M Dulo 1 Core Tools Var Cep

Core
Tools de
la AIAG
MÓDULO 1.
CONTROL
ESTADÍSTICO
DEL PROCESO
DR. PRIMITIVO REYES

AGUILAR Junio 2010 Mail:
Primitivo_reyes@yahoo.co
m / Página Web
www.icicm.com Cel. 044
55 52 17 49 12
MÓDULO 1. CORE TOOLS DE LA AIAG - CEP
P. Reyes / junio 2010
OBJETIVO: Al finalizar el Módulo 1. Core Tools - CEP, el

participante será capaz de identificar los componentes de
la variabilidad de los procesos (ISO/TS 8.1.2) y aplicar las
técnicas del Control Estadístico del Proceso para el
seguimiento, análisis y mejora de los procesos para
contribuir a su mejora continua.
2
Contenido
Contenido..............................................................................................................................................................3
1. CONCEPTO DE VARIACIÓN.......................................................................................................................5
Introducción......................................................................................................................................................5
Componentes de la variación............................................................................................................................5
Estratificación ..................................................................................................................................................6
Diagrama de Dispersión ..................................................................................................................................7
Histogramas ...................................................................................................................................................10
Las cartas de control.......................................................................................................................................12
Causas especiales y causas comunes .............................................................................................................13
Causas especiales o asignables:..................................................................................................................13
Causas comunes..........................................................................................................................................15
Tampering o sobreajuste.................................................................................................................................16
Distribución de probabilidad normal..............................................................................................................17
Propiedades de la distribución normal estándar.........................................................................................18
Área o probabilidad bajo la curva normal estándar....................................................................................18
Estandarización de valores reales a su equivalente Z.................................................................................23
Prueba de normalidad en Minitab...............................................................................................................25
2. CONTROL ESTADÍSTICO DEL PROCESO...............................................................................................27
Teorema del límite central..............................................................................................................................27
Introducción al Control estadístico del proceso..............................................................................................29
¿Qué es una carta de control?.....................................................................................................................29
Patrones principales de anormalidad en Cartas de Control .......................................................................31
Proceso de mejora en el CEP......................................................................................................................33
Cartas de control por variables.......................................................................................................................34
Cartas de control de medias-rangos (X-R).................................................................................................34
Cartas de control para lecturas individuales / Rango móvil (I-MR)...........................................................39
Cartas de control para atributos......................................................................................................................43
Carta de control para fracción no conforme - p..........................................................................................44
Carta p con tamaño de muestra variable.....................................................................................................48
Carta de control np.....................................................................................................................................52
Cartas de control para no conformidades (defectos) – c y u...........................................................................55
Tamaño de muestra constante - Carta c.....................................................................................................55
Carta u de Defectos por unidad..................................................................................................................59
3. CAPACIDAD DE PROCESOS....................................................................................................................62
Definiciones....................................................................................................................................................62
3
Introducción a la capacidad de procesos........................................................................................................62

Índice de capacidad potencial Cp...............................................................................................................65
Índice de capacidad real Cpk......................................................................................................................66
Procedimiento para realizar estudios de capacidad del proceso.................................................................68
Índice de capacidad cpm.............................................................................................................................69
Índice de capacidad Cpkm..........................................................................................................................69
Capacidad de procesos no normales...............................................................................................................72
4
1. CONCEPTO DE VARIACIÓN
Introducción
La variación representa la diferencia entre las cosas, no hay en la naturaleza
dos cosas EXACTAMENTE IGUALES, lo cual origina el estudio de la estadística.
La variación es inherente en todos los procesos, por ejemplo:
Bisteck de 10 onzas Tiempo de tostado
Tiempo de vuelo de
México a Acapulco Tiempo que toma ir al
trabajo
Componentes de la variación
La variación a largo plazo se denomina variabilidad del producto o

proceso. Hay diferencia entre el promedio del proceso y la variación de
lote a lote. Puede ser necesario analizar cada línea de productos por
separado. También se presenta la variación de tiempo a tiempo, la
variación de pieza a pieza, la variación posicional dentro de la misma
pieza, el error de medición cuando es significativo, y al final solo queda
la variabilidad inherente del proceso, que es la reproducibilidad
instantánea de la máquina bajo condiciones ideales.
5
Estratificación
Se utiliza para separar el problema general en los estratos que lo componen,

por ejemplo, por áreas, departamentos, productos, proveedores, turnos, etc.
Clasificación de los datos o factores sujetos a estudio en una serie de grupos
con características similares.
Por ejemplo: Rechazos en general, rechazos en cada línea, rechazos en cada
máquina de la línea.
6
Diagrama de Dispersión
Se utiliza para analizar la correlación entre dos variables, se puede encontrar:
Correlación positiva o negativa, fuerte o débil o sin correlación.
Es una herramienta que nos permite estudiar la relación de dependencia entre
dos o más variables. El Coeficiente de correlación r tiene valores entre -1 y 1 y
el coeficiente de determinación r2 toma valores entre 0 y 1. La ecuación de
regresión que pasa por los puntos tiene la forma
Y=a+bX
Correlación entre las variables Y y X
Correlación Positiva Correlación Negativa

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

Espesor (escala 5 por división)
7
Tiempo Espesor
4 20
2 12
8 36
6 28
10 44
5 25
7 32
1 5
Tiempo (esc. 1/div.)
En Excel se puede obtener esta gráfica con la gráfica de dispersión y

agregando la línea de tendencia lineal y el coeficiente de determinación R^2.
Espesor y =4.1996x+2.6771
R² =0.9939
50
45
40
35
30 Espesor
25
Linear (Espesor)
20
15
10
5
0
0 2 4 6 8 10 12
Diagrama de Regresión lineal
Ejercicio: Un jefe de mantenimiento reunió los datos siguientes de los tiempos

de reparación de un equipo con base a la experiencia del personal del técnico.
Técni Experie
co ncia Tiempo
1 1 80
2 3 97
3 4 92
4 4 102
5 6 103
6 8 111
7 10 119
8
8 10 123
9 11 117
10 13 136
X Y
a) Obtener la ecuación de regresión y estimar el tiempo para un técnico de 9

años de experiencia.
b) Obtener el coeficiente de correlación y el coeficiente de determinación.
9
Histogramas
Se utilizan para ver la distribución de frecuencia de los datos
Distribución de frecuencias o histograma
Pasos para hacer un histograma:

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

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

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

Frecuencia
1 0 -17
2 18-35
10
3 36-53
4 54-71
5 72-89
6 90 en
adelante
Paso 4. Hacer la gráfica del histograma:
Conclusiones:
En Excel se puede obtener esta gráfica con la opción de Análisis de datos,

Histograma y seleccionando la columna de datos y de límites superiores de
clases o celdas.
Histogram
40
30
20
10
q
n
u
y
cF
re
Frequency
0
17 35 53 71 89 106 More
Bin
11
Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora.
Hay dos tipos de cartas de control: por atributos (juzga productos como buenos
o malos) y por variables (variables como, temperaturas).
Cartas de control
Límite
Superior de
Control
Línea
Central
Límite
I nferior de
Control
Carta de control con sus límites de control y línea central
Carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identificada
D
TIEMPO
Patrones de anormalidad en cartas de control
 Las cartas de control detectan la variación anormal en un proceso,

denominadas “causas especiales o causas asignables de variación.”
 El patrón normal de un proceso se llama causas de variación comunes.
12
 El patrón anormal debido a eventos especiales se llama causa especial

de variación.
Causas especiales y causas comunes
Causas especiales o asignables:

Existen fuentes de variabilidad que pueden ser causadas por fallas en
máquinas, errores de operadores, materiales defectuosos o alguna otra
discrepancia de las 6M’s (medio ambiente, , personal, métodos, materiales,
maquinaria y mediciones). Esta variabilidad es muy grande en relación con la
variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadístico.
LIC LSC
LSC
Proceso fuera de control, con causas especiales presentes, el proceso
no es predecible
Las causas especiales normalmente provocan que los procesos sean

INESTABLES y salgan de control estadístico.
Esta variabilidad se puede corregir en el área de trabajo por el personal

involucrado, y no es necesaria la intervención de la dirección para su
corrección. En una carta de control los patrones de anormalidad más comunes
son: las causas especiales, las tendencias crecientes o decrecientes y las
corridas de nivel
Ejemplo de variación
anormal en el tiempo:
13
14
Causas comunes
La variabilidad natural siempre existe en cualquier proceso de producción, no
importa que tan bien diseñado esté. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que está en control estadístico.
SI LAS VARIACIONES PRESENTES SON IGUALES,

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

De la figura cuando el proceso está en control, la mayor parte de la producción
se encuentra dentro de los límites de control (LSC y LIC).
Las causas de variación común son el resultado de causas naturales, o
diferencias normales pequeñas entre productos que se espera ver, por
ejemplo:
 Diámetro de cobre, tiene una variación ± pero dentro de control
 Espesor de acabado, con una variación normal
 Temperatura del horno con variaciones de temperatura normales.
Cuando sólo se tienen presentes en el proceso causas comunes, entonces

logramos un PROCESO ESTABLE, con un patrón de comportamiento consistente
y normal en el tiempo, de esta forma se pueden determinar los límites de
control dentro de los cuales se tendrá la variabilidad natural de este proceso
estable el 99.73% del tiempo (por estar los límites de control a tres sigmas).
15
UCL
LCL
Esta variación no puede ser reducida sin cambios fundamentales en el proceso

por la dirección (cambio de maquinaria, nuevos materiales, etc.)
Tampering o sobreajuste.
El intento de ajustar un proceso normal y estable para reducir su variación al
final incrementa la variación alrededor de la media del proceso (Tampering o
sobreajuste).
Tampering
• Al manejar de México a Acapulco, mantener la
velocidad entre 90 y 110 Km/hr.
– Pisar el freno se se exceden los 110 Km / hr.
– Pisar el acelerador si la velocidad esmenor a 90 Km / hr.
SPC for SME - David Drain 8
El término “sobre ajuste” o “Tampering”se refiere a los ajustes que se

hacen al proceso de producción que no son estadísticamente
apropiados, dado que el proceso es estable:
16
.
.
Distribución de probabilidad normal

Un proceso opera en condiciones normales, si tiene los materiales dentro de
especificaciones y del mismo lote, un método consistente, un medio ambiente
adecuado, el operador capacitado, y el equipo ajustado correctamente, si se
toman mediciones en alguna característica del producto, mostrará el siguiente
comportamiento:
Distribución gráfica de la variación

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

UBICACIÓN DISPERSIÓN FORMA
TAMAÑO TAMAÑO TAMAÑO

. . . O TODA COMBINACIÓN DE ÉSTAS
17
La distribución normal es una de las distribuciones más usadas e importantes.

Se ha desenvuelto como una herramienta indispensable en cualquier rama de
la ciencia, la industria y el comercio. Muchos eventos reales y naturales tienen
una distribución de frecuencias cuya forma es muy parecida a la distribución
normal. La distribución normal es llamada también campana de Gauss por su
forma acampanada.
Cuando se incluyen todos los datos de un proceso o población, sus

parámetros se indican con letras griegas, tales como: promedio o media = µ
(mu), y desviación estándar (indicador de la dispersión de los datos) = σ
(sigma). Para el caso de estadísticos de una muestra se tiene media = X y
desv. est.= s.
Propiedades de la distribución normal estándar

La distribución normal estándar tiene media µ = 0 y desviación estándar σ =1.
La media, Mediana y Moda coinciden, son iguales y se localizan en el pico.
Propiedades de la distribución normal estándar:

• El área bajo la curva o probabilidad de menos infinito a más infinito vale 1.
• La distribución normal es simétrica, la mitad de curva tiene un área de 0.5.
• La escala horizontal de la curva se mide en desviaciones estándar.
• La forma y la posición de una distribución normal dependen de los
parámetros µ , σ , por lo que hay un número infinito de distribuciones
normales.
LIE LSE
Área o probabilidad bajo la curva normal estándar
18
Existe una relación del porcentaje de probabilidad o área bajo la curva normal
a la desviación estándar. En la figura observamos por ejemplo que el área bajo
la curva para ±1σ tiene un porcentaje de 68.26%, ± 2σ = 95.46% y
± 3σ = 99.73% .
-3s -2s -1s +1s +2s +3s
68.26%
95.46%
99.73%
Área bajo la curva de Distribución normal
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel

(Fx =distr.norm.estand(Z) proporciona el área desde menos infinito hasta
Z).
En la tabla normal, se busca el valor de Z y se encuentra el área bajo la curva.
La primera tabla sirve para determinar el área o probabilidad que se encuentra
fuera del límite inferior de especificación, para Z menores a cero. La segunda
tabla proporciona valores de área bajo la curva para Z’s mayores a cero. En
cada una se muestran ejemplos de su uso.
19
Ejemplo
a) Determinar el área bajo la curva de menos infinito a Z = - 1. P(Z<= -1) =
0.1587
20
b) Determinar el área bajo la curva de menos infinito a Z = - 2. P(Z<= - 2) =

0.0228
c) Determinar el área bajo la curva entre Z >= -2. hasta Z <= -1. P(- 2 <=
Z<= -1) = 0.1259
En Excel: Fx =distr.norm.estand(Z) proporciona el área desde menos
infinito hasta Z).
21
Ejemplo:
a) Determinar el área bajo la curva de menos infinito a Z = 1. P(Z <= 1) =
0.8413
b) Determinar el área bajo la curva de menos infinito a Z = 2. P(Z <= 2) =
0.9772
22
c) Determinar el área bajo la curva de Z = 1 a Z = 2.

P(1 <= Z <= 2) = 0.9772 – 0.8413 = 0.1369
d) Determinar el área total que representa P(Z<=-2) + P(Z>= 2.5)
En Excel Fx =distr.norm.estand(Z) proporciona el área desde menos
infinito hasta Z.
En Excel = 1 - distr.norm.estand(Z) proporciona el área desde Z hasta más
infinito.
EJERCICIO:
¿Qué porcentaje del área bajo la curva normal estándar o probabilidad
está incluido dentro de los siguientes rangos?
Fx =distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) – P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) – P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) – P(Z <= -1.3) =
d) P( Z >= 2.4) = 1 - P(Z <= 2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + [1 - P(Z <=3.1)] =
f) P(Z>= 1.9) = 1 - P(Z <= 1.9) =
Estandarización de valores reales a su equivalente Z

Determina el número de desviaciones estándar σ entre algún valor X y la
media de la población µ Para calcular el valor de Z usamos la siguiente
fórmula.
X −µ X1 − µ X2 − µ
Z= Z1 = Z2 =
σ σ σ
DISTRIBUCIÓN NORMAL CON DATOS REALES
Desviación estándar real
X1 Media X2
Real
DISTRIBUCIÓN NORMAL ESTANDARIZADA
23
Desviación estándar = 1
Z1 Media=0 Z2
Estandarización de datos reales para cálculo de área
Ejemplo: El departamento de personal de una empresa requiere que los
solicitantes a un puesto en cierta prueba alcancen una calificación de 500. Si
las calificaciones de la prueba se distribuyen normalmente con media µ = 485
y desviación estándar σ = 30 ¿Qué porcentaje de los solicitantes pasará la
prueba?
Calculando el valor de Z obtenemos:

X − µ 500 − 485
Z = = = 0.5
σ 30
Buscamos el valor correspondiente Z en las tablas de distribución normal
estándar o por medio de Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 =
69.146%. donde la probabilidad de que la calificación sea menor a 500 es P (X
<= 500). Dado que el porcentaje pedido es P( X ≥ 500) la solución es 1-
0.69146 =0.3085, por tanto sólo 30.85% de los participantes pasarán la
prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
Área bajo la curva de Distribución normal
485
3 0 .8 5 %
Z.0 5
Ejemplo: Suponga que un proceso tiene una distribución normal dada tiene
una media de 20 y una desviación estándar de 4. Calcule la probabilidad
P (X >=24) = 1 – P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones

fx>Estadísticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente
ventana, en la cual llenamos los siguientes datos:
24
Cálculo del área bajo la curva normal sin Z
El resultado de la fórmula = 0.8413. , dado que esta es la probabilidad P(X ≤

24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587
EJERCICIO:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar
de 10Kgs.
a) ¿Cuál es la probabilidad de que un producto pese más de 85Kgs.?
b) ¿Cuál es la probabilidad de que un producto pese menos de 55Kgs.?
c) ¿Cuál es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) ¿Cuál es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) ¿Cuál es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Prueba de normalidad en Minitab

Para probar normalidad de datos, se pueden utilizar los métodos de Anderson
Darling o Ryan, en el caso de tener más de 15 datos y la de Kolmogorov
Smirnov si se tienen 15 o menos datos, y la gráfica de probabilidad normal.
a) Método de Anderson Darling o Ryan Joiner.
1. Stat > Basic statistics > Normality Test
2. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos sean normales
25
Gráfica de probabilidad de un proceso normal

b) Otra opción por medio de una gráfica de probabilidad normal, se tiene:
3. Graph > Probability plot > Normal
4. Graph Variable C1 OK
Los puntos deben quedar dentro del intervalo de confianza.
26
2. CONTROL ESTADÍSTICO DEL PROCESO
Teorema del límite central

W. A. Shewhart demostró que cuando se extraen muestras de tamaño 4 – 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribución normal.1
Encontró que las medias de las muestras correspondían a las medias de la
población y que la desviación estándar de las medias de las muestras están
relacionadas con la desviación estándar de la población, como sigue:
σ
σ __ =
X n
Donde n es el tamaño de la muestra y σ es la desviación estándar de la

población.
Seleccionando muestras de tamaño n y calculando la X-media o promedio en
cada una se tiene:
Población con media µ y desviación estándar σ y cualquier distribución.
X1 X2 X3
X-media 1 X-media 2 X-media 3
Distribución de las medias muestrales - Normal
1
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
27
Comportamiento de las medias muestrales extraídas de otras distribuciones:
Por ejemplo si la distribución de la población de los datos es la siguiente (no es

normal), la distribución de sus medias muestrales de tamaño 5 si es normal, es
la base del CEP:
Histogram of Datos Histogram of Media
12
40
10
30
8
Frequency
Frequency
6
20
4
10
2
0 0
2 4 6 8 3.0 3.6 4.2 4.8 5.4 6.0 6.6 7.2
Datos Media
28
Conforme el tamaño de muestra se incrementa las muestras se distribuyen

normalmente con media de medias µ y desviación estándar de las medias de
las muestras σ / √n. También se denomina Error estándar de la media.
Este teorema es la base fundamental del CEP.
Introducción al Control estadístico del proceso

El CEP es una técnica que permite aplicar el análisis estadístico para medir,
monitorear y controlar procesos por medio de cartas de control. Su propósito
es la detección oportuna de la ocurrencia de causas especiales, para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no
conformes, para lo cual se utilizan las cartas de control en línea, permitiendo
también la estimación de la capacidad o habilidad del proceso y la reducción
continua de la variabilidad hasta donde sea posible.
Beneficios que proporciona el CEP:
 Son herramientas para mejorar la productividad
 Son herramientas de prevención de defectos
 Evitan ajustes innecesarios
 Proporcionan información de diagnóstico
 Proporcionan información de la capacidad del proceso
¿Qué es una carta de control?

 Una Carta de Control es como un historial del proceso.... En donde ha
estado....En donde se encuentra....Hacia donde se puede dirigir
 Una Carta de control es simplemente un registro de datos en el tiempo
con límites de control superior e inferior, diferentes a los límites de
especificación y determinados con la variación natural del proceso.
Cartas de control
Límite
Superior de
Control
Línea
Central
Límite
I nferior de
Control
29
Carta de control con sus límites de control
 Las cartas de control pueden reconocer cambios favorables y

desfavorables. ¿Qué tanto se ha mejorado? …¿Se ha hecho algo
inadecuado?
 Las cartas de control detectan la variación anormal en un proceso,
denominadas “causas especiales o causas asignables de variación.”
 El patrón normal de un proceso se llama causas de variación comunes.
 El patrón anormal debido a eventos especiales se llama causa especial

de variación.
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFI NI CI ON
Es una ayuda gráfica para el control de las variaciones
de los procesos administrativos y de manufactura.
Analogía del manejo en carretera con el CEP
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso (7P)
I
D Corrida del Proceso (7P)
A
Causa Especial
identifcada
D
TIEMPO
30
Patrones de anormalidad más frecuentes
Patrones principales de anormalidad en Cartas de Control

Puntos fuera de control:
Una carta de control indicará una condición fuera de control cuando uno o más
puntos se encuentren más allá de los límites de control.
Tendencias:
Se pueden presentar tendencias hacia arriba o hacia abajo en las cartas de
control (ascendentes o descendentes), se considera que 7 puntos o más
indican una situación fuera de control.
Corrimiento en la media del proceso:

Esto puede ser generado por un cambio en métodos, operadores, materias
primas, métodos de inspección, etc. se considera que 7 puntos o más indican
una situación fuera de control
31
Otros patrones de anormalidad del proceso
Para reconocer un patrón de comportamiento no sólo se requiere conocer las

técnicas estadísticas, sino también es necesario tener un conocimiento
profundo del proceso. Debe tenerse cuidado de no exagerar en la aplicación de
las reglas ya que se pueden tener muchas falsas alarmas quitándole
efectividad al programa del CEP.
32
Proceso en Control estadístico: Sucede cuando no se tienen situaciones

anormales y aproximadamente el 68% (dos tercios) de los puntos de la carta
se encuentran dentro del ±1 σ de las medias en la carta de control. Es decir, se
tiene aprox. el 68% de los puntos dentro del tercio medio de la carta de
control. Si se trata de ajustar el proceso cuando solo la variación común está
presente, podemos incurrir en “Sobre ajustes” o “Tampering”.
Proceso de mejora en el CEP

El proceso de mejora usando la carta de control requiere la acción de la
supervisión, operador e ingeniería, la carta de control sólo detecta causas
especiales o asignables.
Para identificar y eliminar las causas asignables, es importante encontrar las
causas raíz del problema y atacarlas para lo cual se puede utilizar el Plan de
acción para situaciones fuera de control (PASFC), activado con la ocurrencia de
cada evento. Es una lista de verificación, que indica las causas potenciales
asignables y acciones que resuelven la situación fuera de control. Este es un
documento vivo que debe ser actualizado constantemente.
ENTRADA PROCESO SALIDA
SISTEMA DE
EVALUACIÓN
Verificación Detección de causa

y seguimiento asignable
33
Implantar Identificar causa

Acción raíz del
problema
Correctiva PASFC
Proceso de mejora utilizando la carta de control
Cartas de control por variables

Una característica que se mide en una escala numérica se denomina una
variable. Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc.
 Para control de las características del producto se pueden utilizar las
cartas de control de medias rangos ( X − R ) para monitorear la media y
la variabilidad, con objeto de evitar o minimizar que se tengan productos
fuera de especificaciones y estabilizar los procesos.
 Para un control estadístico del proceso por variables, se utiliza la carta
por lecturas individuales y rango móvil (I-MR), para parámetros del
proceso donde sólo se toma una lectura a la vez.
Cartas de control de medias-rangos (X-R)
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con

muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora), se
determinan los límites de control preliminares, se identifican situaciones fuera
de control, se investigan las causas y se toman acciones preventivas para
prevenir la reincidencia y se recalculan los límites de control futuros.
Ejemplo: Se toman varios datos de hilos y se construye una carta
de medias – rangos con m = subgrupos, donde el rango se calcula
tomando el valor mayor menos el valor menor del subgrupo, con n =
5.
Por ejemplo:
Subgrupo Subgrupo Subgrupo
Variables 1 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
34
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a

determinar los límites de control como sigue: Las constantes para n = 5 de
esta carta son A2 = 0.577, D3 = 0, D4 = 2.114.
LSCx = X + A2 x R
LICx = X - A2 x R
Para el caso de los rangos, la línea central es R . los límites de control para el
rango son:
LSCr= D4 x R
LICr = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman

acciones preventivas para prevenir la reincidencia y se recalculan los límites de
control futuros.
Carta de control X-R fuera de control

Después de identificar las causas de las situaciones fuera de control en los
subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia,
se eliminan los subgrupos fuera de control y se recalculan los límites de
control.
35
Xbar-R Chart of Supp2

UCL=602.247
602
Sample Mean
601
_
_
600 X=599.938
599
598
LCL=597.629
2 4 6 8 10 12 14 16 18
Sample
UCL=8.465
8
Sample Range
_
4 R=4.003
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
Carta de control de medias rangos X-R estable

.
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
36
37
Ejercicio: Obtener una carta de Medias – Rangos X-R, Se monitorean

cada hora subgrupos de 5 diámetros de una parte metálica con los siguientes
resultados:
Datos de cada uno de los

subgrupos Xmm -+A2*Rm
Xm
x1 x2 x3 x4 x5 Xm m LICx LSCx Ri Rm LICr LSCr
16.2 16.0 16.56 0.99
15.8 16.3 16.2 16.1 16.6 16.20 92 21 3 0.80 0.47 0 4
16.2 16.0 16.56 0.99
16.3 15.9 15.9 16.2 16.4 16.14 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
16.1 16.2 16.5 16.4 16.3 16.30 92 21 3 0.40 0.47 0 4
16.2 16.0 16.56 0.99
16.3 16.2 15.9 16.4 16.2 16.20 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
16.8 16.9 16.7 16.5 16.6 16.70 92 21 3 0.40 0.47 0 4
16.2 16.0 16.56 0.99
16.1 15.8 16.7 16.6 16.4 16.32 92 21 3 0.90 0.47 0 4
16.2 16.0 16.56 0.99
16.1 16.3 16.5 16.1 16.5 16.30 92 21 3 0.40 0.47 0 4
16.2 16.0 16.56 0.99
16.2 16.1 16.2 16.1 16.3 16.18 92 21 3 0.20 0.47 0 4
16.2 16.0 16.56 0.99
16.3 16.2 16.4 16.3 16.5 16.34 92 21 3 0.30 0.47 0 4
16.2 16.0 16.56 0.99
16.6 16.3 16.4 16.1 16.5 16.38 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
16.2 16.4 15.9 16.3 16.4 16.24 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
15.9 16.6 16.7 16.2 16.5 16.38 92 21 3 0.80 0.47 0 4
16.2 16.0 16.56 0.99
16.4 16.1 16.6 16.4 16.1 16.32 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
16.5 16.3 16.2 16.3 16.4 16.34 92 21 3 0.30 0.47 0 4
16.2 16.0 16.56 0.99
16.4 16.1 16.3 16.2 16.2 16.24 92 21 3 0.30 0.47 0 4
16.2 16.0 16.56 0.99
16 16.2 16.3 16.3 16.2 16.20 92 21 3 0.30 0.47 0 4
16.2 16.0 16.56 0.99
16.4 16.2 16.4 16.3 16.2 16.30 92 21 3 0.20 0.47 0 4
16.2 16.0 16.56 0.99
16 16.2 16.4 16.5 16.1 16.24 92 21 3 0.50 0.47 0 4
16.2 16.0 16.56 0.99
16.4 16 16.3 16.4 16.4 16.30 92 21 3 0.40 0.47 0 4
38
16.2 16.0 16.56 0.99

16.4 16.4 16.5 16 15.8 16.22 92 21 3 0.70 0.47 0 4
Media de medias 16.29 Rmed
(Xmm) 2 A2=0.577 io 0.47
a) Obtener una carta de control X-R de medias rangos. ¿Está el proceso en

control estadístico?
En Excel (seleccionar la información de la carta X – verde y después la del
rango R – amarillo, usar el asistente de gráficas, gráfica de líneas, ajustar
escalas y colores)
En Minitab, copiar los datos de las columnas X1 a X5 e C1 a C5.

Stat > Control Charts > Variable charts for subgroups > Xbar – R
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5
Xbar Options seleccionar Estimate Rbar
OK
b) Si no está en control, asumir que se pueden identificar las causas

asignables, y que se toman acciones para prevenir su recurrencia, eliminar el
subgrupo 4 (seleccionar el renglón 4 y borrarlo en Minitab) recalcular los
límites de control con otra corrida.
Cartas de control para lecturas individuales / Rango móvil (I-MR)

Se aplican para un tamaño de muestra n =1, por ejemplo:
1. Cuando hay inspección automática de parámetros o piezas individuales.
2. La tasa de producción es muy baja y conviene tomar muestras de una
pieza.
3. Las mediciones entre unidades muestra difieren muy poco (sólo por errores
de medición de laboratorio) como en procesos químicos.
Los rangos móviles se empiezan a calcular a partir de la segunda muestra,
tomando la diferencia entre cada dos valores consecutivos como sigue: MR i =
X i − X i −1 .
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de

lecturas individuales, donde el rango se calcula tomando cada dos valores
consecutivos, por tanto el valor de n = 2 y habrá (m – 1) rangos en total. Con
m = número de valores individuales. Por ejemplo:
Valores individuals X Rango
12 -
15 3
11 4
14 3
8 6
39
9 1
Al final se hace un promedio de los valores X y un promedio de rangos móviles
R y los límites de control de la carta I-MR se calculan como sigue, para n=2 (E2
=2.66, D3=0, D4=3.27):
Para la carta I: LSCx = X + E 2 * R ) LICx = X − E 2 * R )
y para la carta R: LICr =0 LSCr =D 4 * R
I-MR Chart of Supp1

1 1
UCL=601.176
601
I ndividual Value
600
_
X=599.548
599
598 LCL=597.920
1
1 10 20 30 40 50 60 70 80 90 100
Observation
2.4
1
UCL=2.000
Moving Range
1.8
1.2
__
0.6 MR=0.612
0.0 LCL=0
1 10 20 30 40 50 60 70 80 90 100
Observation
Carta de control I-MR. El proceso no está en control estadístico.
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por
equipos.
40
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO

GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
x 1.- Encierre en un círculo los patrones

anormales de comportamiento ( puntos fuera
de los límites de control, tendencias,
adhesiones, etc).
2.- Investigue y corrija la causa del

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

comportamiento en la bitácora (al reverso de
la gráfica), así como las acciones realizadas
o propuestas para corregir la falla.
LECTURAS
4.- Indique en el último renglón, justo abajo

del subgrupo correspondiente, las causas por
las cuales se deja de graficar de acuerdo a la
frecuencia indicada, si es que se presentan
el caso. Utilice las siguientes claves:
A) Fin de corrida de producción

B) Falta de material
C) Ajuste de línea / máquina
D) Cambio de modelo
E) Fin de turno
INICIALES F) Otro (indicar)
R
RANGOS
FECHA
HORA
CONSTANTES
X E2 D2 D3 D4
VALORES
R 2.67 1.13 0 3.27
41
Carta de control I-MR: se muestran a continuación los siguientes datos de

mediciones individuales de una viscosidad de un elemento (constantes para n = 2,
E2 = 2.66, D3 = 0, D4 = 3.27):
=Xm -+ E2*Rm
Viscocid LIC
ad Xm x LSCx D3*Rm =D4*Rm
6.00 6.00 5.92 6.08 Rango Rm LICr LSCr
5.98 6.00 5.92 6.08 0.02 0.033 0 0.109
5.97 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.04 0.033 0 0.109
6.15 6.00 5.92 6.08 0.14 0.033 0 0.109
6.00 6.00 5.92 6.08 0.15 0.033 0 0.109
5.97 6.00 5.92 6.08 0.03 0.033 0 0.109
6.02 6.00 5.92 6.08 0.05 0.033 0 0.109
5.96 6.00 5.92 6.08 0.06 0.033 0 0.109
6.00 6.00 5.92 6.08 0.04 0.033 0 0.109
5.98 6.00 5.92 6.08 0.02 0.033 0 0.109
5.99 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.02 0.033 0 0.109
6.03 6.00 5.92 6.08 0.02 0.033 0 0.109
5.98 6.00 5.92 6.08 0.05 0.033 0 0.109
5.98 6.00 5.92 6.08 0.00 0.033 0 0.109
6.01 6.00 5.92 6.08 0.03 0.033 0 0.109
5.99 6.00 5.92 6.08 0.02 0.033 0 0.109
5.99 6.00 5.92 6.08 0.00 0.033 0 0.109
5.98 6.00 5.92 6.08 0.01 0.033 0 0.109
6.01 6.00 5.92 6.08 0.03 0.033 0 0.109
5.99 6.00 5.92 6.08 0.02 0.033 0 0.109
5.98 6.00 5.92 6.08 0.01 0.033 0 0.109
5.99 6.00 5.92 6.08 0.01 0.033 0 0.109
6.00 6.00 5.92 6.08 0.01 0.033 0 0.109
=abs(Xj –
Promedio Xm Xi) = Rango i Rm
En Excel (seleccionar la información de la carta X – verde y después la del

rango R – amarillo, usar el asistente de gráficas, gráfica de líneas, ajustar
escalas y colores)
En Minitab, copiar los datos de la viscosidad a una columna C1 u otra.

Stat > Control Charts > Variable charts for individuals > I – MR
I-MR Options > Estimate > n = 2
Variable Viscocidad
OK
a) ¿Está el proceso en control estadístico? ___ Si ___ No
42
b) En caso de que no se encuentre en control estadístico eliminar el punto que

sale de control (se asume que se identifica la causa y se toman acciones para
prevenir su recurrencia seleccionar el punto 5 y borrarlo con DEL) para estar
en control y recalcular los límites, repetir corrida en Minitab.
Cartas de control para atributos
Muchas características de calidad no pueden ser representadas con números,

solo por cualidades (pasa no pasa) denominados atributos. En tales casos cada
artículo o servicio completo se clasifica como conforme o no conforme a
especificaciones y/o estándares, es decir como defectivo o no defectivo, no
defectuoso o defectuoso, bueno o malo, discrepante o no discrepante.
Cuando el producto no es funcional es no conforme, defectivo o defectuoso.

Puede ser reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de
control p de fracción defectiva o la np para el número de defectivos o de no
conformes. Se aplica a productos simples (tornillos, lápices, botellas, etc.)
Cuando más bien se controla el número de defectos o no conformidades que se
observan en un producto, se utiliza la carta de control para no conformidades
o defectos c cuando la muestra es constante o la u cuando es variable o
constante. Se aplica a productos complejos (coches, TV, cámaras de video,
escritorios, refrigeradores, etc.) Un defecto o no conformidad es una
discrepancia respecto a los estándares establecidos o a las especificaciones.
El producto puede ser funcional pero puede tener defectos o no conformidades,

que pueden ser corregidas con retrabajo o no se pueden corregir y ser
desperdicio.
En estas cartas de control se recomienda un tamaño de muestra de al menos
50 partes.
43
Carta de control para fracción no conforme - p

La fracción no conforme es la relación entre el número de artículos
discrepantes entre el total de artículos, se expresa como fracción decimal,
aunque también se puede expresar en porcentaje. El artículo o servicio puede
tener varias características de calidad que son examinadas por un inspector, si
el artículo no está de acuerdo a los estándares, se le considera como
defectuoso o no conforme.
La fracción defectiva o no conforme en la muestra se define como la relación
entre el número de unidades no conformes D al tamaño de muestra n, o sea:
Di
pi =
ni
La distribución de este estadístico sigue la distribución binomial por tanto los

límites de control de la carta p son:
__ __
LSCp = p + 3 p (1 − p )
__
n
__
LCp = p
__ __
= p − 3 p (1 − p )
__
LICp
n Si el LIC es negativo, toma el valor de
cero.
Cuando la fracción defectiva del proceso es desconocida, se estima de los

datos observados en m muestras iniciales, cada una de tamaño n, por lo
general se toman 20 a 25 de estas. Así si Di son unidades no conformes en la
muestra i , la fracción defectiva de la muestra i - ésima estará dada como:
pi = D i / n i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es
desconocida es:
m m
∑ Di ∑p i
p= i =1
= i =1
mn m
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
44
asignable o especial, deben tomarse medidas correctivas para prevenir su

recurrencia, los puntos correspondientes a la situación fuera de control se
eliminan y se calculan de nuevo los límites de control preliminares.
Ejemplo: Para un servicio de mantenimiento se tomaron datos de 30 muestras
(m) de 50 partes cada una (n) contabilizando las partes defectuosas o no
conformes en cada muestra (Di) como sigue:
Partes Partes Partes

defectuos defectuos defectuos
Muestra as Muestra os Muestra as
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 partes defectuosas (Suma de Di) o no

conformes, se estima p como sigue:
m m
∑ Di ∑p i
=
347
= 0.2313
p= i =1
= i =1 (30)(50)
mn m
Corrida en Minitab
1. Stat > Control Charts > Atrribute charts > P
2. Variable Partes defectuosas Subgroup size 50
3. OK
Los límites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
¿Está en control estadístico el proceso?
45
Si no, identificar la causa que ocasiona la anormalidad, tomar acciones para

prevenir su recurrencia, eliminar puntos fuera de control y recalcular límites de
control
P Chart for No confo

0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Carta de control P para la fracción de partes defectuosas
De la carta de control se observa que las muestras 15 y 23 están fuera de los

límites de control, de tal forma que el proceso está fuera de control. Eliminando
estos puntos y además el punto 21 se tiene el proceso dentro de control con
una fracción defectiva promedio del 20.8%.
46
47
Carta p con tamaño de muestra variable

En algunas aplicaciones para la fracción defectiva o no conforme, la muestra es
la inspección 100% de las partes producidas en un periodo de tiempo, por
tanto la muestra será variable. En este caso los límites de control son
variables:
Los límites de control para cada muestra con base en la fracción defectiva
promedio p y su tamaño de muestra son LC = p ± 3 p (1 − p ) / ni . La amplitud
de los límites es inversamente proporcional a la raíz cuadrada del tamaño de
muestra.
Ejemplo: Se tomaron datos del resultado de la inspección diaria, registrando
los defectivos del día y la producción total.
Producci
Defectuosos ón Pi Pprom LIC LSC
20 98 0.20 0.17 0.055 0.282
18 104 0.17 0.17 0.058 0.279
14 97 0.14 0.17 0.055 0.283
16 99 0.16 0.17 0.056 0.281
13 97 0.13 0.17 0.055 0.283
29 102 0.28 0.17 0.057 0.280
21 104 0.20 0.17 0.058 0.279
14 101 0.14 0.17 0.057 0.280
6 55 0.11 0.17 0.017 0.320
6 48 0.13 0.17 0.006 0.331
7 50 0.14 0.17 0.010 0.327
7 53 0.13 0.17 0.014 0.323
9 56 0.16 0.17 0.018 0.319
5 49 0.10 0.17 0.008 0.329
8 56 0.14 0.17 0.018 0.319
9 53 0.17 0.17 0.014 0.323
9 52 0.17 0.17 0.013 0.324
10 51 0.20 0.17 0.011 0.326
9 52 0.17 0.17 0.013 0.324
10 47 0.21 0.17 0.005 0.332
LC=Pprom+3*(Pprom*(1-
Pprom= 0.17 Pprom)/ni))
Si algún LIC es menor a cero, toma el valor de cero.
En Excel graficar la zona verde con una gráfica de línea.
En Minitab, copiar los datos de servicios no conformes y muestras a dos columnas de

Minitab
Stat > Control charts > Attribute charts > p
48
Variable Defectuosos
Subgroups in Producción
OK
P Chart of Serv_ no_ conf

0.35
UCL=0.3324
0.30 1
0.25
Proportion
0.20
_
P=0.1685
0.15
0.10
0.05
0.00 LCL=0.0047
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
¿Está el proceso de control estadístico? NO
a. Asumir que se pueden identificar las causas asignables, eliminar el subgrupo 6 que
sale de control y recalcular los límites de control con otra corrida
P Chart of Serv_ no_ conf

0.35
UCL=0.3199
0.30
0.25
Proportion
0.20
_
0.15 P=0.1596
0.10
0.05
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
49
50
GRAFICA DE CONTROL POR ATRIBUTOS No. GRAFICA FECHA INICIO FECHA TERMINO
MODELO No. PARTE AREA OPERACIÓN MAQUINA / LINEA CARACTERISTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUACION UNIDADES
LSE LIE P NP C U LSC LIC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES
1.- Encierre en un círculo los patrones
anormales de comportamiento
2.- Investigue y corrija las causas

del comportamiento ( si es posible )
Si no es posible llama a su supervisor
3.- Registre las causas del comportamiento
en la bitácora, al reverso de la gráfica,
asi como las acciones realizadas o
propuestas para correguir la falla
4.- Indique en el último renglón, y justo
abajo del último subgrupo graficado,
las causas por las cuales se deja de
graficar de acuerdo con la frecuencia
indicada, si es que se presenta el caso.
L Utilice las siguientes claves:
E A) Fin de corrida de producción
C B) Falta de material
T C) Ajuste de línea y/o Máquina
D) Cambio de modelo
U F) Fin de turno
R G) Otro ( Indicar )
A
S
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
51
Carta de control np
En lugar de tener fracciones no conformes, si el tamaño de muestra es
constante, se pueden utilizar directamente el número de artículos defectivos o
no conformes np, para evitarle operaciones aritméticas al operador, los
parámetros de esta carta son:
np(i) = Di, np(media) = promedio(Di)
LSC np = np + 3 np (1 − p )
LC np = np
LIC np = np −3 np (1 − p )
si es negativo toma del valor de cero.
Si no se conoce el valor de p, se puede estimar con la p .
El número de defectivos o no conformes es un entero, por tanto es más fácil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo: Se toma muestras de tamaño n de muestra constante de 200 muestras. Al
inspeccionar m = 30 muestras se encontraron las siguientes partes defectuosas o no
conformes en cada muestra respectivamente:
Defectuos
as nPprom LIC LSC
8 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
8 10.60 1.095 20.105
5 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
12 10.60 1.095 20.105
27 10.60 1.095 20.105
10 10.60 1.095 20.105
12 10.60 1.095 20.105
6 10.60 1.095 20.105
10 10.60 1.095 20.105
9 10.60 1.095 20.105
13 10.60 1.095 20.105
7 10.60 1.095 20.105
8 10.60 1.095 20.105
5 10.60 1.095 20.105
15 10.60 1.095 20.105
25 10.60 1.095 20.105
7 10.60 1.095 20.105
10 10.6 1.095 20.105
5 10.6 1.095 20.105
12 10.6 1.095 20.105
52
6 10.6 1.095 20.105

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

donde Pmedia = nPmedia / n = nPmedia / 20. Cp = 95.25%
53
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
S
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
54
Cartas de control para no conformidades (defectos) – c

yu
Una no conformidad o defecto es una característica específica que no cumple
con la especificación del producto. Las no conformidades pueden tener una
gravedad diferente desde menores hasta críticas. Se pueden desarrollar cartas
de control para el número total de no conformidades en una unidad o el
número promedio de no conformidades por unidad de inspección.
Tamaño de muestra constante - Carta c

Una unidad de inspección (ni) es simplemente una entidad para la cual es
conveniente registrar el número de defectos (Ci), puede formarse con 5
unidades de producto, 10 unidades de producto, etc. Los límites de control
para la carta de no conformidades son:
Cmedia = Promedio de Ci:
LSCc = c + 3 c
LCc = c
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Ejemplo: los defectos encontrados en partes metalicas (1 unidad de
inspección = 1 parte) son respectivamente:
LC = C+-
C 3raiz*(C )
Defect
os Cmedia LIC LSC
9 5.55 0 12.62
11 5.55 0 12.62
2 5.55 0 12.62
5 5.55 0 12.62
15 5.55 0 12.62
13 5.55 0 12.62
8 5.55 0 12.62
7 5.55 0 12.62
5 5.55 0 12.62
2 5.55 0 12.62
4 5.55 0 12.62
4 5.55 0 12.62
2 5.55 0 12.62
5 5.55 0 12.62
5 5.55 0 12.62
2 5.55 0 12.62
55
3 5.55 0 12.62
2 5.55 0 12.62
1 5.55 0 12.62
6 5.55 0 12.62
Promedio 5.55
En Excel grafica la zona verde.
En Minitab
Stat > Control charts > Attribute charts > C
Variable Errores
OK
C Chart of Errores
16 1
14 1
UCL=12.58
12
10
Sample Count
6 _
C=5.53
4
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
¿Está el proceso en control estadístico? Si __ No __X__
Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen
de control y recalcular los límites de control. Repetir tantas veces como sea necesario
hasta tener un proceso estable.
C Chart of Errores
10 UCL=10.22
8
Sample Count
_
4 C=4.13
0 LCL=0
1 3 5 7 9 11 13 15
Sample
56
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
S
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
57
La capacidad del proceso se determina con el número de errores máximo aceptable.

Por ejemplo si el LSE = 5, la media es 4.13 y la probabilidad de Poisson para encontrar
cero defectuosos es: =Poisson(5, 4.13, 1) = 0.7644 o 76.44%
Para la investigación de los defectos se sugiere realizar un Diagrama de Pareto

con los defectos registrados en la carta de control, para tomar acciones.
Diagrama de Pareto – Se utiliza para identificar problemas o causas

principales:
Ejemplo: Se tienen los defectos siguientes:

A. Emulsión 20
B. Grasa 60
C. Derrame 80
D. Tapa barrida 30
E. Mal impresa 10
Construir un diagrama de Pareto y su línea acumulativa
Pareto Chart of C1
200 100
80
150
Percent
60
Count
100
40
50
20
0 0
C1 C B D A Other
Count 80 60 30 20 10
Percent 40.0 30.0 15.0 10.0 5.0
Cum % 40.0 70.0 85.0 95.0 100.0
Diagrama de Pareto
Ejercicio: Hacer un diagrama de Pareto con los principales defectos en una

línea:
Tipo de Descripción del defecto Frecuencia
defecto
A
B
C
D
E
58
Frecuencia %
Conclusiones:
Carta u de Defectos por unidad

Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspección, entonces el promedio de no conformidades por unidad de
inspección u es:
ci
ui =
ni
Los límites de control son:
u
LSC u = u + 3
n
LC u = u
u
LSC u = u + 3
n Si es negativo se toma cero.
Donde u representa el número promedio de no conformidades por unidad en

un conjunto de datos preliminar. Los límites anteriores se consideran límites
preliminares.
Ejemplo: Obtener una carta u para los Defectos encontrados en lotes de Partes
variables:
LC=U-
U +3*raiz(U/ni)
Defecto
s Lote Ui Umedia LIC LSC
59
9 110 0.082 0.055 0 0.12

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

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

Asumir que se pueden identificar las causas asignables, eliminar los puntos que
salen de control y recalcular los límites de control
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
RECOMENDACIONES

D) Cambio de modelo
U F) Fin de turno
A
S
FECHA DEFECTOS
HORA
INICIALES A
CANT. INSP. B
CANT. RECH. C
% RECH. D
A E
B D
C G
D H
E
D
G
H
FALTA DE
REGISTRO
61
3. CAPACIDAD DE PROCESOS
Definiciones
• Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
• Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud,
basada en el desempeño probado, para lograr resultados que se puedan
medir.
• Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los límites de especificaciones de calidad.
• Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de
la medición del trabajo realizado por el proceso.
• Capacidad inherente: Se refiere a la uniformidad del producto que
resulta de un proceso que se encuentra en estado de control estadístico,
es decir, en ausencia de causas especiales o atribuibles de variación.
• Variabilidad natural: Los productos fabricados nunca son idénticos sino
que presentan cierta variabilidad, cuando el proceso está bajo control,
solo actúan las causas comunes de variación en las características de
calidad.
• Valor Nominal: Las características de calidad tienen un valor ideal
óptimo que es el que desearíamos que tuvieran todas las unidades
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
Introducción a la capacidad de procesos

Su propósito es determinar la capacidad del proceso para cumplir
especificaciones o requerimientos establecidos, se usa para:
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseñadores de producto o proceso en sus modificaciones
3. Especificar requerimientos de desempeño de equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de producción cuando hay un efecto interactivo de
los procesos en las tolerancias.
62
La capacidad de los procesos para cumplir especificaciones se refiere a la

uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
1. La variabilidad natural en un cierto tiempo (variabilidad instantánea).

2. La variabilidad en el tiempo.
Es usual tomar 8-sigma de la población como la dispersión en la distribución

de la característica de calidad del producto como medida de la capacidad del
proceso.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) ,
se encuentran en µ ± 4 σ, o sea:
LTNS = µ + 4 σ
LTNI = µ - 4 σ
Para un proceso normal, los límites de tolerancia naturales incluyen 99.9936%

de la variable, sólo (64 ppm) de la salida del proceso se encontrará fuera de
estos límites de tolerancia naturales. Sin embargo, si el proceso no es normal,
el porcentaje puede diferir grandemente. Esto se esquematiza en la figura
siguiente:
LTNI 32 ppm def. µ

LTNS 32ppm def.
Localización de los límites de tolerancia

natural
63
¿Cómo vamos a mejorar esto?
Podemos reducir la desviación estándar...
Podemos cambiar la media...
O (lo ideal sería, por supuesto) que podríamos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegurarse que se mantenga
Teoría del camión y el túnel

•El túnel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es perfecto
(variación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es mayor
que la especificación.
•Centrar es hacer que el promedio del proceso sea igual al centro de la
especificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
el chofer puede mantener el centro del camión en el centro del túnel. De otra forma
chocará con las paredes del túnel y no pasará a pesar de ser más angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9´
Nigel´s Trucking Co.
Capacidad potencial (Cp) y capacidad real del proceso (Cpk)
64
Capacidad del proceso – Fracción defectiva

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

Zi = Zs =
Desviación Estandar Desviación Estandar
La fracción defectiva se calcula con las tablas de distribución normal
P(Zi) = Área en tabla (-Z) P(Zs) = 1 – Área corresp. a Zs en tabla (+Z)
Fracción defectiva = P(Zi) + P(Zs)
Cálculo de la fracción defectiva
Índices de Capacidad del proceso
Índice de capacidad potencial Cp

Compara la amplitud de variación permitida por las especificaciones entre la
amplitud de variación entre los límites de tolerancia naturales del proceso.
La función P (inverso de Cp) es el porcentaje de la banda de especificaciones
usada por el proceso.
65
 1 
P =
 Cp 
100
 
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 σst

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

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

Este índice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk, y se evalúa tomando el menor
de los Cp’s correspondientes a cada lado de la media.
LSE − µ µ − LIE
Cps = PCR S = Cp superior Cpi = PCR I = Cp inferior
3σ 3σ
66
67
Procedimiento para realizar estudios de capacidad del proceso

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

P =1/Cp*100 = [(1/1.68)]* 100 = 59.5%
Cuando sólo existe un límite de especificaciones, el índice de capacidad
potencial Cp o PCR se define como:
Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
264 − 200 64
Cp = = = 0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:
LIE − µ 200 − 264
ZI = = = −2
σ 32
68
P(x <= ZI) = 0.0228 o 2.28% por debajo del límite inferior de especificaciones.
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de
1.67 para procesos críticos, el ideal es 2.0. El Cpk toma en cuenta la
localización relativa de la media del proceso respecto a los límites de
especificaciones.
Ejemplo:
Para un proceso donde los límites de especificación sean LSE=62, LIE=38, la
media del proceso sea µ=53 y su desviación estándar σ=2, se tiene:
62 − 53 53 − 38
Cps = PCRS = = 1.5 para el LSC, Cpi = PCRI = = 2.5 para el LIC.
32 32
Por tanto, el índice de capacidad real es:
Cpk = PCRk = min( PCR S , PCR I ) = min(1.5,2.5) = 1.5
Siempre se cumple que, Cpk <= Cp, Siendo el Cpk menor cuando el proceso no
está centrado. Los criterios de mínimo Cpk son similares a los del Cp.
Índice de capacidad cpm

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

Es un indicador de capacidad real que toma en cuenta el centrado del proceso:
Si T es el centro de las especificaciones.
Cpk
C pkm =
2
 µ −T 
1+  
 σ 
Cuando T es igual a X media del proceso, Cpkm = Cpk
Con Minitab: Con los datos de la carta X-R anterior, una vez que se
encuentra en control:
a) Con los límites de especificación reales de la línea o producto LIE = 15.2
y LSE = 16.6:
69
En Minitab:
Stat > Quality tools > Capability analysis (Normal)
Seleccionar Subgroups across rows off X1 X2 X3 X4 X5
Lower spec 15.2 Upper spec 16.6
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million / Capability Stat Cp, Cpk
o Benchmark Z’s
OK OK
b) Calcular la desviación estándar del proceso o sigma “Std Dev. Within”
c) Determinar los límites de tolerancia natural del proceso (Media de medias +-

4*sigma):
LTNI = Media de medias – 4*sigma =
LTNS = Media de medias + 4*sigma =
d) ¿Cuál es el valor de la fracción defectiva total fuera de especificaciones

(Exp. Within performance % Total )?
e) ¿Cuál es el valor del Cp =

es potencialmente hábil el proceso?.
f) ¿Cuál es el valor del Cpk =

Es realmente hábil el proceso?
g) ¿Qué recomendaría para mejora capacidad real del proceso?.
Con Minitab: Con los datos de la carta I-MR anterior, una vez que se
encuentra en control:
a) si los límites de especificación son LIE = 5.95 y LSE = 6.06, determinar lo
siguiente:
En Minitab:
Stat > Quality tools > Capability analysis (Normal)
Data is arranged as a single column: Viscocidad
Subgroup size 1
Lower spec 5.95 Upper spec 6.06
Estimate: Methods of estimate sigma R-Bar
Options: Display Percents o Parts per million / Capability Stat Cp, Cpk
o Benchmark Z’s
OK OK
b) Determinar la Desviación estándar (St dev. Within )=
desviación estándar = Rmedio / d2 = (d2 = 2.326)
70
Media (Mean) =
c) Limites de tolerancia natural del Proceso (variación natural del proceso):
LTNI = Media - 4* Desv. Estandar =
LTNS = Media + 4* Desv. Estandar =
d) Zlie = (ZLSL)= Zlse = (ZUSL) =
Z=(Lim. spec.–Media)/Desv.estandar
e) P(Zlie)= (Exp. Within performance %<LSL) =

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

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

µ = X media de medias σ = Rmedio / d2 =
[ d2 para n = 5 tiene el valor 2.326]
Si el límite de especificación es: LIE = 200.

El Cpk = por tanto el proceso ¿? cumple con las especificaciones
Ejercicio : De una carta de control X - R (con tamaño de subgrupo n = 5),

después de que el proceso se estabilizó quedando sólo con causas comunes
(LIE = 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40 Rmedio = 5
a) Determinar la desviación estándar del proceso
b) Determinar los límites de tolerancia natural del proceso
c) Determinar la fracción defectiva o porcentaje fuera de especificaciones
d) Determinar el Cp
71
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
h) Establecer conclusiones de los resultados anteriores
Capacidad de procesos no normales

Cuando los datos provienen de poblaciones no normales una opción para
realizar el estudio de capacidad de procesos es mediante la distribución
Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene
es referente a la deformación en las mismas. Se toman 100 mediciones
durante 10 días. El límite superior de especificación (USL) = 3.5 mm Realice un
estudio de capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de

escala = 1 con
5. Calc > Random data > Weibull
6. Generate 100 Store in columns C1 Shape parameter 1.2 Scale
parameter 1 Threshold parameter 0 OK
Considerando Límites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:

1. Stat > Quality tools > Capability análisis > NoNormal
2. Single column C1 Distribution Weibull Lower Spec 0 Upper spec 3.5
3. Estimate R-bar OK
Los resultados se muestran a continuación:
72
El histograma no muestra evidencia de alguna discrepancia seria entre el

modelo y los datos, ya que la curva muestra buen ajuste. Sin embargo
observamos que algunos datos caen fuera del límite superior de especificación.
Lo cual quiere decir que en algunos casos la deformación será mayor a 3.5
mm.
El índice Ppk y Ppu2 = 0.85 lo cual nos dice que el desempeño del proceso no
es capaz ya que
0.85 < 1.33.
También observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarán fuera de los límites de especificaciones.
También se cuenta con la opción Six Pack para esta opción.
En Minitab otras opciones son transformar los datos con los métodos de Box
Cox o Johnson y después determinar la capacidad del proceso de manera
tradicional calculando el Cp y el Cpk.
MINITAB: Transformación de Box Cox
File > Open worksheet > Tiles.mtw
Stat > Control Charts > Box Cox Transformation
Variable Warping Subgroup size 1
OK
2
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
73
Para normalizar la variable anormal, se eleva a la potencia indicada en Best

Value (0.5) y este valor es cero, se toma el logaritmo natural de la variable. En
ambos casos también se deben transformar los límites de especificaciones.
74

M Dulo 1 Core Tools Var Cep

Cargado por

Copyright:

Formatos disponibles

M Dulo 1 Core Tools Var Cep

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

M Dulo 1 Core Tools Var Cep

Cargado por

Copyright:

Formatos disponibles

Core

DR. PRIMITIVO REYES

OBJETIVO: Al finalizar el Módulo 1. Core Tools - CEP, el

Introducción a la capacidad de procesos........................................................................................................62

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

Bisteck de 10 onzas Tiempo de tostado

La variación a largo plazo se denomina variabilidad del producto o

Se utiliza para separar el problema general en los estratos que lo componen,

Correlación entre las variables Y y X

Correlación Positiva Correlación Negativa

Diagrama de dispersión y su correlación entre X,Y

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

Tiempo (esc. 1/div.)

En Excel se puede obtener esta gráfica con la gráfica de dispersión y

Diagrama de Regresión lineal

Ejercicio: Un jefe de mantenimiento reunió los datos siguientes de los tiempos

a) Obtener la ecuación de regresión y estimar el tiempo para un técnico de 9

b) Obtener el coeficiente de correlación y el coeficiente de determinación.

Distribución de frecuencias o histograma

Pasos para hacer un histograma:

Ejercicio: Realizar un histograma con los datos siguientes:

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

Columna Intervalo Registro de frecuencias

Paso 4. Hacer la gráfica del histograma:

En Excel se puede obtener esta gráfica con la opción de Análisis de datos,

Las cartas de control

Carta de control con sus límites de control y línea central

Patrones de anormalidad en cartas de control

 Las cartas de control detectan la variación anormal en un proceso,

 El patrón anormal debido a eventos especiales se llama causa especial

Causas especiales y causas comunes

Causas especiales o asignables:

Las causas especiales normalmente provocan que los procesos sean

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

SI LAS VARIACIONES PRESENTES SON IGUALES,

Proceso en control, solo causas comunes presentes

 Espesor de acabado, con una variación normal

 Temperatura del horno con variaciones de temperatura normales.

Cuando sólo se tienen presentes en el proceso causas comunes, entonces

Esta variación no puede ser reducida sin cambios fundamentales en el proceso

SPC for SME - David Drain 8

El término “sobre ajuste” o “Tampering”se refiere a los ajustes que se

Distribución de probabilidad normal

Distribución gráfica de la variación

TAMAÑO TAMAÑO TAMAÑO TAMAÑO

SIZE TAMAÑO TAMAÑO

LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

TAMAÑO TAMAÑO TAMAÑO

La distribución normal es una de las distribuciones más usadas e importantes.

Cuando se incluyen todos los datos de un proceso o población, sus

Propiedades de la distribución normal estándar

Propiedades de la distribución normal estándar:

Área o probabilidad bajo la curva normal estándar

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

Área bajo la curva de Distribución normal

Lo anterior se puede calcular con la Tabla de distribución normal o con Excel

b) Determinar el área bajo la curva de menos infinito a Z = - 2. P(Z<= - 2) =

c) Determinar el área bajo la curva de Z = 1 a Z = 2.

Estandarización de valores reales a su equivalente Z

a) ¿Está el proceso en control estadístico? _ Si _ No