Control Estadístico de Procesos

Core Tools
de la AIAG
MDULO 1.
CONTROL
ESTADSTICO DEL
PROCESO
DR. PRIMITIVO REYES AGUILAR

Junio 2010 Mail:
Primitivo_reyes@yahoo.com /
Pgina Web www.icicm.com
Cel. 044 55 52 17 49 12
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010
OBJETIVO: Al finalizar el Mdulo 1. Core Tools - CEP, el participante ser

capaz de identificar los componentes de la variabilidad de los procesos
(ISO/TS 8.1.2) y aplicar las tcnicas del Control Estadstico del Proceso
para el seguimiento, anlisis y mejora de los procesos para contribuir a su
mejora continua.
2
Contenido
1. CONCEPTO DE VARIACIN ..................................................................................................................... 5
Introduccin.................................................................................................................................................... 5
Componentes de la variacin .......................................................................................................................... 5
Estratificacin ................................................................................................................................................. 6
Diagrama de Dispersin ................................................................................................................................. 7
Histogramas .................................................................................................................................................. 10
Las cartas de control ..................................................................................................................................... 12
Causas especiales y causas comunes ............................................................................................................ 13
Causas especiales o asignables: ................................................................................................................ 13
Causas comunes ....................................................................................................................................... 14
Tampering o sobreajuste............................................................................................................................... 15
Distribucin de probabilidad normal ............................................................................................................ 16
Propiedades de la distribucin normal estndar ....................................................................................... 17
rea o probabilidad bajo la curva normal estndar .................................................................................. 17
Estandarizacin de valores reales a su equivalente Z ............................................................................... 21
Prueba de normalidad en Minitab ............................................................................................................. 23
2. CONTROL ESTADSTICO DEL PROCESO ............................................................................................. 24
Teorema del lmite central ............................................................................................................................ 24
Introduccin al Control estadstico del proceso ............................................................................................ 26
Qu es una carta de control? ................................................................................................................... 26
Patrones principales de anormalidad en Cartas de Control ...................................................................... 27
Proceso de mejora en el CEP .................................................................................................................... 30
Cartas de control por variables ..................................................................................................................... 31
Cartas de control de medias-rangos (X-R) ............................................................................................... 31
Cartas de control para lecturas individuales / Rango mvil (I-MR) ......................................................... 36
Cartas de control para atributos .................................................................................................................... 39
Carta de control para fraccin no conforme - p ........................................................................................ 40
Carta p con tamao de muestra variable ................................................................................................... 43
Carta de control np ................................................................................................................................... 47
Cartas de control para no conformidades (defectos) c y u ......................................................................... 50
Tamao de muestra constante - Carta c ................................................................................................... 50
Carta u de Defectos por unidad ................................................................................................................ 54
3. CAPACIDAD DE PROCESOS ................................................................................................................... 57
Definiciones.................................................................................................................................................. 57
Introduccin a la capacidad de procesos ...................................................................................................... 57
3
ndice de capacidad potencial Cp ............................................................................................................. 60

ndice de capacidad real Cpk .................................................................................................................... 61
Procedimiento para realizar estudios de capacidad del proceso ............................................................... 63
ndice de capacidad cpm .......................................................................................................................... 64
ndice de capacidad Cpkm ........................................................................................................................ 64
Capacidad de procesos no normales ............................................................................................................. 67
4
1. CONCEPTO DE VARIACIN
Introduccin
La variacin representa la diferencia entre las cosas, no hay en la naturaleza dos cosas
EXACTAMENTE IGUALES, lo cual origina el estudio de la estadstica.
La variacin es inherente en todos los procesos, por ejemplo:
Bisteck de 10 onzas Tiempo de tostado
Tiempo de vuelo de
Mxico a Acapulco Tiempo que toma ir al
trabajo
Componentes de la variacin
La variacin a largo plazo se denomina variabilidad del producto o proceso. Hay diferencia
entre el promedio del proceso y la variacin de lote a lote. Puede ser necesario analizar
cada lnea de productos por separado. Tambin se presenta la variacin de tiempo a
tiempo, la variacin de pieza a pieza, la variacin posicional dentro de la misma pieza, el
error de medicin cuando es significativo, y al final solo queda la variabilidad inherente del
proceso, que es la reproducibilidad instantnea de la mquina bajo condiciones ideales.
5
Estratificacin
Se utiliza para separar el problema general en los estratos que lo componen, por ejemplo, por
reas, departamentos, productos, proveedores, turnos, etc. Clasificacin de los datos o factores
sujetos a estudio en una serie de grupos con caractersticas similares.
Por ejemplo: Rechazos en general, rechazos en cada lnea, rechazos en cada mquina de la lnea.
6
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede encontrar: Correlacin positiva
o negativa, fuerte o dbil o sin correlacin.
Es una herramienta que nos permite estudiar la relacin de dependencia entre dos o ms
variables. El Coeficiente de correlacin r tiene valores entre -1 y 1 y el coeficiente de determinacin
r2 toma valores entre 0 y 1. La ecuacin de regresin que pasa por los puntos tiene la forma
Y=a+bX
Correlacin entre las variables Y y X
Correlacin Positiva Correlacin Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlacin 0
0 5 10 15 20 25
X 25 X
20
15
Correlacin 10
Y
5
Correlacin
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Diagrama de dispersin y su correlacin entre X,Y
Ejercicio: Hacer un diagrama de dispersin con los datos siguientes:

Espesor (escala 5 por divisin)
Tiempo Espesor
4 20
2 12
8 36
6 28
10 44
5 25
7 32
1 5
7
Tiempo (esc. 1/div.)
En Excel se puede obtener esta grfica con la grfica de dispersin y agregando la lnea de
tendencia lineal y el coeficiente de determinacin R^2.
Espesor y = 4.1996x + 2.6771

R = 0.9939
50
45
40
35
30 Espesor
25
Linear (Espesor)
20
15
10
5
0
0 2 4 6 8 10 12
Diagrama de Regresin lineal
Ejercicio: Un jefe de mantenimiento reuni los datos siguientes de los tiempos de reparacin de
un equipo con base a la experiencia del personal del tcnico.
Tcnico Experiencia Tiempo

1 1 80
2 3 97
3 4 92
4 4 102
5 6 103
6 8 111
7 10 119
8
8 10 123
9 11 117
10 13 136
X Y
a) Obtener la ecuacin de regresin y estimar el tiempo para un tcnico de 9 aos de experiencia.
b) Obtener el coeficiente de correlacin y el coeficiente de determinacin.
9
Histogramas
Se utilizan para ver la distribucin de frecuencia de los datos
18
16
14
12
10
8 Frec.
6
4
2
0
15-24 25-34 35-44 45-54 55-64 65-75
Distribucin de frecuencias o histograma
Pasos para hacer un histograma:

1. Contar el nmero de datos, identificar el valor mximo, el mnimo y el rango.
2. Determinar el ancho de clase = Rango / 5 a 8.
3. Contar cuantos datos entran dentro de cada celda.
4. Graficar las frecuencias de cada celda.
Ejercicio: Realizar un histograma con los datos siguientes:

2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
Paso 1. Nmero de datos = Valor mayor = Valor menor = Rango =

Paso 2. Ancho de clase = Rango / 6 = redondear a:
Paso 3. Contar elementos para cada clase:
Columna Intervalo Registro de frecuencias Frecuencia

