SPC Presentación Nivel 2 10.09.11

CURSO:
CONTROL ESTADÍSTICO DE PROCESOS

(CEP)
“Los Sistemas Globales y un Personal Competitivo;

son la Clave de una Empresa de CLASE MUNDIAL”
OBJETIVO GENERAL
El Control Estadístico de Procesos debe ser una herramienta
que a cualquier organización le permita conocer y controlar la
variación que hay en sus operaciones, haciendo especial énfasis
en la recolección de los datos, el control de los procesos, el
análisis y la mejora continua de los mismos.
Al aplicar las herramientas estadísticas, la Dirección estará en
posibilidad de mejorar la calidad y productividad de sus
productos, reduciendo costos.
OBJETIVO ESPECÍFICOS
1. Implementar un procedimiento sistemático que se centre en la reducción de
la variación y que se utilice para mejorar continuamente los procesos de
fabricación.
2. Los participantes aplicarán conceptos estadísticos básicos para realizar
gráficos de control mejorando calidad y productividad.
3. Utilizar los gráficos de control y el análisis de tendencias gráficas para
comprender los cambios en las desviaciones media y estándar de procesos.
4. Comprender el concepto de capacidad del proceso.
5. Contar con procesos de fabricación capaces de producir productos de
acuerdo a las especificaciones de clientes. Esto se demostrará usando
histogramas e índices de capacidad.
6. Los trabajadores en línea “se asociarán” con la gerencia utilizando
los gráficos de control para identificar oportunidades para la mejora
continua de procesos, reduciendo costos.
7. La variación de procesos se considerará como el problema, pues
agrega costos innecesarios al producto y es la razón por la que un
producto no cumple con las especificaciones del Cliente.
CONTENIDO TEMÁTICO
1. SISTEMA BÁSICO DE HABILIDADES – DESARROLLO DE HABILIDADES
DE LOS LÍDERES DE CEP – (NIVEL 2)
a. Matemáticas Básicas
b. Entendimiento de las Tendencias Centrales (Media, Mediana,
Moda) y Variación (Rango, Desviación Estándar).
c. Entendimiento del Pensamiento Estadístico
d. Mapeo y Entendimiento de Procesos
 Análisis de Procesos
 Trazar un Diagrama de Flujo Detallado
e. Diagramas Causa - Efecto
 Entender las Fuentes de Variación
 Trazar un Diagrama Causa – Efecto
CONTENIDO TEMÁTICO
f. Gráficos de Control
 Entender los distintos Gráficos de Control
 Selección Adecuada de Gráficos de Control
 Entender si un procesos es estable o no
 Interpretar un Gráfico de Control
g. Histogramas y Análisis de Capacidad (Cp y Cpk)
 Interpretar un Histograma
 Interpretar los Índices de Capacidad
 Entender si un proceso es capaz de cumplir con las
especificaciones
h. Colección de Datos
i. Análisis de Datos utilizando las Siguientes Técnicas:
 Diagrama de Pareto
 Check List u Hojas de Datos
CONTENIDO TEMÁTICO
j. Solución de problemas sistemáticamente
 Planeación de Proyectos de Mejora Continua
 Seleccionar un Equipo de Trabajo “Cruzado”
 Dirigir Reuniones de Trabajo Efectivas
 Utilizar el Ciclo de Deming PDCA
 Conducir Análisis de Problemas
 Identificar Causas Raíz
 Formular diversas soluciones potenciales
 Seleccionar la mejor solución
 Prueba y Error – Estandarizar Resultados
k. Entender como “Explotar” los datos
l. Desarrollar un Plan de Control de Procesos
Control Estadístico de
Procesos
Conceptos Estadísticos
Fundamentales
– Matemáticas Básicas –
CONCEPTOS FUNDAMENTALES
1. En muchos casos es necesario trabajar con experiencias o
procesos que generan un número muy grande de datos o
resultados numéricos, es decir, espacios muestrales con un
número INFINITO O MUY GRANDE DE ELEMENTOS.
2. Cuando tenemos un conjunto muy grande de datos
numéricos para analizar, decimos que tenemos un Universo
o Población de observaciones.
30 29
26
29 30 31 • Cada DATO NUMÉRICO es
31
33 32 un elemento de la
29 27 29 30 población o universo.
27 36
28 30
25 27 • Una MUESTRA es un
32
31 subconjunto pequeño de
28 32
30 31 observaciones EXTRAÍDAS
29 30 30 de un UNIVERSO O
31 28
34 POBLACIÓN.
33 31
Población o Universo
Extraemos un
30 29 dato de la
26
29 30 31 Población
31
33 32
29 27 29 30
27 36
28 30
25 27
32 30
31
28 32
30 31
29 30 30
31 28
34
33 31
30 29
26
29 30 31
31
33 32
29 27 29 30
27 36 28
28 30
25 27
32 29 30 31
31
28 32
30 31 34
29 30 30
31 28
34
33 31 Muestra
de 5 datos
• La Estadística trabaja con poblaciones de datos y con muestras
extraídas de las mismas.
• Los conceptos de población y muestra a veces resultan
ambiguos en su aplicación práctica
• Por ejemplo, supongamos que en
una ciudad de 5000 habitantes se
realiza un censo médico en el cual se
mide el peso, la altura y se toman
otros datos de todos los habitantes
de la ciudad.
• Alguien podría referirse al UNIVERSO O POBLACIÓN censada
teniendo en mente el conjunto de los habitantes de la ciudad.
• Pero cuando hablamos en términos estadísticos, nos referimos
a poblaciones o universos DE DATOS.
• Por ejemplo, el conjunto de todas las mediciones de altura (De
los habitantes de la ciudad) es un conjunto de datos y por lo
tanto constituye un universo o población de datos desde el
punto de vista estadístico.
• Otro universo o población de datos son los pesos medidos (De
los habitantes de la ciudad). Pero la población de habitantes,
es decir, las personas que habitan la ciudad no son la población
a la que nos estamos refiriendo DESDE EL PUNTO DE VISTA
ESTADÍSTICO.
Proceso Muestra
Producto
Medición
Datos Numéricos
• La POBLACIÓN ESTADÍSTICA está representando, entonces,

