Indicadores estratégicos de gestión,

diapositiva 1

UNIDAD II
MEJORA CONTINUA
Otoño 2020
Docente Bárbara Olivares Cortés

1
APRENDIZAJE ESPERADO

2.1.- Diseña planes de acción utilizando herramientas de

control para la mejora continua de los procesos.
(Integrada Competencia Genérica Pensamiento Crítico)

2
Resumen
Unidad I

3
Administración y control
estadístico de la calidad
4
¿Qué es?
Según la definición presentada por la
Universidad de Salamanca, España,
el Control Estadístico de la Calidad es…

“la aplicación de diferentes técnicas estadísticas a proceso industriales

(mano de obra, materias primas medidas, máquinas y medio ambiente), procesos
administrativos y/o servicios con objeto de verificar si todas y cada una
de las partes del proceso y servicio cumplen con unas ciertas exigencias
de calidad y ayudar a cumplirlas, entendiendo por calidad la aptitud del
producto y/o servicio para su uso”

5
Propósitos

 Identificar dónde, cómo, cuándo y con qué frecuencia se

presentan los principales problemas en una organización.
 Detectar con rapidez, oportunidad y a bajo costo anormalidades
en los procesos y sistemas de medición (monitoreo eficaz).
 Ser objetivos en la planeación y toma de decisiones; expresar los
hechos en forma de datos y evaluar objetivamente el impacto de
acciones de mejora.
 Analizar lógica, sistemática y ordenadamente la búsqueda de
mejoras
6
En general…
El control estadístico de la calidad busca proveer a las empresas de
un Sistema de medición de desempeño, es decir, métricas
que permitan monitorear de forma sistemática las operaciones y
procesos del negocio para la toma de decisiones y así mejorar la
gestión.

¿Cómo?, a través de las herramientas proporcionadas por la

estadística.

7
 Técnicas y Métodos
Tema 1. Muestreo
Tema 2. Estadística descriptiva:
la calidad y la variabilidad
Tema 3. Índices de capacidad de
procesos
Tema 4. Cartas o diagramas de
control

8
 Tema 1. Muestreo

¿Qué es un muestreo?
¿Qué es un muestreo
aleatorio?

9
TEMA 1. MUESTREO

Es una técnica estadística que se utiliza para seleccionar componentes de

una muestra a partir del total de una población estadística.

"Consiste en un conjunto de reglas, procedimientos y criterios mediante los

cuales se selecciona un conjunto de elementos de una población que
representan lo que sucede en toda esa población".(MATA et al, 1997:19)

Y para realizar este procedimiento debemos conocer algunos conceptos.

10
TEMA 1. MUESTREO

Según Gutiérrez Pulido (2010), en el muestreo existen cuatro conceptos

básicos:
• Elemento: objeto o individuo al cual se toman las mediciones o la
información.
• Población: una colección de elementos acerca de los cuales se desea
tener cierta información o tomar alguna decisión.
• Unidades de muestreo: colecciones no traslapadas de elementos de la
población que cubren la población completa.
• Marco: lista de unidades de muestreo.
11
TEMA 1. MUESTREO

El muestreo puede ser probabilístico y no probabilístico.

Muestreo probabilístico
• Es el método más recomendable si se está haciendo una investigación
cuantitativa porque todos los componentes de la población tienen la
misma posibilidad de ser seleccionados para la muestra. "Cada uno de
los elementos de la población tengan la misma probabilidad de ser
seleccionados". (PINEDA et al 1994:114)

12
TEMA 1. MUESTREO – Tipos de muestreo
probabilísticos
A continuación se presentan los cuatro tipos de muestreo
probabilísticos:
 Muestreo aleatorio simple.
 Muestreo aleatorio estratificado.
 Muestreo aleatorio sistemático.
 Muestreo aleatorio por conglomerados.

13
TEMA 1. MUESTREO – Muestreo aleatorio simple

Consiste en seleccionar un grupo de n elementos de la

población, de tal forma que cada muestra de tamaño n tenga la
misma probabilidad de ser seleccionada. Por lo general, este
tipo de muestreo se realiza eligiendo números de una tabla de
números aleatorios, lo cual es equivalente a la tradicional
extracción de “papelitos” de una caja o recipiente en la que
estos están perfectamente mezclados.

14
TEMA 1. MUESTREO – Muestreo aleatorio estratificado

Consiste en identificar y delimitar los diferentes estratos en los

que se divide la población y seleccionar una muestra aleatoria
de cada estrato. Es cuando los elementos de la población u
objeto de estudio se dividen en grupos o estratos de acuerdo
con las características de interés en el estudio.

