Muestra N° partes Defectuos
En un proceso se inspeccionan K = 15 os
1 4000 2
lotes tomando n = 4000 partes de cada 2 4000 3
3 4000 3
lote, se rechazan algunas partes por 4 4000 2
5 4000 4
tener defectos, como sigue: 6 4000 2
7 4000 3
8 4000 3
9 4000 6
10 4000 8
11 4000 3
12 4000 4
13 4000 4
14 4000 7
15 4000 6
K=15 lotes
www.senati.edu.pe
Carta NP - ejemplo
SOLUCION:
Paso 1. Usando datos del pasado calcular ̅ ̄p̄̅ . Luego

determinamos el valor de np
Gráfica NP de Defectuosos
 Total de defectuoso s 60
p   d /( m x n) 
10 LCS=10.00
  0.001
Luego: Numero total de observacio nes 15  4000 8
Conteo de muestras
6

n p  4000 x 0.001  4 4
__
NP=4
2
  
LCS  np  3 n p (1  p)  4  3 4 (1  0.001)  10 0 LCI=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
 Muestra
LC  n p  4
 El proceso se encuentra bajo control estadístico.
 
LCI  np  3 n p (1  p )  4  3 4 (1  0.001)   1.9969  0
www.senati.edu.pe
Carta NP - ejemplo
Una manufacturera de esponjas de gasa toma una muestra de 600

esponjas diariamente, las inspecciona y registra el número de esponjas
defectuosas. En total hay 9 muestras de esponjas, representados en la
siguiente tabla:
Muestra Muestra Disconformes
1 600 21
2 600 22
3 600 20
4 600 21
5 600 23
6 600 39
7 600 18
8 600 24
9 600 20
www.senati.edu.pe
Carta NP
La proporción disconforme es el resultado de la división de los elementos disconformes entre el
tamaño de la muestra, en este caso, 600.
A continuación, se sustituyen los valores en las fórmulas para calcular los valores de los límites.
Así, se tiene que:
 Total de defectuoso s 208

p  d /( m x n)  
Numero total de observacio nes 9(600)
 0.0385 Grafico np, para espongas de gasa
40 1
Luego: LCS=37.25
35

n p  600 x 0.0385  23.1
Conteo de muestras
30
25 __
NP=23.11
  
LCS  np  3 n p (1  p )  23.1  3 23.1 (1  0.0385)  37.25 20
 15
LC  n p  23.11
10
 LCI=8.97
 
LCI  np  3 n p (1  p )  23.1  3 23.1 (1  0.0385)  8.97 1 2 3 4 5
Muestra
6 7 8 9
www.senati.edu.pe
Carta C
· Monitorea el número de defectos por cada unidad de inspección (1000

metros de tela, 200 m2 de material, un TV).
· El tamaño de la muestra (n unidades de inspección) debe ser constante

· Ejemplos:
- Número de defectos en cada pieza
- Número de cantidades ordenadas incorrectas en órdenes de compra
Terminología
c = Número de defectos encontrados en cada unidad o
unidades constantes de inspección
k = número de muestras
www.senati.edu.pe
Carta C
•El objetivo de esta carta es analizar la variabilidad del número de defectos.

En esta carta se grafica c i que es el número de defectos en la i-ésima
muestra.
•La carta c es aplicable donde el tamaño de muestra puede verse como una
constante( una semana, una pieza, 100 artículos, un metro de tela, etc.).
•Límites de control:
www.senati.edu.pe
Carta C - ejemplo
En una fabrica de muebles se inspecciona a detalle

el acabado de las mesas cuando salen del dpto. de
laca. Mesa Numero Mesa Numero Mesa Numero
de de de
La cantidad de defecto que son encontrados en defectos defectos
cada mesa son registrados con el fin de conocer y 1 7 11
defectos
6 21 3
mejorar el proceso. En la sgte tabla se muestran 2 5 12 7 22 10
3 10 13 8 23 6
los defectos encontrados en las ultimas 30 mesas. 4 2 14 4 24 6
5 6 15 5 25 7
Es claro que estamos ante una variable que debe 6 5 16 12 26 4
ser analizada con la carta c, debido a que una 7 4 17 8 27 5
8 9 18 10 28 6
misma mesa puede tener varios defectos de 9 7 19 4 29 8
diferentes tipo además, los defectos son 10 5 20 7 30 5
191
relativamente menores, y aunque influyen en la
calidad final del producto, no causan que la mesa
sea rechazada.
www.senati.edu.pe
Carta C - ejemplo
El número promedio de defectos es:
 Total defectos 191 Grafico C, para defectos de mesas

c   6.37
Total muestra 30 14 LCS=13.94
12
Conteo de muestras
10
Por lo tanto, los límites de control de la carta c, están dados por:
8
_
C=6.37
6
4

