ANLISIS DE DATOS

Control Estadstico de Procesos

(SPC)
Toms Minauro La Torre
Sesin 7
tminauro@esan.edu.pe

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
2

Control Estadstico de Procesos (SPC)

Salida del proceso de produccin se muestrea e
inspecciona.
El uso de mtodos de SPC, puede determinar si las
variaciones en la produccin se deben a causas comunes o
a causas asignables.
El objetivo es decidir si el proceso puede continuar o si
debe ajustarse para lograr un nivel de calidad deseado.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
3

Causas de variacin en las

salidas de los procesos

Causas comunes

que ocurren al azar variaciones en materiales,

humedad, temperatura,. . .
variaciones que el productor no puede controlar
proceso est bajo control estadstico
proceso no necesita ser ajustada

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
4

Causas de variacin en las

salidas de los procesos

Causas Asignables

variaciones no aleatorias en la produccin debido a:

herramientas inadecuadas
un error del operador,
ajustes de mquinas incorrectos,
materia prima de mala calidad,
variaciones que el productor puede controlar
proceso est fuera de control
se deben tomar medidas correctivas
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
5

Hiptesis del SPC

Los procedimientos de SPC se basan en la metodologa de la
prueba de hiptesis. Donde:

Hiptesis Nula
H0: El proceso de produccin se encuentra bajo
control

Hiptesis Alternativa
Ha: El proceso de produccin se encuentra fuera
de control

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
6

Decisiones y Estado del Proceso

Errores Tipo I y Tipo II
Estado del Proceso de Produccin

H0 Verdadera H0 Falsa
Decisin Bajo-Control Fuera-de-Control
Error Tipo II
Acepto H0
Decision Dejar que continue
Continua el
Correcta un proceso fuera
Proceso de control
Rechazo H0 Error Tipo I
Decision
Se ajusta el Ajustar un proceso
Correcta
Proceso Bajo control

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
7

Grficos de Control
SPC utiliza presentaciones grficas conocidas como
grficos de control para monitorear un proceso de
produccin.

Los grficos de control proporcionan una base para decidir

si la variacin en la produccin se debe a causas comunes
(bajo control) o causas asignables (fuera de control).

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
8

Grficos de Control
Dos lneas importantes en un grfico de control: el lmite
superior de control (UCL) y el lmite inferior de control
(LCL).
Estas lneas se eligen de modo que el proceso est bajo
control, por ello hay una alta probabilidad de que el valor
muestreado est entre las dos lneas.
Valores fuera de los lmites de control nos proporcionan
fuerte evidencia de que el proceso est fuera de control.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
9

Grficos de Control de Variables

Grficos X
Este grfico se utiliza si la calidad de los productos se
se mide en trminos de variables tales como longitud,
peso, temperatura, y as sucesivamente.
X representa el promedio encontrado en una muestra
productos

Grficos R
Esta tabla se utiliza para controlar el rango de las
mediciones de la muestra.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
10

Grficos de Control de Atributos

Grfico p
Este grfico se utiliza para controlar la proporcin de
unidades defectuosas en la muestra.

Grfico np
Este grfico se utiliza para controlar el nmero de
unidades defectuosas en la muestra.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
11

Estructura de un Grfico X
Lmite
X Superior
de Control
UCL

Lnea Central Media del Proceso

Cuando est bajo
Control

LCL
Lmite
Tiempo Inferior de
Control
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
12

Lmites de Control de un Grfico X

Media m y Desviacin Estndar s del Proceso conocidos

UCL = m + 3 s X

LCL = m + 3 s X
donde:
s
sx =
n
n = tamao de la muestra

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
13

Lmites de Control de un Grfico X:

Media y Desviacin Estndar del
proceso conocidas
Ejemplo: Granite Rock Co.
Cuando el proceso de envasado de cemento de Granite
Rock est bajo control, el peso de los sacos de cemento
se distribuyen normalmente con una media de 50 libras
y una desviacin estndar de 1,5 libras.
Cules deben ser los lmites de control para muestras
de 9 bolsas?