1 0 -17
10
2 18-35
3 36-53
4 54-71
5 72-89
6 90 en
adelante
Paso 4. Hacer la grfica del histograma:
Conclusiones:
En Excel se puede obtener esta grfica con la opcin de Anlisis de datos, Histograma y
seleccionando la columna de datos y de lmites superiores de clases o celdas.
Histogram
40
Frequency
30
20
10
Frequency
0
17 35 53 71 89 106 More
Bin
11
Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos de
cartas de control: por atributos (juzga productos como buenos o malos) y por variables (variables
como, temperaturas).
Cartas de control
12.5 Lmite
Superior de
11.5 Control
10.5
9.5 Lnea
Central
8.5
Lmite
Inferior de
7.5
Control
0 10 20 30
Carta de control con sus lmites de control y lnea central
Carta de control
Escuche la Voz del Proceso Regin de control,
M captura la variacin
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identificada
D
TIEMPO
Patrones de anormalidad en cartas de control
Las cartas de control detectan la variacin anormal en un proceso, denominadas causas

especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial de variacin.
12
Causas especiales y causas comunes
Causas especiales o asignables:

Existen fuentes de variabilidad que pueden ser causadas por fallas en mquinas, errores de
operadores, materiales defectuosos o alguna otra discrepancia de las 6Ms (medio ambiente, ,
personal, mtodos, materiales, maquinaria y mediciones). Esta variabilidad es muy grande en
relacin con la variabilidad natural y es originada por causas especiales o asignables haciendo que
el proceso opere fuera de control estadstico.
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 de
control estadstico.
Esta variabilidad se puede corregir en el rea de trabajo por el personal involucrado, y no es

necesaria la intervencin de la direccin para su correccin. En una carta de control los patrones
de anormalidad ms comunes son: las causas especiales, las tendencias crecientes o decrecientes
y las corridas de nivel
Ejemplo de variacin
anormal en el tiempo:
13
Causas comunes
La variabilidad natural siempre existe en cualquier proceso de produccin, no importa que tan
bien diseado est. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, un proceso que opera en estas condiciones se dice que est en control estadstico.
SI LAS VARIACIONES PRESENTES SON IGUALES,

SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
Proceso en control, solo causas comunes presentes

De la figura cuando el proceso est en control, la mayor parte de la produccin se encuentra
dentro de los lmites de control (LSC y LIC).
Las causas de variacin comn son el resultado de causas naturales, o diferencias normales
pequeas entre productos que se espera ver, por ejemplo:
Dimetro de cobre, tiene una variacin pero dentro de control
Espesor de acabado, con una variacin normal
Temperatura del horno con variaciones de temperatura normales.
Cuando slo se tienen presentes en el proceso causas comunes, entonces logramos un PROCESO
ESTABLE, con un patrn de comportamiento consistente y normal en el tiempo, de esta forma se
pueden determinar los lmites de control dentro de los cuales se tendr la variabilidad natural de
este proceso estable el 99.73% del tiempo (por estar los lmites de control a tres sigmas).
UCL
LCL
14
Esta variacin no puede ser reducida sin cambios fundamentales en el proceso por la direccin
(cambio de maquinaria, nuevos materiales, etc.)
Tampering o sobreajuste.
El intento de ajustar un proceso normal y estable para reducir su variacin al final incrementa la
variacin alrededor de la media del proceso (Tampering o sobreajuste).
Tampering
Al manejar de Mxico a Acapulco, mantener la
velocidad entre 90 y 110 Km/hr.
Pisar el freno se se exceden los 110 Km / hr.
Pisar el acelerador si la velocidad es menor a 90 Km / hr.
SPC for SME - David Drain 8
El trmino sobre ajuste o Tamperingse refiere a los ajustes que se hacen al proceso de
produccin que no son estadsticamente apropiados, dado que el proceso es estable:
15
.
.
Distribucin de probabilidad normal

Un proceso opera en condiciones normales, si tiene los materiales dentro de especificaciones y del
mismo lote, un mtodo consistente, un medio ambiente adecuado, el operador capacitado, y el
equipo ajustado correctamente, si se toman mediciones en alguna caracterstica del producto,
mostrar el siguiente comportamiento:
Distribucin grfica de la variacin

La Curva normal
LAS PIEZAS VARAN DE UNA A OTRA:
TAMAO TAMAO TAMAO TAMAO
Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
SIZE TAMAO TAMAO
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIN DISPERSIN FORMA
TAMAO TAMAO TAMAO

. . . O TODA COMBINACIN DE STAS
16
La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto

como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio.
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy
parecida a la distribucin normal. La distribucin normal es llamada tambin campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican con
letras griegas, tales como: promedio o media = (mu), y desviacin estndar (indicador de la
dispersin de los datos) = s (sigma). Para el caso de estadsticos de una muestra se tiene media =
X y desv. est.= s.
Propiedades de la distribucin normal estndar

La distribucin normal estndar tiene media = 0 y desviacin estndar s =1. La media, Mediana
y Moda coinciden, son iguales y se localizan en el pico.
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3s x-2s x-s x x+s x+2s x+s3
Propiedades de la distribucin normal estndar: z

-3 El rea-2bajo la curva
-1 o probabilidad
0 1 de menos
2 infinito3 ms infinito vale 1.
a
La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones estndar.
La forma y la posicin de una distribucin normal dependen de los parmetros , s , por lo
que hay un nmero infinito de distribuciones normales.
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
s
s
s3.9
s3.9 = 5, ss == 33
= 5,
ss == 5.0
5.0 == 9,
9, s=
s= 66
== 14,
14, ss== 1010
LIE LSE
rea o probabilidad bajo la curva normal estndar
17
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la desviacin
estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1s tiene un
porcentaje de 68.26%, 2s = 95.46% y 3s 99.73% .
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
rea bajo la curva de Distribucin normal
Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva. La primera tabla
sirve para determinar el rea o probabilidad que se encuentra fuera del lmite inferior de
especificacin, para Z menores a cero. La segunda tabla proporciona valores de rea bajo la curva
para Zs mayores a cero. En cada una se muestran ejemplos de su uso.
18
Ejemplo
a) Determinar el rea bajo la curva de menos infinito a Z = - 1. P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2. P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1. P(- 2 <= Z<= -1) = 0.1259
En Excel: Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
19
Ejemplo:
a) Determinar el rea bajo la curva de menos infinito a Z = 1. P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2. P(Z <= 2) = 0.9772
c) Determinar el rea bajo la curva de Z = 1 a Z = 2.
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
d) Determinar el rea total que representa P(Z<=-2) + P(Z>= 2.5)
En Excel Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z.
En Excel = 1 - distr.norm.estand(Z) proporciona el rea desde Z hasta ms infinito.
20
EJERCICIO:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est incluido
dentro de los siguientes rangos?
Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = 1 - P(Z <= 2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + [1 - P(Z <=3.1)] =
f) P(Z>= 1.9) = 1 - P(Z <= 1.9) =
Estandarizacin de valores reales a su equivalente Z

Determina el nmero de desviaciones estndar s entre algn valor X y la media de la poblacin
Para calcular el valor de Z usamos la siguiente frmula.
X X1 X2
Z Z1 Z2
s s s
DISTRIBUCIN NORMAL CON DATOS REALES
Desviacin estndar real
X1 Media X2
Real
DISTRIBUCIN NORMAL ESTANDARIZADA
Desviacin estndar = 1
Z1 Media=0 Z2
Estandarizacin de datos reales para clculo de rea
21
Ejemplo: El departamento de personal de una empresa requiere que los solicitantes a un puesto
en cierta prueba alcancen una calificacin de 500. Si las calificaciones de la prueba se distribuyen
normalmente con media 485 y desviacin estndar s 30 Qu porcentaje de los
solicitantes pasar la prueba?
Calculando el valor de Z obtenemos:

X
Z = 500 485 0.5
s 30
Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
calificacin sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X 500) la
solucin es 1-0.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
30.85%
Z.05
rea bajo la curva de Distribucin normal
Ejemplo: Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y una
desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>Distr.Norm.Estand.

OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
Clculo del rea bajo la curva normal sin Z
22
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
EJERCICIO:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Prueba de normalidad en Minitab

Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson Darling o Ryan, en
el caso de tener ms de 15 datos y la de Kolmogorov Smirnov si se tienen 15 o menos datos, y la
grfica de probabilidad normal.
a) Mtodo de Anderson Darling o Ryan Joiner.
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos sean normales
Grfica de probabilidad de un proceso normal

b) Otra opcin por medio de una grfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal
4. Graph Variable C1 OK
Los puntos deben quedar dentro del intervalo de confianza.
23
2. CONTROL ESTADSTICO DEL PROCESO
Teorema del lmite central

W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de distribuciones casi
normales, triangulares, uniformes, etc., y se calculan las medias de esas muestras, al graficar las
medias en un histograma siguen una distribucin normal.1
Encontr que las medias de las muestras correspondan a las medias de la poblacin y que la
desviacin estndar de las medias de las muestras estn relacionadas con la desviacin estndar
de la poblacin, como sigue:
s
s
__
X n
Donde n es el tamao de la muestra y s es la desviacin estndar de la poblacin.
Seleccionando muestras de tamao n y calculando la X-media o promedio en cada una se tiene:
Poblacin con media y desviacin estndar s y cualquier distribucin.
X1 X2 X3
X-media 1 X-media 2 X-media 3
Distribucin de las medias muestrales - Normal
1
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
24
Comportamiento de las medias muestrales extradas de otras distribuciones:
Por ejemplo si la distribucin de la poblacin de los datos es la siguiente (no es normal), la

distribucin de sus medias muestrales de tamao 5 si es normal, es la base del CEP:
Histogram of Datos Histogram of Media
12
40
10
30
8
Frequency
Frequency
6
20
4
10
2
0 0
2 4 6 8 3.0 3.6 4.2 4.8 5.4 6.0 6.6 7.2
Datos Media
25
Conforme el tamao de muestra se incrementa las muestras se distribuyen normalmente con

media de medias y desviacin estndar de las medias de las muestras s / n. Tambin se
denomina Error estndar de la media. Este teorema es la base fundamental del CEP.
Introduccin al Control estadstico del proceso

El CEP es una tcnica que permite aplicar el anlisis estadstico para medir, monitorear y controlar
procesos por medio de cartas de control. Su propsito es la deteccin oportuna de la ocurrencia
de causas especiales, para tomar acciones correctivas antes de que se produzcan unidades
defectivas o no conformes, para lo cual se utilizan las cartas de control en lnea, permitiendo
tambin la estimacin de la capacidad o habilidad del proceso y la reduccin continua de la
variabilidad hasta donde sea posible.
Beneficios que proporciona el CEP:
Son herramientas para mejorar la productividad
Son herramientas de prevencin de defectos
Evitan ajustes innecesarios
Proporcionan informacin de diagnstico
Proporcionan informacin de la capacidad del proceso
Qu es una carta 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
Una Carta de control es simplemente un registro de datos en el tiempo con lmites de
control superior e inferior, diferentes a los lmites de especificacin y determinados con la
variacin natural del proceso.
Cartas de control
12.5 Lmite
Superior de
11.5 Control
10.5
9.5 Lnea
Central
8.5
Lmite
Inferior de
7.5
Control
0 10 20 30
Carta de control con sus lmites de control
26
Las cartas de control pueden reconocer cambios favorables y desfavorables. Qu tanto

se ha mejorado? Se ha hecho algo inadecuado?
Las cartas de control detectan la variacin anormal en un proceso, denominadas causas
especiales o causas asignables de variacin.
El patrn normal de un proceso se llama causas de variacin comunes.
El patrn anormal debido a eventos especiales se llama causa especial de variacin.
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFINICION
Es una ayuda grfica para el control de las variaciones
de los procesos administrativos y de manufactura.
Analoga del manejo en carretera con el CEP
Patrones de anormalidad
en la carta de control
Escuche la Voz del Proceso Regin de control,
M captura la variacin
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso (7P)
I
D Corrida del Proceso (7P)
A
Causa Especial
identifcada
D
TIEMPO
Patrones de anormalidad ms frecuentes
Patrones principales de anormalidad en Cartas de Control

Puntos fuera de control:
27
Una carta de control indicar una condicin fuera de control cuando uno o ms puntos se
encuentren ms all de los lmites de control.
Tendencias:
Se pueden presentar tendencias hacia arriba o hacia abajo en las cartas de control (ascendentes o
descendentes), se considera que 7 puntos o ms indican una situacin fuera de control.
Corrimiento en la media del proceso:

Esto puede ser generado por un cambio en mtodos, operadores, materias primas, mtodos de
inspeccin, etc. se considera que 7 puntos o ms indican una situacin fuera de control
28
Otros patrones de anormalidad del proceso
Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas

estadsticas, sino tambin es necesario tener un conocimiento profundo del proceso. Debe tenerse
cuidado de no exagerar en la aplicacin de las reglas ya que se pueden tener muchas falsas
alarmas quitndole efectividad al programa del CEP.
Proceso en Control estadstico: Sucede cuando no se tienen situaciones anormales y

aproximadamente el 68% (dos tercios) de los puntos de la carta se encuentran dentro del 1 s de
29
las medias en la carta de control. Es decir, se tiene aprox. el 68% de los puntos dentro del tercio
medio de la carta de control. Si se trata de ajustar el proceso cuando solo la variacin comn est
presente, podemos incurrir en Sobre ajustes o Tampering.
Proceso de mejora en el CEP

El proceso de mejora usando la carta de control requiere la accin de la supervisin, operador e
ingeniera, la carta de control slo detecta causas especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las causas raz del
problema y atacarlas para lo cual se puede utilizar el Plan de accin para situaciones fuera de
control (PASFC), activado con la ocurrencia de cada evento. Es una lista de verificacin, que indica
las causas potenciales asignables y acciones que resuelven la situacin fuera de control. Este es un
documento vivo que debe ser actualizado constantemente.
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIN
Verificacin Deteccin de causa

y seguimiento asignable
Implantar Identificar causa

Accin raz del problema
Correctiva PASFC
30
Proceso de mejora utilizando la carta de control
Cartas de control por variables

Una caracterstica que se mide en una escala numrica se denomina una variable. Por ejemplo
temperaturas, dimensiones, volumen, tiempo, etc.
Para control de las caractersticas del producto se pueden utilizar las cartas de control de
medias rangos ( X R ) para monitorear la media y la variabilidad, con objeto de evitar o
minimizar que se tengan productos fuera de especificaciones y estabilizar los procesos.
Para un control estadstico del proceso por variables, se utiliza la carta por lecturas
individuales y rango mvil (I-MR), para parmetros del proceso donde slo se toma una
lectura a la vez.
Cartas de control de medias-rangos (X-R)
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco partes
cada cierto periodo (por ejemplo cada hora).
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco partes
cada cierto periodo (por ejemplo cada hora), se determinan los lmites de control preliminares, se
identifican situaciones fuera de control, se investigan las causas y se toman acciones preventivas
para prevenir la reincidencia y se recalculan los lmites de control futuros.
Ejemplo: Se toman varios datos de hilos y se construye una carta
de medias rangos con m = subgrupos, donde el rango se calcula
tomando el valor mayor menos el valor menor del subgrupo, con n =
5.
Por ejemplo:
Subgrupo Subgrupo Subgrupo
Variables 1 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los lmites
de control como sigue: Las constantes para n = 5 de esta carta son A2 = 0.577, D3 = 0, D4 = 2.114.
31
LSCx = X + A2 x R
LICx = X - A2 x R
Para el caso de los rangos, la lnea central es R . los lmites de control para el rango son:
LSCr= D4 x R
LICr = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones

preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros.
Xbar-R Chart of Supp2