una población física o natural formada por elementos de la
realidad, con respecto a una característica o propiedad de esa
población física.
• Es muy importante, al utilizar métodos estadísticos, no
confundir la población física, formada por elementos de la
realidad que estamos estudiando, con la población o universo
de datos generados a partir de la primera.
• De aquí en adelante, cuando utilicemos los términos
POBLACIÓN O UNIVERSO sin otro aditamento nos estaremos
refiriendo a población o universo de DATOS NUMÉRICOS
(También llamados observaciones o mediciones o valores).
LA DISTRIBUCIÓN DE
FRECUENCIAS
30 29
26
29 30 31
31
33 32
29 27 29
27 26 x
28 30 27
32 25
28 x x
31
28 32 x x x
30 31 x x x
29 30
31 30 x x x x x x
30 34
x x x x x x x x
33 31 x x x x x x x x x x
Población o Universo 24 25 26 27 28 29 30 31 32 33 34 35
O Utilizar Cuadritos en lugar de Cruces
30 29
26
29 30 31
31
33 32
29 27 29
27 26 28 30 27
32 25
28 31
28 32
30 31
29 30
31 30
30 34
33 31
• El número de veces que aparece repetido cada dato es la

FRECUENCIA de dicho valor.
• La representación gráfica que hemos visto se denomina
DISTRIBUCIÓN DE FRECUENCIAS de la población.
• La representación gráfica nos permite ver información que
antes no aparecía tan evidente. Por ejemplo, sin hacer ningún
cálculo nos damos cuenta donde está aproximadamente el
promedio de la población:
MEDIA
También nos muestra cuales son los valores MÁXIMO
y MÍNIMO de la población, es decir, el RANGO:
30 29
26
29 30 31 Promedio
31
33 32
29 27 29
27 26 28 30 27
32 25
28 31
28 32
30 31
29 30
31 30
30 34
33 31
30 29
26
29 30 31
31
33 32
29 27 29
27 26 28 30 27
32 25
28 31
28 32
30 31
29 30
31 30
30 34
33 31
Rango
MEDIDAS DE TENDENCIA
CENTRAL O POSICIÓN
 Las medidas de Tendencia Central más Importantes son:
 Media: Aritmética y Aritmética Ponderada.
 Mediana.
 Moda.
30
Moda
25
Mediana
20
15
Media
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13
MEDIA ARITMÉTICA
 Es la suma de todas las observaciones dividida entre el

número total de observaciones.
 Expresada de forma más intuitiva, podemos decir que la
media aritmética es la cantidad total de la variable
distribuida a partes iguales entre cada observación.
(wikipedia)
 Por ejemplo, si en una habitación hay tres personas, la
media de dinero que tienen en sus bolsillos sería el
resultado de tomar todo el dinero de los tres y dividirlo a
partes iguales entre cada uno de ellos. Es decir, la media
es una forma de resumir la información de una
distribución (dinero en el bolsillo) suponiendo que cada
observación (persona) tendría la misma cantidad de la
variable. (wikipedia)
MEDIANA
 Es el valor que ocupa la posición central de un conjunto

de observaciones, una vez que han sido ordenados en
forma ascendente o descendente.
 Divide al conjunto de datos en dos partes iguales.
CÁLCULO DE LA MEDIANA:
 Para datos no agrupados:
 Si n es impar: posición donde se ubica la mediana es
igual a (n+1)/2.
 Si n es par: (n+1)/2 no es entero, por lo tanto la
mediana será igual al promedio de las dos
posiciones centrales.
CÁLCULO DE LA MEDIANA
 Datos agrupados: clase mediana es la que contiene a

la observación que ocupa la posición n/2.
n 1
 F ( xm1 )
Md  Lm  2 Cm
f ( xm )
Donde: Lm: límite inferior de la clase mediana.
F(xm-1): frecuencia acumulada de la clase anterior a la clase
mediana.
f(xm): frecuencia absoluta de la clase mediana.
Cm: amplitud de la clase mediana.
MODA
 Observación o clase que tiene la mayor frecuencia en un

conjunto de observaciones.
 Un conjunto de datos puede ser unimodal, bimodal o
multimodal.
 Es la única medida de tendencia central que se puede
determinar para datos de tipo cualitativo.
30
Moda
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13
CÁLCULO DE LA MODA
 Para datos no agrupados: Es simplemente la observación

que más se repite.
 Para datos agrupados:
1
Mo  Lim  Cm
1   2
Donde: Lim: límite inferior de la clase modal.
1: Diferencia entre fi de la clase modal y la anterior.
2: Diferencia entre fi de la clase modal posterior.
Cm: Amplitud de la clase modal (clase de mayor frecuencia).
RELACIÓN ENTRE LA MEDIA, LA
MEDIANA Y LA MODA
Cuando los datos son sesgados, es mejor emplear la Moda

Conceptos de Población y
Muestra
 MUESTRA:
 Es un conjunto de mediciones u observaciones
tomadas a partir de una población.
 Es un subconjunto de la población.
Conceptos de Población y
Muestra
 MUESTRA ALEATORIA: Se considera aleatoria siempre y
cuando cada observación, medición o individuo de la
población tenga la misma probabilidad de ser
seleccionado.
TIPOS DE DATOS Y ESCALAS
DE MEDIDA
 VARIABLES:
 Son las características o lo que se estudia
de cada individuo de la muestra. Ej: sexo,
edad, peso, estatura, color de ojos, estado
civil, temperatura, cantidad de
nacimientos, presión, grosor, diámetro,....
 ATRIBUTOS:
 Son los valores que toma la variable en
cada caso.
TIPOS DE DATOS
 CUALITATIVOS: Son datos que solo toman valores