15
TEMA 1. MUESTREO – Muestreo aleatorio sistemático

Consiste en tomar los elementos de la muestra en intervalos

fijos, seleccionando el punto de partida de forma aleatoria. Se
aplica, frecuentemente, cuando se desea obtener información
para evaluar la calidad de la producción en cadena, ya que la
muestra se puede obtener conforme se van fabricando los
artículos y no es necesario esperar a tener la producción total.

16
TEMA 1. MUESTREO – Muestreo aleatorio por
conglomerado

Se aplica cuando los elementos de una población se dividen en

forma natural en subgrupos o conglomerados que son similares
entre sí y cuyos elementos tienen una variabilidad similar a los
elementos de toda la población. Para realizar un muestreo
aleatorio por conglomerados, primero se determinan
claramente los subgrupos en los que se divide la población,
enseguida se selecciona aleatoriamente k de ellos, donde k es
una constante, para que luego se analicen todos o una parte de
los elementos de los conglomerados seleccionados.

17
TEMA 1. MUESTREO

Independiente del tipo de muestreo utilizado, el objetivo es obtener

este grupo representativo (muestra) de la población donde se realizará
la investigación o análisis de datos.

El obtener esta muestra permite:

a) Que el estudio se realice en menor tiempo.
b) Se incurre en menos gastos.
c) Posibilita profundizar en el análisis de las variables.
d) Permite tener mayor control de las variables a estudiar.
18
Actividad Individual

1. Leer el documento Población, muestra y Muestreo.

2. Identificar los pasos para calcular la muestra en cada
uno de los tipos de muestreos probabilísticos.

19
¿Qué Estadística?
¿Qué es la estadística descriptiva?

Tema 2. Estadística
Descriptiva

20
Propósito las estadísticas
• Para Gutiérrez Pulido (2010), cuando se quiere tomar una decisión
importante, es necesario tener información que permita identificar
cuándo, dónde y en qué condiciones se da tal problema; es decir, se
debe encontrar su regularidad estadística y sus fuentes de variabilidad.
• Antes de obtener información sobre un problema o una situación, lo
que se debe tener muy claro y delimitado es el objetivo que se
persigue, y el tiempo y los recursos que se disponen para abordar
dicho problema. No hacer lo anterior conduce, con frecuencia, a que la
información que se obtiene no ayude a responder las interrogantes que
se tienen y, en última instancia, a tomar decisiones erróneas.

21
 Función de la estadística

¿Qué información se
Problema u objeto de Objetos que se persiguen requiere?
estudio

¿Dieron resultado? Obtenerla Existe

Acciones y decisiones Conclusiones Análisis

22
Figura 1. La toma de decisiones y la estadística. Fuente: Gutiérrez Pulido, 2010.
Usos de la estadística
 El objetivo último de la estadística es apoyar (o  Se muestran, en la gráfica,
fundamentar) la toma de decisiones o satisfacer los pasos a seguir para una
ciertas necesidades de información sobre una
población o proceso.
correcta planeación de la
solución de problemas o
toma de decisiones.

 Importante: se inicia con la

identificación de un problema o del
objeto de estudio y se termina
evaluando si las acciones dieron
resultado de acuerdo con los
objetivos planteados, lo que sirve
para replantear objetivos y aplicar
de nuevo el ciclo.

23
La variabilidad y el pensamiento estadístico

La variación ocurre en los resultados de los

procesos, ya que son generados por la interacción de
materiales, máquinas, mano o mente de obra (gente),
mediciones, medio ambiente y métodos.

Estos seis elementos, las 6M, determinan de manera

global todo proceso y cada uno aporta parte de la
variabilidad (y de la calidad) de los resultados de un
proceso.

Como lo esquematiza la Figura 2, si hay algún cambio

significativo en el desempeño del proceso, la razón de
tal modificación se encuentra en una o más de las 6M. Variable de salida
(características de calidad)

Figura 2. La variabilidad de un proceso. Fuente: Gutiérrez Pulido, 2010.

Cada M aporta una parte, no necesariamente igual, de la variación total observada. 24

Pensamiento estadístico
 Crea estrategias y las comunica.
 Usa datos de varias fuentes para dirigir.
 Desarrolla e implementa sistemas de
Principios: ¿A dónde se dirige la medición para dirigir el progreso.
Estratégico  Estimula a los empleados a experimentar
organización?
nuevas formas de hacer su trabajo.

1. Todo el trabajo ocurre en un

sistema de procesos
interconectados. Procesos administrativos
para guiar la Directivo
 Desarrolla proyectos estructurados.
 Fija metas (sabe que hay variación).
 Se centra en los procesos y no reclama a
2. La variación existe en todos los organización los empleados por su variación.

procesos.
3. Entender y reducir la variación
son claves para el éxito.
Es donde se está haciendo
el trabajo
Operacional
 Conoce la variación.
 Analiza datos de los procesos.
 Identifica medidas claves y
oportunidades de mejora.