1
1
U C L=602.474
602
Sample M ean
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Carta de control X-R fuera de control

Despus de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y
tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de
control y se recalculan los lmites de control.
32
Xbar-R Chart of Supp2

U C L=602.247
602
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
Carta de control de medias rangos X-R estable

.
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
33
34
Ejercicio: Obtener una carta de Medias Rangos X-R, Se monitorean cada hora subgrupos de 5
dimetros de una parte metlica con los siguientes resultados:
Datos de cada uno de los subgrupos Xmm -+A2*Rm

x1 x2 x3 x4 x5 Xm Xmm LICx LSCx Ri Rm LICr LSCr
15.8 16.3 16.2 16.1 16.6 16.20 16.292 16.021 16.563 0.80 0.47 0 0.994
16.3 15.9 15.9 16.2 16.4 16.14 16.292 16.021 16.563 0.50 0.47 0 0.994
16.1 16.2 16.5 16.4 16.3 16.30 16.292 16.021 16.563 0.40 0.47 0 0.994
16.3 16.2 15.9 16.4 16.2 16.20 16.292 16.021 16.563 0.50 0.47 0 0.994
16.8 16.9 16.7 16.5 16.6 16.70 16.292 16.021 16.563 0.40 0.47 0 0.994
16.1 15.8 16.7 16.6 16.4 16.32 16.292 16.021 16.563 0.90 0.47 0 0.994
16.1 16.3 16.5 16.1 16.5 16.30 16.292 16.021 16.563 0.40 0.47 0 0.994
16.2 16.1 16.2 16.1 16.3 16.18 16.292 16.021 16.563 0.20 0.47 0 0.994
16.3 16.2 16.4 16.3 16.5 16.34 16.292 16.021 16.563 0.30 0.47 0 0.994
16.6 16.3 16.4 16.1 16.5 16.38 16.292 16.021 16.563 0.50 0.47 0 0.994
16.2 16.4 15.9 16.3 16.4 16.24 16.292 16.021 16.563 0.50 0.47 0 0.994
15.9 16.6 16.7 16.2 16.5 16.38 16.292 16.021 16.563 0.80 0.47 0 0.994
16.4 16.1 16.6 16.4 16.1 16.32 16.292 16.021 16.563 0.50 0.47 0 0.994
16.5 16.3 16.2 16.3 16.4 16.34 16.292 16.021 16.563 0.30 0.47 0 0.994
16.4 16.1 16.3 16.2 16.2 16.24 16.292 16.021 16.563 0.30 0.47 0 0.994
16 16.2 16.3 16.3 16.2 16.20 16.292 16.021 16.563 0.30 0.47 0 0.994
16.4 16.2 16.4 16.3 16.2 16.30 16.292 16.021 16.563 0.20 0.47 0 0.994
16 16.2 16.4 16.5 16.1 16.24 16.292 16.021 16.563 0.50 0.47 0 0.994
16.4 16 16.3 16.4 16.4 16.30 16.292 16.021 16.563 0.40 0.47 0 0.994
16.4 16.4 16.5 16 15.8 16.22 16.292 16.021 16.563 0.70 0.47 0 0.994
Media de medias (Xmm) 16.292 A2=0.577 Rmedio 0.47
a) Obtener una carta de control X-R de medias rangos. Est el proceso en control estadstico?
En Excel (seleccionar la informacin de la carta X verde y despus la del rango R amarillo, usar
el asistente de grficas, grfica de lneas, ajustar escalas y colores)
En Minitab, copiar los datos de las columnas X1 a X5 e C1 a C5.

Stat > Control Charts > Variable charts for subgroups > Xbar R
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5
Xbar Options seleccionar Estimate Rbar
OK
b) Si no est en control, asumir que se pueden identificar las causas asignables, y que se toman
acciones para prevenir su recurrencia, eliminar el subgrupo 4 (seleccionar el rengln 4 y borrarlo
en Minitab) recalcular los lmites de control con otra corrida.
35
Cartas de control para lecturas individuales / Rango mvil (I-MR)

Se aplican para un tamao de muestra n =1, por ejemplo:
1. Cuando hay inspeccin automtica de parmetros o piezas individuales.
2. La tasa de produccin es muy baja y conviene tomar muestras de una pieza.
3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de medicin de
laboratorio) como en procesos qumicos.
Los rangos mviles se empiezan a calcular a partir de la segunda muestra, tomando la diferencia
entre cada dos valores consecutivos como sigue: MRi = X i X i 1 .
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de lecturas

individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor
de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales. Por ejemplo:
Valores individuals X Rango
12 -
15 3
11 4
14 3
8 6
9 1
Al final se hace un promedio de los valores X y un promedio de rangos mviles R y los lmites de
control de la carta I-MR se calculan como sigue, para n=2 (E2 =2.66, D3=0, D4=3.27):
Para la carta I: LSCx X E 2 * R ) LICx X E 2 * R )
y para la carta R: LICr 0 LSCr D 4 * R
I-MR Chart of Supp1

1 1
U C L=601.176
601
Individual Value
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Carta de control I-MR. El proceso no est en control estadstico.
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
36
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE REA OPERACIN MAQUINA CARACTERSTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
x 1.- Encierre en un crculo los patrones
anormales de comportamiento ( puntos fuera
de los lmites de control, tendencias,
adhesiones, etc).
2.- Investigue y corrija la causa del

comportamiento. Si no es posible llame a su
supervisor o Ing. de Manufactura.
3.- Registre la (s) causa (s) del

comportamiento en la bitcora (al reverso de
la grfica), as como las acciones realizadas
LECTURAS
o propuestas para corregir la falla.
4.- Indique en el ltimo rengln, justo abajo

del subgrupo correspondiente, las causas por
las cuales se deja de graficar de acuerdo a la
MDULO 1. CORE TOOLS DE LA AIAG - CEP
frecuencia indicada, si es que se presentan

el caso. Utilice las siguientes claves:
A) Fin de corrida de produccin
37
B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
INICIALES F) Otro (indicar)
RANGOS
FECHA
CONSTANTES
HORA
X E2 D2 D3 D4
VALORES
R 2.67 1.13 0 3.27
P. Reyes / junio 2010
Carta de control I-MR: se muestran a continuacin los siguientes datos de mediciones individuales de
una viscosidad de un elemento (constantes para n = 2, E2 = 2.66, D3 = 0, D4 = 3.27):
=Xm -+ E2*Rm
Viscocidad Xm LICx LSCx D3*Rm =D4*Rm
6.00 6.00 5.92 6.08 Rango Rm LICr LSCr
5.98 6.00 5.92 6.08 0.02 0.033 0 0.109
5.97 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.04 0.033 0 0.109
6.15 6.00 5.92 6.08 0.14 0.033 0 0.109
6.00 6.00 5.92 6.08 0.15 0.033 0 0.109
5.97 6.00 5.92 6.08 0.03 0.033 0 0.109
6.02 6.00 5.92 6.08 0.05 0.033 0 0.109
5.96 6.00 5.92 6.08 0.06 0.033 0 0.109
6.00 6.00 5.92 6.08 0.04 0.033 0 0.109
5.98 6.00 5.92 6.08 0.02 0.033 0 0.109
5.99 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.02 0.033 0 0.109
6.03 6.00 5.92 6.08 0.02 0.033 0 0.109
5.98 6.00 5.92 6.08 0.05 0.033 0 0.109
5.98 6.00 5.92 6.08 0.00 0.033 0 0.109
6.01 6.00 5.92 6.08 0.03 0.033 0 0.109
5.99 6.00 5.92 6.08 0.02 0.033 0 0.109
5.99 6.00 5.92 6.08 0.00 0.033 0 0.109
5.98 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.03 0.033 0 0.109
5.99 6.00 5.92 6.08 0.02 0.033 0 0.109
5.98 6.00 5.92 6.08 0.01 0.033 0 0.109
5.99 6.00 5.92 6.08 0.01 0.033 0 0.109
6.00 6.00 5.92 6.08 0.01 0.033 0 0.109
Promedio Xm =abs(Xj Xi) = Rango i Rm
En Excel (seleccionar la informacin de la carta X verde y despus la del rango R amarillo, usar
el asistente de grficas, grfica de lneas, ajustar escalas y colores)
En Minitab, copiar los datos de la viscosidad a una columna C1 u otra.