asociados a las cualidades o atributos, clasificándolos en
una de varias CATEGORÍAS, es decir, no son valores
numéricos. Ejemplo:
 Sexo: F/M.
 Hábito de Fumar: Fumador/No Fumador
 Color de Ojos: Negro, Azul, Café, …
 Religión: Católica, Evangélica, …
 Estado Civil: Soltero, Casado, Divorciado,…
ORGANIZACIÓN DE LOS
DATOS
 Una vez que se ha
realizado la recolección de
los datos, se obtienen
datos en bruto, los cuales
rara vez son significativos
sin una organización y
tabulación.
DATOS
 FORMAS DE ORGANIZAR LOS DATOS:
 Un arreglo: es la forma más sencilla de organizar los
datos en bruto, consiste en colocar las observaciones
en orden según su magnitud: ascendente o
descendente.
 Poco práctica cuando se tiene una gran cantidad de
datos.
DATOS
 Una distribución de frecuencias: es un arreglo de los
datos que permite expresar la frecuencia de
ocurrencias de las observaciones en cada una de las
clases, mostrando el patrón de la distribución de
manera más significativa.
Clase Pto. fi Fi fri FRi

Medio
MEDIDAS DE DISPERSIÓN,
VARIACIÓN O VARIABILIDAD
 Son valores numéricos que indican o describen la forma

en que las observaciones están dispersas o diseminadas,
con respecto al valor central.
 Son importantes debido a que dos muestras de
observaciones con el mismo valor central pueden tener
una variabilidad muy distinta.
MEDIDAS DE DISPERSIÓN,
VARIACIÓN O VARIABILIDAD
 Son importantes debido a que dos muestras de

observaciones con el mismo valor central pueden tener
una variabilidad muy distinta.
 Rango.
 Varianza.
 Desviación Típica.
 Coeficiente de Variación.
MEDIDAS DE DISPERSIÓN:
RANGO
RANGO (AMPLITUD O RECORRIDO)

 Está determinado por los dos valores extremos de los
datos muestrales, es simplemente la diferencia entre la
mayor y menor observación.
 Es una medida de dispersión absoluta, ya que depende
solamente de los datos y permite conocer la máxima
dispersión.
 Casi no se emplea debido a que depende únicamente de
dos valores.
 No proporciona una medida de variabilidad de las
observaciones con respecto al centro de la distribución.
 Notación: R
RANGO
VENTAJAS
 Útil cuando se quiere conocer la extensión de las
variaciones extremas (Valor Máximo de la Dispersión).
 Fácil de Calcular.
VARIANZA
 Es un valor numérico que mide el grado de dispersión

relativa porque depende de la posición de los datos
x1,x2,…,xn con respecto a la media.
 Es el promedio al cuadrado de las desviaciones de cada
observación con respecto a la media.
 Notación: s2, 2, var (X).
 Si la varianza de un conjunto de observaciones es grande
se dice que los datos tiene una mayor variabilidad que un
conjunto de datos que tenga un varianza menor.
 x  x 
n
2
i
Para Datos NO s 
2 i 1
n
Agrupados: n
x 2
i
2
s2  i 1
x
n
DESVIACIÓN TÍPICA
 Es la raíz cuadrada de la varianza.
 Notación: s, .
s s 2
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
MEDIDAS DE FORMA:
ASIMETRÍA
 Permiten estudiar la forma de la curva, dependiendo de
cómo se agrupan los datos.
SIETE HERRAMIENTAS
BÁSICAS DE CALIDAD
7 HERRAMIENTAS BÁSICAS ……..…. QUE
PUEDEN MEJORAR LA CALIDAD
U= Una definición del Problema Hojas de Control

Diagrama de Pareto
T= Tome Acciones Provisionales
I = Identifique, Obtenga y Analice Datos Diagrama Causa – Efecto, Histogramas
Diagrama de Dispersión
L= Localice y Determine las Causas Raíz
I = Idee y Evalúe Posibles Soluciones Estratificación
D= Desarrolle un Plan de Acción e Impleméntelo Gráficos de Control
A= Asegure y Verifique los Resultados

D= Duplique, Estandarice y Establezca Acciones Futuras
1.- UNA DEFINICIÓN DEL PROBLEMA
2.- TOME ACCIONES,PROVISIONALES
8.- DUPLIQUE. ESTANDARICE Y PLANEE ACCIONES FUTURAS
7.- ASEGURE Y VERIFIQUE LOS RESULTADOS LOS 8 PASOS DEL PROCESO DE 3.- IDENTIFIQUE, OBTENGA Y ANALICE DATOS
SOLUCIÓN
DE PROBLEMAS
6.- DESARROLLE UN PLAN DE ACCIÓN E IMPLEMÉNTELO 4.- LOCALICE Y DETERMINE LAS CAUSAS RAÍZ
5.- IDEE Y EVALÚE POSIBLES SOLUCIONES

“Las Empresas pueden escoger una gran variedad de
herramientas para mejorar sus Procesos de Calidad.
La clave está en saber qué herramientas usar para cada
situación e incrementar la sofisticación de las mismas”
I. Introducción
 Las 7 Herramientas de Calidad
1) Hojas de Control ESTRATIFICACIÓN

A
2) Diagrama de Pareto AyB
3) Diagrama Causa – Efecto (Ishikawa)

4) Histogramas
5) Diagramas de Dispersión (Scatter)
6) Análisis por Estratificación
7) GRÁFICOS DE CONTROL (CEP – XR)
SIETE HERRAMIENTAS BÁSICAS
DE CALIDAD
II. Proceso de Solución de Problemas
III. Análisis de Problemas e Integración de Herramientas y
Prácticas
 Podemos establecer tres etapas en la aplicación de las 7

herramientas básicas cuando se utilizan en los proyectos de
mejora:
Etapa Actividad Herramienta