LCS  C  3 c  6.37  3 6.37  13.94 2
0 LCI=0

LCS  C  3 c  6.37  3 6.37   1.2  0
1 4 7 10 13 16 19 22 25 28
Muestra
No hay puntos fuera de los límites. Por lo tanto los límites de control a usar en el futuro son esos
mismos.
www.senati.edu.pe
Carta C - ejemplo
La empresa Trupal fabrica papel para la industria de los

periódicos. En la fase final del proceso, el papel pasa por una
maquina que mide varias características de calidad. Cuando el
proceso esta bajo control, el promedio es de 20 defectos por cada
rollo de papel.
a. Elabore una grafica de control para el numero de defectos por
rollo. Use acotamientos de control dos sigma.
b. Los dos primeros rollos contenían 27 y 5 defectos,
respectivamente. ¿Se encuentra este proceso bajo control?
www.senati.edu.pe
Carta C - ejemplo
SOLUCION: Grafica c, de defectos por rollo de papel
30
+2SL=28.94
a. El número promedio de defectos por rollo es 20. 25

Por lo tanto:
Conteo de muestras
_
20 C=20

LCS  C  2 c  20  2 20  28.94 15
 -2SL=11.06
LCS  C  2 c  20  2 20  11 .06 10
5
1
1 2
Luego tenemos la gráfica de control en la siguiente figura. Muestra
b. Puesto que el primer rollo tenía solo 27 defectos, o sea, menos de lo que indica el acotamiento de
control superior, el proceso sigue estando bajo control. Cinco defectos es menor que el valor del
acotamiento de control inferior y, por consiguiente, el proceso se encuentra técnicamente “fuera de
control”. Sin embargo, la gráfica de control indica que ha sucedido algo bueno. En este caso, sería
conveniente que la gerencia localizara la causa asignable y la aprovechara para reducir el número
promedio de defectos.
www.senati.edu.pe
Carta U
· Monitorea el número de defectos en una muestra de n unidades de inspección. El

tamaño de la muestra (n) puede variar.
· Los defectos por unidad se determinan dividiendo el número de defectos encontrados
en la muestra entre el número de unidades de inspección incluidas en la muestra
(DPU o número de defectos por unidad) .
· Ejemplos:
• Se toma una muestra de tamaño constante de tableros PCB por semana,
identificando defectos visuales por tablero.
• Se inspeccionan aparatos de TV por turno, se determinan los defectos por TV
promedio.
www.senati.edu.pe
Carta U
Para cada muestra se grafica el número promedio de defectos por unidad, U i,

que se obtiene al dividir el total de defectos encontrados en la muestra entre el
total de unidades .
• Ci es la cantidad de defectos en la muestra i
y n es el tamaño de la muestra i.
www.senati.edu.pe
Carta U: ejemplo
Muestra Defectos DPU

Un proceso de soldadura suelda 50 PCBs
50 305 6.1
por semana. Los defectos visuales 50 200 4.0
50 210 4.2
observados se registran cada semana. 50 102 2.0
50 198 4.0
50 167 3.3
50 187 3.7
50 210 4.2
50 225 4.5
50 247 4.9
50 252 5.0
50 215 4.3
k=12 semanas
www.senati.edu.pe
Carta U: ejemplo
SOLUCION
Grafico u, para defectos en soldaduras

 Total defectos 2518 1
u   d / ( m x n)    4.197 6
Total muestra 12 50 
Conteo de muestras por unidad

5 LCS=5.066
_
U=4.197
 4
 u 4.197
LCS  u  3  4.197  3  5.066 LCI=3.328
n 50 3

LC  u  4.197
2
 1
u 4.197 1 2 3 4 5 6 7 8 9 10 11 12
LCI  u  3  4.197  3  3.328 Muestra
n 50
www.senati.edu.pe
Selección del Gráfico de Control
Característica de Calidad
Variable Atributo
Defectuoso Defecto
no
¿n > 1? x y MR
Tamaño si Unid. de
si muestral muestreo
constante constante
no
p o np si no
¿n ³ 10? xyR no
si
Gráfico p con c u
tamaño muestral
xys variable
www.senati.edu.pe
Sesión 6: CAPACIDAD DEL PROCESO

Objetivos
 Predecir en que grado el proceso cumple
especificaciones.
 Apoyar a diseñadores de producto o proceso en sus

modificaciones
 Especificar requerimientos de desempeño para el equipo

nuevo.
 Desarrollar ejercicios de aplicación con los alumnos.
www.senati.edu.pe
Contenido
1. Conceptos importantes
2. Procedimiento para medir la capacidad del proceso
3. Índices de capacidad Potencial y Real
4. Otros índices de capacidad
www.senati.edu.pe
Capacidad del Proceso
 Aptitud del proceso para cumplir con las especificaciones
 Preguntas típicas en un estudio de capacidad del proceso son:

a) ¿Cuál es la media del proceso?
b) ¿Cuánta es la variabilidad del proceso?
c) ¿Desempeño del proceso relativo a las especificaciones es
aceptable?
d) ¿Qué porcentaje de producto cumple las especificaciones?
e) ¿Qué factores contribuyen a la variabilidad?
www.senati.edu.pe
CAPACIDAD DEL PROCESO: USOS
 Predecir el grado en que el proceso cumplirá con las especificaciones