Stat > Control Charts > Variable charts for individuals > I MR
I-MR Options > Estimate > n = 2
Variable Viscocidad
OK
a) Est el proceso en control estadstico? ___ Si ___ No
38
b) En caso de que no se encuentre en control estadstico eliminar el punto que sale de control (se
asume que se identifica la causa y se toman acciones para prevenir su recurrencia seleccionar el
punto 5 y borrarlo con DEL) para estar en control y recalcular los lmites, repetir corrida en
Minitab.
Cartas de control para atributos
Muchas caractersticas de calidad no pueden ser representadas con nmeros, solo por cualidades
(pasa no pasa) denominados atributos. En tales casos cada artculo o servicio completo se clasifica
como conforme o no conforme a especificaciones y/o estndares, es decir como defectivo o no
defectivo, no defectuoso o defectuoso, bueno o malo, discrepante o no discrepante.
Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser reparado o

desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p de fraccin

defectiva o la np para el nmero de defectivos o de no conformes. Se aplica a productos simples
(tornillos, lpices, botellas, etc.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se observan en un
producto, se utiliza la carta de control para no conformidades o defectos c cuando la muestra es
constante o la u cuando es variable o constante. Se aplica a productos complejos (coches, TV,
cmaras de video, escritorios, refrigeradores, etc.) Un defecto o no conformidad es una
discrepancia respecto a los estndares establecidos o a las especificaciones.
El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden ser
corregidas con retrabajo o no se pueden corregir y ser desperdicio.
En estas cartas de control se recomienda un tamao de muestra de al menos 50 partes.
39
Carta de control para fraccin no conforme - p

La fraccin no conforme es la relacin entre el nmero de artculos discrepantes entre el total de
artculos, se expresa como fraccin decimal, aunque tambin se puede expresar en porcentaje. El
artculo o servicio puede tener varias caractersticas de calidad que son examinadas por un
inspector, si el artculo no est de acuerdo a los estndares, se le considera como defectuoso o no
conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre el nmero de
unidades no conformes D al tamao de muestra n, o sea:
Di
pi
ni
La distribucin de este estadstico sigue la distribucin binomial por tanto los lmites de control de
la carta p son:
__ __
__
p(1 p )
LSCp = p 3
n
__
LCp = p
__ __
__
p(1 p )
LICp = p 3
n Si el LIC es negativo, toma el valor de cero.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamao n, por lo general se toman 20 a 25 de estas. As si D i son
unidades no conformes en la muestra i , la fraccin defectiva de la muestra i - sima estar dada
como:
pi = Di / n i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
m m
Di p i
p i 1
i 1
mn m
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se encuentre fuera
de control debe ser investigado, si se encuentra una causa asignable o especial, deben tomarse
medidas correctivas para prevenir su recurrencia, los puntos correspondientes a la situacin fuera
de control se eliminan y se calculan de nuevo los lmites de control preliminares.
40
Ejemplo: Para un servicio de mantenimiento se tomaron datos de 30 muestras (m) de 50 partes

cada una (n) contabilizando las partes defectuosas o no conformes en cada muestra (Di) como
sigue:
Partes Partes Partes

Muestra defectuosas Muestra defectuosos Muestra defectuosas
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 partes defectuosas (Suma de Di) o no conformes, se estima
p como sigue:
m m
D i p i
347
p i 1
i 1
= = 0.2313
mn m (30)(50)
Corrida en Minitab
1. Stat > Control Charts > Atrribute charts > P
2. Variable Partes defectuosas Subgroup size 50
3. OK
Los lmites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Est en control estadstico el proceso?
Si no, identificar la causa que ocasiona la anormalidad, tomar acciones para prevenir su
recurrencia, eliminar puntos fuera de control y recalcular lmites de control
41
P Chart for No confo
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Carta de control P para la fraccin de partes defectuosas
De la carta de control se observa que las muestras 15 y 23 estn fuera de los lmites de control, de
tal forma que el proceso est fuera de control. Eliminando estos puntos y adems el punto 21 se
tiene el proceso dentro de control con una fraccin defectiva promedio del 20.8%.
P Chart for No confo

0.4
UCL=0.3804
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number
42
Carta p con tamao de muestra variable

En algunas aplicaciones para la fraccin defectiva o no conforme, la muestra es la inspeccin 100%
de las partes producidas en un periodo de tiempo, por tanto la muestra ser variable. En este caso
los lmites de control son variables:
Los lmites de control para cada muestra con base en la fraccin defectiva promedio p y su tamao
de muestra son LC = p 3 p(1 p) / ni . La amplitud de los lmites es inversamente proporcional
a la raz cuadrada del tamao de muestra.
Ejemplo: Se tomaron datos del resultado de la inspeccin diaria, registrando los defectivos del da
y la produccin total.
Defectuosos Produccin Pi Pprom LIC LSC

20 98 0.20 0.17 0.055 0.282
18 104 0.17 0.17 0.058 0.279
14 97 0.14 0.17 0.055 0.283
16 99 0.16 0.17 0.056 0.281
13 97 0.13 0.17 0.055 0.283
29 102 0.28 0.17 0.057 0.280
21 104 0.20 0.17 0.058 0.279
14 101 0.14 0.17 0.057 0.280
6 55 0.11 0.17 0.017 0.320
6 48 0.13 0.17 0.006 0.331
7 50 0.14 0.17 0.010 0.327
7 53 0.13 0.17 0.014 0.323
9 56 0.16 0.17 0.018 0.319
5 49 0.10 0.17 0.008 0.329
8 56 0.14 0.17 0.018 0.319
9 53 0.17 0.17 0.014 0.323
9 52 0.17 0.17 0.013 0.324
10 51 0.20 0.17 0.011 0.326
9 52 0.17 0.17 0.013 0.324
10 47 0.21 0.17 0.005 0.332
LC=Pprom+3*(Pprom*(1-
Pprom= 0.17 Pprom)/ni))
Si algn LIC es menor a cero, toma el valor de cero.
En Excel graficar la zona verde con una grfica de lnea.
En Minitab, copiar los datos de servicios no conformes y muestras a dos columnas de