Fundamentos a) Colección e Interpretación 1) Hoja de Control
de Datos 2) Histograma
Bases a) Analizar relación Causa - Efecto 1) Diagrama Causa – Efecto
b) Fijar Prioridades 2) Diagrama de Pareto
Herramientas a) Estratificar Datos 1) Estratificación
Analíticas b) Establecer Correlaciones 2) Diagrama de Dispersión
c) Control del Proceso 3) Gráficos de Control
SIETE HERRAMIENTAS BÁSICAS
DE CALIDAD
 Examinaremos las Técnicas y Herramientas que apoyan la

Gestión de Calidad dentro de una Empresa.
 Las 7 Herramientas Básicas hacen al análisis estadístico
menos complicado en su aplicación
 Las ayudas visuales y representaciones gráficas hacen a
la estadística y la calidad más comprensibles
 Existen Herramientas Básicas que las definiremos en
forma general y que se subdividen en:
 Herramientas Estadísticas Matemáticas
 Herramientas Lógicas
HOJAS DE CONTROL
 ¿Que son?
• Sirven para reunir y clasificar la información según
determinadas categorías, mediante la anotación y
registro de sus frecuencias bajo la forma de datos.
• Lo esencial de los datos es que el propósito esté
claro y que los datos reflejen la verdad. Estas hojas
de registro tienen muchas funciones, pero la
principal es hacer fácil la recopilación de datos y
realizarla de forma que puedan ser usadas
fácilmente y analizarlos automáticamente.
HOJAS DE CONTROL
 ¿Para que se usan?

• Registrar Datos para análisis posterior
• Establecer records históricos
• Introducir Métodos de Obtención de Datos
• Para la distribución de variaciones de variables de
artículos producidos (peso, volumen, longitud, etc.)

• Para la clasificación de artículos defectuosos
• Localizar defectos en las piezas e identificar las causas de
los defectos
• Verificar tareas de mantenimiento.
HOJAS DE CONTROL
 Tipos de Hojas de Control:
Mes, 2011
Defectos 14 15 16 17 18 19 20 TOTAL
• Tabular Fuera de Posición 2 1 2 - 2 1 - 8

Falta de Material 1 2 1 2 - 1 1 8
Mala Instalación - - 2 2 2 - 1 7
Falta Soldadura 1 - - 2 2 - 1 6
GRÁFICO
30
28
26
24
Temp. °C
22
20
• Formato 18
16
14
12
10
8 10 12 2 4 6 8 10 12 2 4 6
AM PM AM
 ¿QUE ES?
 Una herramienta que
se utiliza para priorizar
los problemas o las
causas que los generan X
 Una serie de barras cuyas
alturas reflejan la
frecuencia o impacto de TIPO
los problemas
 Según Pareto, si se tiene un problema con muchas
causas, podemos decir que el 20% de las causas
resuelven el 80% del problema y el 80% de las causas
solo resuelven el 20% del problema
 ¿PARA QUE SE USA?
• Básicamente para Identificar y Evaluar

no conformidades y resumir todos datos
e información necesarias en el proceso
de solución de problemas
• Es quizá el Diagrama más usado en
Presentaciones Gerenciales en busca de
soluciones
• Divide problemas mayores en partes
menores e identifica los contribuyentes
más importantes
• Ayuda a obtener mejoras con los recursos
disponibles, mostrando donde enfocar los
esfuerzos a fin de optimizar los resultados
• Desarrolla habilidades en la Empresa, que se
quieren tener
• Satisface necesidades de clientes y proveedores
• Ofrece Oportunidades de Inversión
100%
% de Defectos encontrados
75%
80%
50%
25%
0%
Tipo de Defectos
93.2 100
120 88.9 100
X
X
100
80.3
X 80
FRECUENCIA
80 58.7
X 60
60 %
32.8 40
40 X
20
20
38 30 25 10 8
5
0 0
A B C D E F
 ¿QUE ES ?
 Es un diagrama que
demuestra la relación Maquinaria Mano de Obra
entre Efectos y las
Categorías de sus causas
 Una Técnica Gráfica para DEFECTOS
identificar y agrupar ideas
de la gente acerca de las
Causas de un Problema o Método Materiales
Característica de Calidad
 Los Elementos que pueden ser analizados son:
a. Maquinaria
b. Mano de Obra
c. Método
d. Materiales
e. Mantenimiento
f. Medio Ambiente
 ¿PARA QUE SE USA?
 Para determinar el Efecto o Problema que se
desea analizar
 Categorizar las causas posibles
 Descubrir Sub-Categorías
 No usa Estadística
 Ayuda a determinar Causas Raíz
 Motiva a los Grupos de Trabajo a participar
 Motiva a los equipos de trabajo a considerar la complejidad
de los problemas y a establecer objetivos que analicen los
factores contributores de los mismos.
 Apoya a los Equipos a determinar las causas primarias y

secundarias de un problema y es útil para organizar las ideas
después de sesiones de “Brainstorming” (Tormenta de Ideas)
 Incrementa el Conocimiento de los Procesos.
 Identifica Áreas para Recolección de datos e Información

clave.
MÉTODOS MÁQUINAS
Mezclado Rebabadora
PreCurado Moldeadora
Velocidad Estampado
REBABAS
Especificaciones Supervisión
Variaciones Entrenamiento
Color Material Moral
MATERIALES OPERADORES
 ¿QUE SON?
• Un Gráfico de Barras
Verticales que representa LIC LSC
una serie de datos y que
a diferencia de otros, no Y
refleja el rendimiento de
los procesos a través del
tiempo
X
 ¿COMO FUNCIONAN?
• Define Categorías para los datos
• Colecciona Datos y los clasifica por categorías
• Al trazar el Diagrama, cada categoría encuentra su lugar en
el eje de las X
• Las barras serán tan altas, como el valor de su categoría
 ¿PARA QUE SE USAN?
• Proveen una manera fácil de evaluar la distribución de
los datos de distintas categorías
• Resumen una gran cantidad de datos gráficamente
• Apoyan en la toma de decisiones
• Obtener una comunicación clara y efectiva de la
variabilidad del sistema a los miembros de equipos
• Muestran el resultado de un cambio en el sistema
• Identifican anormalidades, examinando la forma
• Comparar la variabilidad de los procesos con los límites
de especificación
FALLAS EN REFRIGERADORES
LIC LSC
100
Frecuencia (%)
50
TIPO DE DEFECTO
• Obtenemos así una representación gráfica (Llamada también