Figura 3. Pensamiento estadístico en los tres niveles de una organización. Fuente: Gutiérrez Pulido, 2010.

25
Pensamiento estadístico
Se considera que es una filosofía de aprendizaje y acción que relaciona
la forma en la que la gente toma información del proceso (aprendizaje)
y también la manera en la que responde a esto (acción). Es decir, si la
estadística se utiliza adecuadamente, es posible conocer
y aprender de la realidad, pero esto no debe quedar ahí, sino que
se tiene que actuar en consecuencia a ese nuevo aprendizaje. Revisemos
la Figura 3, que muestra de alguna forma que el pensamiento puede
ayudar en los diferentes niveles de una organización.

26
Estadística
Ciencia que proporciona técnicas, métodos y procedimientos para:

1. Recolectar.
2. Presentar.
3. Describir. DATOS
4. Analizar.

Las actividades 1, 2 y 3 corresponden a la estadística descriptiva, por su

parte la actividad 4 corresponde a la estadística inferencial.
27
1. Recolectar datos
¿Por qué necesitamos recolectar datos?

• Porque necesitamos conocer información de una población.

• Porque necesitamos elaborar y aprobar hipótesis.

Por lo tanto, porque necesitamos tomar decisiones en base a datos. Y

para esto necesitamos determinar cuáles serán las fuentes de
información de esos datos.

28
2. Presentar datos

TABLAS DE HISTOGRAMAS. GRÁFICOS EN

DISTRIBUCIÓN DE GENERAL.
FRECUENCIA.

EN ESTADÍSTICA EXISTEN UNA SERIE DE FORMAS DE

PRESENTAR LOS DATOS, ENTRE ÉSTAS TENEMOS: EN 29
 Esto se realiza a través del análisis
descriptivo de los datos, es decir,
permite analizar la calidad y
variabilidad de un proceso,
3. Describir enfatizando la toma de decisiones
con base en datos.
los datos
Para esto es necesario entender el
proceso estadístico y sus
componentes.

30
Etapas del
proceso
estadístico

31
Figura 4. Etapas del proceso estadístico. Fuente: Diccionario económico
Obtención de de datos
Una vez localizado el problema, definidos los objetivos perseguidos e
identificado el tipo de información que se necesita, surgen -entre otros-
los siguientes problemas: cómo obtener tal información,
en qué cantidad y cómo analizarla. Para estas tres
cuestiones no existe una única respuesta que se pueda consultar en un
manual o en una tabla. La respuesta la proporciona esencialmente la
estadística a partir del conocimiento del objeto de estudio (problema),
del tipo de acción o decisión que se desee tomar, y de los recursos y el
tiempo de que se dispone para abordar el problema.

32
Proceso estadístico
Es un conjunto de etapas o fases que deben completarse para realizar
una investigación basada en información cuantitativa y obtener unos
resultados fieles a la realidad estudiada.

El proceso estadístico utiliza variables.

¿Qué es una variable?

33
 Tipos de variables

Las variables cualitativas Son aquellas cuyas características que se estudian no son numéricas.
(nominales o de atributos) Por ejemplo, el tipo de producto, si este funciona o no, entre otras.

Las variables cuantitativas se clasifican como discretas o continuas. Las discretas solo pueden adquirir
ciertos valores y casi siempre hay “brechas” entre esos valores. Por ejemplo: número de clientes atendidos
(0, 1, 2, 3, ..., etc.), número de artículos defectuosos por lote, número de quejas, número de servicios de
mantenimiento, etc. Por su parte, las variables continuas pueden tomar cualquier valor dentro de un
intervalo específico.

Aquellas cuyas características pueden registrarse numéricamente. Por

Las variables cuantitativas ejemplo, peso de un lote, número de clientes atendidos, número de
productos defectuosos, entre otras.

34
 El proceso y sus variables

Las variables de entrada, también llamadas variables

independientes (las X), por lo general son variables de
control del proceso, como temperatura, velocidad, presión,
cantidad y/o características de algún insumo o material. Las
variables de entrada se consideran aquellas que, aunque
normalmente no están controladas, influyen en los
resultados de un proceso, como la humedad relativa en el
medio ambiente, la habilidad de un operario, el método de
trabajo, etcétera. También llamadas variables de respuesta o dependientes (las
Y), son características de calidad del producto y, en general,
en ellas se reflejan los resultados obtenidos por el proceso. A
través de los valores que toman estas variables se evalúa la
calidad del desempeño del proceso. Por lo general, las
variables de salida tienen especificaciones o tolerancias
porque los valores que deben tener están especificados.