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
14

Lmites de Control de un Grfico X:

Media y Desviacin Estndar del
proceso conocidas
m = 50, s = 1.5, n = 9
sx s 1.5 0.5
n 9

UCL = 50 + 3(.5) = 51.5

CL = 50

LCL = 50 - 3(.5) = 48.5

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
15

Lmites de Control de un Grfico X

Media y Desviacin Estndar del Proceso desconocidos

3R
UCL = X +
d2 n

3R
LCL = X
d2 n
Donde:
=
_X = gran media de varias muestras de igual tamao
R = promedio de los rangos de muestras
n = tamao de la muestra
d2 = constante que depende de n; se encuentra
en la tabla 9 Factores de diagrama de Control
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
16

Lmites de Control de un Grfico X

Media y Desviacin Estndar del Proceso desconocidos

URL = X + A2 R

LRL = X - A2 R
donde:
X = gran media de varias muestras de igual tamao
R = promedio de los rangos de muestras
A2 = constante que depende de n; se encuentra
en la tabla 9 Factores de diagrama de Control

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
17

Factores para Grficos de Control X

Tabla 9 (Parcial) Factores de Diagramas de Control

n d2 A2 d3 D3 D4
5 2.326 0.577 0.864 0 2.114
6 2.534 0.483 0.848 0 2.004
7 2.704 0.419 0.833 0.076 1.924
8 2.847 0.373 0.820 0.136 1.864
9 2.970 0.337 0.808 0.184 1.816
10 3.078 0.308 0.797 0.223 1.777
. . . . . .
. . . . . .

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
18

Lmites de Control de un Grfico R

Media y Desviacin Estndar del Proceso conocidos

UCL = R D4

UCL = R D3

donde:
R = promedio de los rangos de muestras
D3, D4 = constantes que dependen de n; y se
encuentran en la tabla 9 Factores de
diagrama de Control

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
19

Factores para Grficos de Control R

Tabla 9 (Parcial) Factores de Diagramas de Control

n d2 A2 d3 D3 D4
5 2.326 0.577 0.864 0 2.114
6 2.534 0.483 0.848 0 2.004
7 2.704 0.419 0.833 0.076 1.924
8 2.847 0.373 0.820 0.136 1.864
9 2.970 0.337 0.808 0.184 1.816
10 3.078 0.308 0.797 0.223 1.777
. . . . . .
. . . . . .

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
20

Grficos R
Debido a que los lmites de control para X dependen
del valor del rango promedio, por lo que no tiene
mucho sentido controlarlos a menos que la variabilidad
del proceso est bajo control.
En la practica, los Grficos R se construyen usualmente
antes que los Grficos X.
Si el Grfico R indica que la variabilidad del proceso
est bajo control, entonces se construye el Grfico X.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
21

Lmites de Control de R y X:
Media y Desviacin Estndar del
proceso desconocidas
Ejemplo: Granite Rock Co.
Supongamos que Granite Rock no sabe la verdadera media
y la desviacin estndar para el proceso de llenado de las
bolsas. Se quiere desarrollar Grficos X y R basados en
veinte muestras de 5 bolsas de cada uno.
Los veinte muestras, recogidas cuando el proceso estaba
bajo control, dieron lugar a una media de la muestra total
de 50.01 libras y un rango promedio de 0.322 libras.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
22

Lmites de Control de un Grfico R

R = 0.322, n = 5

UCL = R D4 = .322(2.114)
UCL = 0.681

LCL = R D3 = .322(0.0)
LCL = 0

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
23

Lmites de Control de un Grfico R

Grfico R para Granite Rock Co.
0.80
0.70
UCL
Rango Muestral R

0.60
0.50
0.40
0.30
0.20
0.10
LCL
0.00
0 5 10 15 20
Nmero de muestra

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
24

Lmites de Control de un Grfico X:

Media y Desviacin Estndar del
proceso desconocidas

X = 50.01, R = 0.322, n = 5

UCL = X + A2 R = 50.01 + 0.577(0.322)

UCL = 50.196

LCL = X + A2 R = 50.01 - 0.577(0.322)

LCL = 49.824

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
25

Lmites de Control de un Grfico X:

Media y Desviacin Estndar del
proceso desconocidas
Grfico x para Granite Rock Co.
50.3
UCL
50.2
Media Muestral