HISTOGRAMA) que nos muestra la distribución de frecuencias
de la población.
• Esta distribución de frecuencias nos muestra las
características de una población, por ejemplo, si hay
resultados que son mas frecuentes que otros.
• Nos muestra si los valores están ubicados alrededor de un
valor central, si están muy dispersos o poco dispersos.
Podemos observar que fracción de todas las mediciones cae
por ejemplo, entre 70 y 80 Kgs. (ZONA RAYADA EN EL
GRÁFICO):
Gráfico XR
Varios Gráficos
- Estudiar
Cartas de control
12.5 Límite
Superior de
11.5 Control
10.5
9.5 Línea
Central
8.5
Límite
Inferior de
7.5
Control
0 10 20 30
Carta de Control con sus Límites de Control y Línea Central

 ¿QUE SON?
 Una herramienta estadística, Y
Límite Superior
que muestra si un proceso Promedio /
está en control o no. Especificación
Límite Inferior
 Se utilizan para estudiar la X

variación de un proceso y
determinar a que obedece esta variación.
 ¿PARA QUE SE USAN?
 Muestrear procesos y detectar posibilidades de que éstos
se encuentren fuera de control
 Estudiar las Propiedades de los productos
 Determinar los factores variables del proceso
 Analizar Costos
 Determinar los factores variables del proceso
 Detectar errores en los procesos, etc...
 Si un proceso está bajo control o no

 Definir los limites de capacidad del sistema
 Estos gráficos son muy útiles para estudiar las
propiedades de los productos, los factores variables del
proceso, los costos, los errores y otros datos
administrativos.
 EN RESUMEN, UN GRÁFICO DE CONTROL MUESTRA:
a) Resultados que requieren una explicación
b) Los límites de capacidad del sistema, los cuales previa
comparación con los de especificación pueden
determinar los próximos pasos en un proceso de
mejora.
250
200 LSC = 200.0

Unidades por Hora
150
100 LC = 100.0
50
0 LIC = 0
0 5 10 15 20 25 30 35
Frecuencia (Mins.)
Límites de Control
y
LSC = Media del Proceso + 3 Desviaciones Estándar
LIC = Media del Proceso - 3 Desviaciones Estándar
Límite Superior de Control LSC

MEDICIONES
+3 
Media del Proceso LC
-3 
Límite Inferior de Control LIC

Desviación Inaceptable, fuera
de los Límites de Control
x
TIEMPO
Y
99.8 % de las
Mediciones
3.09 s
M X
PATRONES DE
ANORMALIDAD EN
LA CARTA DE CONTROL
“ESCUCHE LA VOZ DEL PROCESO” Región de Control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C LIC
A
L
Tendencia del Proceso
I
D El Proceso ha Cambiado
A
Causa Especial
IDENTIFCADA
D
TIEMPO
Métodos de Calidad para
Manufactura – C. E. P.
• Las cartas de control detectan la variación anormal en un proceso,
denominadas “Causas Especiales o Causas Asignables de Variación.”
• El patrón normal de un proceso se llama Causas de Variación Comunes.
CAUSAS COMUNES Y CAUSAS ESPECIALES O ASIGNABLES

(E. W. Deming):
CAUSAS COMUNES
• La variabilidad natural siempre existe en cualquier proceso de
producción, no importa que tan bien diseñado esté. Esta variabilidad
natural es denominada causas comunes o aleatorias de variabilidad,
un proceso que opera en estas condiciones se dice que está en Control
Estadístico.
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO “ESTABLE”.
LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO
Predicción
Tiempo
Proceso en Control, solo Causas Comunes Presentes

De la figura cuando el proceso está en control, la mayor parte de la producción se
encuentra dentro de los límites de control (LSC y LIC).
Las causas de variación común son el resultado de causas naturales, o diferencias
normales pequeñas entre productos que se espera ver, por ejemplo:
 Diámetro de Cobre, tiene una Variación ± pero dentro de Control
 Espesor de Acabado, con una Variación Normal
 Temperatura del Horno con Variaciones de Temperatura Normales.
CAUSAS ESPECIALES:
• Existen otras fuentes de variabilidad que pueden ser causadas por
fallas en máquinas, errores de operadores, materiales defectuosos o
alguna otra discrepancia de las 6M’s (Medio Ambiente, Métodos,
Mediciones). Esta variabilidad es muy grande en relación con la
variabilidad natural y es originada por causas especiales o asignables
haciendo que el proceso opere fuera de control estadístico.
LIC
LSC
LSC
Proceso Fuera de Control, con Causas Especiales Presentes, El Proceso No Es Predecible
Las causas especiales normalmente provocan que los procesos sean INESTABLES y salgan
• Esta variabilidad se puede corregir en el área de trabajo por el personal

involucrado, y no es necesaria la intervención de la dirección para su
corrección.
• En una carta de control los patrones de anormalidad más comunes
son: LAS CAUSAS ESPECIALES, LAS TENDENCIAS CRECIENTES O
DECRECIENTES Y LAS CORRIDAS DE NIVEL.
EJEMPLO DE VARIACIÓN ANORMAL EN EL TIEMPO:
DESVIACIÓN ESTÁNDAR
DEL PROCESO
= R
d2
Donde,
= Desviación Estándar de la Población

d2 = Factor en base al tamaño del subgrupo en carta X – R
NOTA: En una carta por individuales, d2 se toma para n = 2 y

Rango Medio = Suma Rangos / (n -1)
CAPACIDAD DEL PROCESO
EN BASE A LA 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 = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple
con las especificaciones
CONTROL, CAPACIDAD Y
CENTRADO DEL PROCESO
1. Existen tres condiciones estadísticas que un proceso debe
satisfacer: CONTROL, CAPACIDAD Y CENTRADO.
2. Si los datos forman una distribución normal, están

Estadísticamente bajo control.
3. Ahora determinaríamos si el proceso es capaz y si está centrado.