35
Medidas de tendencia central
Con las mediciones de una característica de calidad de tipo cuantitativo,
el primer aspecto a investigar es la tendencia central de los datos, es
decir, identificar un valor en torno al cual los datos tienden a
aglomerarse o concentrarse. Esto permitirá saber si el proceso está
centrado, es decir, saber si la tendencia central de la variable de salida es
igual o está muy próxima a un valor nominal deseado.

36
 Medidas de tendencia central

Suponga que x1, x2, x3, ... , xn son las observaciones

1 Media
Muestral
numéricas de una muestra, entonces la medida más usual
de tendencia central es la media (o promedio) muestral,
que es igual a la media aritmética de todos los datos:

𝑿 𝟏 + 𝑿 𝟐 +… + 𝑿 𝒏
∑ 𝒙𝒊
𝒙= = 𝒊=𝟏
𝒏 𝒏

Es decir, la media muestral se obtiene sumando todos los datos y el resultado se divide entre el número de
datos (n).
37
Medidas de tendencia central

Otra medida de tendencia central de un conjunto de

Mediana o
2 percentil 50
datos es la mediana 𝑥 ̃, que es igual al valor que
mide a la mitad de los datos cuando estos están
P50 ordenados de menor a mayor.

38
Medidas de tendencia central

3 Moda
Mo
Otra medida tradicional de la tendencia central de un conjunto de
datos es la moda, que es igual al dato que se repite con más
frecuencia.

39
Medidas de dispersión o variabilidad
Estas medidas permiten conocer qué tan diferentes son entre sí los datos, es
decir, determina la homogeneidad o heterogeneidad del conjunto de datos.

Esto es un elemento vital en el análisis estadístico de un conjunto de datos,

particularmente cuando se quiere hacer un estudio de capacidad de un proceso.

1 2 3
Desviación Desviación Varianza
Estándar Estándar
muestral poblacional

40
 Medidas de dispersión o variabilidad
La desviación estándar muestral es la medida más
usual de variabilidad e indica qué tan esparcidos están
1 Desviación
estándar
los datos respecto a la media; se denota con S y se
calcula mediante la siguiente expresión:
muestral
S S=
Medidas de dispersión o variabilidad
• Desviación estándar poblacional o del proceso, σ. Si
para calcular la desviación estándar se utilizan todos los
elementos de la población o proceso, entonces se
Desviación
2 estándar
obtiene la desviación estándar poblacional y se denota
por la letra griega sigma, σ .
poblacional
σ
Medidas de dispersión o variabilidad
Por otra parte, el cuadrado de la desviación
estándar, σ^2 , se conoce como varianza
muestral , que es muy importante para

3σ
propósitos de inferencia estadística, y, en
Varianza forma equivalente, σ^2 es la varianza (o
2 variancia) poblacional.
Actividad individual
Obtener las fórmulas para determinar la desviación
estándar muestral, poblacional y varianza.

44
Otras medidas de dispersión
Otra medida de dispersión es el rango (o recorrido), R , que es igual a
la diferencia entre el dato mayor y el dato menor de un conjunto de
datos, por lo que R mide la amplitud de la variación de un grupo de
datos y también es independiente de la magnitud de éstos.

45
Otras medidas de dispersión
El coeficiente de variación (CV) es una medida de variación relativa a la magnitud
de los datos, que es igual a la desviación estándar entre la media de los datos:

CV = (S /ẋ) * 100

El CV es útil para comparar la variación de dos o más variables que están medidas
en diferentes escalas o unidades de medición (por ejemplo, metro contra centímetro
o metro contra kilogramo). Este coeficiente suele interpretarse como una medición
en términos porcentuales de la variación de una variable.

46
Relación entre ẋ y S
Una forma de apreciar más claramente el significado de la desviación
estándar como medida de dispersión en torno a la media es a través de la
relación entre la media y la desviación estándar, la cual está dada por la
desigualdad de Chebyshev y la regla empírica. Dos hechos particulares
que afirman la desigualdad de Chebyshev es que entre ẋ - 2S y ẋ +2S
está por lo menos 75% de los datos de la muestra, y que entre ẋ ± 3S
está por lo menos 89%.

47
Relación entre ẋ y S
En cuanto a la regla empírica, esta afirma que en muchos de los datos
que surgen en la práctica se ha observado por la experiencia que:

 Entre ẋ - S y ẋ + S está 68% de los datos de la muestra.

 Entre ẋ - 2S y ẋ + 2S está 95%.
 Entre ẋ - 3S y ẋ + 3S está 99.7%.

48
Relación entre ẋ y S
• Todos los intervalos anteriores son válidos solo para los datos
muéstrales y no necesariamente para toda la población o proceso. Sin
embargo, si los intervalos se calculan con la media y la desviación
estándar del proceso o población, entonces serán válidos para toda la
población.