Minitab
Stat > Control charts > Attribute charts > p
Variable Defectuosos
43
Subgroups in Produccin
OK
P Chart of Serv_no_conf
0.35
UCL=0.3324
0.30 1
0.25
Proportion
0.20
_
P=0.1685
0.15
0.10
0.05
0.00 LCL=0.0047
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Est el proceso de control estadstico? NO
a. Asumir que se pueden identificar las causas asignables, eliminar el subgrupo 6 que
sale de control y recalcular los lmites de control con otra corrida
P Chart of Serv_no_conf
0.35
UCL=0.3199
0.30
0.25
Proportion
0.20
_
0.15 P=0.1596
0.10
0.05
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
44
45
GRAFICA DE CONTROL POR ATRIBUTOS No. GRAFICA FECHA INICIO FECHA TERMINO
MODELO No. PARTE AREA OPERACIN MAQUINA / LINEA CARACTERISTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUACION UNIDADES
LSE LIE P NP C U LSC LIC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES
1.- Encierre en un crculo los patrones
anormales de comportamiento
2.- Investigue y corrija las causas

del comportamiento ( si es posible )
Si no es posible llama a su supervisor
3.- Registre las causas del comportamiento
en la bitcora, al reverso de la grfica,
asi como las acciones realizadas o
propuestas para correguir la falla
4.- Indique en el ltimo rengln, y justo
abajo del ltimo subgrupo graficado,
las causas por las cuales se deja de
graficar de acuerdo con la frecuencia
indicada, si es que se presenta el caso.
L Utilice las siguientes claves:
E A) Fin de corrida de produccin
C B) Falta de material
T C) Ajuste de lnea y/o Mquina
D) Cambio de modelo
U F) Fin de turno
R G) Otro ( Indicar )
A
S
46
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
Carta de control np
En lugar de tener fracciones no conformes, si el tamao de muestra es constante, se pueden
utilizar directamente el nmero de artculos defectivos o no conformes np, para evitarle
operaciones aritmticas al operador, los parmetros de esta carta son:
np(i) = Di, np(media) = promedio(Di)
LSC np np 3 np(1 p)
LCnp np
LICnp np 3 np(1 p)
si es negativo toma del valor de cero.
Si no se conoce el valor de p, se puede estimar con la p .
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de graficar e

interpretar por los operadores que llevan el C.E.P.
Ejemplo: Se toma muestras de tamao n de muestra constante de 200 muestras. Al
inspeccionar m = 30 muestras se encontraron las siguientes partes defectuosas o no
conformes en cada muestra respectivamente:
Defectuosas nPprom LIC LSC

8 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
8 10.60 1.095 20.105
5 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
12 10.60 1.095 20.105
27 10.60 1.095 20.105
10 10.60 1.095 20.105
12 10.60 1.095 20.105
6 10.60 1.095 20.105
10 10.60 1.095 20.105
9 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
8 10.60 1.095 20.105
5 10.60 1.095 20.105
15 10.60 1.095 20.105
25 10.60 1.095 20.105
7 10.60 1.095 20.105
10 10.6 1.095 20.105
5 10.6 1.095 20.105
47
12 10.6 1.095 20.105

6 10.6 1.095 20.105
6 10.6 1.095 20.105
10 10.6 1.095 20.105
17 10.6 1.095 20.105
14 10.6 1.095 20.105
11 10.6 1.095 20.105
Prom.= 10.6 P prom= 0.053
En Excel graficar la zona verde.
En Minitab
Stat > Control charts > Attribute charts > np
Variable Defectuosas
Subgroups size 200
OK
Est el proceso en control estadstico? NO
Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de
control y recalcular los lmites de control. Repetir tantas veces como sea necesario hasta
tener un proceso estable.
La capacidad del proceso se determina como Cp = (1 Pmedia)*100 =

donde Pmedia = nPmedia / n = nPmedia / 20. Cp = 95.25%
48
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
S
49
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
Cartas de control para no conformidades (defectos) c y u

Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin
del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta
crticas. Se pueden desarrollar cartas de control para el nmero total de no conformidades en una
unidad o el nmero promedio de no conformidades por unidad de inspeccin.
Tamao de muestra constante - Carta c

Una unidad de inspeccin (ni) es simplemente una entidad para la cual es conveniente registrar el
nmero de defectos (Ci), puede formarse con 5 unidades de producto, 10 unidades de producto,
etc. Los lmites de control para la carta de no conformidades son:
Cmedia = Promedio de Ci:
LSCc = c + 3 c
LCc = c
LICc = c - 3 c en el caso que sea negativo toma el valor cero

Ejemplo: los defectos encontrados en partes metalicas (1 unidad de inspeccin = 1 parte) son
respectivamente:
LC = C+-
C 3raiz*(C )
Defectos Cmedia LIC LSC
9 5.55 0 12.62
11 5.55 0 12.62
2 5.55 0 12.62
5 5.55 0 12.62
15 5.55 0 12.62
13 5.55 0 12.62
8 5.55 0 12.62
7 5.55 0 12.62
5 5.55 0 12.62
2 5.55 0 12.62
4 5.55 0 12.62
4 5.55 0 12.62
2 5.55 0 12.62
5 5.55 0 12.62
5 5.55 0 12.62
2 5.55 0 12.62
3 5.55 0 12.62
2 5.55 0 12.62
50
1 5.55 0 12.62
6 5.55 0 12.62
Promedio 5.55
En Excel grafica la zona verde.
En Minitab
Stat > Control charts > Attribute charts > C
Variable Errores
OK
C Chart of Errores
16 1
14 1
UCL=12.58
12
10
Sample Count
6 _
C=5.53
4
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Est el proceso en control estadstico? Si __ No __X__
Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de
control y recalcular los lmites de control. Repetir tantas veces como sea necesario hasta
tener un proceso estable.
C Chart of Errores
10 UCL=10.22
8
Sample Count
_
4 C=4.13
0 LCL=0
1 3 5 7 9 11 13 15
Sample
51
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
S
52
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
La capacidad del proceso se determina con el nmero de errores mximo aceptable. Por
ejemplo si el LSE = 5, la media es 4.13 y la probabilidad de Poisson para encontrar cero
defectuosos es: =Poisson(5, 4.13, 1) = 0.7644 o 76.44%
Para la investigacin de los defectos se sugiere realizar un Diagrama de Pareto con los defectos
registrados en la carta de control, para tomar acciones.
Diagrama de Pareto Se utiliza para identificar problemas o causas principales:
Ejemplo: Se tienen los defectos siguientes:

A. Emulsin 20
B. Grasa 60
C. Derrame 80
D. Tapa barrida 30
E. Mal impresa 10
Construir un diagrama de Pareto y su lnea acumulativa
Pareto Chart of C1
200 100
80
150
60
Percent
Count
100
40
50
20
0 0
C1 C B D A Other
Count 80 60 30 20 10
Percent 40.0 30.0 15.0 10.0 5.0
Cum % 40.0 70.0 85.0 95.0 100.0
Diagrama de Pareto
Ejercicio: Hacer un diagrama de Pareto con los principales defectos en una lnea:
Tipo de defecto Descripcin del defecto Frecuencia
A
B
C
D
E
53
Frecuencia %
Conclusiones:
Carta u de Defectos por unidad

Si se encuentra un total de c no conformidades en la muestra de n unidades de inspeccin,
entonces el promedio de no conformidades por unidad de inspeccin u es:
ci
ui
ni
Los lmites de control son:
u
LSC u u 3
n
LCu u
u
LSC u u 3
n Si es negativo se toma cero.
Donde u representa el nmero promedio de no conformidades por unidad en un conjunto de

datos preliminar. Los lmites anteriores se consideran lmites preliminares.
Ejemplo: Obtener una carta u para los Defectos encontrados en lotes de Partes variables:
LC=U-
U +3*raiz(U/ni)
Defectos Lote Ui Umedia LIC LSC
54
9 110 0.082 0.055 0 0.12

11 101 0.109 0.055 0 0.12
2 98 0.020 0.055 0 0.13
5 105 0.048 0.055 0 0.12
15 110 0.136 0.055 0 0.12
13 100 0.130 0.055 0 0.12
8 98 0.082 0.055 0 0.13
7 99 0.071 0.055 0 0.13
5 100 0.050 0.055 0 0.12
2 100 0.020 0.055 0 0.12
4 102 0.039 0.055 0 0.12
4 98 0.041 0.055 0 0.13
2 99 0.020 0.055 0 0.13
5 105 0.048 0.055 0 0.12
5 104 0.048 0.055 0 0.12
2 100 0.020 0.055 0 0.12
3 103 0.029 0.055 0 0.12
2 100 0.020 0.055 0 0.12
1 98 0.010 0.055 0 0.13
6 102 0.059 0.055 0 0.12
Umedia 0.055
En Excel graficar la zona verde.