TEORÍA DEL CAMIÓN Y EL
TÚNEL
Ancho 9´
Nigel´s Trucking Co.
TEORÍA DEL CAMIÓN Y EL
TÚNEL
1. El túnel tiene 9' de ancho (especificación). El camión tiene 10’
de ancho y el chofer es perfecto (Variación del Proceso).
¿Pasará el camión? NO, la Variabilidad del Proceso es Mayor
que la especificación.
1. Centrado es cuando la el promedio del proceso está alineado al

centro de la especificación. Si el camión tiene 8 pies de ancho
¿Pasará el Camión?, Si. Si el chofer puede mantener el centro
del camión en el centro del túnel. Pero si el chofer tiene sueño y
no puede mantener centrado el camión podría chocar con las
paredes del túnel.
LA DISTRIBUCIÓN
NORMAL ESTÁNDAR
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
CARACTERÍSTICAS DE LA
DISTRIBUCIÓN NORMAL
68%
34% 34%
+1
95%
+2
99.73%
+3
– FRACCIÓN DEFECTIVA
1. La capacidad en función de la fracción defectiva del Proceso se
calcula en función de la fracción defectiva para cada lado del
rango de Especificación.
=
Rango Medio
Constante d2 de acuerdo al tamaño de subgrupo en X-R
2. Los valores de Z inferior y Z superior se calculan de acuerdo a las

fórmulas siguientes:
LSE - Promedio del Proceso
Zi =
LIE - Promedio del Proceso Zs =
Desviación Estándar Desviación Estándar
P(Zi) = Área en tabla (-Z) P(Zs) = 1 – Área Corresp. a Zs en Tabla (+Z)

Fracción Defectiva = P(Zi) + P(Zs)
ÁREA BAJO LA CURVA
NORMAL
1. ¿Que porcentaje de las baterías se espera que duren 80 horas o
menos?
Z = (x-) / 
Z = (80 - 85.36) / (3.77) = - 5.36 / 3.77 = -1.42
P(Z) = Distribución Estándar Normal (-1.42) = 7.78%
80 85.36
-1.42 0
CÁLCULO DE LA
• Habilidad o Capacidad Potencial Cp = (LSE - LIE ) / 6 

• Debe ser  1 para tener el potencial de cumplir con
especificaciones (LIE, LSE)
• Habilidad o Capacidad Real Cpk = Menor | ZI - ZS | / 3
• El Cpk debe ser  1 para que el Proceso cumpla Especificaciones

EJEMPLO (CONT…..)
• Calculando la media y la Desviación Estándar se tiene:

• x = 264.06  = 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 < 1 No Es Hábil El Proceso
• Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02
• Cpk = menor de Zi y Zs < 1 El Proceso No Cumple
Especificaciones
Supongamos que
tenemos una
máquina inyectora
que produce piezas
de plástico, por
ejemplo de PVC.
Una característica de calidad
importante es el peso de la
pieza de plástico, porque
indica la cantidad de PVC
que la máquina inyectó en la
matriz.
Si la cantidad de PVC
es poca, la pieza de
plástico será deficiente;
si la cantidad es
excesiva, la producción
se encarece, porque
consume mas materia
prima.
Entonces, en el lugar de
salida de la piezas, hay un
operario que cada 30
minutos toma una, la pesa
en una balanza y registra la
observación.
PIEZA: 1 2 3 4 5
55,1 gr. 57,1 gr. 53,3 gr. 53,9 gr. 55,9 gr.
PIEZA: 6 7 8
53,2 gr. 55,8 gr. 55,3 gr. ....ETC.