• Por lo que en la medida en la que se tengan muestras aleatorias

grandes y representativas, los intervalos anteriores podrán dar una idea
aproximada de lo que ocurre en el proceso.

49
Límites reales o naturales

•Debido a las propiedades de la distribución normal, expresada por la regla empírica,

lo que se ha estudiado da origen a lo que se conoce como un proceso.

•Sea µ la media y σ la desviación estándar del proceso, entonces los límites reales o
naturales están dados por:

• Límite real inferior (LRI) = µ - 3 σ

• Límite real superior (LRS) = µ + 3 σ
•Dentro de estos límites se ubicarán los valores de la variable de salida
correspondiente.

50
 Histograma y tabla de frecuencia

El histograma y la tabla de Clase Intervalo Marcas para Frecuencia Frecuencia relativa

conteo
frecuencias permiten visualizar 1 480.0 a 485.7 / 1 2,5%
estos dos aspectos de un conjunto 2 485.7 a 491.4 // 2 5%

de datos, y además muestran la 3 491.4 a 497.1 //// 4 10%

4 497.1 a 502.9 ///// ///// ///// 15 37,5%
forma en la que los datos se 5 502.9 a 508.6 ///// ///// / 11 27,5%
distribuyen dentro de su rango de 6 508.6 a 514.3 ///// 5 12,5%
variación. 7 514.3 a 520.0 // 2 5%

Tabla 1. Ejemplo de una tabla de frecuencia. Fuente: Gutiérrez Pulido, 2010.

 Histograma y tabla de frecuencia

Específicamente, el histograma es una representación gráfica, en forma de barras,

de la distribución de un conjunto de datos o una variable, cuyos datos se clasifican
por su magnitud en cierto número de grupos o clases, y cada clase se representa por
una barra, cuya longitud es proporcional a la cantidad de datos que pertenecen a
dicha clase. Usualmente, el eje horizontal está formado por una escala numérica
para mostrar la magnitud de los datos y en el eje vertical se representan las
frecuencias.
Construcción de un histograma

Paso Paso Paso

Determinar el rango de Obtener el número de Establecer la longitud de

1 los datos. 2 clases (NC). 3 clase (LC).

Paso Paso Paso

Construir los intervalos Obtener la frecuencia de Graficar el histograma.

4 de clase. 5 cada clase. 6
Índices de capacidad
de procesos

Introducción

En este tema se analizan los índices de capacidad que,

como su nombre lo indica, son mediciones
especializadas en evaluar la capacidad, que permiten
comparar procesos y detectar la necesidad de mejora.

El presente material presenta un resumen de los

subtemas que involucran las fórmulas de los distintos
índices de mediciones.
Procesos con doble
especificación

Se supone que se tiene una característica de calidad de un

producto o variable de salida de un proceso, del tipo valor
nominal es mejor.

considerar que hay calidad,

Esto significa que para
las mediciones deben ser iguales a cierto valor
nominal o ideal (N), o al menos tienen que estar dentro
de ciertas especificaciones inferior (EI) y superior (ES).
 Índice Cp
El índice de capacidad potencial del proceso, Cp, se define de la siguiente manera:

Cp = (ES – EI) / 6σ

Donde σ representa la desviación estándar del proceso, y ES y EI son las especificaciones superior e inferior para la característica de
calidad. Como se puede observar, el índice Cp compara el ancho de las especificaciones o variación tolerada para el proceso con la
amplitud de la variación real del mismo:

Cp = Variación tolerada / Variación real

Decimos que 6σ (seis veces la desviación estándar) es la variación real, debido a las propiedades de la distribución normal en las que
se afirma que entre µ ± 3σ se encuentra 99,73% de los valores de una variable con distribución normal.
Índices Cpk , Cpi , Cps
El índice Cp estima la capacidad potencial del proceso para cumplir con especificaciones, pero una de sus desventajas es que
no toma en cuenta el centrado del proceso, ya que en su fórmula para calcularlo no incluye la media del proceso µ.

Una forma de corregir esto es evaluar por separado el cumplimiento de las especificaciones inferior y superior, a través del
índice de capacidad para la especificación inferior (Cpi) , y el índice de capacidad para la superior (Cps) , que se calculan de
la siguiente manera:

Cpi = (µ - EI) / 3σ y Cps = (ES - µ) / 3σ

Estos índices sí toman en cuenta µ y calculan la distancia de la media del proceso a una de las especificaciones, que
representa la variación tolerada para el proceso de un solo lado de la media. A tal distancia se le divide entre 3 σ porque solo
se está tomando en cuenta la mitad de la variación natural del proceso.
Índices Cpk , Cpi , Cps

El índice de capacidad real del proceso (Cpk) se puede ver como una versión corregida del Cp, que sí
toma en cuenta el centrado del proceso. Para calcularlo hay varias formas equivalentes, una de las más
comunes es la siguiente:

Cpk = Mínimo ((µ - EI) / 3σ , (ES - µ) / 3σ)

Índices K

Un aspecto importante en el estudio de la capacidad de un proceso es evaluar si la distribución de la característica de

calidad está centrada respecto a las especificaciones, por ello es útil calcular el índice de centrado del proceso (K),
que se calcula de la siguiente manera:

K = (((µ - N) / ½ (ES – EI)) x 100

Como se aprecia, este indicador mide la diferencia entre la media del proceso, µ, y el valor objetivo o nominal, N (o
target ), para la correspondiente característica de calidad, y a esta diferencia la compara contra la mitad de la amplitud
de las especificaciones. El hecho de multiplicar por 100 ayuda a tener una medida porcentual.
Procesos con solo una
especificación
Existen procesos cuyas variables de salida tienen solo
una especificación, como las variables del tipo entre más
grande mejor, donde lo que interesa es que sean mayores
que cierto valor mínimo (EI), o variables del tipo entre
más pequeña mejor, en las que lo que se quiere es que
nunca excedan un cierto valor máximo (ES). Para
evaluar la capacidad de estos procesos se
utilizan los índices Cpi o Cps que se vieron
antes.
 Índice Cpm (índice de Taguchi)

Los índices Cp y Cpk están pensados a partir que lo importante para un proceso es reducir su variabilidad para
cumplir con las especificaciones. Sin embargo, desde el punto de vista de G. Taguchi, cumplir con especificaciones no
es sinónimo de buena calidad y la reducción de la variabilidad debe darse, pero en torno al valor nominal (calidad
óptima). Es decir, la mejora de un proceso -según Taguchi- debe estar orientada a reducir su variabilidad alrededor
del valor nominal, N, y no solo orientada a cumplir con especificaciones. En consecuencia, Taguchi (1986) propone
que la capacidad del proceso se mida con el índice Cpm , que está definido por:

Cpm = (ES – ES) / 6τ

donde τ (tau) está dada por:
N es el valor nominal de la característica de calidad, y EI y ES son las especificaciones inferior y superior. El valor de
N generalmente es igual al punto medio de las especificaciones, es decir, N = 0.5(ES + EI). Note que el índice Cpm compara el
ancho de las especificaciones con 6 𝜏 , pero 𝜏 no solo toma en cuenta la variabilidad del proceso a través de 𝜎^2 , sino que también
se preocupa por su centrado a través de 〖 (µ −𝑁) 〗 ^2. De esta forma, si el proceso está centrado, es decir, si µ = N , entonces el
Cp y el Cpm son iguales.

Interpretación
Cuando el índice Cpm
es menor que 1, eso indica que el proceso no cumple con especificaciones, ya sea por
problemas de centrado o por exceso de variabilidad. Por lo que en el caso de los costales no se cumple con las
especificaciones.

Por el contrario, cuando el índice Cpm es mayor que uno, entonces eso querrá decir que el proceso cumple con
especificaciones y, en particular, que la media del proceso está dentro de la tercera parte media de la banda de las
especificaciones. Si Cpm es mayor que 1.33, entonces el proceso cumple con las especificaciones, pero –además- la media del
proceso está dentro de la quinta parte media del rango de especificaciones.
Estimación de los índices mediante una muestra
(estimación por intervalo)

Para calcular los índices de capacidad e interpretarlos, se

necesita conocer la media, µ, y la desviación estándar, 𝜎,
del proceso con una buena aproximación.

Sin embargo, no siempre se conocen estos parámetros,

por lo que en esas situaciones será necesario utilizar
datos muestrales y estimar estos índices por intervalo.
Sea x 1 , x 2 , . . . , x n , una muestra aleatoria del
proceso, y ẋ y S la media y la desviación estándar de tal
muestra.

Si los índices se estiman usando ẋ y S en lugar de µ y 𝜎 ()

, respectivamente, entonces la estimación puntual de los
índices estará dada por:
Si la muestra es pequeña, de unas cuantas decenas (menor que
80, por ejemplo), es incorrecto comparar los valores estimados
con los valores mínimos recomendados para los índices.

Si los índices son estimados con base en muestras pequeñas,

entonces un valor grande de un índice muestral no
necesariamente implica que se tiene una buena capacidad de
proceso. Lo contrario también es verdad: un valor pequeño del
índice estimado no necesariamente implica mala capacidad del
proceso.