o tolerancias.
 Seleccionar el proceso más adecuado.
 Ayudar a establecer intervalos de muestreo y controles de proceso.
 Especificar requisitos para equipos nuevos.
 Elegir entre diferentes proveedores.
 Reducir la variabilidad.
 Asignar los equipos a los tipos de trabajo para los cuales son más
adecuados.
www.senati.edu.pe
Capacidad del Proceso: Pasos Basicos
1. Elegir una máquina o parte representativa del proceso.
2. Definir las condiciones del proceso.
3. Seleccionar un operador representativo.
4. Proporcionar material estándar y en cantidad suficiente para un

estudio sin interrupciones.
5. Especificar la metodología de medición y recopilación de datos.
www.senati.edu.pe
Una manera de evaluar la capacidad del proceso para producir dentro de las
especificaciones, es comparar el ancho de la especificación con el ancho del proceso.
Fig.1
La figura 2 muestra y compara dos procesos. El proceso para el cual a/b es mayor a 1,
es mejor que el otro, pues presenta menor variación.
Fig. 2 comparación de dos procesos
www.senati.edu.pe
Índice de Capacidad potencial del Proceso : CP
Donde:
Cp= Índice de la capacidad CP > 1.33 : El proceso es capaz

CP < 1.00 : El proceso no es capaz
USL - LSL= Especificación superior
1.00 ˂ CP ˂ 1.33 : El proceso es capaz, pero
menos la especificación inferior debería ser vigilado a
6σ= Capacidad del proceso medida que CP ® 1.00
www.senati.edu.pe
Índices de Capacidad real del Proceso : CPK
Como Cp no toma en cuenta la ubicación (centrado) del proceso, es necesario definir
otro índice que si la considere; sea el proceso señalado en el siguiente grafico
Fig.6 .Definición del índice de capacidad real
Al comprar c/d se puede ver el centrado del proceso en relación con la mitad de la variación del mismo.
c = la distancia entre el centro del proceso (media) y el limite de especificación mas cercano.
d = la mitad del ancho del proceso.
www.senati.edu.pe
Índices de Capacidad real del Proceso : CPK
CPK > 1 : Proceso es capaz

CPK < 1 : Proceso no es capaz
www.senati.edu.pe
Tamaño de la Muestra
Objetivo: Identificar variaciones que pueden cambiar a través del tiempo.
Muestras :
- Deben ser tan homogéneas como sea posible
- De manera que, si hay causas asignables, debe haber una alta
probabilidad de observar diferencias entre muestras y una
baja probabilidad de observar diferencias dentro de una muestra.
www.senati.edu.pe
Subgrupos Racionales
• Las muestras obtenidas de esta manera se denominan subgrupos

racionales.
• ¿Cómo construir subgrupos racionales?
- Tomar mediciones consecutivas durante un período de tiempo.

- No superponer turnos de producción, diferentes lotes de materiales.
- La idea es que al seleccionar la muestra no se debe influir en los
resultados.
www.senati.edu.pe
Pequeña Grande
• Minimiza probabilidad de detectar • Mayor capacidad para detectar pequeñas

variaciones dentro de la muestra. variaciones en las características del proceso.
• Costo bajo • Mayor costo
• No es buena si distribución no es normal • Mejor si distribución no es normal.
www.senati.edu.pe
 En la práctica se ha encontrado que muestras de

aproximadamente 5 mediciones (n = 5) funcionan bien para
detectar cambios de 2 desviaciones estándar o mayores.
 Para detectar cambios menores deben utilizarse muestras de

tamaño más grande, de 15 a 25 observaciones.
www.senati.edu.pe
Frecuencia de Muestreo
• Lo ideal es tomar muestras grandes frecuentemente, lo cual implica costos

altos.
• No existen reglas claras para determinar la frecuencia.
• La frecuencia debe ser tal que permita detectar los cambios lo más pronto
posible, para reducir riesgos de producto no conforme.
• Sin embargo la frecuencia no debe ser tan alta para que el costo sobrepase
las ventajas.
• Decisión final depende de la aplicación particular y del volumen de

producción.
www.senati.edu.pe
Frecuencia de Muestreo
C pk C a r a c te r ís tic a C r ític a C a r a c te r ís tic a S e c u n d a r ia