50.1

50.0

49.9

49.8
LCL
49.7
0 5 10 15 20
Nmero de Muestra
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
26

Lmites de Control de un Grfico p

UCL = p + 3 sp

LCL = p - 3 sp
donde:
p (1-p)
sp =
n
asumiendo: np > 5
n(1-p) > 5
Nota: Si al calcular el LCL es negativo, hacer LCL = 0

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
27

Lmites de Control de un Grfico p

Ejemplo: Banco Norwest

Cada cheque cobrado o depositado en el Banco

Norwest debe ser codificado con la cantidad del
cheque antes de que se pueda comenzar el proceso
de compensacin de la Reserva Federal. La precisin
del proceso de verificacin del cdigo es de suma
importancia. Si hay alguna discrepancia entre la
cantidad comprobada y la cantidad codificado, el
cheque es defectuoso.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
28

Lmites de Control de un Grfico p

Ejemplo: Norwest Bank
Se seleccionaron veinte muestras, cada una de 400
cheques, y fueron examinados cuando el proceso de
codificacin estaba operando correctamente. El
nmero de cheques defectuosos que se encuentran
en las 20 muestras se muestran a continuacin.

6 4 5 7 6 8 6 9 8 5
5 11 5 8 6 4 7 5 6 7

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
29

Lmites
Suppose de
Norwest Control de
does not know theun Grfico
proportion of p
defective checks, p, for the encoding process when it is
in control.
Vamos a tratar los datos (20 muestras) recogidos
como una gran muestra y calcular el nmero medio
de controles defectuosos de todos los datos. Ese
valor se puede usar para estimar p.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
30

Lmites de Control de un Grfico p

Estimado de p = 128/((20)(400)) = 128/8000 = 0.016
np = 400(0.016) = 6.4 > 5; n(1-p) = 400(0.984) = 393.6 > 5

p(1-p) 0.016(0.984) 0.015744

sp = = = = 0.006274
n 400 400

UCL = p + 3 sp = 0.016 + 3 (0.006274) = 0.348

LCL = p 3 sp = 0.016 3 (0.006274) = 0.0028 = 0

Note que el clculo de LCL es negativo.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
31

Lmites de Control de un Grfico p

Proporcin de Cheques Defectuosamente Codificados
0.045
0.040
0.035
Proporcin Muestral p

UCL
0.030
0.025
0.020
0.015
0.010
0.005
LCL
0.000
0 5 10 15 20
Nmero de Muestra

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
32

Lmites de Control de un Grfico np

UCL = n p + 3 n p (1 p)

LCL = n p 3 n p (1 p)

Asumimos que: np>5

n (1-p) > 5

Nota: Si al calcular el LCL es negativo, hacer LCL = 0

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
33

Interpretacin de los Grficos de Control

La ubicacin y el patrn de puntos en un grfico de
control nos permiten determinar, con una pequea
probabilidad de error, si un proceso est bajo control
estadstico.
Una primera indicacin de que un proceso puede
estar fuera de control, es encontrar un dato fuera de
los lmites de control.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
34

Interpretacin de los Grficos de Control

Ciertos patrones de puntos dentro de los lmites de
control pueden ser seales de advertencia de
problemas de calidad:
un gran nmero de puntos en un lado de la
lnea central

seis o siete puntos seguidos que indican ya

sea una tendencia creciente o decreciente

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
35

Muestreo de Aceptacin
El muestreo de aceptacin es un mtodo estadstico
que nos permite basar la decisin de aceptar-rechazar
Un lote grande, sobre la base de la inspeccin de
una muestra.

Los artculos de inters pueden ser envos de materias

primas o piezas compradas, as como productos
terminados de montaje final.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
36

Muestreo de Aceptacin
El muestreo de aceptacin tiene ventajas sobre la
inspeccin 100% que incluyen:

generalmente menos costosas

menos daina por la menor manipulacin

se requiere menor nmero de inspectores

es la nica aproximacin posible si debe

utilizarse una prueba destructiva

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
Procedimiento del Muestreo de Aceptacin
Recepcin del Lote

Seleccin de la muestra

Inspeccin de Calidad
de items seleccionados

Calidad Comparacin de resultados con las Calidad NO

satisfactoria caractersticas de calidad especificadas satisfactoria

Acepto el Lote Rechazo el Lote

Enviar a produccin Decidir la disposicin

o al Cliente el Lote
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
38

Muestreo de Aceptacin

El muestreo de aceptacin se basa en la metodologa

de la prueba de hiptesis.