De forma específica, los intervalos de confianza para Cp , Cpk y

Cpm están dados por:

Donde n es el tamaño de muestra y Z /2 es el percentil de la distribución normal que determina la confianza de la estimación (si se
quiere trabajar con 95% de confianza, el valor de Z /2 es 1.96). De esta manera, el verdadero valor del índice de capacidad del
proceso se encontrará entre el intervalo obtenido con las expresiones anteriores, con la confianza deseada.
Cartas o diagramas
de control

Introducción
En este tema revisaremos las cartas de control, un
instrumento indispensable para monitorear y
controlar adecuadamente los procesos.
Administración por reacción y las cartas de control
Ejemplos de situaciones
frecuentes en la gestión de las
organizaciones administrativas
donde no es posible conocer su
variabilidad:
 Ajustes al proceso cuando se sale de especificaciones.
 Ajustes al proceso según el resultado anterior.
 La reacción de enojo o reclamo a los trabajadores ante la queja de un
cliente o ante cualquier problema de calidad.
 Reacción según las cifras del periodo anterior (la típica reunión para
analizar los resultados de la semana anterior, sin análisis de
tendencias).
 Reunión urgente de ejecutivos para corregir los problemas que se han
presentado.
 Reemplazo de un trabajador capacitado por otro en sucesión.
 Reacciones ante las cifras diarias.
 
Se atienden los aspectos superficiales, se corrigen los
Esto ocurre porque: efectos y no las causas.
 No se conduce a la ejecución o revisión de un plan de
mejora.
 No se parte de un análisis objetivo de los antecedentes del
problema.
 Se ignora la variabilidad que tiene el proceso o sistema.

Se concluye entonces que se debe pensar en buscar cómo cambiar la forma en que se atiende este tipo
de situaciones (problemas); por ejemplo, ser más objetivos, ir al fondo, trabajar en modificar el sistema, atacar los
problemas con proyectos y no con ocurrencias, ser metódicos, tomar en cuenta la variabilidad, distinguir entre cambios
especiales y comunes. En todo esto, las herramientas estadísticas y en particular las cartas de control juegan un
papel primordial.
Causas comunes y causas especiales de variación
Causas comunes
(por azar)
Esta variación es inherente a las actuales
características del proceso y es resultado de la
acumulación y combinación de diferentes causas
difíciles de identificar y eliminar, debido a que son
inherentes al sistema y porque la contribución
individual de cada causa es pequeña; no obstante, a
largo plazo representan la mayor oportunidad de
mejora.
Causas especiales de variación (o
atribuibles)
Es generada por situaciones o circunstancias especiales que
no están permanentemente en el proceso. Por ejemplo, la falla
ocasionada por el mal funcionamiento de una pieza de la
máquina, el empleo de materiales no habituales o el descuido
no frecuente de un operario. Las causas especiales, por su
naturaleza relativamente discreta, a menudo pueden ser
identificadas y eliminadas si se cuenta con los conocimientos
y condiciones para ello.
Causas comunes y
causas especiales de variación
No distinguir entre estos dos tipos de variabilidad lleva a cometer dos errores en la actuación
sobre los procesos:

Error 1: reaccionar ante un cambio o variación (efecto o problema) como si

proviniera de una causa especial, cuando en realidad surge de algo más profundo en
el proceso, como las causas comunes de variación.

Error 2: tratar un efecto o cambio como si proviniera de causas comunes de

variación, cuando en realidad se debe a una causa especial. Cada uno de estos dos
errores causa pérdida.

Se puede evitar uno u otro, pero no ambos. No es posible reducir a cero ambos errores. Lo mejor que se puede hacer es tratar
de cometer rara vez ambos.
Elementos básicos de una carta de
control

¿Cuál es el objetivo de una Observar y analizar el comportamiento de un proceso a

carta de control? través del tiempo.

Distinguir las variaciones por causas comunes de las

¿Cuál es su utilidad?
debidas a causas especiales (atribuibles), lo que ayudará a
caracterizar el funcionamiento del proceso y así decidir
las mejores acciones de control y de mejora.
Elementos básicos de una carta de control
Límites de control
La ubicación de los límites de control en
una carta es un aspecto fundamental, ya
que si estos se ubican demasiado alejados de la
línea central, entonces será más difícil detectar los
cambios en el proceso, mientras que si se ubican
demasiado estrechos, se incrementará el error tipo
1 (declarar un cambio cuando no lo hay).
Una forma sencilla y usual de obtenerla
es a partir de la relación entre la media y
la desviación estándar de una variable,
que para el caso de una variable con distribución
normal con media µ, desviación estándar 𝜎, y bajo
condiciones de control estadístico, se tiene que
entre µ - 3 𝜎 y µ + 3 𝜎 se encuentra 99.73% de
los posibles valores que toma tal variable.
 Elementos básicos de una carta de control

Tipos de cartas de control

Para variables Para atributos

Se aplican a características de calidad de tipo continuo, que
intuitivamente son aquellas que requieren un instrumento de
medición (pesos, volúmenes, voltajes, longitudes, resistencias,
temperaturas, humedad, etcétera).
Monitorean características de calidad de un producto que no son
evaluadas con un instrumento de medición en una escala continua
o al menos en una escala numérica. En estos casos, el producto se
juzga como conforme o no conforme, dependiendo de si posee
ciertos atributos; o también al producto se le podrá contar el
número de defectos o no conformidades que tiene.