< 1.00 Ins p ec c ió n 1 0 0% In s p e c c ión 10 0 %
1 .0 0 - 1 .3 3 3 0 a 60 m in ut o s 4 ho ras
1 .3 3 - 1 .6 6 4 h ora s 8 ho ras
1 .6 6 - 2 .0 0 8 h ora s 8 ho ras
> 2.00 N o d ep en d e d e C pk N o d e pe n de de C pk
www.senati.edu.pe
www.senati.edu.pe
 La capacidad real de un proceso no se puede calcular sino hasta que

las gráficas x y R han logrado obtener la mejora óptima de la calidad
sin necesidad de hacer una considerable inversión en equipo nuevo
o en adaptación a éste.
 La capacidad del proceso es igual a 6σ cuando el proceso está bajo

control estadístico
www.senati.edu.pe
Inicio
CAPACIDAD DEL PROCESO
Esquema general para implementación de Definir variables de
proceso a medir
un programa de control estadístico o para
el mejoramiento de los procesos con base Definir plan de
mediciones
en esta herramienta.
Realizar las mediciones de
acuerdo al plan establecido
Evaluar el comportamiento con

gráficos de control
Proceso Identificar Eliminar causas

en control No
causas asignables de
estadístico asignables de variación
? variación
Si
Decisión Evaluar la capacidad del

gerencial proceso
No
ICP>1
?
Si
Verificar Programas de
ICP>1.33 No
centrado del mejoramiento
? proceso del proceso
Si
Decisión gerencial
www.senati.edu.pe
Capacidad del proceso: ejemplo
Un proceso para el llenado de envases con fórmula para bebe debe tener una
medida de 3 onzas ± 0.150 onzas. Se muestrearon 200 frascos del proceso. Los
resultados mostraron que la cantidad promedio de alimento vertido en los
envases fue de 3.042 onzas. La desviación estándar de dicha cantidad fue de
0.034 onzas. Determine el valor de Cpk.
SOLUCION

Especifica cion tecnica del producto : Caracteris ticas del proceso : x  3.042 onz ; s  0.034 onz
LCS  3  0.150  3.150
LCI  3  0.3150  2.850  3.150  3.042 3.042  2.850 
C PK  Minimo  ;   1.06 ; 1.88
 3 ( 0. 034 ) 3 ( 0. 034 ) 
El proceso está en control estadístico.
www.senati.edu.pe
Índice Cr (razón de capacidad potencia)
Indicador de la capacidad potencial del proceso que divide la amplitud de la variación natural
de este entre la variación tolerada. Representa la proporción de la banda de especificación que
es cubierta por el proceso.
6
Cr 
ES  EI
Con este índice se pretende que el numerador sea menor que el denominador, es decir, lo deseable
son valores de Cr pequeños (menores que 1).
La ventaja del índice Cr sobre el Cp es que su interpretación es un poco mas intuitiva, a saber: el
valor del índice Cr representa la proporción de la banda de especificación que es ocupada por el
proceso. Por ejemplo si el Cr=1.20, querrá decir que la variación del proceso abarca o cubre 120%
de la banda de especificación, por lo que su capacidad potencias es inadecuada.
www.senati.edu.pe
Índice K (índice de centrado del proceso)
Es un Indicador de que tan centrada esta la distribución de un proceso con

respecto a las especificaciones de una característica de calidad dada. Se
calcula de la sgte manera:
N
K  x 100
1
 ES  EI 
2
Como se aprecia, este indicador mide la diferencia entre la media del proceso, μ y el valor
objetivo o nominal, N (target), para la correspondiente característica de calidad; y compara
esta diferencia con la mitad de la amplitud de las especificaciones. Multiplicar por 100
ayuda a tener una medida porcentual. La interpretación de K es:
www.senati.edu.pe
Índice K (índice de centrado del proceso)
La interpretación de K es:
• Si el signo del valor de K es positivo significa que la medida del proceso es

mayor al valor nominal y será negativo cuando μ < N.
• Valores de K menores a 20% en términos absolutos se consideran

aceptables, pero a medida que el valor absoluto de K sea mas grande que
20%, indica un proceso muy descentrado, lo cual contribuye de manera
significativa a que la capacidad del proceso para cumplir especificaciones
sea baja.
• El valor nominal N, es la calidad objetivo y optima; cualquier desviación

con respecto a este valor lleva un detrimento en la calidad.
www.senati.edu.pe
Índice Cpm (índice de Taguchi)
Índice de Taguchi similar al Cpk, que en forma simultanea, toma en cuenta el centrado y la
variabilidad del proceso.
Desde el punto de vista de taguchi, cumplir con especificaciones no es sinónimo de buena
calidad y la reducción de la variabilidad debe darse en torno al valor nominal (calidad
optima).
Es decir, la mejora de un proceso debe estar orientada a reducir su variabilidad alrededor
del valor nominal, N, y no solo para cumplir con especificaciones. Taguchi, propone que la
capacidad del proceso se mida con el índice Cpm que esta definido por:
ES  EI 2
C pm     2   N
6 Donde ζ (tau) esta dada por:
www.senati.edu.pe
Índice Cpm (índice de Taguchi)
y N es el valor nominal de la característica de calidad; EI y ES son las especificaciones

inferior y superior. El valor de N por lo general es igual al punto medio de las
especificaciones.
Nótese que el índice Cpm compara el ancho de las especificaciones con 6 ζ, pero ζ no
solo toma en cuenta la variabilidad del proceso, a través de σ², sino que también toma
en cuenta su centrado a través (μ - N)².
De esta forma, si el proceso esta centrado, es decir, si μ = N, entonces Cp, Cpk y Cpm
son iguales.
Interpretación:
Cuando el índice Cpm es menor que uno significa que el proceso no cumple con especificaciones,
ya sea por problemas de centrado o por exceso de variabilidad.
www.senati.edu.pe
Capacidad a partir de un Histograma
Calculando la media y la desviación estándar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6  = 192.12

Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 = 0.67 < 1 no es hábil el proceso
Zs =(330 - 264.06)/96.06=0.68 Zi =(264.06 - 200)/96.06=0.67
Cpk = menor de Zs y Zi < 1 el proceso no cumple especificaciones.
www.senati.edu.pe
Ejemplo (carta X – R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, después

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

[ d2 para n = 5 tiene el valor 2.326]
Si el límite de especificación es: LIE = 200.
El Cpk = (264.06 - 200) / (33.23) (3) = 0.64 por tanto el proceso no cumple con las
especificaciones.
www.senati.edu.pe
Control Estadístico de Procesos: Modulo IV
www.senati.edu.pe
Contenido
• Diagrama de Pareto
• Diagrama Causa-Efecto
• Flujogramas
• Diagrama de dispersión.
www.senati.edu.pe
Diagrama de Pareto
Generalmente se aplica cuando en el proceso bajo estudio existen

múltiples variables que se necesita categorizar y priorizar para
solucionarlo.
En un proyecto de mejoramiento el Diagrama de Pareto es muy útil, ya

que puede orientarnos por donde debemos iniciar la mejora con
relación a parámetros establecidos (severidad, frecuencia, costos, etc.)
www.senati.edu.pe
Diagrama de Pareto
• Son representaciones de la densidad y la distribución de variables

aleatorias nominales (usualmente causas de falla en sistemas o
defectos en productos).
• Las causas se ordenan de modo de distinguir cuales son las más

importantes.
• Usualmente opera la regla del 80-20, el 80% de los problemas se deben

al 20% de las causas.
www.senati.edu.pe
Diagrama de Pareto Wilfredo Pareto decía que:
 El 20% de los países con economías
fuertes, domina a los demás.
PORCENTAJE DE COMPOSICIÓN
CONDUCTAS DE UN MAL SERVICIO
125
100 %  El 20% de las personas que aportan
100 con su trabajo, sostienen al 80% de
80 %
la población.
75
60 %
 La abundancia en una sociedad, la
50
40 % posee y administra sólo el 20% de la
25 población.
20 %
0
 La mejora de la calidad se logra al
resolver el 20% las causas que
generan el 80% de los problemas.
www.senati.edu.pe
Ventajas del Diagrama de Pareto
Dividir grandes problemas en partes simples.
Identificar los factores más relevantes.
Orientar hacia donde enfocar los esfuerzos.
Ayuda a utilizar mejor los recursos limitados.
www.senati.edu.pe
Pasos para la Construcción del
Diagrama de Pareto
1.Decidir que elementos se estudiarán

(categoría y periodo de recojo).
2.Resumir datos
Ejemplo:
Un accesorio de metal estampado con una
forma particular se cubre con un adhesivo y
se coloca en un molde en el que se inyecta
caucho para hacer el producto. El estudio
muestra los siguientes datos:
5. En el eje “X” colocar los factores
o causas; en el eje “Y” izquierdo lo
referente a la frecuencia y en el eje
“Y” derecho el porcentaje.
6. Gráficos
• Barras: Frecuencia
• Línea: Frecuencia relativa
acumulada
Diagrama de Causa – Efecto (Ishikawa o Espina de Pescado)
• En muchos casos se resuelven los problemas sin atacar las causas

de los mismos, lo cual es una práctica perjudicial.
• En estos diagramas las causas que potencialmente pueden generan

un determinado efecto se presentan en forma jerarquizada.
• Por su forma, también se denominan diagramas de espina de

pescado.
www.senati.edu.pe
Los pasos para su construcción son:
• Determinar claramente el efecto a estudiar.

• Reunir a las personas que conocen del problema y realizar una lluvia
de ideas.
• Seleccionar las causas aportadas, eliminando repeticiones y errores.
• Dibujar el diagrama. Lo debe hacer una persona que conozca del
problema.
www.senati.edu.pe
CAUSA
NIVEL 2
MANO
MANO DE
DE OBRA
OBRA CAUSA
NIVEL 1
PERSONAL
PERSONAL
El
El problema
problema
se identifican los factores que contribuyen a las causas
oo efecto
efecto es
es
definido
definido
MATERIAL
MATERIAL
ORGANIZACION
ORGANIZACION CAUSA
NIVEL 3
www.senati.edu.pe
MANO DE OBRA MAQUINARIA

Fatiga Abrasión
Salud Concentración Herramientas

Enfermedad Moral Deformación
Habilidad Mantenimiento
Variabilidad en
Forma la dimensión
Posición
Componente Diámetro
Ajuste
Calidad Puesta a Ángulo
Almacenamiento punto
Velocidad
MATERIALES MÉTODO
Diagrama causa-efecto para estudiar las causas de

www.senati.edu.pe la variabilidad en la dimensión de una pieza.
Calidad de la Preparación de la base