Las hiptesis son:

H0: Lote de Buena calidad

Ha: Lote de Mala calidad

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
39

Resultados del Muestreo de Aceptacin

Errores Tipo I y Tipo II

Estado del Lote

H0 Cierto H0 Falso
Lote de Lote de
Decision Buena calidad Mala calidad
Error Tipo II
Aceptar H0 Decisin
Aceptar un Lote
Aceptar el Lote Correcta
de Mala Calidad

Error Tipo I
Rechazar H0 Decisin
Rechazo un Lote
Rechazar el Lote Correcta
de Buena Calidad

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
40

Probabilidad de aceptar un lote

Funcin de probabilidad binomial para el muestreo de
aceptacin

n!
f(X) = pX(1 p)(n X)
X! (n X)!
Donde:
n = tamao de la muestra
p = proporcin de items defectuosos en el lote
X = nmero de items defectuosos en la muestra
f(X) = probabilidad de obtener x items defectuosos
en la muestra

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
41

Ejemplo: Muestreo de Aceptacin

Un inspector toma una muestra de 20 artculos de
un lote. Su poltica es aceptarlo si no encuentra
ms de 2 artculos defectuosos en la muestra.
Suponiendo que el 5 por ciento del lote es
defectuoso, cul es la probabilidad de que se
acepte un lote? De Rechazar un lote?

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
42

Ejemplo: Muestreo de Aceptacin

n = 20, c = 2, y p = 0.05
P(Aceptar el Lote) = f(0) + f(1) + f(2)
20!
f(0) = 0.050(1 0.05)(20 0) =0.3585
0! (20 0)!
20!
f(1) = 0.051(1 0.05)(20 1) =0.3774
1! (20 1)!
20!
f(2) = 0.052(1 0.05)(20 2) =0.1887
2! (20 2)!

P(Aceptar el Lote) = 0.3585 + 0.3774 + 0.1887

= 0.9246
Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
43

Ejemplo: Muestreo de Aceptacin

n = 20, c = 2, y p = 0.05
P(Rechazar el Lote) = 1 P(Aceptar el Lote)
= 1 0.9246
= 0.0754

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
44

Seleccin de un Plan de muestreo

de aceptacin
En la formulacin de un plan, los administradores
deben especificar dos valores para la fraccin
defectuosa en el lote.

a = la probabilidad de que un lote con p0 %

de defectuosos pueda ser Rechazada

b = la probabilidad de que un lote con p1 %

de defectuosos pueda ser Aceptada

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
45

Seleccin de un Plan de muestreo

de aceptacin
A continuacin, se seleccionan los valores de n
y c que se traducen en un plan de muestreo de
aceptacin que ms se acerca a cumplir ambos
requisitos especificados a y b.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
46

Planes de Muestreo Mltiples

Un plan de muestreo mltiple utiliza dos o ms
etapas de muestreo.
En cada etapa las posibles decisiones son:
detener el muestreo y aceptar el lote,
detener el muestreo y rechazar el lote, o
continuar el muestreo.
Planes de muestreo mltiples a menudo resultan en
un tamao de la muestra total menor que los planes
de una sola muestra con las mismas probabilidades
de error tipo I y tipo II.

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2017.
 Anlisis de Datos
47

Plan de Muestreo Inspeccin de n1 items Primera

de Aceptacin: Etapa

Dos Etapas Encuentra x1 items defectuosos en la muestra

SI Aceptar
x1 < c1 ?
el lote
No
Rechazar SI
x1 > c2 ?
el lote Segunda
No Etapa
Inspeccin de n2 items aditionales

Encuentra x2 items defectuosos en la muestra

No SI
x1 + x2 < c3 ?

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2015.
2017.
 Anlisis de Datos
48

Factores de Diagramas de Control

Notas de clase elaboradas por el Prof. Toms Minauro L. Lima, esan, 2015.
2017.