En Minitab, copiar los datos de Defectos y Facturas en dos columnas de Minitab
Stat > Control charts > Attribute > u
Variable Defectos
Subgroups in Lote OK
Est el proceso en control estadstico? Si____ No X_____

Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de control y
recalcular los lmites de control
55
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
56
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
3. CAPACIDAD DE PROCESOS
Definiciones
Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos,
materiales y personas involucradas en la produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el
desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a
partir de datos que, a su vez, son el resultado de la medicin del trabajo realizado por el
proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso
que se encuentra en estado de control estadstico, es decir, en ausencia de causas
especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan
cierta variabilidad, cuando el proceso est bajo control, solo actan las causas comunes de
variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que es el que
desearamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
Introduccin a la capacidad de procesos

Su propsito es determinar la capacidad del proceso para cumplir especificaciones o
requerimientos establecidos, se usa para:
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseadores de producto o proceso en sus modificaciones
3. Especificar requerimientos de desempeo de equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de produccin cuando hay un efecto interactivo de los procesos en las
tolerancias.
La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad de los
procesos medida como la variabilidad del producto, hay dos formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea).
57
2. La variabilidad en el tiempo.
Es usual tomar 8-sigma de la poblacin como la dispersin en la distribucin de la caracterstica de

calidad del producto como medida de la capacidad del proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en
4 s, o sea:
LTNS = + 4 s
LTNI = - 4 s
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.9936% de la variable, slo
(64 ppm) de la salida del proceso se encontrar fuera de estos lmites de tolerancia naturales. Sin
embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto se
esquematiza en la figura siguiente:
LTNI 32 ppm def. LTNS 32ppm def.
Localizacin de los lmites de tolerancia natural
58
Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegurarse que se mantenga
Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9
Nigels Trucking Co.
Capacidad potencial (Cp) y capacidad real del proceso (Cpk)
59
Capacidad del proceso Fraccin defectiva

La capacidad en funcin de la fraccin defectiva del Proceso se calcula
En funcin de la fraccin defectiva para cada lado del rango de Especificacin.
Rango medio
Desv. Est.=
Constante d2 de acuerdo al tamao de subgrupo en X-R
Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas
Siguientes:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviacin Estandar Desviacin Estandar
La fraccin defectiva se calcula con las tablas de distribucin normal
P(Zi) = rea en tabla (-Z) P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)
Clculo de la fraccin defectiva
ndices de Capacidad del proceso
ndice de capacidad potencial Cp

Compara la amplitud de variacin permitida por las especificaciones entre la amplitud de variacin
entre los lmites de tolerancia naturales del proceso.
La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por el proceso.
1
P 100
Cp
60
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 sst

Debe ser 1.33, si est entre 1 1.33 requiere mucho control, <1 inac.
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor | ZI y ZS | / 3

El Cpk debe ser 1.33 para que el
proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
ndice de capacidad real Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso
se denomina Cpk, y se evala tomando el menor de los Cps correspondientes a cada lado de la
media.
LSE LIE
Cps PCRS Cp superior Cpi PCRI Cp inferior
3s 3s
61
62
Procedimiento para realizar estudios de capacidad del proceso

1. Seleccionar una mquina donde realizar el estudio (se requiere al menos una produccin de 300
partes).
2. Establecer el proceso a sus condiciones normales de operacin (de acuerdo a sus
especificaciones).
3. Seleccionar un operador entrenado.
4. El sistema de medicin debe tener una resolucin de al menos el 10% y una habilidad o
capacidad R&R < 10% (error de medicin respecto a tolerancia).
5. Cuidadosamente colectar la informacin en una carta de control X-R o I-MR.
6. Construir la carta de control y estabilizar el proceso hasta que este en control.
7. Calcular la media y desviacin estndar del proceso (S = Rmedia / d2).
8. Calcular las Zs correspondientes al lmites superior de especificaciones Zs y al lmite inferior de
especificaciones Zi.
9. Determinar la fraccin defectiva con la tabla normal P(Zs) + P(Zi).
10. Calcular el ndice de capacidad potencial Cp = (LSE LIE) / (6*s), debe ser mayor a 1.33.
11. Determinar el ndice de capacidad real Cpk = Menor |Zs; Zi| / 3, debe ser mayor a 1.33.
12. Tomar las acciones correctivas necesarias
Ejemplo:
Para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la carta R se
R
estim s 0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE LIE) / 6s = (74.05 73.95) / 6 (0.0099) = 1.68
La fraccin que utiliza el proceso de las especificaciones es:

P =1/Cp*100 = [(1/1.68)]* 100 = 59.5%
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial Cp o PCR se
define como:
Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
264 200 64
Cp 0.67
3(32) 96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
LIE 200 264

ZI 2
s 32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones.
63
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67 para procesos
crticos, el ideal es 2.0. El Cpk toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones.
Ejemplo:
Para un proceso donde los lmites de especificacin sean LSE=62, LIE=38, la media del proceso sea
=53 y su desviacin estndar s=2, se tiene:
62 53 53 38
Cps PCRS 1.5 para el LSC, Cpi PCRI 2.5 para el LIC.
32 32
Por tanto, el ndice de capacidad real es:
Cpk PCRk min( PCRS , PCR I ) min(1.5,2.5) 1.5
Siempre se cumple que, Cpk <= Cp, Siendo el Cpk menor cuando el proceso no est centrado. Los
criterios de mnimo Cpk son similares a los del Cp.
ndice de capacidad cpm

Es un indicador de capacidad potencial que toma en cuenta el centrado del proceso:
X T
Si V donde T es el centro de las especificaciones.
s
Cp LSE LIE
C pm
1V 2 6 s 2 ( T ) 2
Cuando T es igual a X media del proceso, Cpm = Cp = Cpk
ndice de capacidad Cpkm

Es un indicador de capacidad real que toma en cuenta el centrado del proceso:
Si T es el centro de las especificaciones.
Cpk
C pkm
T
2
1
s
Cuando T es igual a X media del proceso, Cpkm = Cpk
Con Minitab: Con los datos de la carta X-R anterior, una vez que se encuentra en control:
a) Con los lmites de especificacin reales de la lnea o producto LIE = 15.2 y LSE = 16.6:
En Minitab:
Stat > Quality tools > Capability analysis (Normal)
64
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5