Pintura
Imprimación Limpieza de la
base
Eliminación de
Acabado
grasas y aceites Duración
Pintura al óleo
Rodillos Exposición.excesiva al sol
Película de pintura se Ambiente salino

Brocha
rompe Pintura no adherida
Falta de recinas en Hongos
Método de pinturas Alto porcentaje Humedad
Exceso de T°en Afecta a la pintura
aplicación verano Atmósfera
Cercanía de la costa
www.senati.edu.pe
Lluvia de Ideas
• Técnica para generar ideas creativas cuando la mejor solución no es obvia.
 Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
 El problema a analizar debe estar siempre visible
 Generar y registrar en el diagrama de Ishikawa un gran número de ideas,

sin juzgarlas, ni criticarlas
 Motivar a que todos participen con la misma oportunidad
www.senati.edu.pe
Técnica de los 5 ¿porques?
Esta técnica se utilizó por primera vez en Toyota durante la evolución de sus
metodologías de fabricación, que luego culminarían en el Toyota Production
System (TPS).
El arquitecto del sistema de producción de Toyota, Taiichi Ohno, describió el

método de 5 porqués como… “La base del acercamiento científico de Toyota…
repitiendo porqué cinco veces, la naturaleza del problema así como su solución
llegan a estar claras“.
Esta técnica se usa actualmente en muchos ámbitos, y también se utiliza dentro

de Six Sigma.
www.senati.edu.pe
Técnica de los 5 ¿porques?
Ejemplo: caso de paro de una maquina

PRIMERA PREGUNTA: ¿Por qué se ha parado la máquina?
RESPUESTA: Porque había una sobrecarga y ha saltado
un fusible.
SEGUNDA PREGUNTA: ¿Por qué había una sobrecarga?
RESPUESTA: Porque la lubricación de los rodamientos era
insuficiente.
TERCERA PREGUNTA: ¿Por qué era insuficiente?
RESPUESTA: Porque no funcionaba bien la bomba.
CUARTA PREGUNTA: ¿Por qué no funcionaba bien la bomba?

RESPUESTA: Porque su eje estaba desgastado.
QUINTA PREGUNTA: ¿Por qué estaba desgastado?

RESPUESTA: Porque había entrado barro.
SOLUCION: AGREGAR FILTRO A LA BOMBA DE LUBRICACION

Fuente: Taiichi Ohno, ex vicepresidente Toyota.
www.senati.edu.pe
SIMBOLO REPRESENTA
5. Diagrama de flujo Inicio o término. Indica el principio o el fin del flujo, puede
ser acción o lugar, además se usa para indicar una unidad
administrativa o persona que recibe o proporciona
Diagrama de Flujo es una representación información.
Actividad. Describe las funciones que desempeñan las
gráfica de la secuencia de etapas, personas involucradas en el procedimiento.
operaciones, movimientos, decisiones y otros
eventos que ocurren en un proceso.
Documento. Representa un documento en general que
entre, se utilice, se genere o salga del procedimiento.
Esta representación se efectúa a través de

formas y símbolos gráficos utilizados Decisión o alternativa. Indica un punto dentro del flujo en
usualmente: donde se debe tomar una decisión entre dos o más
alternativas.
Archivo. Indica que se guarda un documento en forma

temporal o permanente.
Conector de página. Representa una conexión o enlace

con otra hoja diferente, en la que continúa el diagrama de
flujo.
Conector. Reprsenta una conexión o enlace de una parte

del diagrama de flujo con otra parte lejana del mismo.
GERENCIA CENTRAL DE LOGISTICA
PROCEDIMIENTO DE ADQUISICIÓN DE MATERIALES
DEPARTAMENTO SOLICITANTE ALMACEN DEPARTAMENTO DE COMPRAS PROVEEDOR
NO Pide material
¿Existencia Solicita material mediante
INICIO mediante requ- Surte material
suficiente? orden de
isición de compra
compra
Pide material
Diagrama de mediante
SI
formato horizontal solicitud de

material Surte material
B
B
A
NO Comunica SI
¿Material
¿Material requerido? deficiencia al Surte material
requerido?
almacén
NO
SI
A
¿Origen del
Utiliza material material
Proveedor
Almacén
FIN Comunica
deficiencia al
proveedor
FORMULÓ AUTORIZÓ FECHA DE ELABORACIÓN

Diagramas de Dispersión
• Se usa para analizar la relación entre dos

características calidad (variables).
• Si X e Y representan las dos variables, se

obtienen datos sobre ellas y se representan
en un plano X-Y.
• El gráfico resultante se denomina diagrama

de dispersión.
• Según la forma del gráfico se puede concluir

sobre la magnitud y forma de la relación entre
las variables (correlación positiva, correlación
negativa, correlación no lineal, ausencia de
correlación, etc.)
www.senati.edu.pe
Diagramas de Dispersión: ejemplo
CELULOSA: Humedad versus Gramaje

