Esta - Control Estadistico de Procesos

Tema : CONTROL ESTADISTICO DE PROCESOS
Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com
2017 -
0 1
CONTROL ESTADSTICO DEL PROCESO
(CEP)
OBJETIVOS: Al finalizar el curso, el participante ser
capaz de:
1. Comprender los conceptos estadsticos para

implantar cartas de control para prevenir los
defectos y mejorar los procesos.
2. Evaluar la capacidad de un proceso y de los

equipos de medicin, identificando acciones de
mejora.
3. Realizar proyectos de mejoramiento de la

calidad.
2
CONTENIDO
1. Importancia de la mejora continua
2. Mtodos y filosofa del CEP
3. Cartas de control por variables

4. Cartas de control por atributos
5. Cartas de control especiales

6. Anlisis de la capacidad del proceso
7. Mtodos para el proceso de mejora

continua
8. Mtodos de muestreo por atributos

9. Mtodos de muestreo por variables 3
1. Importancia de
la mejora continua
4
DIMENSIONES DE LA CALIDAD
Desempeo
Confiabilidad
Durabilidad
Serviciabilidad
Esttica
Caractersticas
Imagen del producto
Conformancia
Tiempo de entrega
Precio
Servicio al cliente
5
CALIDAD Y MEJORAMIENTO
La calidad es adecuacin al uso e

inversamente proporcional a la variabilidad.
La mejora de la calidad se logra a travs de la

reduccin de la variabilidad por medio del CEP
TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos
Variables: Medibles, temp., voltaje

6
1. Importancia de la mejora
continua
PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones
DEFECTO: Carcterstica especfica de un

producto que no cumple especificaciones
CARACTERISTICAS DEL PRODUCTO

Fsicas: Longitud, peso
Sensoriales: apariencia
Relacionadas con el uso: confiabilidad,
duracin, servicio, disponibilidad
7
1... Antecedentes histricos
ADAM SMITH (Divisin del trabajo): 1 persona =

200 alfileres, 10 pers. = 48,000 alfileres
FEDERICK W. TAYLOR: Administracin Cientfica,

ciencia para cada elemento del trabajo, seleccin
del trabajador, capacitar, apego a proc., divisin
adm. obreros
FRANK / LILLIAN GILBERTH: Afinan los

movimientos, resaltan la necesidad de interes por
los trabajadores
FORDISMO: Lneas de porduccin masiva, los

trabajadores deben ser consumidores
8
1... CEP en Occidente Western
Electric
1924: WALTER SHEWHART realiz
experimentos en base al Teorema del Lmite
Central y desarroll las Cartas de Control del
CEP
1926: HAROLD F. DODGE Y HARRY G. ROMIG,

desarrollaron las tcnicas de Muestreo
Estadstico
Durante la 2a. Guerra Mundial se expande el

uso del CEP en la industria de manufactura
La aplicacin de las tcnicas estadsticas ha

evolucionado a lo que hoy se conoce como
Seis Sigma, aplicada por Motorola, GE, Sony,
etc. 9
1... CEP en Japn
1950s: EDWARD DEMING / JOSEPH JURAN:

Entrenaron a lderes industriales en tcnicas del
CEP
1950s: KAOURU ISHIKAWA: Es un seguidor de

Deming y desarrolla el Diagrama de Ishikawa,
los Crculos de calidad e impulsa el control de
calidad total CWQC.
Los japoneses implantaron el CEP y lograron

productos de alta calidad, Occidente retoma los
mtodos de CEP hasta despus de los 1980s.
En Mxico el programa Ford ITESM de los

1990s impuls al CEP con poco xito, hoy se
retoma con el ISO 9000:2015
10
1... Antecedentes histricos
Control de calidad por inspeccin: Con la divisin

del trabajo, aparecen los inspectores, inspeccin
100%
Control estadstico del proceso: Shewhart, Deming,

Juran. Se usa en Japn (50s) y EUA (80s)
Aseguramiento de calidad (ISO 9000): Sistemas

aislados EUA (40s), Europa, etc.
11
4...Mtodos de calidad para
Manufactura Delgada
Control estadstico del proceso: Previene que
ocurran problemas potenciales
Mtodos de inspeccin sucesiva: Detectan los

resultados de la operacin previa
Mtodos de auto inspeccin: Detecta los

resultados de la operacin actual
A prueba de error (Poka Yokes): Hacer que sea

difcil, realizar la tarea incorrectamente
Evitar: AQLs, concesiones, desviaciones,

inspecciones al final y en recibo
12
1... Inspecciones de calidad
Separa buenos Ni asegura

Inspeccin 100% de malos Ni mejora
Auditora Proc. Investigacin Convive con los

de Causas defectos
Control Estadstico Ayuda a estabilizar Mejora pero

del Proceso CEP el proceso no evita los def.
En la Fuente EVITA EL ERROR IMPIDE DEFECTOS
13
1... Mtodos estadsticos para la
mejora
LAS CARTAS DE CONTROL
Tcnica util para el monitoreo de procesos
Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5Ms)
Sirven para prevenir la produccin de defectivos
15 Carta X
LCS
LSC
10
Promedio
MEDIA
LIC
LCI
5
Perfil
0
14
mejora
DISEO DE EXPERIMENTOS
Tcnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
Permite variar en forma sistemtica los factores y
analizar su efecto
Variables de Caracterstica
Entrada/Factores de calidad
Proceso
15
mejora
MUESTREO DE ACEPTACIN
Tcnica que permite calificar lotes de productos
como conformes o no conformes, por medio de una
muestra representativa sin inspeccionar al 100%
MUESTRA OK?
LOTE
16
1... Administracin por Calidad
Total
Feigenbaum (Control de calidad total)
Deming (mejora continua, CEP, conocimiento

profundo)
Juran (Trilogia de la calidad Plan, mejoramiento y

control)
Crosby (Costo de la calidad)
Ishikawa (CWQC)
Taguchi (Diseos robustos)
17
1..El Sistema de Calidad
El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:
QS 9000 ISO 9000:2015
Poltica
1. Manual
Documentos de Calidad
controlados Implantacin de
2. Procedimientos la poltica
El Cmo de los
3. Instructivos procedimientos
Formatos Vacios 4. Formatos

Registros y Registros
Formatos Llenos
de calidad
Planes de Calidad
18
1... Administracin por Calidad
Total
MODELOS Creacin de valor a las partes interesadas
Premio Nacional de Calidad -Mxico
Premio Malcolm Baldrige EUA
Premio Europeo a la calidad Europa
Premio Deming - Japn
Premios Estatales a la calidad - Mxico
Sistemas de gestin de calidad:
ISO 9000:2015
QS 9000
ISO 16949
VDA 6.1
19
1... El CEP y la Administracin
por Calidad Total
El CEP debe ser parte de un programa mayor de

calidad total, requiere el liderazgo de la
direccin, no hay otra forma de implantarlo y
mantenerlo
20
1... Los costos de calidad
CROSBY: La calidad se mide con el costo de calidad
COSTOS DE PREVENCIN
Planeacin de calidad (manuales), Entrenamiento
COSTOS DE APRECIACIN
Inspecciones, pruebas y materiales de prueba
COSTOS DE FALLA INTERNA
Desperdicios, retrabajos, reinspecciones
COSTOS DE FALLA EXTERNA
Garantas, reclamaciones, demandas legales,
penalizaciones, campaas
COSTOS DE OPORTUNIDAD
Prdidas de ventas por falta de producto de
buena calidad
21
2. Mtodos y filosofa
del control estadstico de
proceso (CEP)
22
2. Mtodos y filosofa del CEP
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica
23
2...La Estadstica
La estadstica nos proporciona mtodos para organizar
y resumir informacin, usndola para obtener diversas
conclusiones
Por ejemplo, s deseamos saber el promedio de peso de

las personas en una poblacin tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y

organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la poblacin

(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o
Inferir la media de toda la poblacin.
24
2..Definiciones
Poblacin: Es la coleccin de todos los elementos (piezas,
personas, etc.). En nuestro caso sera un nmero infinito de
mediciones de las caractersticas bajo estudio.
Muestra: Es una parte o subconjunto representativo de la

poblacin, o sea un grupo de mediciones de las caractersticas.
Variable aleatoria: es una funcin o regla que asigna uno y

slo un valor de una variable " y" a cada evento en el espacio
muestral. En este caso representa una medicin particular.
Distribucin: Es la forma del patrn de variacin

observado. .
25
2..Definiciones
Estadstico: Es una medicin tomada en una muestra que sirve para
hacer inferencias en relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra).
Normalmente es una variable aleatoria y tiene asociada una distribucin.
Parmetro: Es el valor verdadero en una poblacin (media, desviacin

estndar, se indican con letras griegas)
Datos continuos Los datos que tienen un valor real (temperatura,

presin, tiempo, dimetro, altura )
Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.

26
2..Histograma
El Histograma es una grfica de las frecuencias que presenta
los diferentes valores de medicin y su frecuencia.
Una tabla de frecuencias lista los valores y su frecuencia:
VALOR FREC. VALOR FREC.

35 1 41 7
36 2 42 6
37 3 43 4
38 6 44 2
39 8 45 1
40 10
27
2...Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAO TAMAO TAMAO E
S
En un proceso estable las mediciones se distribuyen normalmente, a la derecha

y a la izquierda de la media adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S TAMAO TAMAO
28
2...Histograma de Frecuencia
Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o , 3 cubre el 99.73%.
LIE LSE
DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al
proceso de manera objetiva.
29
2..Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
30
2...Medidas de Tendencia central
Media - Promedio numrico o centro de

gravedad del histograma de mediciones
n
Fi*Xi Donde,
Xi 1 i
Fi = Frecuencia de cada medicin
Fi xi = Valor de cada medicin
individual
- Usa todos los datos
- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos o mediciones
Moda - Es el valor que ms se repite 31

2...Grficas de caja
Permite identificar la distribucin de los datos,

muestra la mediana, bases y extremos.
Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana inferior Mediana superior
Mediana
Valor Valor
mnimo mximo
DEFINICION:
Es una ayuda grfica para ver la variabilidad
de los datos.
32
2...Medidas de variabilidad o
Dispersin Desviacin Estndar
S es usada cuando los datos corresponden a una muestra de la poblacin.

Como es el caso de una muestra de mediciones.
tpicamente es usada si se est considerando a toda la poblacin
n n
(Fi*Xi2 )- [(Fi*Xi)]2/n (xi - x)2

s = i=1 = i=1
n-1 n
33
2..Medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media )*100%,

Se usa para comparar datos en diferentes niveles de media o tipo.
Por ejemplo:
Material No. de Media Desviacin Coeficiente

Observaciones Aritmtica Estndar de Variacin
n s Srel
A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el

material B
Error estndar de la Media: Es la desviacin estndar de las medias

de las muestras de mediciones, se representa como la desviacin
estndar de la poblacin entre la raz de n = nmeor de mediones
por muestra.
34
2..Uso de Calculadora cientfica
Para calcular los estadsticos de la MEDIA y la DESVIACIN

ESTNDAR seguir el procedimiento siguiente:
1. - Poner el modo con MODE ., hasta que indique modo SD

2. Limpiar los registros estadsticos con SHIFT AC
3. Introducir uno por uno los datos con la tecla DATA o DT (si se
repiten con una frecuencia, introducirlos las veces
necesarias)
4. Al terminar pedir los resultados: la media con SHIFT y X, la

desviacin estndar con SHIFT y X sn-1
5. Limpiar los registros estadsticos con SHIFT y AC, antes de

iniciar una nueva operacin
35
2...Mtodo Manual
Formar la tabla siguiente donde Xi son los valores y Fi su

frecuencia (las sumas se calculan con la funcin S ):
Xi Fi X2i Fi*Xi Fi*X2i

35 1 35 35 35
36 3 1225 108 3675
37 6 1369 222 8214
38 3 1444 114 4332
39 2 1521 78 3042
40 1 1600 40 1600
SXi SFi SX2i SFiXi SFiX2i
Para calcular el promedio dividir SFiXi / SFi

Para calcular la desviacin estndar sustituir en la frmula
para S, con n = SFi
36
2...Clculos en Excel
Accesar el menu de anlisis de datos con TOOLS o

HERRAMIENTAS, ANLISIS DE DATOS, ESTADSTICA
DESCRIPTIVA
Utilizar las funciones de Promedio, y DesvEst para

la media y desviacin estndar respectivamente
37
2...Ejercicio de Histogramas
Datos:
6.40 6.39 6.41 6.39 6.40

6.39 6.40 6.37 6.40 6.38
6.42 6.38 6.40 6.38 6.41

6.40 6.41 6.41 6.43 6.39
6.41 6.35 6.39 6.41 6.43

6.38 6.40 6.42 6.37 6.40
6.37 6.43 6.43 6.39 6.42

6.40 6.42 6.39 6.42 6.38
6.42 6.40 6.38 6.45 6.41

6.39 6.44 6.36 6.44 6.36
38
2...Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de

valores con sus frecuencias correspondientes, por
ejemplo:
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4
39
2...Definiciones - datos agrupados
Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes respectivamente que
pertenecen a las clases (del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)
Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al decrementar los
inferiores en una cantidad igual a la media de la diferencia entre un lmite
superior de clase y el siguiente lmite inferior de clase (en el ejemplo, las fronteras
de clase son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el ejemplo,
es 5).
40
Construccin del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma (K).

Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle

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

Paso 7. Graficar el histograma y observar si tiene una forma normal
41
Ejemplo: Datos agrupados
Datos:
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
42
2...Construccin del histograma
Paso 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal

43
2...Construccin del histograma
18
16
14
12
10
8 Frec.
6
4
2
0
15-24 25-34 35-44 45-54 55-64 65-75
44
2...Clculo de la media - datos agrupados
Media - Promedio numrico o centro de

gravedad del histograma
n
Fi*Xi
Donde,
x i 1 i
Fi = Frecuencia de cada observacin
Fi xi = Valor de cada marca de clase
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos
Moda - Es el valor que ms se repite

45
2...Desviacin Estndar - Datos agrupados
S es usada cuando los datos corresponden a una muestra de la poblacin
Nota: Cada Xi representa la marca de clase
tpicamente es usada si se est considerando a toda la poblacin

n n

i=1 (Fi*X )- [(Fi*Xi)] /n
2 2

i=1 (xi - x)
2
s = i
=
n-1 n
NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo

que para datos no agrupados de la pgina 13, tomando como
Xi los valores de las marcas de clase.
46
2...Histograma en Excel
Despus de correr la utileria de Histogramas con Excel
se obtuvieron los siguientes resultados (BIN RANGE: 15,
25, 35, 45, 55, 65, 75).
Bin Frequency
15 0
25 4
35 6
45 15
55 15
65 7
75 2
More 1
47
Accesar el menu de anlisis de datos con TOOLS
o HERRAMIENTAS, DATA ANALYSIS o ANALISIS DE
DATOS, HISTOGRAMS o HISTOGRAMAS
Marcar los datos de entrada en INPUT RANGE o

RANGO DE ENTRADA, marcar el rea de
resultados con OUTPUT RANGE o RANGO DE
SALIDA y obtener resultados y grfica
NOTA: Los datos deben estar en forma no

agrupada, Excel forma los grupos en forma
automtica o se le pueden proporcionar los
lmites de las celdas.
48
Histogram
20
Frequency
10 Frequency
0
Bin
49
Ejercicio
Datos:
19.5 21.3 21.3 21.3 21.3 21.2 21.4 21.4 21.4

19.6 21.3 21.4 21.3 21.3 20.9 19.5 21.3 21.5
19.6 21.4 21.5 19.8 21.0 20.6 21.5 19.7 21.3

21.3 21.3 19.7 19.8 21.4 21.4 19.9 21.3 19.8
21.6 20.4 21.4 21.4 21.4 21.4 19.6 21.5 21.2

21.4 21.5 21.4 21.5 21.4 19.8 19.8 21.2 21.3
19.4 21.4 21.4 21.3 21.3 19.7 20.1 19.9 21.3

19.5 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19.4
19.8 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19..4

21.3 21.2 21.3 21.6 21.4 21.5 20.2 19.4 21.1
21.3 20.2 21.4 19.7 21.4 20.1 21.3 21.4 21.5

19.5
50
2...La Distribucin
Normal
51
2...La distribucin Normal
La distribucin normal es una distribucin de
probabilidad que tiene media 0 y desviacin
estndar de 1.
El rea bajo la curva o la probabilidad desde menos

infinito a ms infinito vale 1.
La distribucin normal es simtrica, es decir cada

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

desviaciones estndar, su nmero se describe con
Z.
Para cada valor Z se asigna una probablidad o rea