Lower spec 15.2 Upper spec 16.6
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million / Capability Stat Cp, Cpk
o Benchmark Zs
OK OK
b) Calcular la desviacin estndar del proceso o sigma Std Dev. Within
c) Determinar los lmites de tolerancia natural del proceso (Media de medias +-4*sigma):
LTNI = Media de medias 4*sigma =
LTNS = Media de medias + 4*sigma =
d) Cul es el valor de la fraccin defectiva total fuera de especificaciones (Exp. Within

performance % Total )?
e) Cul es el valor del Cp =

es potencialmente hbil el proceso?.
f) Cul es el valor del Cpk =

Es realmente hbil el proceso?
g) Qu recomendara para mejora capacidad real del proceso?.
Con Minitab: Con los datos de la carta I-MR anterior, una vez que se encuentra en control:
a) si los lmites de especificacin son LIE = 5.95 y LSE = 6.06, determinar lo siguiente:
En Minitab:
Stat > Quality tools > Capability analysis (Normal)
Data is arranged as a single column: Viscocidad
Subgroup size 1
Lower spec 5.95 Upper spec 6.06
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million / Capability Stat Cp, Cpk
o Benchmark Zs
OK OK
b) Determinar la Desviacin estndar (St dev. Within )=
desviacin estndar = Rmedio / d2 = (d2 = 2.326)
Media (Mean) =
c) Limites de tolerancia natural del Proceso (variacin natural del proceso):
LTNI = Media - 4* Desv. Estandar =
LTNS = Media + 4* Desv. Estandar =
65
d) Zlie = (ZLSL)= Zlse = (ZUSL) =

Z=(Lim. spec.Media)/Desv.estandar
e) P(Zlie)= (Exp. Within performance %<LSL) =

P(Zlse)= (Exp. Within performance) = (%>USL) =
En Excel P(Z)=DISTR.NORM.ESTAND(Zlie o Zlse)
f) Fraccin defectiva = % Total Within = P(Zlie) + P(Zlse) = _

Indices de capacidad
g) Potencial Cp =
h) Real Cpk = Conclusiones _
i) Qu se puede hacer para mejorar el Cpk? _
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), despus de que el proceso se estabiliz
quedando slo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:

= X media de medias s = Rmedio / d2 =
[ d2 para n = 5 tiene el valor 2.326]
Si el lmite de especificacin es: LIE = 200.

El Cpk = por tanto el proceso ? cumple con las especificaciones
Ejercicio : De una carta de control X - R (con tamao de subgrupo n = 5), despus de que el
proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo
siguiente:
Xmedia de medias = 40 Rmedio = 5
a) Determinar la desviacin estndar del proceso
b) Determinar los lmites de tolerancia natural del proceso
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
66
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
Capacidad de procesos no normales

Cuando los datos provienen de poblaciones no normales una opcin para realizar el estudio de
capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es referente a la
deformacin en las mismas. Se toman 100 mediciones durante 10 das. El lmite superior de
especificacin (USL) = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala = 1 con
5. Calc > Random data > Weibull
6. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter 1 Threshold
parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:

1. Stat > Quality tools > Capability anlisis > NoNormal
2. Single column C1 Distribution Weibull Lower Spec 0 Upper spec 3.5
3. Estimate R-bar OK
Los resultados se muestran a continuacin:

Process Capability of Datos1
Calculations Based on Weibull Distribution Model
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * PPL *
USL 3.50000 PPU 0.85
S ample M ean 0.82279 P pk 0.85
S ample N 100
E xp. O v erall P erformance
S hape 1.24929
P P M < LS L *
S cale 0.88470
P P M > U S L 3795.26
O bserv ed P erformance P P M Total 3795.26
P P M < LS L *
P P M > U S L 10000
P P M Total 10000
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
67
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y los datos, ya
que la curva muestra buen ajuste. Sin embargo observamos que algunos datos caen fuera del
lmite superior de especificacin. Lo cual quiere decir que en algunos casos la deformacin ser
mayor a 3.5 mm.
El ndice Ppk y Ppu2 = 0.85 lo cual nos dice que el desempeo del proceso no es capaz ya que
0.85 < 1.33.
Tambin observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
En Minitab otras opciones son transformar los datos con los mtodos de Box Cox o Johnson y
despus determinar la capacidad del proceso de manera tradicional calculando el Cp y el Cpk.
MINITAB: Transformacin de Box Cox
File > Open worksheet > Tiles.mtw
Stat > Control Charts > Box Cox Transformation
Variable Warping Subgroup size 1
OK
Box-Cox Plot of Warping

Lower C L Upper C L
Lambda
20
(using 95.0% confidence)
Estimate 0.345504
Lower C L 0.052120
15 Upper C L 0.642093
Best Value 0.500000

StDev
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
Para normalizar la variable anormal, se eleva a la potencia indicada en Best Value (0.5) y este valor
es cero, se toma el logaritmo natural de la variable. En ambos casos tambin se deben transformar
los lmites de especificaciones.
2
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
68

Control Estadístico de Procesos

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Control Estadístico de Procesos

Hochgeladen von

Copyright:

Verfügbare Formate

Core Tools

DR. PRIMITIVO REYES AGUILAR

OBJETIVO: Al finalizar el Mdulo 1. Core Tools - CEP, el participante ser

ndice de capacidad potencial Cp ............................................................................................................. 60

La variacin es inherente en todos los procesos, por ejemplo:

Bisteck de 10 onzas Tiempo de tostado

Correlacin entre las variables Y y X

Correlacin Positiva Correlacin Negativa

Diagrama de dispersin y su correlacin entre X,Y

Ejercicio: Hacer un diagrama de dispersin con los datos siguientes:

Tiempo (esc. 1/div.)

Espesor y = 4.1996x + 2.6771

Diagrama de Regresin lineal

Tcnico Experiencia Tiempo

a) Obtener la ecuacin de regresin y estimar el tiempo para un tcnico de 9 aos de experiencia.

b) Obtener el coeficiente de correlacin y el coeficiente de determinacin.

Distribucin de frecuencias o histograma

Pasos para hacer un histograma:

Ejercicio: Realizar un histograma con los datos siguientes:

Paso 1. Nmero de datos = Valor mayor = Valor menor = Rango =

Columna Intervalo Registro de frecuencias Frecuencia

Paso 4. Hacer la grfica del histograma:

Las cartas de control

Carta de control con sus lmites de control y lnea central

Patrones de anormalidad en cartas de control

Las cartas de control detectan la variacin anormal en un proceso, denominadas causas

Causas especiales y causas comunes

Causas especiales o asignables:

Esta variabilidad se puede corregir en el rea de trabajo por el personal involucrado, y no es

SI LAS VARIACIONES PRESENTES SON IGUALES,

Proceso en control, solo causas comunes presentes

SPC for SME - David Drain 8

Distribucin de probabilidad normal

Distribucin grfica de la variacin

TAMAO TAMAO TAMAO TAMAO

SIZE TAMAO TAMAO

LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

TAMAO TAMAO TAMAO

La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto

Propiedades de la distribucin normal estndar

Propiedades de la distribucin normal estndar: z

rea o probabilidad bajo la curva normal estndar

porcentaje de 68.26%, 2s = 95.46% y 3s 99.73% .

-3s -2s -1s +1s +2s +3s

rea bajo la curva de Distribucin normal

Estandarizacin de valores reales a su equivalente Z

Desviacin estndar real

Calculando el valor de Z obtenemos:

En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>Distr.Norm.Estand.

Clculo del rea bajo la curva normal sin Z

Prueba de normalidad en Minitab

Grfica de probabilidad de un proceso normal

Los puntos deben quedar dentro del intervalo de confianza.

2. CONTROL ESTADSTICO DEL PROCESO

Teorema del lmite central

Poblacin con media y desviacin estndar s y cualquier distribucin.

Comportamiento de las medias muestrales extradas de otras distribuciones:

Por ejemplo si la distribucin de la poblacin de los datos es la siguiente (no es normal), la

Histogram of Datos Histogram of Media

Conforme el tamao de muestra se incrementa las muestras se distribuyen normalmente con

Introduccin al Control estadstico del proceso

Qu es una carta de control?

Carta de control con sus lmites de control

Las cartas de control pueden reconocer cambios favorables y desfavorables. Qu tanto

a) Est el proceso en control estadstico? _ Si _ No

Est el proceso en control estadstico? Si No X__