720
710
Gramaje
700
690
680
4.9 5.4 5.9 6.4 6.9 7.4
Humedad
www.senati.edu.pe
Coeficiente de Correlacion (R)
Mide la intensidad de la asociación lineal entre dos variables aleatorias
n  xy   x  y  El coeficiente de correlación, r, explica la

r importancia relativa de la relación entre x e y.
 n  x 2  (  x )2   n  y 2  (  y )2 
 El signo de r indica la dirección de la relación.
 r puede tomar cualquier valor entre
-1 y +1.
Interpretacion de valores de r:
-1 relacion negativa perfecta
+1 relacion positiva perfecta
0 no existe relacion entre las variables
+0.3 poca relacion positiva
-0.8 fuerte relacion negativa
www.senati.edu.pe
Regresion Lineal Simple
• Ecuacion de regresion
Y = a + bX
Y = variable dependiente
X = variable independiente
a = intercepta eje-y
b = pendiente de la recta de regresión
www.senati.edu.pe
Método de los mínimos cuadrados
El enunciado señala que estos valores deberán ajustarse a una recta por el método de
Mínimos cuadrados, representada por la siguiente ecuación:
Y* = a + bx
Donde:
Y* : la variable dependiente corresponde a la demanda
X : la variable independiente corresponde al año que se quiere proyectar
a y b: parámetros de la función (a es el coeficiente de posición y b es la pendiente de la recta).
los valores de ambos parámetros son determinados al aplicar el Método de los mínimos
cuadrados, que significa minimizar la expresión:
Donde:
 Y  Y 
n
Yi : es un valor observado o dato (nube de puntos)
 i i
* 2
Yi* : es un valor calculado por la ecuación de regresión
i 1 n : es el numero de observaciones (X,Y)
www.senati.edu.pe
Regresion Lineal Simple
Constantes a y b
Las constantes A y B se calculan utilizando las siguientes ecuaciones:
a=
  y- x xy
x 2
n  x 2 -(  x)2
n xy-  x y
b=
n  x 2 -(  x)2
www.senati.edu.pe
Regresion Lineal Simple-Ejemplo
Trimestre Publicidad Venta
($100,000) ($ Millones)
Una empresa que fabrica cajas de cartón hace cajas

1 4 1
para pizzas. El Dpto. de planeación de Operaciones
2 10 4
sabe que un pronostico adecuado y preciso de cajas
3 15 5
para pizza de un cliente esta en relación estrechas con
4 12 4
los gastos de promoción de este, el cual se puede
5 8 3
obtener por adelantado antes de realizar el gasto.
6 16 4
El Dpto. de planeación de operaciones esta interesado 7 5 2
en establecer la relación entre la promoción de la 8 7 1
Empresa de pizzas y las ventas.
9 9 4
10 10 2
Una vez que eso se haya establecido, las ordenes de Haciendo el calculo de b y a, donde
compra de las cajas para pizzas, en dólares, pueden la publicidad es Xt para el trimestre t,
expresarse como porcentaje fijo de las ventas. las ventas son Dt para el trimestre t y
Ft es el pronostico para el futuro
Publicidad y ventas trimestrales.
periodo t
www.senati.edu.pe
Publicid Ventas 2 2 Valor

Trimestre X Y XY
(X ) (Y) estimado
Constantes a y b
1 4 1 16 1 4 1.38
Las constantes a y b son calculadas usando
2 10 4 100 16 40 3.12
las siguientes ecuaciones:
3 15 5 225 25 75 4.57
n xy   x  y 10 328   96  30
4 12 4 144 16 48 3.70 b   0.29
5 8 3 64 9 24 2.54
n x 2    x  2 101060   96
2
6 16 4 256 16 64 4.86
7 5 2 25 4 10 1.67 a
 y
b
 x 30  0.29  96 
  0.22
8 7 1 49 1 7 2.25
n n 10
9 9 4 81 16 36 2.83 Por tanto, la recta estimada de regresion, la
10 10 2 100 4 20 3.12
relacion entre las ventas futuras (Ft) y la
publicidad (Xt) es:
total 96 30 1060 108 328
Y= Ft = a + bX Y = 0.22 + 0.29 X
www.senati.edu.pe
Por ejemplo, la publicidad del próximo trimestre se espera que tenga un monto de 1`100,000.
sustituyendo 11 para Xt en la ecuación anterior se tendrá:
Y=Ft = 0.22 + 0.29 (11) = 3.41
El pronostico de las ventas es de 3.41 millones de dolares. Si los pedidos de cajas representan
el 5% de las ventas, quien planea las operaciones podria esperar que el monto total por
Concepto de pedidos seria de $170,500 para el trimestre (.05 x 3.41).
Tal estimacion puede ser de gran utilidad en la planeacion global de las operaciones.
Nota
Cuando los datos son lineales y estables algunas veces se puede emplear la regresion lineal. Sin
embargo, se requieren muchos datos y puede ser comprometedor y costoso el almacenarlos.
Tambien resulta caro el realizar las operaiones aritmeticas requeridas periodo por periodo, a menudo
semanal, para miles de productos procedentes de operaciones de produccion o de abastecimento.
www.senati.edu.pe
Control de la dispersion
También es posible calcular intervalos de confianza para la estimación. Para ello es