Supongamos que estos datos se registran en un gráfico de
líneas en función del tiempo:
Gráfico de las observaciones
60
Peso de las piezas (Gr.)
58
56
54
52
50
48
1
11
13
15
17
19
Nº de pieza
Observamos una línea
quebrada irregular, que
nos muestra las
fluctuaciones del peso
de las piezas a lo largo
del tiempo.
Esta es la fluctuación esperable y
natural del proceso. Los valores se
mueven alrededor de un valor central
(El promedio de los datos), la mayor
parte del tiempo cerca del mismo.
Pero en algún
momento puede
ocurrir que
aparezca uno o más
valores demasiado
alejados del
promedio.
¿Cómo podemos distinguir si
esto se produce por la
FLUCTUACIÓN NATURAL
del proceso o porque el
mismo ya no está
funcionando bien?
Esta es la respuesta que
provee el control
estadístico de procesos,
y a continuación veremos
como lo hace.
Maquinaria Métodos
Materias
Primas Proceso
Mano de Condiciones
Obra Ambientales
Cada uno de estos factores está sujeto
a VARIACIONES que realizan aportes
más o menos significativos a la
fluctuación de las características del
producto, durante el proceso de
fabricación.
Los responsables del funcionamiento del proceso
de fabricación fijan los valores de algunas de estas
variables, que se denominan VARIABLES
CONTROLABLES.
Por ejemplo, en el caso de la inyectora se fija la
temperatura de fusión del plástico, la velocidad de
trabajo, la presión del pistón, la materia prima que
se utiliza (Proveedor del plástico), etc.
Pero un proceso de
fabricación es una
suma compleja de
eventos grandes y
pequeños.
Hay una gran cantidad de variables que sería
imposible o muy difícil controlar. Estas se
denominan VARIABLES NO CONTROLABLES.
Los efectos que producen
las VARIABLES NO
CONTROLABLES son
aleatorios.
Además, la contribución de cada una de las
VARIABLES NO CONTROLABLES a la
variabilidad total es cuantitativamente pequeña.
Son las variables no
controlables las
responsables de la
variabilidad de las
características de calidad
del producto.
Los cambios en las
variables controlables se
denominan Causas
Asignables de variación del
proceso, porque es posible
identificarlas.
Las fluctuaciones al azar
de las VARIABLES NO
CONTROLABLES se
denominan CAUSAS NO
ASIGNABLES de variación
del proceso, porque no son
pasibles de ser
identificadas.
Causas Asignables: Son causas que
pueden ser identificadas y que
conviene descubrir y eliminar, por
ejemplo, una falla de la máquina por
desgaste de una pieza, un cambio muy
notorio en la calidad del plástico, etc.
Estas causas provocan que el
proceso no funcione como se desea
y por lo tanto es necesario eliminar
la causa, y retornar el proceso a un
funcionamiento correcto.
Causas No Asignables: Son una
multitud de causas no identificadas, ya
sea por falta de medios técnicos o
porque no es económico hacerlo, cada
una de las cuales ejerce un pequeño
efecto en la variación total.
Son inherentes al
proceso mismo, y
no pueden ser
reducidas o
eliminadas a menos
que se modifique el
proceso.
Cuando el proceso trabaja
afectado solamente por un
sistema constante de
variables aleatorias no
controlables (Causas no
asignables) se dice que
está FUNCIONANDO BAJO
CONTROL ESTADÍSTICO.
Cuando, además de las
causas no asignables,
aparece una o varias
causas asignables, se dice
que el proceso está
FUERA DE CONTROL.
El uso del control
estadístico de
procesos lleva
implícitas algunas
hipótesis, que
describiremos a
continuación:
1. Una vez que el proceso está en
funcionamiento bajo condiciones
establecidas, se supone que la
variabilidad de los resultados en la
medición de una característica de
calidad del producto se debe sólo a un
sistema de causas aleatorias, que es
inherente a cada proceso en
particular.
2. El sistema de causas aleatorias que
actúa sobre el proceso genera un
universo hipotético de observaciones
(mediciones) que tiene una Distribución
Normal.
3. Cuando aparece alguna CAUSA
ASIGNABLE provocando desviaciones
adicionales en los resultados del
proceso, se dice que el proceso está
fuera de control.
La función del control
estadístico de procesos es
comprobar en forma
permanente si los resultados
que van surgiendo de las
mediciones están de
acuerdo con las dos
primeras hipótesis.
Si aparecen uno o varios
resultados que contradicen o se
oponen a las mismas, es
necesario detener el proceso,
encontrar las causas por las
cuales el proceso se apartó de
su funcionamiento habitual y
corregirlas.
Control Estadístico
de Procesos
¿COMO PONERLO EN
MARCHA?
La puesta en marcha
de un programa de
control estadístico
para un proceso
particular implica dos
etapas:
1a Etapa: Ajuste del
Proceso
Control
Estadístico
2a Etapa: Control del

Proceso
Antes de pasar a la
segunda etapa, se
verifica si el proceso está
ajustado. En caso
contrario, se retorna a la
primer etapa:
1a Etapa: Ajuste Sí 2a Etapa: Control
¿Proceso
del Proceso Ajustado? del Proceso
No
En la 1a etapa se recogen unas 100
– 200 mediciones, con las cuales
se calcula el promedio y la
desviación standard:
X 
 X i
 X  X 
2
 i
N
Luego se calculan los Límites de
Control de la siguiente manera:
Lim.Superior  X  3.09  
Lim.Inferior  X  3.09 
Estos límites surgen de la
hipótesis de que la
distribución de las
observaciones es normal.
En general se utilizan
límites de 2 sigmas ó de 3
sigmas alrededor del
promedio.
En la distribución normal, el
intervalo de 3,09 sigmas
alrededor del promedio
corresponde a una
probabilidad de 0,998.
Y
99.8 % de las
mediciones
3.09 
 X
Entonces, se construye un gráfico
de prueba y se traza una línea
recta a lo largo del eje de
ordenadas (Eje Y), a la altura del
promedio (Valor central de las
observaciones) y otras dos líneas
rectas a la altura de los límites de
control.
Gráfico de Control de Prueba
65
Límite Superior = 60,8 Gr.
60 Promedio = 55 Gr.
55
50
Límite Inferior = 49,2 Gr.
45
13
15
17
19
9
1
11
Nº de pieza
En este gráfico se
representan los
puntos
correspondientes a
las observaciones
con las que se
calcularon los límites
de control:
65
60
55
50
45
13
15
17
19
9
1
11
Nº de pieza
Este gráfico de prueba se analiza
detenidamente para verificar si está de
acuerdo con la hipótesis de que la
VARIABILIDAD DEL PROCESO se
debe sólo a un SISTEMA DE CAUSAS
ALEATORIAS o si, por el contrario,
existen causas asignables de variación.
Esto se puede establecer
porque cuando la
fluctuación de las
mediciones se debe a un
sistema constante de
causas aleatorias la
distribución de las
observaciones es normal.
65
60
55
50
45
13
15
17
19
7
1
11
Nº de pieza
Cuando las observaciones
sucesivas tienen una
distribución normal, la mayor
parte de los puntos se sitúa
muy cerca del promedio,
algunos pocos se alejan algo
más y prácticamente no hay
ninguno en las zonas más
alejadas:
La mayor parte
de los puntos
están muy cerca
65 del promedio
60
55
50
45
13
15
17
19
1
11
Nº de pieza
Lejos del
Gráfico de Control de Prueba promedio
hay menos
65
60
55
50
45
13
15
17
19
7
1
11
Nº de pieza
Más afuera casi
Gráfico de Control de Prueba no hay puntos
65
60
55
50
45
13
15
17
19
7
1
11
Nº de pieza
Es difícil decir como es el gráfico de un
conjunto de puntos que siguen un
PATRÓN ALEATORIO DE
DISTRIBUCIÓN NORMAL, pero sí es
fácil darse cuenta cuando no lo es.
Veamos algunos ejemplos de
patrones No Aleatorios:
Gráfico de
Control
Una sucesión de
puntos por
encima ...
Gráfico de
Control
... o por debajo
de la línea
central.
Gráfico de
Control
Una serie
creciente de 6 ó 7
observaciones...
Gráfico de
Control
... o una serie