52
2...La distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
x-3s x-2s x-s x x+s x+2s x+3s
53
2...La distribucin Normal Estndar
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
54
2...Caractersticas de la distribucin normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 55
2...El valor de z
Determina el nmero de desviaciones estndar
entre algn valor x y la media de la poblacin, .
Donde es la desviacin estndar de la
poblacin.
En Excel usar Fx, STATISTICAL, STANDARDIZE,

para calcular el valor de Z
z= x-

56
2...Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
68%
34% 34%
90 110
13.5%
68%
13.5%
34% 34%
95%
80 120
2.356%
13.5%
68%
13.5%
2.356%
34% 34%
99.73%
70 130
57
LIE LSE
Especificacin Especificacin
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones

58
2...reas bajo la
curva normal
59
2...reas bajo la curva normal
El tiempo de vida de las bateras del conejito tiene
una distribucin aproximada a la normal con una
media de 85.36 horas y una desviacin estndar
de 3.77 horas.
Qu porcentaje de las bateras se espera que

duren 80 horas o menos?
Cul es la probabilidad de que una batera dure

entre 86.0 y 87.0 horas?
Cul es la probabilidad de que una batera dure

ms de 87 horas?
60
2...Clculos con Excel
Distribucin normal estndar con media = 0 y desviacin
estndar = 1: Para Z = (X - Xmedia ) / s
1. El rea desde menos infinito a un valor de Z se obtiene
como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMSDIST o DISTSNORM, dar el valor de
Z y se obtendr el rea requerida Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo

0.05) se obtiene como sigue:
ESTADSTICAS, NORMSINV o DISTSNORMINV, dar el valor
del rea y se obtendr el valor de la Z
61
2...Clculos con Excel
Distribucin normal, dadas una media y desviacin estndar:
1. El rea desde menos infinito a un valor de X se obtiene como
sigue:
ESTADSTICAS, NORMDIST o DISTNORM, dar el valor de X,
Media, Desviacin Estndar s, TRUE o VERDADERO y se
obtendr el rea requerida
X
Area
2. Un valor de X especfico para una cierta rea (por ejemplo

0.05) se obtiene como sigue:
ESTADSTICAS, NORMINV o DISTNORMINV, dar el valor del rea,
Media y Desviacin Estndar y se obtendr el valor de la X
62
2...rea bajo la curva normal
Que porcentaje de las bateras se espera que

duren 80 horas o menos?
z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36
-1.42 0
63
Cul es la probabilidad de que una batera

dure entre 86.0 y 87.0 horas?
85.36 86 87
0 1
64
Cul es la probabilidad de que una batera dure ms

de 87 horas?
85.36 87
1.67 = .33 33% de las veces una batera

durar ms de 87 horas
65
2...Ejercicios
Considere
Considere una
una media
media dede peso
peso de
de estudiantes
estudiantes de
de 75
75
Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
1.
1. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
menos
menos dede 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy 80
80
Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy 70
70
Kgs.?
Kgs.? 66
2... Las 7 herramientas
estadsticas
Hoja de verificacin para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *,
etc.)
Histogramas para ver la distribucin de

frecuencia de los datos
Las cartas de control de Shewart para

monitorear el proceso, prevenir defectivos y
facilitar la mejora
Cartas de control por atributos y por variables
Diagrama de Pareto para identificar

prioridades
67
estadsticas
Diagrama de Causa efecto para identificar las
posibles causas a travs de una lluvia de ideas,
la cual se debe hacer sin juicio previos y
respetando las opiniones.
Diagrama de Dispersin para analizar la

correlacin entre dos variables, se puede
encontrar:
Correlacin positiva o negativa
Correlacin fuerte o dbil
Sin correlacin.
68
estadsticas
Diagrama de flujo para identificar los
procesos, las caractersticas crticas en cada
uno, la forma de evaluacin, los equipos a usar,
los registros y plan de reaccin, se tienen:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor
Estratificacin para separar el problema

general en los estratos que lo componen, por
ejemplo, por reas, departamentos, productos,
proveedores, turnos, etc..
69
2... Causas de variacin y bases
estadsticas del CEP
Causas de variacin
Causas comunes o aleatorias, reducidas slo por la
direccin
Causas especiales (causadas por 6Ms), eliminadas
por personal involucrado en la operacin.
Bases estadsticas de las cartas de control

Situacin en control y fuera de control
Prueba de hiptesis Error alfa y error beta
Curva caracterstica de operacin del error beta
Lmites de control - Modelo general y europeo
Proceso de mejora eliminando causas especiales
70
2... Beneficios de las cartas de
control
Herramienta para mejorar la productividad
Herramientas de prevencin de defectos
Evitan ajustes innecesarios
Proporcionan informacin de diagnstico
Proporcionan informacin de la capacidad del

proceso
71
2.. Diseo de la carta de
control
Lmites de control
De acuerdo a Shewhart a + - 3-sigma
En Europa se usan l.imites de prevencin a + -2
sigma
En Europa se usan Lmites Probabilsticos a + -
0.1% (+ - 3.09 sigma)
Operacin de las cartas de control

Tamao de muestra, subgrupo racional para
detectar variacin entre subgrupos ms que
dentro del mismo
Frecuencia de muestreo para detectar cambios
Sensibilidad para detectar causas especiales
72
2... Factores de xito para
la implantacin del CEP
LIDERAZGO GERENCIAL, SER PARTE DE UN
PROGRAMA MAYOR
ENFOQUE DE GRUPO DE TRABAJO
EDUCACIN Y ENTRENAMIENTO EN TODOS LOS

NIVELES
ENFASIS EN LA MEJORA CONTINUA
SISTEMA DE RECONOCIMIENTO
APOYO TCNICO DE INGENIERA O CALIDAD
73
2... Cartas de Control por
Variables
MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x
horas, para estabilizar procesos)
MEDIANAS RANGOS (para monitorear procesos

estables)
MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o

ms partes cada hora o cada lote de proveedor para
monitoreo de procesos o proveedores)
VALORES INDIVIDUALES (partes individuales cada x

horas, para monitoreo de procesos muy lentos o
qumicos)
74
2... Estabilizacin del proceso
con cartas de control
1. IDENTIFICAR LA CARACTERSTICA A
CONTROLAR, EN BASE A UN AMEF (anlisis del
modo y efecto de falla)
2. DISEAR LOS PARMETROS DE LA CARTA

(lmites de control, tamao de subgrupo,
frecuencia de muestreo)
3. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON

UN ESTUDIO DE REPETIBILIDAD Y
REPRODUCIBILIDAD (R&R)
4. CENTRAR EL PROCESO, CORRERLO Y MEDIR 25

SUBGRUPOS DE 5 PARTES CADA UNO, DE
PRODUCCIN DEL MISMO TURNO O DA
75
2... Cartas de Control por Variables -
Metodologa de implantacin
5. CALCULAR LMITES PRELIMINARES DE CONTROL A 3
SIGMA
6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y

TOMAR ACCIONES PARA PREVENIR SU
RECURRENCIA
7. RECALCULAR LOS LMITES DE CONTROL Y EN CASO

NECESARIO REPETIR EL PASO 6, ESTABLECER
LIMITES PRELIMINARES PARA SIGUIENTES
CORRIDAS
8. CONTINUAR EL MONITOREO, TOMAR ACCIONES EN

CAUSAS ESPECIALES Y RECALCULAR LMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIN
76
Atributos
p Fraccin defectiva n Constante
Se toman muestras de tamao n constante con 30 o
ms partes en forma peridica y se determina la
fraccin defectiva se utiliza para productos simples
(botellas).
p Fraccin defectiva con n variable

Igual a la anterior pero el tamao n de las muestras
es variable en cada una se utiliza para productos
simples (botellas)
Np Nmero de productos defectivos con n constante
77
Atributos
c Nmero de defectos
Se cuentan los defectos que tienen cada unidad de
inspeccin de tamao n constante en productos
complejos TV, computadoras
u Defectos por unidad

Se cuentan los defectos que tienen diferentes
unidades de inspeccin de tamao n variable en
productos complejos y se determinan los defectos
por unidad TV, computadoras
78
2... Cartas de Control tipo p
p - FRACCIN DEFECTIVA CON n CONSTANTE
INICIO DE CONTROL Y LIMITES PRELIMINARES
IDENTIFICAR CAUSAS DE ANORMALIDAD Y

ACCIONES
LIMITES DE CONTROL REVISADOS
DISEO DE LA CARTA DE CONTROL

Determinacin del tamao de muestra,
frecuencia de muestreo
CARTA DE CONTROL np
79
2... Cartas de Control tipo p
p - CON LMITES DE CONTROL VARIABLES
p - CON n PROMEDIO
p - ESTANDARIZADA
CURVA CARACTERSTICA DE OPERACIN OC Y

ARL
80
2... Cartas de Control tipo c, u
c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamao de la unidad de inspeccin
u - CARTA DE CONTROL PARA DEFECTOS POR

UNIDAD
Carta de control u con n promedio
Carta de control u estandarizada
U para Demritos
En base a la clasificacin de defectos A
(crticos), B (funcionales), C (menores)
Curva caracterstica de operacin (OC)
81
3. Cartas de control
por variables
82
3. CONTENIDO
1. El teorema del lmite central
2. Teora de las Cartas de Control
3. Cartas de control para variables
4. Ejercicios de aplicacin
83
3.1 Teorema del Lmite Central
84
3.1Teorema del Lmite
Central
La distribucin de las medias de las muestras
tienden a distribuirse en forma normal
Por ejemplo los 300 datos (cuyo valor se

encuentra entre 1 a 9) pueden estar
distribuidos como sigue:
85
3.1..Teorema del Lmite
Central
La distribucin de las medias de las muestras
tienden a distribuirse en forma normal
Tomando de muestras de 10 datos, calculando

su promedio y graficando estos promedios se
tiene:
86
3.1Teorema del Lmite
Central
Poblacin con media y desviacin estndar y

cualquier distribucin.
Seleccionando muestras de tamao n y calculando la X-media o

promedio en cada una
X-media 1 X-media 2 X-media 3
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 / n. Tambin
se denomina Error estndar de la media.
87
3.1Teorema del Lmite Central
PREMISAS
Si la variable aleatoria X tiene cualquier distribucin con media
y desviacin estndar .
Seleccionando muestras de tamao n de la poblacin se tiene:
CONCLUSIONES
La distribucin de todas las medias o promedios de las muestras
X-media, tienden a distribuirse normalmente
La media de las medias de las muestras ser .

La desviacin estndar de las medias de las muestras ser / n.
88
3.1Teorema del Lmite Central
CONCLUSIONES (cont..)
Si la poblacin original es casi normal, las medias muestrales se

distribuyen normalmente para toda n.
Walter Shewhart en la Western Electric (1924), demostr que para

una distribucin triangular y una uniforme, n=4 era suficiente para
que las medias de las muestras se distribuyeran normalmente.
Esta es la base del Control Estadstico del proceso.
89
3.2 Teora de las
Cartas de Control
90
PROPSITO
Introducir los tipos bsicos de Cartas de Control
Estadstico del Proceso (CEP)
Introducir el concepto de lmites de control y la

manera de usarlos
Interpretar cuando un proceso est fuera de

control.
91
3.2 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
Las cartas de control pueden reconocer cambios

buenos y malos.
Qu tanto se ha mejorado?
Se ha hecho algo mal?
Las cartas de control detectan la variacin anormal en

un proceso, denominadas causas especiales o
asignables de variacin.
92
3.2 Reglas Bsicas
Se debe medir la caracterstica del proceso adecuada
en la carta.
La carta de control utilizada debe ser adecuada para

medir la caracterstica seleccionada.
Al menos se deben obtener 25 subgrupos (muestras de

grupos de partes) antes de elaborar las cartas de
control.
Se debe tomar la accin apropiada cuando la carta de

control lo indique.
NOTA: El sistema de medicin debe estar validado con

un estudio R&R antes de llevar una carta de control.
93
3.2 Variacin observada
en una Carta de Control
Una Carta de control es simplemente un registro de

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

en patrones normales y anormales.
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.
Tener presente que los lmites de control NO son

lmites de especificacin.
94
3.2 Causas comunes o normales
CAUSAS COMUNES
Siempre estn presentes
Slo se reduce con acciones de mejora mayores
Su reduccin es responsabilidad de la direccin
Fuentes de variacin: Mrgenes inadecuados de

diseo, materiales de baja calidad, capacidad del
proceso insuficiente
SEGN DEMING
El 85% de las causas de la variacin son causas
comunes, responsabilidad de la direccin
14 95
3.2 Variacin Causas comunes
Lmite Lmite
inf. de sup. de
especs. especs.
Objetivo
15 96
3.2 Causas Especiales
CAUSAS ESPECIALES
Ocurren espordicamente
Son ocasionadas por variaciones anormales
(6Ms)
Medicin, Medio ambiente, Mano de obra,
Mtodo, Maquinaria, Materiales
Slo se reduce con acciones en el piso o lnea
Su reduccin es responsabilidad del operador
por medio del Control Estadstico del Proceso
SEGN DEMING
El 15% de las causas de la variacin son causas
especiales y es responsabilidad del operador
16 97
3.2 Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
17 98
3.2 Anatoma de una Carta de Control
Carta
C de for
Chart control
Pitted S
15 1
Respuesta
LSC
3.0SL=12.76
Sample Count
10
Estadstico
Lmite Superior de Control
5 Promedio
C=5.640
(o lnea central)
0 -3.0SL=0.000
0 5 10 15 20 25
LIC
Sample Number Lmite Inferior de Control
Nmero de Muestra
El promedio y los lmites de control se calculan a partir de los

datos.
Los datos se grafican en orden secuencial en el tiempo
(conforme ocurren). Se trata de detectar los cambios.
Los puntos graficados dependen del tipo de Carta: promedio,
rango, fraccin defectiva, etc.
99
3.2 Patrones Fuera de Control
Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control

1 punto fuera de los lmites de control a 3 sigmas en
cualquier direccin (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
100
3.2 Patrn de Carta
en Control Estadstico
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 de las medias en la carta de
control.
Lo anterior equivale a tener el 68% de los

puntos dentro del tercio medio de la carta de
control.
101
3.2 Tipos de Cartas de control
Las cartas de control se dividen en dos categoras,
diferenciadas por el tipo de datos bajo estudio-
variables y atributos.
Las Cartas de Control para datos variables son

utilizadas para caractersticas que tienen una
magnitud variable. Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad
102
3.2 Tipos de Cartas de control
Las cartas para atributos son las que tienen

caractersticas como aprobado/reprobado,
bueno/malo o pasa/no pasa. Algunos ejemplos
incluyen:
- Nmero de productos defectuosos

- Fraccin de productos defectuosos
- Numero de defectos por unidad de producto
- Nmero de llamadas para servicio
- Nmero de partes daadas
- Pagos atrasados por mes
103
3.3 Construccin de Cartas
de Control para variables
104
3.3.Carta X, R (Datos variables)
Este par de cartas se utilizan para monitorear procesos con datos

variables. Una para las medias y otra para los rangos.
Los datos de 3 a 6 piezas consecutivas forman subgrupos o muestras de

los cuales se calcula la media y el rango.
La Carta X-media monitorea los promedios de las muestras del proceso

monitoreando tendencias en la media del proceso.
La grfica R monitorea los rangos de las muestras del proceso

monitoreando la variabilidad del proceso.
105
3.3.Carta X, R (Continuacin)
Procedimiento:
Identificar la caracterstica crtica a controlar y
tamao de subgrupo (n = 3 a 6)
Iniciar la recoleccin de aprox. 25 subgrupos (k),

tomando partes consecutivas en cada uno.
Decidir cmo y cundo colectar la informacin de

los subgrupos, de tal forma de detectar cambios.
Elaborar la grfica con los datos.
Analizar las cartas de control

106
Terminologa
k = nmero de subgrupos; n = nmero de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R
NOTA: Para el clculo de los lmites de control
LICX = x - A2 R
usar los factores mostrados en las tablas
LSCR = D4 R correspondientes a cada valor de n
LICR = D3 R estos factores para calcular Lmites de Control)
107
Anlisis:
La grfica R debe estar en control antes de

interpretar la grfica X-media.
Interpretar la grfica X-media para puntos que no

estn aleatoriamente distribuidos
La clave consiste en eliminar la variacin excesiva

antes de tratar de identificar tendencias en los
promedios de los subgrupos del proceso
108
Ejemplo 1: Psi en un componente. Se toman muestras de
Cinco componentes cada da.
Da Muestra1 Muestra2 Muestra3 Muestra4 Muestra5
1 55 75 65 80 80
2 90 95 60 60 55
3 100 75 75 65 65
4 70 110 65 60 60
5 55 65 95 70 70
6 75 85 65 65 65
7 120 110 65 85 70
8 65 65 90 90 60
9 70 85 60 65 75
10 100 80 65 60 80
n = # muestras en un subgrupo/da = 5
k = # de subgrupos (das) = 10
X = 74.6 R = 36.0
109
3.3.Carta X, R (en Excel)
Ejemplo 1:
Grfica Xbar/R para Muestra1-Muestra5
Medias
100
3.0SL=95.36
90
80
X=74.60
70
60
50 -3.0SL=53.84
Subgroup 0 1 2 3 4 5 6 7 8 9 10
80 3.0SL=76.12
Rangos
70
60
50
40 R=36.00
30
20
10
0 -3.0SL=0.000
Cul grfica se analiza primero?

Cul es su conclusin acerca del proceso ?
110
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por da.
Da Muestra1 Muestra2 Muestra3 Muestra4 Muestra5

1 55 60 60 55 57
2 90 95 85 100 85
3 60 60 70 50 62
4 100 110 95 85 100
5 55 65 60 70 70
6 95 90 90 90 100
7 55 50 45 50 50
8 105 100 90 100 60
9 70 60 60 65 75
10 100 110 105 100 90
n = # muestras en un subgrupo (da) = 5
k = # de subgrupos (das) = 10
X = 77.2 R = 18
111
3.3.Carta X, R (en Excel)
Ejemplo 2:
Grfica Xbar/R para Muestra1-Muestra5
105
Medias
1 1
95 1 1 1
85 3.0SL=87.56
75 X=77.18
65 1 -3.0SL=66.80
1 1
55 1
45 1
Subgroup 0 1 2 3 4 5 6 7 8 9 10
50 1
Rangos
40 3.0SL=38.06
30
20 R=18.00
10
0 -3.0SL=0.000
Cules pesos fallaron?
112
3.3..Hacer una carta X-R y concluir:
MUESTRA VALORES
1 12 12 13 15 12
2 15 17 16 17 18
3 13 18 14 14 15
4 10 12 11 10 11
5 13 16 15 16 15
6 15 12 13 15 11
7 15 16 15 16 15
8 15 17 15 17 14
9 22 17 16 17 14
10 16 15 17 15 18
11 16 18 16 16 16
12 15 16 17 17 14
13 17 15 16 15 16
14 16 15 18 18 16
15 17 19 17 15 17
16 19 17 15 15 17
17 16 19 16 15 14
18 16 15 17 16 18
19 17 13 17 15 14
20 19 18 17 15 16
113
3.3.Carta X, S
Este es un par de Cartas muy similar a las grficas X - R. La

diferencia consiste en que el tamao de la muestra puede variar
y es mucho ms sensible para detectar cambios en la media o
en la variabilidad del proceso.
El tamao de muestra n es mayor a 9.
La Carta X monitorea el promedio del proceso para vigilar

tendencias.
La Carta S monitorea la variacin en forma de desviacin

estndar.
Como se dijo anteriormente, las cartas se dividen en zonas.

Aqu estn divididas en intervalos de 1 sigma.
114
3.3.Carta X, S (Continuacin)
Terminologa
k = nmero de subgrupos n = nmero de muestras en cada subgrupo
x = promedio para un subgrupo
x = promedio de todos los promedios de los subgrupos
S = Desviacin estndar de un subgrupo
S = Desviacin est. promedio de todos los subgrupos
x1 + x2 + x3 + ...+ xN
x = n 5 6 7 8 9 10
x1 + x2 + xn3 + ...+ xN B4 2.09 1.97 1.88 1.82 1.76 1.72
x =
k B3 0.00 0.03 0.12 0.18 0.24 0.28
LSCX = x + A3 S A3 1.43 1.29 1.18 1.10 1.03 0.98
LICX = x - A3 S C4 .940 .952 .959 .965 .969 .973
LSCS = B4 S
LICs = B3 S (usar estos factores para calcular Lmites de Control
115
3.3.Carta de Individuales (Datos variables)
A menudo esta carta se llama I o Xi.
Esta Carta monitorea la tendencia de un proceso con datos

variables que no pueden ser muestrados en lotes o grupos.
Este es el caso cuando la capacidad de

corto plazo se basa en subgrupos racionales de una unidad
o pieza
La lnea central se basa en el promedio de los datos, y los

lmites de control se basan en la desviacin estndar
poblacional (+/- 3 sigmas)
116
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x1 + x2 + x3 + ...+ xN
x =
n n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R
D3 0
LSCR = D4 R
LICR = D3 R E2 2.66
(usar estos factores para calcular Lmites de Control n = 2)
117
3.3. Ejemplo: Carta I (en Excel)
Carta I para Longitud de parte

Valor Individual
12.35
3.0SL=12.30
12.25 6
6 6
12.15
12.05 X=12.03
11.95
11.85 8
11.75 -3.0SL=11.75
1
11.65
0 5 10 15
Nmero de Observacin
Observar la situacin fuera de control
118
3.3. Ejercicios de Cartas I o X, R
Hacer dos cartas X-R y concluir:
MUESTRA 1 MUESTRA 2
MUESTRA 1 MUESTRA 2
1 12 2.832
2 15 2.802 11 16
3 13 2.952 2.97
4 10 2.80 12 15
5 13 2.95 2.95
6 15 2.92 13 17
7 15 2.95 2.95
8 15 2.92 14 16
9 22 2.93 2.86
10 16 2.93 15 17
2.89
16 19
2.86
119
4. Cartas de Control
para atributos
120
4. Cartas de control para atributos
Datos de Atributos
Tipo Medicin Tamao de Muestra ?
p Fraccin de partes defectuosas, Constante o variable > 30
defectivas o no conformes
np Nmero de partes defectuosas Constante > 30
c Nmero de defectos Constante = 1 Unidad de

inspeccin
u Nmero de defectos por unidad Constante o variable en

unidades de inspeccin
121
4. Cartas de control para Atributos
Situaciones fuera de control
Un punto fuera de los lmites de control.

Siete puntos consecutivos en un mismo lado de de la lnea
central.
Siete puntos consecutivos, todos aumentando o disminuyendo.
Catorce puntos consecutivos, alternando hacia arriba y hacia
abajo. C Carta
Chart C
for Pitted S
Conteo de Muestras
15
Lmite Superior de Control 1
3.0SL=12.76
Sample Count
10
Lnea Central
C=5.640
5
0
Lmite Interior de Control
-3.0SL=0.000
0 5 10 15 20 25
Sampl e Number
Nmero de Muestras
Ahora, veamos algunos ejemplos...

122
4. Carta p (Atributos)
Tambin se llaman Cartas de Porcentaje Defectivo o Fraccin

Defectiva
Monitorea el % de defectos o fraccin defectiva en una muestra
El tamao de muestra (n) puede variar
Recalcula los lmites de control cada vez que (n) cambia
Terminologa
n = tamao de cada muestra (por ejemplo,
produccin semanal)
np = nmero de unidades defectuosas en cada
muestra
p = proporcin (porcentaje) de defectos en cada
muestra -
(fraccin defectiva) 123
4. Carta p (Atributos)
np # de productos defectivos en cada muestra

pi = =
ni # de productos inspeccionados en la muestra
Clculo de los lmites de control
n1 p1 + n2p2 + n3 p3 + ...+ nk pk Fraccin defectiva

p =
promedio
n1 + n2 + n3 + ... + nk
p (1- p) p (1- p)
LSC = p + 3 LIC = p - 3
n n
Nota: Recalcular los lmites en cada

muestra (ni) si n es variable 124
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se

registraron semanalmente tal como se muestra a continuacin.
# de Fraccin de
componentes Componentes componentes
n
inspeccionados np
defectuososp defectuosos
7 0 0.000
7 0 0.000
K = 13 semanas 15 2 0.133
14 2 0.143
48 6 0.125
22 0 0.000
18 6 0.333
7 0 0.000
14 1 0.071
9 0 0.000
14 2 0.143
12 2 0.167
8 1 0.125
125
4...Carta p (Cont..)
Ejemplo: Grfica P para Fraccin Defectiva

0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
n
0.2
0.1 P= 0.1128 p
0.0 -3.0SL= 0.000
LIC
0 5 10
Nmero de muestra
Observe como el LSC vara conforme el tamao (n) de cada mues

Por qu el LIC es siempre cero?
Qu pas en la muestra 7? (33.3% defectos)
Qu oportunidades para mejorar existen?,
Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
Podra este proceso ser un buen proyecto de mejora?
126
4... Carta np (Atributos)
Se usa cuando se califica al producto como bueno/malo, pasa/no

pasa.
Monitorea el nmero de productos defectuosos de una muestra
El tamao de muestra (n) es constante y mayor a 30.
Terminologa (igual a grfica p, aunque n es constante)

n = tamao de cada muestra (Ejemplo: produccin semana
np = nmero de unidades defectuosas en cada muestra
k = nmero de muestras
127
4...Carta np (Atributos)
np = # de productos defectuosos en una muestra

n = tamao de la muestra
k = Nmero de muestras o subgrupos
p = Suma de productos defectuosos / Total
inspeccionado [n * k]
n p1 + np2 + n p3 + ...+ npk

np =
k
LSC = np + 3 np (1-p) LIC = np - 3 np (1-p)
128
4...Carta np (Cont..)
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000

partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
n np
# de partes
# de partes inspeccionadas defectuosas
4000 2
4000 3
4000 3
4000 2
4000 4
4000 2
4000 3
4000 3
4000 6
4000 8
4000 3
4000 4
4000 4
4000 7
4000 6
K=15 lotes 129
4... Carta np (Cont...)
Ejemplo 1:
Carta np de nmero de defectivos o defectuosos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
0 - 3.0S LIC=0.0 LIC

0 5 10 15
Nmero de muestras
El tamao de la muestra (n) es constante
Los lmites de control LSC y LIC son constantes
Esta carta facilita el control por el operador ya que el evita

hacer clculos 130
4... Carta c (Atributos)
Monitorea el nmero de defectos por cada unidad de inspeccin (1000

metros de tela, 200 m2 de material, un TV)
El tamao de la muestra (n unidades de inspeccin) debe ser constante
Ejemplos:
- Nmero de defectos en cada pieza
- Nmero de cantidades ordenadas incorrectas en rdenes de compra
Terminologa
c = Nmero de defectos encontrados en cada
unidad o unidades constantes de inspeccin
131
4... Carta c (Atributos)
c1 + c2 + c3 + ...+ ck
c=
k
LSC = c + 3 c LIC = c - 3 c
132
4... Carta c (cont..)
Ejemplo: Nmero de defectos encontrados en una unidad de inspeccin que
consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).
#Lote / Defectos encontrados

1 6
2 4
3 4
4 2
NOTA: Utilizar Excel para
5 4
Construir la carta c
6 3
7 4
8 4
9 5
10 5
11 5 133
4... Carta c (cont..)
Ejemplo:
Carta C
15 1
Nmero de defectos
3.0L SC=12.76 LSC

10
5 C = 5.640 C
0 -3.0L IC=0.000
0 5 10 15 20 25
Nmero de Muestras
Observe el valor de la ltima muestra; est fuera del lmite

superior de control (LSC)
Qu informacin, anterior a la ltima muestra, debi haber
obviado el hecho de que el proceso iba a salir de control?
134
4...Carta u (Atributos)
Monitorea el nmero de defectos en una muestra de n unidades

de inspeccin. El tamao de la muestra (n) puede variar
Los defectos por unidad se determinan dividiendo el nmero de
defectos encontrados en la muestra entre el nmero de unidades
de inspeccin incluidas en la muestra (DPU o nmero de
defectos por unidad) .
Ejemplos:
Se toma una muestra de tamao constante de tableros PCB por
semana, identificando defectos visuales por tablero.
Se inspeccionan aparatos de TV por turno, se determinan los

defectos por TV promedio.
135
4... Carta u (cont...)
Terminologa
n = tamao de cada muestra en unidades de inspeccin
(por ejemplo, produccin semanal)
c = Nmero de defectos encontrados en cada muestra
de unidades de inspeccin
u = defectos por unidad (DPU)
c = # de defectos en una muestra de n unidades de
inspeccin
n = Nmero de unidades de inspeccin en cada muestra
u = c / n = DPU = Nmero de defectos por unidad
136
Ui = Ci / ni Defectos por unidad para cada muestra

c1 + c2 + c3 + ...+ ck Nmero de defectos por
u=
n1 + n2 + n3 + ...+ nk Unidad promedio
LSC = u + 3 u LIC = u - 3 u
ni ni
Nota: Recalcular los lmites en cada tamao de muestra (ni)
Se puede tomar n promedio o estandarizar para tener Lmites de control
constantes
137
4... Carta u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana

Los defectos visuales observados se registran
cada semana.
n c u
Defectos
# PCB Visuales
Soldados Observados DPU
50 305 6.1
50 200 4.0
50 210 4.2
50 102 2.0
50 198 4.0
50 167 3.3
50 187 3.7
50 210 4.2
50 225 4.5
50 247 4.9
50 252 5.0
50 215 4.3
k=12 semanas
138
4... Carta u (Cont.)
Ejemplo 1:
Grfica U para Defectos

Conteo de muestras
1
6
5
LSC
3.0L SC=5.066
4
U = 4.197 u
-3.0L IC=3.328
3
LIC
2 1
0 5 10
Nmero de Muestras
Observe como los lmites de control permanecen constantes

cuando se utiliza un tamao de muestra constante igual a 50
Cules son las dos observaciones de mayor inters?
Los datos muestran alguna tendencia?
139
Ejemplo 2: Defectos encontrado al inspeccionar varios
lotes de productos registrados por semana
Lote n c = Defectos u = DPU
Lote Unidade s De fe ctos DPU
1 10 60 6
2 12 75 6.3
3 7 42 6
4 14 77 5.5
5 12 69 5.8
6 12 72 6
7 13 76 5.8
8 10 55 5.5
9 9 51 5.7
10 14 78 5.6
11 13 72 5.5
12 13 77 5.9
13 12 74 6.2
14 10 57 5.7
15 11 62 5.6
16 13 41 3.2
17 11 30 2.7
18 15 45 3
19 15 42 2.8
20 14 40 2.9
k=20 semanas
140
4... Carta u (cont..)
Ejemplo 2:
Grfica U para Defectos
Nmero de efectos
7 3.0L SC
=6.768
LSC
6
5 U=4.979 u
4
-3.0L IC=3.190
3 LIC
2
0 10 20
Nmero de Muestras
Observe que ambos lmites de control varan cuando el

tamao de muestra (n) cambia.
En que momentos estuvo el proceso fuera de control?

141
5. Cartas de control especiales
142
5. Cartas de Control especiales
CARTAS PARA CORRIDAS CORTAS (medias rangos,

pequeos lotes de produccin de productos similares)
CARTAS ESPECIALES
Cartas de Precontrol
Cartas para desgaste de herramienta
Cartas para procesos de salida mltiple
CARTAS DE CONTROL PARA ppm, para procesos muy

capaces
CARTAS DE CONTROL Cusum Y EWMA (para detectar

pequeas variaciones en la media del proceso, en
proceso qumicos o farmaceticos)
143
5.1 Cartas de Control para
Corridas Cortas
CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod.
similares)
CARTA DE CONTROL X-R ESTANDARIZADA

(Desviaciones estndar diferentes para los
productos)
CARTAS DE CONTROL ATRIBUTOS

ESTANDARIZADAS
(Para estadstico p, np, c y u)
144
5.2 Cartas de Control
Modificadas
y de Aceptacin
CARTA DE CONTROL MODIFICADAS
Se utilizan para control de la fraccin defectiva
cuando el Cpk es grande >=2, cuidando no salir
de especificaciones y no interesa tanto el control
bajo lmites de control
CARTA DE CONTROL DE ACEPTACIN

Esta carta es similar a la anterior pero toma en
cuenta errores Alfa y Beta (I y II), en funcin de
la aceptacin y el riesgo del proveedor
145
5.3-5 Cartas de Control
especiales
CARTAS DE PRECONTROL (ARCOIRIS)
Se basa en lmites de especificacin, dividiendo el
rango de especificaciones en cuatro partes, las dos
intermedias son verdes, las de la orilla amarillas y
las que salen de lmites, rojas. Se monitorea slo
una pieza.
CARTA DE CONTROL PARA PROCESOS DE SALIDA

MLTIPLE
Se toma el valor mayor y el menor del proceso de
salidas mltiples, monitoreando en el tiempo
CARTA DE CONTROL PARA DESGASTE DE

HERRAMIENTA
Se ajusta la herramienta en un extremo de los
lmites de control y se deja operar hasta que llega
al otro extremo de los lmites para ajuste
146
5 Cartas de Control
especiales por variables
CARTA DE CONTROL CUSUM
(Detecta pequeas corridas de media < 1.5
sigma con n = 1)
- Mtodo tabular
- Mascarilla en V
CARTA DE CONTROL EWMA

(Detecta pequeas corridas de media <1.5 sigma
con n = 1)
CARTA DE CONTROL DE MEDIA MOVIL

(Detecta pequeas corridas de X, con n = 1,
sensibilidad entre la de Shewhart y EWMA)
147
Cartas especiales de control
148
Cartas especiales de control
Carta de sumas acumuladas CuSum
Carta de promedios mviles

ponderadas exponencialmente
Carta de promedios mviles simples
149
Cartas de sumas acumuladas
CuSum
150
Grfica de Sumas
acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tndem (una tras otra)
- Es ms sensible que la grfica X al movimiento de los
pequeos cambios sostenidos en el centro del proceso.
- Es ms sensible que la grfica X al movimiento de
separacin gradual del centro del proceso.
- Es menos sensible que la grfica X al desplazamiento
grande e nico del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales
- Sus parmetros clsicos son h = 4; k = 0.5
151
Carta de sumas acumuladas
CuSum
Son ms eficientes que las cartas de Shewhart
para detectar pequeos corrimientos en la media
del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m

subgrupos de muestras, cada una de tamao n
y se calcula la media de cada muestra Xi-
media. Despus se determina Sm o Sm de las
ecuaciones siguientes:
m
Sm ( X i 0 )...0 media.en.control .estimada
i 1
m
1
Sm
'
X
(X
i 1
i 0 )... X desv.es tan dar.de.las.medias
152
Carta de sumas acumuladas CuSum
Con Mscara en V
La carta de control CuSum se obtiene graficando los
valores de Sm o Sm como funcin de m.
Si el proceso permanece centrado, la carta tender

hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o

hacia abajo, ser indicado en la carta. Su sensibilidad
est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control

es con una mascara en V cuyo origen se coloca en el
ltimo punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar accin
153
Carta CuSum parmetros de la
mscara en V
h = Intervalo de decisin Valor medio del ancho de mscara
en el punto de origen
k = Corrimiento a ser detectado en sigmas Pendiente de
los brazos de la mscara en V
f = Respuesta inicial rpida - Identifica puntos fuera de
control en el arranque
T = Meta o especificacin nominal; n = Tamao de subgrupo
Ci = Valor de los 2 lados de la mscara en el tiempo i

C0 = 0
Ci = Ci - 1 + (i - T)
Puntos graficados de la mscara = Ci
Pendiente de la mscara en V = k / raiz (n)
Ancho de mscara en el origen = 2h / raiz (n)
Origen de la mscara en V = p
Por omisin Xmedia = , Sp/c4(d) = , T = 0, h = 4, k = .5, p = m
154
Ejemplo de carta Cusum
con Mscara en V
1- 4.925
CUSUM Chart for Cusum
2- 4.675
3- 4.725
4- 4.350 4
5- 5.350 3
2
6- 5.225
Cumulative Sum
1
7- 4.770 0 0
8- 4.525 -1
-2
9- 5.225
-3
10- 4.600 -4
11- 4.625 -5
12- 5.150 -6
0 5 10 15
13- 5.325
Subgroup Number
14- 4.945
15- 5.025
16- 5.223 Target = 5, sigma = 1, h = 2, k =0.5, Vmask
155
Continuacin de ejemplo
con mscara en V

17. 5.463
18. 5.875
19. 6.237
20. 6.841 5
Cumulative Sum
0 0
Agregando 4
Puntos adicionales
-5
Se observa que se
Salen los puntos 0 10 20
Subgroup Number
16, 17 y 18
Requiriendo accin
Target = 5, sigma = 1, h = 2, k =0.5, Vmask
156
Carta CuSum Slo un Lmite
inferior o superior
CIi = valor del nivel bajo de la Cusum de un lado inferior en

tiempo i

CL0 CU 0 f
n
CSi =
valor del nivel alto
de la Cusum de iun lado superior en
CIi min
tiempo i

0, CI i 1 xi

T k
n
C i Si
j 1
x j ( 0 K )

CSi min 0, CSi 1 xi T k
n

0 media.objetivo

1 media.no.aceptable 0
1 0
Datos graficados = CIi,CSi
K k
2 2 n
LIC h
Lnea central = n0
Ci 0.cuando.cambia.el.signo

LSC h
n 157
Cata CuSum slo un Lmite
superior o inferior
1- 4.925
2- 4.675 17. 5.463
3- 4.725 18. 5.875
Upper CUSUM
4- 4.350 19. 6.237
5- 5.350 20. 6.841 2 2
Cumulative Sum
6- 5.225 1
7- 4.770
0
8- 4.525
9- 5.225 -1
10-
4.600 -2 Lower CUSUM
-2
11-
0 10 20
4.625
Subgroup Number
12-
5.150
13- Target = 5, sigma = 1, h = 2, k =0.5, One Sided
5.325 FIR = 1 sigma, Reset after each signal 158
Carta CuSum Forma tabular para
un solo lmite inf. sup.
Los lmites para cada valor se calculan dependiendo de si
es hacia el lado superior Sh o hacia el inferior Sl
S H (i ) max 0, xi ( 0 K ) S H (i 1)
S L (i ) max 0, xi ( 0 K ) S H (i 1)
S H (0) S L (0) 0
N H . y.N L No. periodos.en.que.Sh.o.Sl.son. 0
Como ejemplo si K = 0.5 y 0 = 10 y X1 = 9.45, Sh(1) =
max [0, 9.45 10.5 + 0] = 0 etc..
Cuando Sh(i) toma un valor negativo, se regresa a cero y

continua el proceso, si excede el lmite superior de control
H en este caso indica que el proceso est fuera de control
159
Carta CuSum Forma tabular para
un solo lmite inf. sup.
Period Xi Xi- Sh(i) Nh
o 10.5
1 9.45 -1.05 0 0 En este caso el
Valor de H es 5
2 7.99 -2.51 0 0
S H (i ) max 0, xi ( 0 K ) S H (i 1)
3 9.29 -1.21 0 0
S L (i ) max 0, xi ( 0 K ) S H (i 1)
4 11.66 1.16 1.16 1
H
5 12.16 1.66 2.82 2
6 10.18 -0.32 2.50 3
7 8.04 -2.46 0.004 4
Mscara en V
8 11.46 0.96 1.00 5
9 9.20 -1.30 0 0 160
Carta EWMA de promedios
mviles ponderados
exponencialmente
161
Carta de Promedios Mviles
Ponderados Exponencialmente
(EWMA)
Monitorea un proceso promediando los datos de
tal forma que les da cada vez menos peso
conforme son removidos en el tiempo
En la carta de Shewhart la decisin en relacin

al estado de control del proceso en cierto
instante t depende de la medicin ms reciente
y de los lmites de control
En la carta EWMA la decisin depende del

estadstico EWMA que es el promedio ponderado
exponencial de los datos.
162
(EWMA)
Es ms sensible que la grfica X al movimiento de
los pequeos cambios sostenidos en la media del
proceso.
Es ms sensible que la grfica X al movimiento de

separacin gradual de la media del proceso.
Es menos sensible que la grfica X a

desplazamientos grandes de la media del proceso.
Se puede aplicar a las Xs o a las Xs individuales.
163
(EWMA)
Seleccionando un factor de ponderacin la carta puede ser
sensible a corrimientos graduales pequeos en la media del
proceso. El estadstico EWMA es:
EWMAt Yt (1 ) EWMAt 1 t 1, 2,.., n

2
S
S EWMA
2

n 2
EWMAo es la media (meta) de los datos histricos
S es la desviacin estndar de los datos histricos para n
grande
Yt es la observacin en el tiempo t
n es el nmero de observaciones monitoreadas incluyendo 0
0 < <=1 es una constante que determina la memoria de
EWMA
164
(EWMA)
determina la tasa en la cual los datos antiguos
entran en el clculo del estadstico EWMA.
Un valor de =1 indica que slo el ltimo dato

ser incluido (carta Shewhart).
Un valor grande de da ms peso a datos

recientes y menos peso a datos antiguos. Un valor
pequeo de da ms peso a datos antiguos
Un valor comn para es 0.2 para detectar

cambios 1 y de 0.4 para detectar cambios de 2
165
(EWMA)
Los lmites de control se determinan como sigue:
LSC EWMA0 3sEWMA

LIC EWMA0 3sEWMA
La carta EWMA requiere que se obtengan datos
histricos del proceso para calcular la Media y desviacin
estndar representativas del mismo para continuar el
monitoreo, asumiendo que estuvo en control al colectar
los datos
Para los primeros valores de X, la desviacin estndar S

2
2
se calcula como: S
S EWMA S 1 (1 )
2 2t

n 2 166
(EWMA)
Ejemplo: Si EWMAo = 50 y s = 2.0539, = 0.3

entonces se tiene:
LSC 50 3(0.4201)(2.0539) 52.5884
LIC 50 3(0.4201)(2.0539) 47.4115
Y 52 47 53 49.3 50.1 47 51
EWM 50 50.6 49.5 50.56 50.18 50.16 49.12 49.75

A
167
Carta EWMA del
ejemplo
Xewma
1- 52.0
2- 47.0
3- 53.0
EWMA Chart for X
4- 49.3 53
UCL=52.59
5- 50.1 52
6- 47.0
51
7- 51.0
EW MA
8- 50.1 50 Mean=50
9- 51.2 49
10- 50.5
48
11- 49.6
LCL=47.41
12- 47.6 47
13- 49.9 0 10 20
Sample Number
14- 51.3
15- 47.8
168
Carta EWMA
Los puntos a graficar son los siguientes :
Z0 = X
_
Z1 = X1 + (1- Z0)
_
Z2 = _ X2 +(1- Z1 )
Z3 = X3 +(1- Z2)
Observa que Z es un promedio ponderado de X i y de todas las
Z4 = X4 + (1- Z3)
Xs anteriores.
Con
La tpica forma de una grfica EWMA se muestra Z = EWMA
a continuacin.
UCL
Los clculos, especialmente de los
lmites de control, son tan complejos
XII
que normalmente este tipo de grfica

LCL se realiza por medio de un paquete
subgrupo de computo.
1 2 3 4 5 6
169
(EWMA)
Si la desviacin estndar se estima de la carta X-R
entonces los lmites de control se determinan
como sigue:

LSC X A2 R
(2 )

LIC X A2 R
(2 )
170
(EWMA)
Esta carta proporciona un PRONOSTICO del
siguiente valor de la media, lo cual es muy
importante para el caso de control automatizado.
Los lmites de control permiten detectar cuando

se requiere un ajuste y la diferencia entre el valor
pronosticado y la media meta permiten identificar
de cuanto debe ser el ajuste
171
(EWMA)
Se puede desarrollar una ecuacin para el clsico
control PROPORCIONAL, INTEGRAL y DIFERENCIAL
(PID). Donde los parmetros de las lambdas 1, 2 y
3 se seleccionan para obtener el mejor
desempeo de pronstico
Si e representa el error entre el valor real y

pronsticado en el periodo t se
tiene: et X t zt 1
t
Zt EWMAt Z t 1 1et 2 e j 3et
j 1
172
Carta de control de
promedios mviles
173
Carta de control de Promedios
Mviles
Monitorea un proceso promediando los ltimos W
datos. Con valores individuales se usa W = 2
Tiene una sensibilidad intermedia entre las

cartas de control de Shewhart y las cartas EWMA
o Cusum para detectar pequeas corridas
graduales en la media del proceso
Suponiendo que se colectan muestras de

tamao n y se obtienen sus respectivas medias
Xi. La media mvil promedio de amplitud W en el
tiempo t se define como sigue:
174
Carta de control de Promedios
Mviles
xt xt 1 ...... xt w 1
Mt
w
2
Var ( Mt )
nw
3 3
LSC x para.n.0 t w LSC x
nw nt
3 3
LIC x para.n.0 t w LIC x
nw nt
El procedimiento de control consiste en calcular la

nueva media mvil Mt cada vez que haya una nueva
media muestral, graficando Mt en la carta, si excede
los lmites de control el proceso est fuera de control
En general la magnitud del corrimiento que se quiere

detectar esta inversamente relacionado con W, ente
mayor sea W se podrna detectar corrimientos ms
pequeos
175
Ejemplo de carta de
promedios mviles
Xmm
1- 10.5
2- 6.0 Moving Average Chart for Xmm
3- 10.0
4- 11.0
15
5- 12.5
Moving Average
6- 9.5 UCL=12.12
7- 6.0 10 Mean=10
8- 10.0 LCL=7.879
9- 10.5
10- 14.5 5
11- 9.5
0 5 10 15
12- 12.0
Sample Number
13- 12.5
14- 10.5
15- 8.0 176
6. Anlisis de capacidad
de proceso
177
6. CONTENIDO
Introduccin
1. Capacidad a partir de
histogramas
2. Capacidad a partir de papel

normal
3. Capacidad a partir de cartas de

control
4. Capacidad de los sistemas de

medicin 178
6.1 Introduccin
179
6.1 Objetivos de la capacidad del
proceso
1. Predecir que tanto el proceso cumple
especificaciones
2. Apoyar a diseadores de producto o proceso

en sus modificaciones
3. Especificar requerimientos de desempeo para

el equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de

manufactura
180
LIE LSE
s _
Xi
X
p = P(Xi) = porcentaje de partes con probabilidad

de estar fuera de Especificaciones
181
Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar am
Cualquiera que sea la mejora que lleve a cabo,

se deben tomar medidas para que se mantenga
182
6.1 Capacidad a partir
de histogramas
183
6.1 Procedimiento
1. Seleccionar una mquina donde realizar el

estudio
2. Seleccionar las condiciones de operacin del

proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad

(error R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los

184
6.1 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.
185
6.1 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)
186
6.1 Capacidad del proceso Cp y Cpk
La capacidad potencial del Proceso (Cp) es una medida de la
variacin del proceso en relacin con el rango de Especificacin.
Tolerancia LSE - LIE
Cp = =
Variacin del proceso 6 Desviaciones STD.
Cpk es una medida de la capacidad real del proceso en funcin de la posicin

de la media del proceso (X) en relacin con con los lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado. Es el menor de:
LSE - promedio del proceso y Promedio del proceso - LIE
CpK =
3 desviaciones STD 3 desviaciones STD
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso 6 desviaciones STD
CR = =
LSE - LIE
Tolerancia
Capacidad Cp, Cpk y fraccin defectiva 187
6.1 Clculo de la capacidad del proceso
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
188
6.1.. Ejemplo
Se tomaron los datos siguientes:
265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251
189
6.1.. Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca Frecuencia Frecuencia

de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .
190
El histograma es el siguiente (se observa con forma normal):
191
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6 =

192.12
Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil 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
192
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribucin
de frecuencias siguiente considerando LIE = 530 y
LSE = 580:
Intervalo Frecuencia Frecuencia

de clase Marca de clase Frecuencia Relativa Absoluta .
531 - 535 533 6

536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8 193
6.2 Capacidad a partir de papel normal
194
6.2 Ventajas
1. Se puede observar el comportamiento del

proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que

dividir el rango de la variable en intervalos de
clase
3. Visualmente se puede observar la normalidad

de los datos, si se apegan a la lnea de ajuste
4. Permite identificar la media y la desviacin

estndar aproximada del proceso. As como la
fraccin defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk. 195
6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma

ascendente, asignndoles una posicin (j) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula

siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera

normal el proceso y se procede a hacer las identificaciones:
La media ser el punto en X correspondiente a Pj = 0.5

La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84
196
6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y calculando la

probabilidad de su posicin (Pj)
Pos.J Valor Xj Pj Pos. J Xj Pj

1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975
197
6.2... Ejemplo (cont..)
Graficando los puntos y ajustndolos con una

recta que minimice los errores con cada punto se
tiene:
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE X Media Xj
198
Pi = ( I - 0.5 ) / N
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distribution probability paper Xi 199
N o rm a l P ro b a b i li ty P lo t
.999
.99
.95
Probability
.80
.50
.20
.05
.01
.001
200 300 400 500 600 700 800 900

C1
A v erage: 504.232 A nders on-Darl ing Normality Tes t
S tDev : 139.682 A -S quared: 0.315
N: 100 P -V alue: 0.538
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se est analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores

Xi, puede predecirse usando una lnea slida como modelo. Por ejemplo,
slo ms del 20% de los datos del proceso seran valores de 400 o
inferiores. 200
6.2 Diferentes trazos en papel de probabilidad Normal
201
6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la
probabilidad (Pj), graficar en papel norma, ajustar
valores con una recta, determinar la media, desv.
Estndar, si las especificaciones son LIE = 1200 y
LSE = 1800 determinar la fraccin defectiva, el Cp y el
Cpk.
1210 2105
1275 2230
1400 2250
1695 2500
202
6.3 Capacidad a partir
de cartas de control
203
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE. ?
? ?
? ?
? ?
204
6.3 Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
205
6.3 Control y Capacidad de Proceso
Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn, se dice

que el proceso esta operando en CONTROL.
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son

demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.
L a capacidad no se puede determinar a menos que

el proceso se encuentre en Control y Estable.
206
6.3 Proceso en control estadstico
La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?
x Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribucin
del Proceso
_
x = media
34% 34% s= sigma; es la
desviacin
estndar; medida
de la variacin
14 % 14 % del proceso.
2% 2%
-3s -2s -1s x +1s +2s 3s
99.73% 207
6.3.. Desviacin Estndar del proceso
= R = S
d2 c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 ==Idem
Idemal
alanterior
anteriorpara
parauna
unacarta
cartaXX--SS
4
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann==22yy
RangoMedio=Suma rangos / (n -1) 208
6.3 Capacidad del proceso
Cuando las causas comunes son la nica variacin:

Cp El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6
Cpk El ndice de capacidad real del proceso compara la media

real con el lmite de especificaciones ms cercano (LE) a esta.
_
Cpk = LE X o Cpk = menor |Z1 , Z2| / 3
3
209
6.3 Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo

siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parmetros 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 lmite de especificacin es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones
210
6.3 Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo

causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parmetros del proceso se tiene:
= X media de medias = Smedio / C4 = 1.05 / 0.94 = 1.117

[ C4 para n = 5 tiene el valor 0.94 ]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.

El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones
211
6.3 Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo

causas comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6) se obtuvo lo

causas comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5
212
6.4 Capacidad de los
sistemas de medicin
213
6.4 Definiciones
Exactitud
Desviacin respecto del valor verdadero del promedio de
las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones
y el valor verdadero. Error sistemtico o desviacin
Estabilidad
La variacin total en las mediciones obtenidas durante un
perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del rango
de operacin esperado del instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones repetidas 214
6.4 Posibles Fuentes de la
Variacin del Proceso
Variacin total del proceso,
observada
Variacin del proceso, real Variacin de la medicin
Variacin
dentro de la Variacin originada
Reproducibilidad
muestra por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibracin
La Repetibilidad y la Reproducibilidad (R&R), son los errores

ms relevantes en la medicin.
215
6.4 Definicin de la Repetibilidad
REPETIBILIDAD
Repetibilidad: Es la variacin de las mediciones obtenidas con un

mismo instrumento de medicin, cuando es utilizado varias veces por
un operador, al mismo tiempo que mide las mismas caractersticas en
una misma parte y bajo las mismas condiciones de medicin.
216
6.4 Definicin de la Reproducibilidad
Operador-B
Operador-C
Operador-A
Reproducibilidad
Reproducibilidad: Es la variacin, entre promedios de las mediciones

hechas por diferentes operadores que utilizan un mismo instrumento
de medicin cuando miden las mismas caractersticas en una misma
parte, bajo las mismas condiciones.
217
6.4 ESTNDARES INTERNACIONALES
En Mxico se tiene el CENEAM o el Centro

Nacional de Metrolgia
En EUA se tiene el NIST (National Institute of

Standards and Technolog)
Un Estndar primario es certificado por NIST o por

una organizacin alterna que use procedimientos de
calibracin actualizados
Los Estndares secundarios son calibrados por el

depto. de Metrologa de las empresas en base a los
estndares primarios, para efectos de calibracin.
218
6.4 ESTNDARES INTERNACIONALES
Los Estndares secundarios se transfieren a

Estndares de trabajo en produccin.
Para determinar la exactitud de los sistemas de

medicin se debe conocer su rastreabilidad a
Estndares nacionales e internacionales.
Resolucin: Para que el equipo de medicin

tenga una discriminacin adecuada en la
evaluacin de las partes, su resolucin debe ser
al menos 1/10 de la variabilidad del proceso
( LTNS - LTNI = 6 )
219
6.4 Definicin del Sesgo
Valor
Verdadero
Sesgo
Sesgo es la diferencia entre el promedio observado de las

mediciones y el valor verdadero.
220
6.4 Definicin de la Estabilidad
Tiempo 2
Tiempo 1
Estabilidad (o desviacin) es la variacin total de las mediciones

obtenidas con un sistema de medicin, hechas sobre el mismo
patrn o sobre las mismas partes, cuando se mide una sola de sus
caractersticas, durante un perodo de tiempo prolongado.
221
6.4 Definicin de la Linealidad
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Rango inferior Rango superior

Rango de Operacin del equipo
Linealidad es la diferencia en los valores real y observado, a travs del

rango de operacin esperado del equipo.
222
6.4 Estabilidad del Calibrador
Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante

periodos de tiempo relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de que

venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los promedios

sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere
Si es un calibrador de aire, puede necesitar un filtro o un regulador
Si es un calibrador electrnico, puede necesitar calentamiento previo.
223
Error R&R = RPT2 + REPR2
Para la fase de control del proyecto,
Precisin en relacin a la variacin slo substituya la Tolerancia por
Variacin Total.
total
TV= R&R + PV
%R&R = R&R *100 PV= variacin de parte = Rp x K3
Var. Total
Identificar qu porcentaje de la variacin total debe
absorberse como error de medicin.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!
224
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION TOTAL DEL
PROCESO:
La dimensin verdadera de
las partes se encuentra en VARIACIN DE PARTE
algn lugar de la la regin A PARTE
sombreada
Lo que fue
medido
LIE OBJETIVO LSE

Mientras ms mayor sea el % del R&R, mayor ser el rea de
incertidumbre para conocer la dimensin verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que estn fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que estn dentro de
especificaciones
225
6.4 Estudio de R&R
Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
226
6.4 Mtodos de estudio del error R&R:
I. Mtodo de Promedios- Rango

Permite separar en el sistema de medicin lo referente
a la Reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA

Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de
un operador y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es Ms Preciso

227
6.4 Realizando el estudio
R&R
Las partes deben seleccionarse al azar, cubriendo el RANGO TOTAL DEL PROCESO .
Es importante que dichas partes sean representativas del proceso total (80% DE LA
VARIACION)
10 partes NO son un tamao de muestra significativo para una opinin slida sobre el
EQUIPO DE MEDICIN a menos que
Los operadores deben haber sido debidamente entrenados para realizar las mediciones
Se debe medir con mucho cuidado en el mismo punto de las partes, con una limpieza
absoluta en el medidor y partes.
228
6.4 Proc. para realizar un estudio de
R&R
1. Ajuste el calibrador, o asegrese de que ste haya
sido calibrado.
2. Marque cada pieza con un nmero de

identificacin que no pueda ver la persona que
realiza la medicin.
3. Haga que el primer operador mida todas las

muestras una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las

muestras una sola vez, siguiendo un orden al azar.
229
6.4 Proc. para realizar un estudio de
R&R
5. Contine hasta que todos los operadores hayan medido
las muestras una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero
requerido de ensayos
7. Utilice el formato proporcionado para determinar las
estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los conceptos
mencionados
Anlisis del % de R&R contra Variacin Total y contra
tolerancia
8. Analice los resultados y determine los pasos a seguir, si
los hay.
230
6.4 Ejemplo:
Planteamiento del problema:

Las partes producidas en el rea de produccin, se rechazaron
en 3% por problemas dimensionales.
CTQ: Mantener una tolerancia 0.125
Sistema de Medicin: Se miden las partes con un calibrador de 2.
Estudio R&R del La dimensin A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
231
6.4 Mtodo corto
Se toman 5 partes y se miden por ambos operadores:

Pieza Operador A Operador B Rango A-B
#1 4 2 2
#2 3 4 1
#3 6 7 1
#4 5 7 2
#5 9 8 1
Rango Medio = Suma R / 5 = 7 / 5 = 1.4
El error del sistema de medicin = 4.33 * Rmedio = 4.33 x 1.4 = 6.1
El error contra tolerancia = (Error / Tol.) *100, por ejemplo si la tolerancia
es de 20, el % de error es de 30.5%, siendo inadecuado . 232
Mtodo Largo con X-media y Rango
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. lecturas
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
233
1. Clculo de las X-medias
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. Lecturas
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
Xmedia -A 9.3689 Xmedia-B 9.3584
234
2. Clculo de los Rangos
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento XmediaP
Rango Prom. Lecturas
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
Xmedia - A 9.3689 Xmedia - B 9.3584
Rmedio-A
Rmedio A 0.0174 Rmedio-B
Rmedio B 0.0052
Rango de 0.0630
Xpartes
LSCR = D4 x Rmedia Probar que ningn rango salga de control 235
3. Identificacin de Parmetros del Estudio y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
RmediaA 9.3689 XmediaB 9.3584
RmedioA 0.0174 RmedioB 0.0052 Rpartes
Rpartes 0.0630
Rango
de
Ancho de tolerancia====> 0.25 X-media mx.=> 9.3689
Medias
r Nmero de intentos => 2 X-media min => 9.3584 de
n Nmero de partes ==> 10 Diferencia 0.0105
partes
Nmero de operadores 2 de X-medias
K1 4.56 R-media de => 0.0113

Todos los
operadores
(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos)

K2 3.65 K3 (para 10 1.62
Partes)
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores) 236
6.4 Cartas de control X - R
Carta de Medias X: Grficar cada una de las medias de las

lecturas de cada operador, calcular media de medias y lmites
de control y verificar que haya cuando menos el 20% de
puntos fuera de control, asegurando que el instrumento
discrimina las diferentes partes.
LCmedias = Xmedia de medias +- A2 x R
Carta de Rangos: Graficar los rangos de las lecturas de cada

operador, calcular rango promedio de ambos operadores y
lmites de control, verificar que ningn rango sale de lmites, en
caso contrario repetir las lecturas fuera de control.
LCrangos = D4 x Rmedio (de ambos operadores)

237
6.4 Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (EV)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
EV = R x K1 = 0.0515
Reproducibilidad: La variacin en el promedio de las

mediciones (AV) se calcula sobre el rango de los promedios de
todas las mediciones, para cada operador, menos
el error del calibrador. Si la raz es negativa se toma cero.
AV = (Xdif * K2)2 - (DV2/(r * n)) = 0.0259
238
6.4 Clculo de R&R
El componente de varianza para Repetibilidad y

Reproducibilidad (R&R) se calcula combinando la varianza
de cada componente.
R&R = EV2 + AV2 = 0.0577
El componente de varianza para las partes (PV), se calcula

sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV = Rparte x K3 = 0.1021
239
6.4 Clculo de R&R
La variacin total (TV) se calcula combinando la varianza de

Repetibilidad y Reproducibilidad y la variacin de la parte.
TV = R&R2 + PV2 = 0.1172
Comparando contra la tolerancia (LSE LIE):

%EV = 100*EV/Ancho de tolerancia = 20.61
%AV = 100*AV/Ancho de tolerancia = 10.36
%R&R = 100*R&R/Ancho de tolerancia = 23.07

240
6.4 Clculo de R&R
Comparando contra la variacin Total del

proceso:
%EV = 100*EV/Variacin total = 43.95
%EV = 100*AV/ Variacin total = 22.10
%R&R = 100*R&R/ Variacin total = 49.20
%PV = 100*PV Variacin total = 87.06
CRITERIO: El % R&R debe ser menor al 10%

241
6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo

de medicin 10 partes en 3 intentos cada uno,obteniendo:
Mediciones Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
242
7. Mtodos de
mejora continua
243
7. CONTENIDO
1. Proceso de cambio organizacional
2. Trabajo en equipo
3. Manejo efectivo de juntas
4. Solucin de problemas por medio de

la Ruta de la Calidad
5. Ejemplos
244
7.1 Proceso de Cambio organizacional
245
7.1 Organizaciones tradicionales
Buscar culpables, Burocracia

Enfoque a seguir procedimientos y reglas
Olvido al cliente
Alto desperdicio en tiempo, materiales, papel

Poca atencin al empleado, mala seguridad
Comunicacin slo en sentido vertical
Mal Mantenimiento
Poco involucramiento y compromiso
Feudos/Revanchas/Poltica negativa
Autoridad jerrquica, sin equipos
Alta rotacin / Alto ausentismo
Bajo desempeo
246
7.1 Organizaciones modernas
El cliente es la mxima prioridad

Operacin limpia (ISO 14000)
Competitividad y finanzas sanas
Sistemas simples visuales y Operacin estable

Entrega oportuna y Trabajo en equipos
Ambiente de trabajo seguro y agradable
Desarrollo de empleados con multihabilidades

Comunicacin alta, horizontal y abierta
Desarrollo de personal, decisiones participativas
Productividad y mejora continua, reconocimientos
Empowerement a empleados / Personal motivado
Alta Calidad, enfoque a la gente
247
7.1 Organizacin Multifuncional
Team
Gerencial
Costos Produccin R Humanos Materiales Champion
Patrocinadores
Facilitador de Facilitador de Procesos

Facilitador de Mantenimiento de Recursos Humanos
Procesos / Proyectos / Proyectos
Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,

celdas de mfra., unidades de negocio 248
7.1 Reestructuracin
organizacional
Equipos de trabajo: solucin de problemas,

propsito especial, autodirigidos
Organizacin horizontal: elementos clave
Planes de reconocimiento: individual, grupal,

capacitacin
Diseo de puestos de trabajo: especializacin,
ampliacin, rotacin de puestos,
enriquecimiento
Normas de trabajo
Mtodos para la medicin del trabajo: estudios
de tiempo, muestreos, estndares
Curvas de aprendizaje
249
7.1 Equipos Kaizen
Las tres fases claves

Percepcin
Desarrollo de la idea, entre ms simples
mejor
Implantacin de la idea y efectos, Kaizen
busca el camino ms corto para lograr el
propsito
Puntos crticos de xito

Mejoras en la seguridad, en la calidad,
productividad, WIP, control visual
250
7.1 Estrategias para
Recursos Humanos
Eliminar continuamente actividades que no
agregan valor
Reducir el nmero de categoras ampliando
alcance de los puestos
Proporcionar recomendaciones a la Alta Direccin
sobre mtodos para aplanar la organizacin
Crear oportunidades e incentivos para la rotacin

normal de puestos y capacitacin cruzada.
Invertir en el desarrollo de Multihabilidades de los
empleados
Incluir planes de desarrollo de personal que estn
en lnea con las metas y objetivos
Facultamiento y desarrollo del personal

251
7.1 Proceso de cambio
organizacional
1. Autoanlisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofas y polticas.
5. Planeacin estratgica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluacin de resultados: indicadores clave.
9. Comunicacin en todas direcciones.
252
7... Consejos para
administradores
1. Mantener actitud positiva.
2. Poner planes por escrito.
3. Buscar causas de problema en el sistema.
4. Ser humilde: Escuchar a subordinados.
5. No tener miedo a expresar ideas.
6. Tomarse tiempo para capacitar a

subordinados.
7. Pensar, revisar y revisar.
8. Decir no a planes no realistas.
253
7... Consejos para
administradores
9. Tener empata con la gente.
10. Reducir la rotacin de personal.
- Reclutamiento y seleccin.
- Orientacin.
- Induccin de personal nuevo.
- Supervisin y capacitacin en el puesto.
- Auxilio de Recursos Humanos.
11. Falta gente capacitada Haga algo!
-Capacitar a la propia gente.
12. Conocer a sus sindicatos.

254
7.2 Equipos de trabajo
255
7.2 Equipos de trabajo
OBJETIVOS
Establecer una situacin de control.

Elevar el estado de nimo.
Mejorar las relaciones humanas.
Mejorar el rea de trabajo.
Pensar y usar los conocimientos.
Ampliar la forma de pensar.
Mejorar el ingreso.
Mejorar el aseguramiento de calidad.
Los ingenieros se pueden dedicar a otras tareas.
256
7.2 Introduccin
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL PERSONAL
2.- LA ARMONIA ENTRE LAS PERSONAS
OBJETIVOS
3.- LA FORMACION DE UNA DEL
CULTURA EQUIPO
257
7.2 Qu es un...?
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO

DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE

PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?

258
7.2 Tienen en comn...
6 7 (maximo 10) personas trabajando
en estrecha interrelacion,
interaccin y comunicacin
dirigidas hacia un
OBJETIVO COMUN
259
7.2.. Anlisis de Fuerzas
FUERZAS NEGATIVAS. FUERZAS POSITIVAS.
EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES
260
7.2 Ejemplos de fuerzas negativa
HABILIDADES FALTA DE ESPIRITU

PERSONALES DE EQUIPO
NO APROVECHADAS
INCAPAZ DE
PRIORIDADES DE OBJETIVO PARTICIPAR EN LOS
DEPARTAMENTO INTERESES DEL
DEL EQUIPO
EQUIPO
CONFLICTO DE OBJETIVOS
EQUIPO PERSONALES
261
7.2 El objetivo del equipo
EL
ELOBJETIVO
OBJETIVODEL
DELEQUIPO
EQUIPOELIMINA
ELIMINALAS
LASFUERZAS
FUERZASNEGATIVAS
NEGATIVAS
1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
2.-Cuales son mis objetivos como integrante del equipo....?

_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
262
7.2 QUE PUEDO HACER YO PARA AYUDAR
A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________
__________________________________________________________
__________________________________________________________
2.-__________________________________________________________
__________________________________________________________
__________________________________________________________
3.-__________________________________________________________
__________________________________________________________
__________________________________________________________
4.-__________________________________________________________
__________________________________________________________
__________________________________________________________
263
7.2 Normas de los equipos
Cada equipo establece sus propias normas de trabajo, tomando en

cuenta los elementos siguientes:
SEGURIDAD
LA SEGURIDAD OTROS LA CALIDAD
EL MANTENIMIENTO DEL
MANTENIMIENTO EQUIPO LA PRODUCCION
ASISTENCIA O LOS COSTOS

EL MEDIO AMBIENTE LOS CLIENTES
PUNTUALIDAD
264
7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a menos que el
equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razn.
3.- Cumplir con las asignaciones.
4.- Cumplir con las fechas compromiso., etc.
Cuales son las normas de funcionamiento de mi equipo de

mejora...?
1.- __________________________________________
2.- __________________________________________
3.- __________________________________________
265
7.2 Responsabilidades del equipo
PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:
COOPERACION
ASISTENCIA COMUN
DIVISION DEL TRABAJO
266
7.2 Organizacin de los equipo
TODOS PERTENECEN A UNA MISMA AREA DE TRABAJO

PERO TIENEN RESPONSABILIDADES DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.
SE FORMAN POR UN LIDER Y EL LIDER DEL EQUIPO ES

MIEMBROS DEL EQUIPO ELEGIDO POR LOS MIEMBROS
DEL EQUIPO
EL LIDER APLICA EL LIDERAZGO POSITIVO, EDUCA,

DESARROLLA, APOYA, ENTUSIASMA Y DESARROLLA
267
7.2 Organizacin de los equipos
EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR ESPECIAL
EN EL AREA DE TRABAJO
2.-LEJOS DEL MISMO SI ES POSIBLE
CADA CUANDO SE REUNEN...?
PERIODICAMENTE DE ACUERDO A LAS

NECESIDADES DEL EQUIPO. (1 0 2 VECES POR
SEMANA, 1 VEZ AL MES, ETC.)
268
7.2 Organizacin de los equipos
LOS EQUIPOS DE MEJORA CONTINUA

REQUIEREN DE CAPACITACIN
CONTINUA:
DETECTAN SUS NECESIDADES

DE ENTRENAMIENTO
269
7.2 De quin necesitan apoyo . . . ?
1. Apoyo Total de la direccion / gerencia general.
2. Del lder que coordina y desarrolla a los integrantes.
3. De otras reas, especialistas o tcnicas que les ayudan

a resolver los problemas que ellos no pueden resolver.
4. De otros equipos de mejora.
270
7.2 El lder del equipo
LIDER:
ES AQUEL QUE GUIA, ENSEA Y DA EL EJEMPLO A SU
EQUIPO DE MEJORA CONTINUA. DEBEN TENER....
FLEXIBILIDAD
PACIENCIA
HONESTIDAD
HABILIDAD DE COMUNICARSE
Y
ELIMINAR
ELIMINAREL
ELFRACASO
FRACASO
HACIENDO
HACIENDOPOSIBLE
POSIBLELO
LOIMPOSIBLE
IMPOSIBLE
271
7.2 De quin necesitan apoyo
EQUIPOS DE
MEJORA CONTINUA
LIDER DE EQUIPO
EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
DIRECCION EQUIPO DIRECTIVO
272
7.2 Problemas comunes
1. Apata de los equipos para generar

resultados.
2. Falta de apoyo econmico y motivacin
personal por la direccin.
3. Comunicacin mnima entre jefes y
coordinadores.
4. Apata de la gente.
5. Poca comunicacin.
6. Exceso de bomberazos en reas saturadas
de trabajo.
7. No se mantiene la disciplina por el lder del
equipo.
273
8. La situacin de crisis afecta a los equipos

9. No hay compromiso de la Direccin.
10. Mala actitud de personal y no hay
medicin de trabajo estadsticamente.
11. No se cuenta con asesora profesional.
12. Escasez de tiempo para juntas de trabajo
13. No hay un sistema de control y
aseguramiento de calidad.que funcione
274
14. Baja participacin de los departamentos. de la

empresa.
15. Falta de involucramiento de las gerencias y
direccin.
16. Falta de apoyo de gerentes y superintendentes.
17. No se dan facilidades para asistir a conferencias
y congresos de equipos de trabajo
18. Falta conocimiento en la aplicacin de las 7
herramientas estadsticas.
19. Falta constancia y disciplina en las tareas una
vez iniciadas.
275
20. Cambio de citas de reunin por actividades de

participantes.
21. Falta de conocimiento de mtodos de
estandarizacin.
22. Falta de involucramiento de algunas reas de
calidad total.
23. Problemas de inestabilidad generados por la
crisis.
276
7.3 Manejo efectivo de
Juntas y reuniones
277
7.3 Tipos de reuniones
Para control y mejora (30-60 min.)
Asignar tareas y responsabilidades.
Contribuir a procesos de solucin de problemas.
De comunicacin (15 - 20 min.)

Metas de la semana, avisos de reunin, breve
explicacin
De informacin (10 - 15 min.)

Reporte de evento.
Reflexiones de lectura/tarea.
278
7.3 Tipos de reuniones
De estudio (30-60 min.)

Trabajo en equipo, calidad.
Conocimiento de producto o servicio.
De seguimiento (15 - 30 min.)

Verificacin y anlisis de tareas
asignadas en Control y Mejora.
De memorandum (5 10 min.)
Avisos escritos de diversa ndole.
279
7.3 Funcin del coordinador
1.- Crear una atmsfera apropiada para que los participantes

externen sus ideas y opiniones libremente.
2.- Obtener la informacin necesaria ..
3.- Anticipar las reacciones positivas y negativas de las personas.
4.- Crear un sentido de trabajo en equipo, que sea llevado al mismo

lugar de trabajo.
HACIENDO POSIBLE LO IMPOSIBLE!
280
7.3 Funciones del coordinador
1.- Pedir ideas a todo el grupo y en forma Individual.
2.- Mantener la junta en el tema.
3.- Clarificar la informacin.

4.- Ayudar a desarrollar ideas completas.
5.- Replantear el punto si no esta claro.

6.- No culpar nunca a nadie si no es claro en sus ideas.
7.- Aceptar todas y cada una de las sugerencias.

8.- No criticar, modificar o evaluar de inmediato una opinin.
9.- Asegurarse que se cumplan los objetivos (Dando seguimiento)

10.- Asegurarse que la agenda sea cubierta en el tiempo
establecido.
281
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y visibles enfrente del lugar
de reunin.
2.- Difiera la informacin que no este relacionada con el tema a

discutir .
3.- De reconocimiento a los participantes cuyas opiniones se

relacionen directamente con el tema, este debe ser verbal y frente
al grupo.
282
7.3 Ejercicio
Seleccionar un tema a tratar de la vida real
Establecer reglas y objetivos
NOTAS
Como se comporto el equipo . . . ?
___________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
283
7.3 Ejercicio
Como se comportaron los integrantes . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
Se cumplio el objetivo . . . ? SI___ NO____
Por que . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
284
7.4 Solucin de problemas por
medio de la Ruta de Calidad
285
7.4 Los 11 pasos de la Ruta de la
calidad
1. Seleccin del problema
2. Razn de la seleccin
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnstico de la situacin actual
6. Identificacin de causas
7. Anlisis de soluciones
8. Implantacin de soluciones
9. Verificacin de soluciones
10. Prevencin de la reincidencia y estandarizacin
11. Reflexiones y tareas futuras
286
7.4 La ruta de la calidad
1.- SELECCIN DEL TEMA
PLANEAR 2.- RAZON DE LA SELECCIN

3.- ESTABLECER OBJETIVOS ESTABLECER LA
P
FORMA IDEAL
4.- PROGRAMA DE ACTIVIDADES
5.- DIAG. DE SITUACION ACTUAL
HACER 6.- ANALISIS DEL PROBLEMA BUSQUEDA DE EN CASO

D 7.- ANLISIS DE SOLUCIONES CAUSA REAL DE NO
HABER
8.- IMPLANTAR SOLUCIONES EFECTO
CHECAR
C 9.- VERIFICACION DE SOLUCIONES
10.- PREVENCION DE LA
ACTUAR REINCIDENCIA POR INICIATIVA
A HACER
11.- REFLEXION Y TAREAS
UN EJEMPLO
FUTURAS
INMEDIATAMENTE
287
7.4 Beneficios de la ruta de la
calidad
1.- Es un mtodo estndar para resolver problemas.
2.- Se usa para mejorar procesos administrativos, de

manufactura e individuales.
3.- Se usa para sistematizar la forma en que se mejoran

los procesos.
288
289
Anlisis de situacin actual e identificacin

de problemas.
Una vez seleccionado el tema:
- Comprensin de elementos
situacionales.
- Cuantificacin de datos reales.
- Identificacin de factores de
variabilidad.
290
* Seleccionar el problema en base a las polticas de la

organizacin, al jefe inmediato y a los resultados de sus
actividades diarias. Se sugieren sean problemas enfocados a
impactar al cliente.
* Cmo nombrar el problema? Menor Costo, Ms rpido,

Mejor desempeo
1).- Expresar concretamente el grado del problema. (el tema

no deber ser demasiado amplio).
291
2).- Es mejor no usar la solucin para nombrar un problema, sin

antes realizar la bsqueda de la causa verdadera, se crear duda
de si esa solucin es la definitiva.
3).- Criterios para seleccionar el problema
Seguridad Calidad
Entrega Costo
Moral
2 GUOQCSTORY.PPT
292
2. Razn de la Seleccin
Porque?
3 GUOQCSTORY.PPT
293
*Expresar los antecedente, la importancia y la prioridad de los
problemas.
Explicar por qu se seleccion el problema
* Efecto econmico, reclamo de mercado,rechazos, % de ventas

perdidas , otros.
* Impacto para los procesos posteriores, monto de prdida,

incremento de tiempo de operacin, paro de lnea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones
arriba descritas mediante las 7 herramientas bsicas, las 7 nuevas
herramientas, etc; y enfocarse en un solo tema.
4 GUOQCSTORY.PPT
294
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluacin
Criterio de evaluacin 3 puntos 2 puntos 1 punto
Evaluacin
Problema Impor- Prior. Poltica Periodo Facti- Orden

tancia Depto. de Ejec. bilidad
DEVOLUCIONES 12 Puntos
1er. lugar
10 Puntos
ENTREGAS TARDIAS 2o. lugar
10 Puntos
DOCS. INADEC. 2o. lugar
9 Puntos
NIVEL SERVICIO 3er. lugar
295
Ejemplo2 : Utilizacin de la grfica lineal y el diagrama de Pareto.
periodo 6/Mayo/98 - 15/junio/98
n = 5,000
x = 0.48 %
% de incidencia
(%)
1
0.51 0.53
0.47
0.8 0.45 0.46 0.46
objetivo del grupo 0.3%

0.6
6/mayo-11 13 - 16 20 - 24 27 - 31 3/junio - 7 10 - 15
0.4
PARETO DE DEFECTOS DEL PRODUCTO A

0.2 PERIODO 6/MAY/98 AL 15/JUNIO/98 (%)
(CASOS)
NUMERO DE DEFECTOS
n = 170
0
170 100
% ACUMULADO
160
140
80
120
30 %
100
51 60
80 31 27 25 20
60 16 40
CONTAMINACION
ALTURA MAYOR
ADHESION
MULTIPLE
40
Y MENOR
CORTE
CORTE
DOBLE
PORO
BAJA
20
20
0 0
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y adems de investigar
las causas de incumplimiento se encontr que DOBLE CORTE" es el ms problemtico,
por lo que se seleccion como tema.
5 GUOQCSTORY.PPT
296
3. Establecimiento de objetivos
PUNTO CRITICO ACTIVIDADES
* Aclarar la meta del valor del objetivo. * Indicar el objetivo con valores en forma numrica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relacin con el
expectativas en el objetivo, si no esta- efecto esperado .
blecer un objetivo factible de manera es-
calonada.
* El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisin de impulso QU? ****** Reducir el defectuoso en productos A
(sin analizar).
HASTA CUNDO?****De Mayo del 97 a
(Punto clave para establecer el valor Abril del 98
objetivo). HASTA CUANTO?****Bajar hasta 1%
* Definirlo tomando en cuenta las polticas menos del 1% promedio de defectuoso.
de la empresa.
* En caso de no tener un concepto claro de * Hay un mtodo para establecer el objetivo

las polticas, analizar la importancia de final de una vez; otro estableciendolo en forma
los problemas y / o mejoras, cuando nos gradual entre objetivo primario y secundario,
ocasionen un defecto al proceso pos- establecer periodos de tiempo cortos.
terior, factibilidad de cumplimiento, pro-
grama, distribucin de cargo, etc. y de- Establecer objetivos graduales en los casos
finirlo. Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras reas.
(3).- Que se requiera la seleccin de las actividades
conforme a la habilidad real del grupo de trabajo
Establecer un objetivo que tenga relacin con la seleccin del tema y razn de la seleccin.
297
Ejemplo n 1 Establecimiento del
Objetivo con fundamento
EJEMPLO N2 CONCEPTO CONTENIDO ESTABLECIDO

VALOR OBJETIVO IGUAL O MENOR DE 1%
FECHA LIMITE FIN DE Abril de 1998
EFECTO ESPERADO 3% DE INCREMENTO EN EL % DE AHORRO
IGUALAR AL
(%) 8 x 1 NIVEL PAIS
6 1
2 2 IGUALAR AL
4 3 2
4 PASADO
2 3 IGUALAR A
OTRAS LINEAS
0 4 ESTABLECER
10 11 12 1 2 3 4 EN BASE A LA
POLITICA
6 MESES
El objetivo debe ser establecido en consenso OBJETIVO
FINAL 298
Ejemplo n 3: Establecimiento gradual del objet
Se debe tomar en cuenta el problema real anterior, etc.,

para que los datos sean razonables y convincentes.
CONDICION ACTUAL
(%) 6
VP 5
E E
4
3 OBJ. PRIMARIO
NR 2
T D 1 OBJ. SECUNDARIO 0%
A I 0 1 2 3 4 5 6
SD
OBJETIVO FINAL
A
S PERIODO DE TIEMPO
7 GUOQCSTORY.PPT
299
4. Programa de actividades
ASIGNACION DE LAS TAREAS
POR QUE ? QUE ? QUIEN ? CUANDO ? COMO ? DONDE ?
PROPOSITO CONCEPTO DE ACT. RESP. FECHA
CONOCER LA HOJA DE
COMPRENDER LA
SITUACION Juan Prez may-97 CHEQUEO Y Mquina
SITUACION ACTUAL
ACTUAL GRAFICA
DIAGRAMA DE
QUE ESTA
ANALISIS TODOS JUN. 97 CAUSA Y Reunin
MAL ?
EFECTO
COMO SE PLAN DE
ACCIONES
PUEDE TODOS JUN. 97 ACCIONES Reunin
CORRECTIVAS
MEJORAR ? CORRECTIVAS
SE PUEDE
CONFIRMAR EFECTO TODOS JUL. 97 GRAFICA Mquina
MEJORAR ?
CAMBIO DE ING.
EMISION DEL
PROCEDIMIENTOS Y PRODUCT JUL. 97 Mquina
CAMBIO
PREVENCION ESPECIFICACIONES O.
DE
REINCIDENCIA REFLEXION DE LAS
LLUVIA DE
ACTIVIDADES Y TODOS ene-98 Reunin
IDEAS
TAREAS FUTURAS
8 GUOQCSTORY.PPT
300
5. Diagnstico de la situacin actual
Observar de manera exhaustiva la condicin real de * Investigar a fondo de manera que se pueda
lo problemtico y checar a travs de los datos. dar el siguiente paso (anlisis).
Investigar la diferencia en las variaciones del * Investigar clasificando por tiempo, proceso, turno
comportamiento de los fenmenos. operador, mtodo de operacin, material, lote,
procedimiento, tipo de mquina, clima,
Lo que se busca es confirmar la condicin real no temperatura, humedad, operacin, estndar
encontrar las ideas de solucin.
* De inmediato ver fsicamente las cosas en campo, siendo realista, mostrar grficamente lo investigado de
tal forma que se vean fcilmente las diferencias, problemas, etc. Usar las 7Hs, concluir e iniciar anlisis.
EJEMPLO No. 1 PARETO 100%
100
80%
80 60%
60 40%
40
20%
20
0
O
N
IO
O
S
ZA
AS
IO
AD
80% VITALES
O
ET
C
C
AN
TR
SU
EJ
C
PL
LU
O
U
20% TRIVIALES
D
M
IV
O
Q
O
O
TA
U
EV
PR
C
EQ
D
IN
301
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO
302
Determinar las causas raz.
1. Anlisis de posibles causas.
2. Relacin causa-efecto.
3. Uso de herramientas.
4. Cuantificacin de posibles
causas
5. Seleccin de causas reales.
6. Experimentacin y prueba de
hiptesis y causas probables.
7. Determinacin de causas
reales.
303
- Identificar las posibles causas verdaderas - En base al conocimiento de la situacin actual,
(factores) del anlisis de la situacin actual identificar las posibles causas verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa) VERIFICAR CADA UNO DE LOS FACTORES
como una alternativa de anlisis - Repetir la pregunta "porqu" 4-5 veces
- Buscar la causa(s) real(es) desde los factores. - Ir a piso a verificar fsicamente cuantas veces
- Hay casos en que se pueden conseguir los efec- sea necesario, sobre todo observar bien.
tos (resultados) de un anlisis al investigar a fon- - Analizar a fondo involucrando al jefe inmediato,
do la situacin actual. staff y las reas relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de solucionar un problema diciendo
excusas. Ejemplo: "Es la primera vez que aparece, "No tenemos experiencia", etc.
MAQUINARIA MANO DE OBRA
FALTA AIRE FALTA CAPACITACION
BARRA SOPORTE DE RETROALIMENTACION FALTA DE COMPROMISO
PAPEL DESALINEADO
ROLLOS PESADOS LINEA DE
APLICACIN DE PAPEL
BOLSA DAADA
PAPEL MANUAL MAL CORTE PAPEL
PAPEL FUERA DE MAT. FRESCO
NO SE MIDEN ESPESORES
ESPESOR
POCO ESPESOR NO SE SIGUE EL PROC:
MATERIAL
FLUJO DE PAPEL EN APLICACIN DE
LA PARTE SUPERIOR CINTA
DEL MOLDE INCORRECTO
METODO
304
Cada causa tiene soluciones basadas

en:
1. Definicin de soluciones.
2. Evaluacin de stas.
3. Definicin cuantitativa de mejores.
4. Uso de mtodos de Control de

Calidad.
5. Desarrollo de plan de
implementacin.
305
* Eliminar la causa real que se encontr como resul- * Planear las medidas correctivas para cada una
tado del anlisis. (no eliminar los fenmenos) de las causas encontradas a travs del anlisis.
* Recabar todas las ideas de los miembros del gru- * Dividir las medidas correctivas en dos tipos:
po, jefe inmediato y personas relacionadas. 1) Medida contingente provisional
* Pensar medidas fsicas, ms que personales, pa- 2) Medida correctiva. sobre las causas raz
ra que la accin correctiva sea estable y sin para prevenir la reincidencia
variacin. (poka-yoke)
Evaluar las ideas de Kaizen. Hacer una evaluacin de efectos, factibilidad, economa, grado de tecnologa,
operatividad, seguridad, etc. Elaborar propuesta operativa y preparar los recursos requeridos.
EJEMPLO No. 1:
Factibilidad
Evaluacin
Prioridad
FECHA
Efecto
3 PUNTOS
LIDER
2 PUNTOS 1. CONTROLAR
1 PUNTO ESPESORES EN MAQ.
5 J Prez. Junio 97
A. CONTROL DE
2. VERIFICAR 4 OPERADORES
Junio 97
ESPESORES
DE PLSTICO ESPESORES Junio 97
ANTES DE DE 3 OPERADORES
3. CAMBIAR
LINEA CONSTRUIR
MATERIAL
DE
PAPEL 1. MODIFICACION AL Julio
B. MODIFICAR 5
APLICACIN
APLICADOR DEL PAPEL J. Prez 97
DE PAPEL. Julio
2. CAMBIAR ANCHO DE 4 J. Prez 97
PAPEL
14 GUOQCSTORY.PPT
306
15 GUOQCSTORY.PPT
307
8. Implantacin de
soluciones
1. Explicacin de implementacin.
2. Descripcin de reas afectadas.
3. Descripcin de obstculos.
4. Anlisis cuantitativo de impacto.
5. Anlisis cuantitativo de situacin
mejorada vs. situacin actual.
6. Medicin de efectos secundarios.
7. Uso de herramientas .
308
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundadarios que puedan afectar al producto o reas*
Los equipos implantan las acciones correctivas y despus poner en prctica las luciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
A QUE? - COMO?
NO CUANDO DONDE RESU JUICIO QUIEN
TOPE PROC. DE LTAD
LIMPIEZA O
AUNQUE SE DA
BARRA DE EFECTO J. PREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
PARA LOS EXISTE POCO L.TORRES

2 JULIO 97 MOLDES DEFECTO
309
PARA LA LINEA DE PAPEL:
APLICACIN
ANTERIOR
DEL PAPEL
CON LA ACCION CORRECTIVA

SE MODIFIC LA APLICACIN DEL PAPEL,
ASEGURADO CON UN TOPE (POKA YOKE)
EN LA BARRA DE APLICACION
310
9. Verificacin de soluciones
* Verificar hasta obtener efectos estables ampliando * Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de * En caso de aplicar varias medidas
correctivas
"razn de seleccin del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de KAIZEN respecto al objetivo. confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
Ejemplo 1.
% 2.5
2.33
D 2.19
2.1 2.14
2.22 %D < 1 %
2 2
E 1.9
1.8 1.76
1.7
F 1.5
1.6
1.5
E 1.32
1.4
1.3
1.2
C 1
0.9 0.94
1.1
1
0.99 0.94
0.87
T 0.79
U 0.5
S
0
O may-97 jun-97 jul -97 ago-97 sep-97 oct-97 nov-97 di c-97 ene-98 feb-98 Mzo-98
311
abr-98
Ejemplo 3.
UMI MICRO V - TIMING BELTS

BENCHMARKING DEFECTUOSO TIMING BELTS
9.5
10
8 6.85
6
3.3 3.27
%
4 2.66
2 0.9
0
MONCKS C. DUMFRIES COREA BRASIL JAPON MEXICO
312
10. Prevencin de la reincidencia
Estandarizacin
DISPOSITIVOS A PRUEBA DE ERROR ( Poka - Yokes ).

313
10. Estandarizacin
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicacin de soluciones en otros

procesos.
5. Uso de mtodos de estandarizacin.

.
314
10. Prevencin de la reincidencia
* Hacer estandarizacin para prevenir la reincidencia * Mantener y controlar los efectos
* Con el fin de mantener y controlar lo estandariza- * Hacer estandarizacin.
do, establecer sistemas y realizar la revisin de los Equipos
equipos, capacitacin y entrenamiento de manera Poka-yoke, dibujos, hoja de especificaciones,
peridica. instructivo de manejo, muestreo de lmite.
Mano de obra
Confirmar el resultado de la modificacin Capacitacin y adiestramiento de habilidad
Comunicar adecuadamente a las reas tcnica en base a la operacin
involucradas Calidad: Carta de control de proceso.
EJEMPLO 1:
Por qu Qu Donde Cundo Quin Cmo
Medidas 5 W 1 H Why What Where When Who How
correctivas
Integrar botador Chequeo En almacn 1 vez cada Turnar
Botador Chequeo
1 de electrodo despostilladora de de Htas. 3 das responsable visual
de filos
en martillo electrodo hoja de chequeo
Adopcin de Chequeo Base de Proceso Cada Turnar Chequeo
electrodo roscado de dao en electrodo usuario. semana responsable visual
2 rosca inferior hoja de chequeo
Prevencin de Prevencin Chequeo

Automatizacin En el 2 veces Turnar
3 sobrecalenta- de sobreca- proceso por da responsable visual
de paro de agua miento lentamiento hoja de chequeo
cada da
Cada vez que se presente un problema, se investiga y se toman medidas correctivas
315
Ejemplo No. 2
5W
Por Cun
1H Qu Donde Quin Cmo
1 Medidas qu do
correctiva
What Where When Who How
s
Why
2
CORRECTA CHE
INTEGRAR
APLICACIN QUE
TOPE APLICA J.
DE PAPEL. TOPE JULIO O
DOR PEREZ
DE 97 VISU
PAPEL AL
TISSUE
INST.PARA
ELABORAR PARA APLICAR PROCESO PRO
PROCEDIMIEN ESTANDARIZAR AGOSTO ING. DE
DE PAPEL DEL CEDI-
TO LAS 97 PRODUC
TISSUE USUARIO MIEN
OPERACIONES TO
TO
316
11. Reflexiones
Anlisis de resultados
1. Comparacin cuantitativa.
2.Evaluacin cuantitativa de
resultados intangibles.
3. Anlisis del impacto econmico
4. Presentacin de resultados
Conclusiones
1. Evaluacin objetiva.
2. Descripcin de problemas
pendientes.
3. Descripcin del plan de accin. 317
318
PUNTOS CRITICOS ACTIVIDADES
* Aclarar la diferencia entre la planeacin y el resul- * Aclarar los puntos positivos y negativos.
tado. Reflexionar sobre la satisfaccin lograda. * Registrar las actividades tomando en cuenta
* Resumir los planes futuros en forma concreta. el efecto fsico, QC Story, administracin de
* Aprovechar puntos positivos de resultado y apren- grupo, juntas, herramientas, programa,
der de puntos negativos. asignacin de funciones, entusiasmo
EJEMPLO:
A) Efecto fsico. A
B) Participacin. J B
C) Aprovechamiento
del mtodo QC.
D) Trabajo en equipo. I C
E) % Participacin en
juntas.
F) Puntualidad H
G) Asignacin de D
funciones.
H) Mejora de G
conocimiento. E
F
I) % de cumplimiento
de programa.
J) No. de juntas. Grfica de Radar
319
7.5 Ejemplos
320
8. Mtodos de muestreo
321
Muestreo aleatorio estadstico
Muestra n
Lote N
322
Muestreo de aceptacin
Calificacin de lotes: sin inspeccin, insp. 100% y

muestreo
Ventajas de la aceptacin por muestreo:

Aplicable a pruebas destructivas
Menor costo de inspeccin
Menor tiempo de inspeccin
Menor manejo de producto
Presin al proveedor para mejorar su calidad
Desventajas de la aceptacin por muestreo

Riesgo de aceptar lotes malos o rechazar buenos
Poca informacin sobre el producto o proceso
Requiere planeacin
323
Tipos de muestreo de
aceptacin
Muestreo por atributos
Muestreo simple
Muestreo doble
Muestreo mltiple
Muestreo por variables

Calificacin por variables (un plan por cada
caracterstica)
Plan en base a la posicin de la media
324
Formacin de lotes y
muestreo
Los lotes deben ser homogneos es decir
haberse producido bajo las mismas condiciones
de manufactura
Es mejor inspeccionar lotes grandes que

pequeos
Los lotes deben ser fciles de manejar tanto con

el cliente como con el proveedor
Las muestras se deben seleccionar en forma

aleatoria y deben ser representativas de todo el
lote
325
Muestreo por atributos
326
Muestreo simple por atributos
Se define por su tamao de muestra n y el
nmero de aceptacin c mxima de partes
defectivas (N tamao de lote)
Pa es la probabilidad de aceptar un lote con

fraccin defectiva p con base en el plan de
inspeccin
Pa n-c
1
Pa es
0.8la probabilidad acumulada
Curva de Poisson de
caracterstica
(Excel)
0.5 Operacin dado una
0.3 Tamao de muestra n
0.1 y un criterio de aceptacin c
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
327
n tamao.de.muestra
c criterio.de.aceptacion
d defectivos.encontrados.en.la.muestra
p fraccion.defectiva.en.el .lote
c
n!
Pa P (d c) p (1 p )
d n d
d 0 d !( n d )!
Calcular la probabilidad de aceptar un

Lote defectivo con p=0.01, n=89, c=2
328
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson
a) Determinar la Pa con n=89 y

c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
329
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribucin Hipergeomtrica
a) Determinar la Pa con n=50, N = 500

c = 0, 1 y 2
b) Observar que pasa si se anteponen
A las curvas OC tipo B
330
Diseo de un plan de
muestreo
con una curva OC especfica
Si se quiere un plan en el cual p1 = 0.01 y alfa =
0.05, p2=0.06 y beta = 0.1 se procede como
sigue:
Se localiza en el nomograma la interseccin de

las lneas que conectan (p1=0.02, 1-alfa=0.99) y
(p2=0.06, beta=0.1)
Se localiza la interseccin y se determinan n y c

del mismo nomograma
Encontrar el plan de muestreo para
p1 = 0.02, alfa =0.01, p2 =0.06 y
Beta=0.1 331
Inspeccin rectificadora
9 lotes son
Entrada de 100 aceptados a pesar
n =200
lotes de cierto de tener un 2%
proveedor con Pa c=1
defectivo:
N=10,000 y
Es decir ingresan
p = 0.02
P=0.02 88,820 piezas OK
AOQ
Y 1800 piezas KO
91 lotes son Total de piezas OK Alm.

rechazados y
seleccionados 998,820
por el
Piezas defectivas
proveedor, deja
910,000 piezas 1,800
OK
0.18% AOQ 332
Conforme se disminuye c o se aumenta n la
probabilidad de aceptar lotes defectivos se
reduce Pa
AOQ es la calidad de salida promedio despus de

aplicar un plan de muestreo a los lotes del
proveedor, donde algunos lotes se aceptan y
otros
AOQ =se rechazan Planta
para seleccin 100%
Fraccin p*Pa
defectiva que
ingresa al 0.3 Almacn
almacn o
planta 0.25 Fraccin
despus de defectiva
aplicar el plan 0.20 AOQL que enva el
de muestreo proveedor
0.15
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
333
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva AOQ para N grande
a) Determinar la AOQ= p*Pa con

n=89 y c = 0, 1 y 2
para n=50, 100, 200 para c=2
334
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva ATI para N grande
a) ATI=n + (1-Pa)(N-n) con

n=89 y c = 2
para N=1000, 5000 y 10000 con
n = 89, c=2
335
ATI 10,000 N=10,000
N=5,000
N=1,000
p
336
Planes de muestreo doble
Bajo ciertas circunstancias es necesario
tomar una segunda muestra para tomar una
decisin. Muestras n1 y n2 con criterios de
aceptacin c1Inspeccionar
y c2 1a.
Muestra con n1=50
d1 = # de defectivos Si
Si
d1 > c2 = 3
d1<=c1=1
1< d1 <= 3 Rechazar lote
Aceptar lote Inspeccionar 2a.
Muestra con n2=50
d2 = # de defectivos
Si d1 + d2 Si d1+d2 > c2
<= c2 =3 Con c2 = 3
Aceptar lote Rechazar lote
337
Curva OC Muestreo doble
Pa Probabilidad de rechazo
con Primera muestra
Probabilidad de
Aceptacin con
Probabilidad de
Muestras combinadas
Aceptacin con
Primera muestra
p
338
Probabilidad de aceptacin en el muestreo doble
Pa PaI PaII 0.279 0.010 0.289

1
50!
P
a
I
(0.05) d 1 (1 0.05)50d 1 0.279
d 1 0 d1!(50 d1)!
PaII PaII (1) PaII (2) 0.009 0.001 0.01

P (1) P d1 2, d 2 1 P d1 2 * P d 2 1 0.009
a
II
PaII (2) P d1 3, d 2 0 P d1 3 * P d 2 0 0.001
339
Probabilidad de rechazo
Pr Pr P
I
r
II
2
50!
Pr 1
I
(0.05) d 1 (1 0.05)50d 1
d 1 0 d1!(50 d1)!
Pr P (1) Pr (2)
II
r
II II
PrII (1) P d1 2, d 2 1 P d1 2 * 1 P d 2 1
PrII (2) P d1 3, d 2 1 P d1 3 * P 1 P d 2 0
340
Curva ASN Average Sample
Number
ASN bajo inspeccin completa
ASN n1P1 (n1 n 2)(1 P1)

P1 P lote.aceptado.en. primera.muestra
P lote.rechazado.en. primera.muestra
P1 P (d1 1) P (d1 3)
P(d1 3) 1 P(d1 3)
341
Curva ASN Average Sample
Number
ASN bajo inspeccin recortada en 2a. Muestra al tener d >c2
c2
ASN n1 P (n1, j ) n 2 PL (n 2, c 2 j
j c11
c2 j 1
PM (n2 1, c 2 j 2)
p
P(n1, j ) probabilidad .de. j.defectivos.en.muestra.n1
PL (n2, c 2 j ) prob.de.obser var.c 2 j.o.menos.defectivos.en.muestra.n2
PM (n2 1, c 2 j 2) prob.de.obser var.c 2 j 2.defectivos.en.muestra.n 2 1
342
Curvas de ASN para diferentes planes
de muestreo: simple, doble y doble
recortado
Plan: n1=60, n2=120, c1=2, c2=3
120
ASN
Inspeccin doble
completa
Inspeccin
90
simple
Inspeccin
recortada
60
0.02 0.04 0.06 0.08 0.10 0.12
p
343
Diseo de planes de muestreo dobles
Se utilizan tablas especiales para disear los

planes de muestreo doble en funcin de (p1,
1-alfa) y (p2, beta)
344
Curva AOQ y ATI Muestreo doble
Ecuaciones para AOQ y ATI:
PaI ( N n1) PaII ( N n1 n 2) * p

AOQ
N
ATI n1* PaI (n1 n 2) * PaII N (1 Pa )
345
Muestreo mltiple
Es una extensin del muestreo doble, por ejemplo:
Muestra Aceptar Rechazar

20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Su ventaja es que las muestras requeridas en cada

etapa son ms pequeas que las requeridas en
muestreo simple o doble y se tiene menor costo pero
es ms complejo
346
Muestreo secuencial
347
Muestreo secuencial
Se toma una secuencia de muestras de un lote
n dependiendo de los resultados de la
inspeccin
Para cada punto la X es el nmero de puntos

seleccionados hasta cierto tiempo y la
No.de ordenada
7 Xb
el nmero de defectivos hallados
Defectivos 6
5 Rechazar
4
Continuar Xa
3
h2
2 Aceptar
1
0
-1 10 20 30 40
-2
-h1 348
Muestreo secuencial
X ACEPTACION h1 sn Curva OC
1-Alfa
X RECHAZO h2 sn
h2/(h1+h2)
p 2 (1 p1 )
k log
p1 (1 p 2 )
Beta
1 p1
s log k
p1 s p2
1 p2
1 Calcular ecuaciones
h2 log k
para:
1 p1 = 0.01, Alfa = 0.05

h1 log k
p2 = 0.06, Beta = 0.10 349
Resultados del muestreo
n
secuencial
Xa Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
46 0.068 2.858 0 3
350
23 -0.576 2.214 -1 3
Frmulas muestreo
secuencial
Nmero promedio de muestras inspeccionadas
A B Nmero de muestras que
ASN Pa (1 Pa ) inspecciona el cliente
C C
unicamente
1 p
C p log 2 (1 p) log
1 p2

A log B log
p1 1 p1
1
Nivel de calidad promedio de salida AOQ = p*Pa

y ATI
Nmero de muestras que
A
ATI Pa (1 Pa ) N inspecciona cliente y el
C proovedor
351
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859
352
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Requiere informacin de:
Tamao del lote N
Nivel de inspeccin (especial o normal )

Se usa inspeccin especial cuando las
caractersticas no son crticas o en pruebas
destructivas. El nivel de default es el II
Magnitud del AQL (fraccin defectiva aceptable

en lotes)
Es la fraccin defectiva que se negoca entre
cliente y proveedor como aceptable en
aprox. Del 91 al 99% de las veces (1 alfa).
Alfa es el riesgo del proveedor y beta el del

consumidor 353
105E o ANSI Z1.4
Contempla tres tipos de muestreo:
Simple
Doble
Mltiple
En cada uno de los tipos se prevn los planes de

inspeccin:
Inspeccin normal
Inspeccin reducida
Inspeccin estricta
354
105E o ANSI Z1.4
Iniciando con Inspeccin normal, proporciona
informacin de:
Tamao de muestra n
Criterio de aceptacin Aceptar con
Criterio de rechazo Rechazar con
Contempla cambiar de Insp. Normal a Estricta si:

Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes
consecutivos
Contempla cambiar a Insp. Reducida si:

Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote
355
105E o ANSI Z1.4
Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspeccin II
La tabla I indica letra cdigo K
La tabla II-A para inspeccin normal indica el plan

de muestreo n = 125, Aceptar = 2, Rechazar = 3
La tabla IIB para inspeccin estricta indica el

plan de muestreo n = 125, Aceptar = 1, Rechazar
=2
La tabla IIC para inspeccin reducida indica el

plan de muestreo n = 50, Aceptar = 1, Rechazar =
3
356
105E o ANSI Z1.4
Buscar los planes equivalentes en curva CO para
muestreo doble y mltiple
Las tablas solo incluyen algunos valores de n que

se incrementan conforme al lote es mayor, sin
embargo la razn de N/n disminuye rpidamente
dando economa de inspeccin
Las flechas ascendentes y descendentes indican

cambio de letra y plan (n-c) dentro del mismo plan
de inspeccin Ejercicios
357
Planes de muestreo Dodge - Romig
Planes para proteccin en LTPD (lot tolerant percent

defective), o fraccin defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) para componentes crticos
Es necesario conocer el LTPD y la fraccin defectiva

promedio del proceso p y el tamao de lote N
La p puede obtenerse de una carta p histrica con 25

lotes promediando los valores pi de las muestras
tomadas
Ejemplo: Si N = 5000, p = 0.25% de no conformes y

LTPD de 1%. Se obtiene de la tabla de LTPD
n = 770 y c = 4
358
Planes de muestreo Dodge -
Romig
Planes para proteccin en AOQL (average outgoing
quality limit) o mxima fraccin defectiva que se desea
ingresar a la empresa despus de aplicar un plan de
muestreo
Asumiendo N = 5000, AOQL = 3% y fraccin defectiva del

proveedor en sus lotes del 1%, se obtiene de la tabla:
n = 65 c = 3 LTPD = 10.3% (punto donde Pa=0.1)
Asumiendo que al 1% de fraccin defectiva, se acepta el

99% de las veces (AQL), entonces el ATI es:
ATI = n + (1-Pa)(N-n) = 65+(0.01)(5000-65) = 114.35
359
360
El parmetro de inters debe seguir una

distribucin normal
Una ventaja es que el tamao de muestra es ms

pequeo que en su equivalente por atributos
Una desventaja es que se requiere un plan por cada

caracterstica, el de atributos considera varias a la
vez
Para disear planes de muestreo por variables se

utiliza un Nomograma como en el caso de atributos
361
Muestreo simple por variables
Mtodo I Distancia k de X a Lim.
Esp.
Se define por su tamao de muestra n y el nmero de
aceptacin k distancia mnima de la media de la muestra
al lmite de especificacin LIE o LSE.
Se toma una muestra y se evala la caracterstica

obteniendo un valor de MEDIA y de DESVIACIN
ESTANDAR, con estos datos se determina Z y se compara
con el valor mnimo de K. El lote se acepta si |Z| >= k es
lo minimo que puede valer Z, porque en el momento mas
pequeo
LIE es mas se acerca al limite de aceptacin
Posicin de la media en
Conforme se Z Relacin con el lmite de
Recorre a la derecha
la fraccin defectiva Especificacin inferior LIE
disminuye
Z = (LIE-Xm)/s
1.05 1.1 1.15 1.2 1.25 1.3 Dimensin X
362
Mtodo I Distancia k de X a Lim.
Esp.

inspeccin n-k
Pa
1 Curva caracterstica de
0.3 y un criterio de aceptacin k
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
363
Determinacin de la fraccin
defectiva en la muestra por el
Pasos:
Mtodo II
1.Se toma una muestra de tamao n
2. Se mide la caracterstica de inters
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en funcin de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal
LIE X LSE
Aceptar el lote
Si P(Qtot) <= M
Qi Qs
s
P(Qi) P(Qs)
364
Frmulas
QZ n
(n 1)
X LIE
QLIE n /(n 1)

LSE X
QLSE n /(n 1)

Buscar en tabla P(Q) para una n

365
Mtodo II de M = fracc. Def.
mx.
Se define por su tamao de muestra n y el
nmero de aceptacin M mxima fraccin
defectiva aceptable en la muestra

Pa
inspeccin n-M
1 Curva caracterstica de
0.3 y un criterio de aceptacin M
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
366
Tablas de muestreo ASQC-Z1.9
Requiere informacin de (por cada caracterstica variable):
Tamao del lote
Nivel de inspeccin (especial o normal Default II)
Magnitud del AQL (fraccin defectiva aceptable en
lotes)
Contempla dos tipos de muestreo:

Mtodo I utilizando el valor de K
Mtodo II utilizando el valor de M
En cada uno de los tipos se prevn los planes de

inspeccin:
Inspeccin normal
Inspeccin reducida
Inspeccin estricta 367
Tablas de muestreo ASQC-
Z1.9
Iniciando con Inspeccin normal, proporciona
informacin de:
Tamao de muestra n
Criterio de aceptacin K (mx) o M (mn)
Contempla cambiar de Insp. Normal a Estricta si:

Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes
consecutivos
Contempla cambiar a Insp. Reducida si:

Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote
368
Tablas de muestreo ANSI Z1.9
Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspeccin II
La tabla I indica letra cdigo K
La tabla II-A para inspeccin normal indica el plan

La tabla IIB para inspeccin estricta indica el plan

La tabla IIC para inspeccin reducida indica el

plan de muestreo n = 50, Aceptar = 1, Rechazar =
3
369
Z1.9
Mtodo I con el valor de K
Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspeccin II
teniendo un Lmite Superior de especificaciones LSE = 209
La tabla A-2 indica letra cdigo D
La tabla B-1 para inspeccin normal indica el plan de

muestreo n = 5, Criterio de aceptacin K = 1.52
Se toma una muestra de 5 mediciones (197, 188,

184, 205 y 201)
Calculando la media de la muestra es X = 195 y la

desv. Estndar s = 8.81, por tanto Z = 1.59
Conclusin: Como Z es mayor que K, se acepta el lote

370
Z1.9
Mtodo
Ejemplo:II con el valor de M
Si N = 40 y AQL = 1%, Nivel de inspeccin II
teniendo Lmite Superior de Especificaciones LIE = 180, LSE
= 209
La tabla A-2 indica letra cdigo D
La tabla B-3 para inspeccin normal indica el plan de

muestreo n = 5, Criterio de aceptacin M = 3.33%
Se toma una muestra de 5 mediciones (197, 188, 184,

205 y 201)
Calculando la media de la muestra es X = 195 y la desv.

Estandar s = 8.81, por tanto s = 1.59, Zi = 1.7
P(Zi) = 0.66%, P(Zs) = 2.19%, P(Zt) = 2.85%

Conclusin: Como P(Zt) es menor que M, se acepta el lote
371
Plan de muestreo para
asegurar la media del lote
Si deseamos aceptar lotes con una
probabilidad Pa siempre que tengan una
media mxima Xmedia histrica y que
deseamos rechazar los lotes el 90% de las
veces si llegan con una fraccin defectiva p
X A 0.30 X A 0.30
1.645 (95%)
0.10
n n
X A 0.40
1.282 (10%)
0.10
n
n9
X A 0.356
372

Esta - Control Estadistico de Procesos

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Esta - Control Estadistico de Procesos

Hochgeladen von

Copyright:

Verfügbare Formate

Tema : CONTROL ESTADISTICO DE PROCESOS

Ing. Jos Manuel Garca Pantigozo

1. Comprender los conceptos estadsticos para

2. Evaluar la capacidad de un proceso y de los

3. Realizar proyectos de mejoramiento de la

3. Cartas de control por variables

5. Cartas de control especiales

7. Mtodos para el proceso de mejora

8. Mtodos de muestreo por atributos

La calidad es adecuacin al uso e

La mejora de la calidad se logra a travs de la

Variables: Medibles, temp., voltaje

DEFECTO: Carcterstica especfica de un

CARACTERISTICAS DEL PRODUCTO

ADAM SMITH (Divisin del trabajo): 1 persona =

FEDERICK W. TAYLOR: Administracin Cientfica,

FRANK / LILLIAN GILBERTH: Afinan los

FORDISMO: Lneas de porduccin masiva, los

1926: HAROLD F. DODGE Y HARRY G. ROMIG,

Durante la 2a. Guerra Mundial se expande el

La aplicacin de las tcnicas estadsticas ha

1950s: EDWARD DEMING / JOSEPH JURAN:

1950s: KAOURU ISHIKAWA: Es un seguidor de

Los japoneses implantaron el CEP y lograron

En Mxico el programa Ford ITESM de los

Control de calidad por inspeccin: Con la divisin

Control estadstico del proceso: Shewhart, Deming,

Aseguramiento de calidad (ISO 9000): Sistemas

Mtodos de inspeccin sucesiva: Detectan los

Mtodos de auto inspeccin: Detecta los

A prueba de error (Poka Yokes): Hacer que sea

Evitar: AQLs, concesiones, desviaciones,

Separa buenos Ni asegura

Auditora Proc. Investigacin Convive con los

Control Estadstico Ayuda a estabilizar Mejora pero

En la Fuente EVITA EL ERROR IMPIDE DEFECTOS

Deming (mejora continua, CEP, conocimiento

Juran (Trilogia de la calidad Plan, mejoramiento y

Crosby (Costo de la calidad)

Formatos Vacios 4. Formatos

El CEP debe ser parte de un programa mayor de

Por ejemplo, s deseamos saber el promedio de peso de

Pesar a todas y cada una de las personas, anotar y

Pesar solo una porcin o subconjunto de la poblacin

Muestra: Es una parte o subconjunto representativo de la

Variable aleatoria: es una funcin o regla que asigna uno y

Distribucin: Es la forma del patrn de variacin

Normalmente es una variable aleatoria y tiene asociada una distribucin.

Parmetro: Es el valor verdadero en una poblacin (media, desviacin

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

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

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

Una tabla de frecuencias lista los valores y su frecuencia:

VALOR FREC. VALOR FREC.

En un proceso estable las mediciones se distribuyen normalmente, a la derecha

POSICIN AMPLITUD FORMA

O TENER CUALQUIER COMBINACION

Media - Promedio numrico o centro de

Mediana - Es el valor que se encuentra en medio de

Moda - Es el valor que ms se repite 31

Permite identificar la distribucin de los datos,

S es usada cuando los datos corresponden a una muestra de la poblacin.

tpicamente es usada si se est considerando a toda la poblacin

(FiXi2 )- [(FiXi)]2/n (xi - x)2

Xi Fi X2i FiXi FiX2i