necesario calcular el error estándar de la estimación.
   y  y  x  x 
  x  x 
2
2 i i
  y  y
i 2
i
Sx/ y 
n  2
Nivel de Z Fórmula Los limites de control son calculados por :
confianza limite Superior = Y + z(sy/x)
68% 1 y’ ± sy/x limite Inferior = Y - z(sy/x)
Donde:
95% 2 y’ ± 2sy/x
Y = Pronostico estimado
99% 3 y’ ± 3sy/x Z = numero de desviaciones estandar
sy/x = error estandar del pronostico
www.senati.edu.pe
Diagrama de suposiciones en La distribución de la demanda para el periodo 9
el análisis de regresión
Para el mes 9 las ventas fue de 2.83
S x/y = 2.95
La demanda real
fue de 4
y4
y3
y2  42
y1  2 X
3
m-3s m-2s m-s m m+s m+2s m+3s
 22
 12
   
2 2 2 2
1 2 3 4
-5.78 -2.83 0.12 2.83 5.78 8.73 11.68
68 %
95 %
99.7 %
   y  y  x  x 
  x  x 
2
2 i i  40 
2
  y  y
i 2 158.68 
18 158.68  88.9
Sx/ y  i Sx/ y    8.7  2.95
n  2
10  2 8
Muchas Gracias...
www.senati.edu.pe
www.senati.edu.pe

Del Curso

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Del Curso

Cargado por

Copyright:

Formatos disponibles

CONTROL ESTADÍSTICO DE

 El objetivo del Control Estadístico de Pocesos es detectar

 Comprender la aplicación de las 7 herramientas estadísticas

 Comprender los conceptos de la variabilidad de los

 Comprender los conceptos estadísticos para implantar

UNIDAD SERVICIOS EMPRESARIALES (USE)

 Presentar herramientas básicas del Control Estadístico de

 Describir las bases estadísticas de las graficas de control de

 Discutir e ilustrar algunos aspectos prácticos en la

1. Conceptos importantes del CEP

2. Métodos estadísticos de control y mejoramiento de calidad

3. El control estadístico y la mejora continua.

4. Estadígrafos y la distribución normal

5. Las siete herramientas estadísticas de la calidad

 Definimos el “Control Estadístico de la Calidad” como la aplicación

 Entendiendo por calidad de un producto o servicio como su

 CONTROL: Mantener el proceso dentro de sus límites.

 ESTADÍSTICO: Con la ayuda de datos que permita obtener

 PROCESO: Operadores, máquinas, métodos y materiales

• La mayor dificultad para proporcionar productos o servicios de calidad

• Si la diferencia entre dos unidades es pequeña no tiene importancia,

• El estudio y evaluación de esa variabilidad es el objetivo de la aplicación

 El principal objetivo del Control Estadístico de Procesos será

 Diremos que un proceso está bajo control o en estado de control

¿Que variables influyen y que tanto?

Control de calidad durante el proceso de producción, utilizando los datos

 Un sistemático y riguroso proceso para identificar y

 Cambiando el énfasis de la detección a la prevención

 Suministrando evidencia de como el sistema está actuando

 Diferenciando las causas especiales y las causas comunes

La gente de Ventas necesita entender el CEP

Porque la calidad es una exigencia para el éxito empresarial en el ambiente

Porque el mejoramiento de la calidad es la mejor forma de mejorar la rentabilidad.

Porque la información es la clave del mejoramiento de la Calidad

 Para ayudar a decidir cuando ajustar el proceso, dejarlo quieto o detenerlo

 Para lograr costos bajos, alta calidad, alta productividad, capacidad

Hospital Fabrica de automoviles

1. Físicas: Longitud, peso, voltaje, viscosidad.

CEP en occidente – Western Electric CEP en Japón

1926: HAROLD F. DODGE Y HARRY G. ROMIG, 1950’s: KAOURU ISHIKAWA: Es un seguidor de

A. LAS CARTAS DE CONTROL 15

Modelos: Creación de valor a Los Costos de Calidad

Liderazgo gerencial, ser parte de un programa mayor

 Enfoque de grupo de trabajo

Educación y entrenamiento en todos los niveles

Énfasis en la mejora continua

Apoyo técnico de ingeniería o calidad

Presentación de Análisis de datos

Población: Es la colección de todos los elementos (piezas, personas, etc.). En

Muestra: Es una parte o subconjunto representativo de la población, o sea un

Distribución: Es la forma del patrón de variación observado.

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

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

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

Estadístico: Es una medición tomada en Parámetro: Es el valor verdadero en

Ejemplo de estadísticos Ejemplo de Parámetros

La distribución normal es una distribución de

La distribución normal es simétrica, es decir cada

La escala horizontal de la curva se mide en X

Para cada valor Z se asigna una probabilidad o

 Es una distribución simétrica y unimodal.

70 80 90 100 110 120 130

Enfoque basado en procesos