Las cartas de control para variables tipo Shewhart más usuales

son:
 (de medias).  p (proporción o fracción de artículos defectuosos).
 R (de rangos).  np (número de unidades defectuosas).
 S (de desviaciones estándar).  c (número de defectos).
 X (de medidas individuales).  u (número promedio de defectos por unidad).
Carta de control – R

Se aplican para proceso de tipo masivo, donde se producen

muchos artículos, partes o componentes durante un lapso de
tiempo pequeño.
Las variables de salida de interés dentro de estos procesos son de
tipo continuo.

Líneas de ensamble, máquinas empacadoras, procesos de llenado,

Como por operaciones de soldadura en una línea de producción, moldeo de
ejemplo piezas de plástico, torneado de una pieza metálica, el corte de una
tira en pedazos pequeños, etc.

Algunos de estos procesos harán miles de operaciones por día,

Importante
mientras que otros efectuarán varias decenas o centenas. En ambos
destacar que
casos se está ante un proceso masivo.
Límites de control de la carta
Como se ha señalado, los límites de control de las cartas tipo Shewhart están determinados por la media y la desviación estándar del
estadístico w, que se grafica en la carta mediante la expresión µw ± 3 𝜎 . En el caso de la carta de medias, el estadístico w es la
media de los subgrupos, , por lo que los límites están dados por:

µ ±3𝜎
Donde µ significa la media de las medias, y 𝜎la desviación estándar de las medias, que en un estudio inicial se estiman de la
siguiente manera:

µ= y 𝜎=
Donde es la media de las medias de los subgrupos, 𝜎 la desviación estándar del proceso, que indica qué tan variables son las
mediciones individuales, y n es el tamaño de subgrupo. Como por lo general en un estudio inicial no se conoce 𝜎 , esta puede
estimarse de dos formas principalmente.

La otra manera de estimar 𝜎 es más apropiada para la carta y parte solo de considerar la variabilidad dentro de muestras a través los
rangos de los subgrupos, y la estimación está dada por:

𝜎
Límites de control de la carta
Donde es la media de los rangos de los subgrupos y d2 es una constante que depende de n, el tamaño de subgrupo o muestra. En el
apéndice se dan varios valores de d2 para distintos valores de n. De esta manera, 3 veces la desviación estándar de las medias se estima
con:

3𝜎 = 3() = A = A2

Como se observa, se ha introducido la constante A2 para simplificar los cálculos. Esta constante está tabulada en el apéndice y depende
del tamaño del subgrupo n. Con base en lo anterior, los límites de control para una carta de control , en un estudio inicial, se obtienen
de la siguiente manera:

LCS = + A2
Línea central =
LCI = - A2

Cuando ya se conocen la media, µ, y la desviación estándar del proceso, 𝜎, entonces estos límites para la carta de medias están dados
por:
LCS = µ + 3
Línea central = µ
LCI = µ - 3
Carta de control R
Limites de control de la carta R

Con la carta R se detectan cambios en la amplitud o

magnitud de la variación del proceso.

Se determinan a partir de la media y la desviación stantard de los rangos de los subgrupos, ya que en este caso es el estadístico w
que se grafica. Por ello, los límites se obtienen de la expresión:

µR 3𝜎R
Donde µR significa la media de los rangos y 𝜎R la desviación estándar de los rangos, que en un estudio inicial se estiman de la
siguiente manera:

µR = y 𝜎R = d3 𝜎 d3 (
Carta de control R

Donde es la media de los rangos de los subgrupos, 𝜎 la desviación standard del proceso, d3 es una constante que depende del
tamaño del subgrupo que está tabulada en el apéndice, y, como por lo general en un estudio inicial no se conoce 𝜎, esta puede
estimarse a través de En forma explicita, los límites de control para la carta R se calculan con:

LCI = - 3d3( = (1 – 3() = D3

Línea central =

LCS = + 3d3( = (1 + 3() = D4

Donde se han introducido las constantes D3 y D4 para simplificar los cálculos y están tabuladas en el apéndice para diferentes
tamaños de subgrupos, n.
 Referencias bibliográficas

Gutiérrez Pulido, H. (2010). Calidad total y productividad.

México: McGrawHill. Disponible en:
https://ebookcentral.proquest.com/lib/inacapsp/reader.action
?docID=3216975&ppg=1
Indicadores estratégicos de gestión,
diapositiva 10

Gracias

79