decreciente.
Gráfico de
Control
Varios puntos
por fuera de los
límites de control
Si no se descubren
causas asignables
entonces se adoptan
los límites de control
calculados como
definitivos, y se
construyen cartas de
control con esos
límites.
65
60
Lím. Superior
55 Valor Central
50
Lím. Inferior
45
35
21
23
25
27
29
31
33
37
39
Nº de pieza
Si sólo hay pocos puntos fuera de
control (2 ó 3), estos se eliminan, se
recalculan la media, desviación standard
y límites de control con los restantes, y
se construye un nuevo gráfico de
prueba.
Cuando las observaciones no
siguen un patrón aleatorio,
indicando la existencia de causas
asignables, se hace necesario
investigar para descubrirlas y
eliminarlas.
Una vez hecho esto, se
deberán recoger nuevas
observaciones y
calcular nuevos límites
de control de prueba,
comenzando otra vez
con la 1a etapa.
En la 2a etapa, las nuevas
observaciones que van surgiendo
del proceso se representan en el
gráfico, y se controlan verificando
que estén dentro de los límites, y
que no se produzcan patrones no
aleatorios:
65
60
Lím. Superior
55 Valor Central
Punto fuera de control
50
Lím. Inferior
45
33
21
23
25
27
29
31
35
37
39
Nº de pieza
Como hemos visto, el 99,8
% de las observaciones
deben estar dentro de los
límites de 3,09 sigmas
alrededor de la media.
Esto significa que sólo 1
observación en 500 puede
estar por causas aleatorias
fuera de los límites de
control.
Entonces, cuando se encuentra más de 1 punto
en 500 fuera de los límites de control, esto indica
que el sistema de causas aleatorias que
provocaba la variabilidad habitual de las
observaciones ha sido alterado por la aparición
de una causa asignable que es necesario
descubrir y eliminar.
En ese caso, el supervisor del
proceso debe detener la marcha
del mismo e investigar con los
que operan el proceso hasta
descubrir la o las causas que
desviaron al proceso de su
comportamiento habitual.
Una vez eliminadas las
causas del problema, se
puede continuar con la
producción normal.

SPC Presentación Nivel 2 10.09.11

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SPC Presentación Nivel 2 10.09.11

Uploaded by

Copyright:

Available Formats

CURSO:

CONTROL ESTADÍSTICO DE PROCESOS

“Los Sistemas Globales y un Personal Competitivo;

• La POBLACIÓN ESTADÍSTICA está representando, entonces,

• El número de veces que aparece repetido cada dato es la

 Es la suma de todas las observaciones dividida entre el

 Es el valor que ocupa la posición central de un conjunto

 Datos agrupados: clase mediana es la que contiene a

 Observación o clase que tiene la mayor frecuencia en un

 Para datos no agrupados: Es simplemente la observación

Cuando los datos son sesgados, es mejor emplear la Moda

 CUALITATIVOS: Son datos que solo toman valores

Clase Pto. fi Fi fri FRi

 Son valores numéricos que indican o describen la forma

 Son importantes debido a que dos muestras de

RANGO (AMPLITUD O RECORRIDO)

 Es un valor numérico que mide el grado de dispersión

U= Una definición del Problema Hojas de Control

A= Asegure y Verifique los Resultados

2.- TOME ACCIONES,PROVISIONALES

8.- DUPLIQUE. ESTANDARICE Y PLANEE ACCIONES FUTURAS

5.- IDEE Y EVALÚE POSIBLES SOLUCIONES

1) Hojas de Control ESTRATIFICACIÓN

2) Diagrama de Pareto AyB

3) Diagrama Causa – Efecto (Ishikawa)

 Podemos establecer tres etapas en la aplicación de las 7

Etapa Actividad Herramienta

 Examinaremos las Técnicas y Herramientas que apoyan la

 ¿Para que se usan?

 Tipos de Hojas de Control:

• Tabular Fuera de Posición 2 1 2 - 2 1 - 8

• Básicamente para Identificar y Evaluar

 Apoya a los Equipos a determinar las causas primarias y

 Incrementa el Conocimiento de los Procesos.

 Identifica Áreas para Recolección de datos e Información

Color Material Moral

• Obtenemos así una representación gráfica (Llamada también

Carta de Control con sus Límites de Control y Línea Central

 Se utilizan para estudiar la X

 Estudiar las Propiedades de los productos

 Determinar los factores variables del proceso

 Determinar los factores variables del proceso

 Detectar errores en los procesos, etc...

 Si un proceso está bajo control o no

200 LSC = 200.0

Límite Superior de Control LSC

Media del Proceso LC

Límite Inferior de Control LIC

• El patrón normal de un proceso se llama Causas de Variación Comunes.

CAUSAS COMUNES Y CAUSAS ESPECIALES O ASIGNABLES

Proceso en Control, solo Causas Comunes Presentes

• Esta variabilidad se puede corregir en el área de trabajo por el personal

= Desviación Estándar de la Población

NOTA: En una carta por individuales, d2 se toma para n = 2 y

2. Si los datos forman una distribución normal, están

3. Ahora determinaríamos si el proceso es capaz y si está centrado.

1. Centrado es cuando la el promedio del proceso está alineado al

x-3 x-2 x- x x+ x+2 x+3

2. Los valores de Z inferior y Z superior se calculan de acuerdo a las

P(Zi) = Área en tabla (-Z) P(Zs) = 1 – Área Corresp. a Zs en Tabla (+Z)

• Habilidad o Capacidad Potencial Cp = (LSE - LIE ) / 6 

• Habilidad o Capacidad Real Cpk = Menor | ZI - ZS | / 3

• El Cpk debe ser  1 para que el Proceso cumpla Especificaciones

• Calculando la media y la Desviación Estándar se tiene: