Estadistica Basica y SPC

Al Modulo de Estadística Básica y SPC
IMPARTIDO POR:
JHONATAN CABRAL
PARA CEREALES EN GENERAL S.A.S.
SANTO DOMINGO, REPUBLICA DOMINICANA
2015
• Poner el Celular en Vibrador.
• Levantar la mano y esperar el turno para hablar.
• Respetar las opiniones de los compañeros.
• Participar durante la presentacion.

Finalizado el modulo de Estadística Básica y SPC el participante estará
en capacidad de enunciar los distintos conceptos aplicables a esta
metodología, así como el conocer y utilizar los distintos gráficos de
control que provienen de esta herramienta.
Estadística Básica
Tipos de Datos
Baja Información Disponible Alta
Data Atributo Data Continua

9.1987, 9.4957, 9.3876,
9.2669, 9.3289, ...
Discreta Categorica
0, 1, 1, 0, 1, 0, 0, 1, ...
Pasa/ Falla, Si/ NO
Desordenada Ordenada
Nominal Ordinal
Amarillo, verde, rojo,,, 1, 2, 3, 4, 5, 6, ...
Cuba, PR, Japon, ... A, B, C, D, E
Tipos de Datos
• Data Continua: Pueden tomar cualquier valor entre
dos valores consecutivos, teniendo infinitos números
de valores, como por ejemplo el volumen de llenado
de una botella. Ej. 25.7, 24.3, 25.9,…..
• Data de Atributo: Puede tomar finita cantidad de

opciones de un grupo de datos.
– Discretos: 2 categorías. Ej. Bueno/ Malo
– Categóricos: Cantidad limitada de opciones, mas de 2 categorías, Ej.
Una encuesta con un rango de respuestas 1-5. Pueden ser Ordenadas
o Desordenadas
Datos Continuos Vs. Discretos
Data Discreta: Defectos en Data Continua:

Volumen de llenado Volumen de llenado
n=5 LSL = 50 ml
No. de muestras 4 Muestra 1 52.0 ml

aceptadas Muestra 2 52.4 ml
No. de muestras 1 Muestra 3 51.5 ml
defectuosas
Muestra 4 49.7 ml
Muestra 5 51.2 ml
¿Cuál de las dos informaciones nos da más

detalle?
Datos Categoricos
Desordenada Ordenada (Ordinal)

(Nominal)  Encuesta de clientes 1-5
 Idiomas (1=Mejor)
 Ingles, Frances,  Intensidad de Huracan (1-5)

Italiano, …. (5 = Mayor Intensidad)
 Colores
 Verde, Rojo, Amarillo, ..
Ejercicio:
Nombre el Tipo de Datos: Continuos, Discretos, Categoricos
• Peso de una caja de cereal:
• Apariencia visual en grados de color (1-

6):
• Volumen de ventas por trimestre:
• Flujo de Caja:
• Cantidad de unidades defectuosas vs.

unidades sin defectos:
• Categorías de rendimiento de un
producto: Bueno, regular, malo
Los Datos
• Población: Conjunto entero de datos de referencia.

Ej. Cantidad de personas que estudian en la Escuela
de Calidad.
• Muestra: Subconjunto de datos de la población. Ej.

Si se toma un grupo de 50 alumnos de la Escuela de
Calidad. En una muestra es importante que los datos
se tomen al azar. A esto se le llama muestreo
aleatorio.
Las Medias
• Las medidas computadas o calculadas a partir de

una población se llaman parámetros. Se
representan por letras griegas, como por ejemplo
s, m.
• Las medidas computadas o calculadas a partir de

una muestra se llaman estadísticos o estadígrafos.
Se representan por letras latinas. Ej. s , x.
Los Parámetros y Estadisticos
más Utilizados son:
Medida Parámetro Estadístico
Media m x
Varianza s2 s2
Desviación
s s
Estándar
Parámetros de la muestra (estadísticos) son utilizados para
estimar los parámetros de la población.
Números
• Muchos números no
representan utilidad 90
• Hay que analizar los 80
70
números, los datos, y
60
buscarles significado. 50
2000
• Usar las medidas de 40
2001
tendencia central y de 30
dispersión. 20
10
• Usar gráficos 0
Q1 Q2 Q3 Q4
del Ejemplo Anterior
Los siguientes números probablemente no

tengan mucho significado así:
• 138, 164, 150, 132, 144, 125, 149, 157
• 146, 158, 140, 147, 136, 148, 152, 144
• 168, 126, 138, 176, 163, 119, 154, 165
• 146, 173, 142, 147, 135, 153, 140, 135
• 161, 145, 135, 142, 150, 156, 145, 128
…pero si se analizan y se resumen permiten una mejor
interpretación
14
12
12
• Máximo = 176
10 9
8 • Mínimo = 119
6 5 5 • Rango = 57
4
4 3
2
• X = 146.8
2
• S = 13.05
0
118- 127- 136- 145- 154- 163- 172-
126 135 144 153 162 171 180
MEDIDA DE TENDENCIA CENTRAL
LOCALIZACION (PROMEDIO)
LIE LSE
Medidas de Tendencia Central
Media (X): Valor alrededor al que se concentran

los datos. Es el promedio aritmético de un set de
datos.
n
x
N
i x i
x i1 m i1
n N
• Ej. para los valores de prueba de halado siguientes:
18, 19, 20, 18, 19, 19, 16, 20, 21 y 19 la media es:
X = Sxi / n = 189 / 10 = 18.9
• Mediana (Me): Valor central en una serie ordenada de

datos.
a) Para un número impar de datos, es el valor central.
Ej. 18, 19, 19, 20, 22. La mediana de los 5 datos es el
3er. dato = 19.
b) Para un número par de datos, es el promedio de los
dos valores medios.
Ej. 18, 19, 19, 20, 20, 22. La mediana es promedio de los
datos 3 y 4
Me= (19 + 20) / 2 = 19.5.
• Moda (Mo): Valor que más se repite en una serie

de datos. Puede que no haya moda o que hayan
varias modas.
Ej., para los valores de pull test siguientes: 18, 19,
20, 18, 19, 19, 16, 20, 21, 19, la moda es 19, pues
se repite 4 veces.
Mo= 19.
Quartiles: Mientras la mediana (Q2) es el valor que separa los

valores ordenados en mitad (50% de los valores son menores, y
50% de los valores son mayores), los quartiles son medidas
descriptivas que separan los datos ordenados/organizados en 4
cuartos (quarters).
El primer quartil, Q1, es el valor tal que 25% de los valores son
menores y 75% de los valores son mayores. Q1=(n+1)/4
observaciones ordenadas, donde n= tamaño de muestra.
El tercer quartil, Q3, es el valor tal que 75% de los valores son más
pequeños y 25% son mayores. Q3=3(n+1)/4 observaciones
ordenadas, donde n= tamaño de muestra.
Ejemplo: Si tenemos como set de datos que el tiempo de ciclo de una

máquina para diferentes tipos de sellados es 44, 29, 35, 40, 43, 31, 52, 39, 44, 39:
Procedemos a ordenarlo como sigue:
29 31 35 39 39 40 43 44 44 52 (Datos)
1 2 3 4 5 6 7 8 9 10 (Observación ordenada)
Q1=(10+1)/4=2.75-valor alineado, 75% más del segundo valor alineado.
Porque el segundo valor alineado es 31 y el tercer valor alineado es 35 (y su
diferencia es 4), el primer quartil es 34 [porque 31+(3/4)(4)=31+3=34]. Esto
significa que el 25% de los valores es igual o menor que 34 y que el 75% de los
valores es mayor o igual que 34.
10
15
20
25
30
35
40
45
0
5
2.1450
2.1500
2.1550
2.1600
2.1650
2.1700
2.1750
2.1800
alcalinidad
2.1850
Distribution: Johnson
2.1900
2.1950
SKEWNESS?
2.2001
2.2051
2.2101
2.2151
Leptocúrtica Beta>3, g>0
Mesocúrtica beta=3, g=0
Platicúrtica beta<3, g<0
Tendencia Central N
Promedio de población X i
m= i1
N
N
Desviación Estándar de  i
(X  m ) 2
población s=S= i=1
n N
x i
Promedio de x= i=1
muestra n
n 2
Desviación estándar de
 x  x 
i
sˆ  s  i1
muestra
n 1
Con el promedio y la desviación podemos definir una población o un proceso
MEDIDA DE DISPERSION
(RANGO Y DESVIACION ESTANDAR)
LIE LSE
Medidas de Dispersión
• Rango (R): Diferencia entre el mayor y el menor

valor de una serie de datos.
R= xmayor – xmenor.
Ej., para los valores de pull test siguientes: 18, 19,
20, 18, 19, 19, 16, 20, 21, 19, el rango es el valor
mayor (21) menos el valor menor (16).
R= xmayor – xmenor= 21 – 16 = 5.
• Varianza (s2, s2): Medida de dispersión

basada en la media de las desviaciones
cuadradas a partir de la media.
(s2) : Varianza poblacional
(s2) : Varianza muestral
n
 i
N
 (X  2
i  μ) 2 (x x )
σ 
2 i 1 s2  i1
N n 1
• Varianza Ej., para los valores de prueba de

halado siguientes:
18, 19, 20, 18, 19, 19, 16, 20, 21, 19,
asumiendo que son una muestra, la
varianza es igual a:
• s2 = S (xi - x)2 / n-1
s2 = S [(18 – 18.9)2 + (19-18.9)2 + …+ (21-
18.9)2] / (10 –1) = 1.88
• Desviación Estándar (s , s): Es la raíz

cuadrada de la varianza.
Del ejemplo anterior, tenemos que:
s2 = S (xi - x)2 / n-1
s2 = S [(18 – 18.9)2 + (19-18.9)2 + …+ (21-
18.9)2] / (10 –1) = 1.88
s será igual a la raíz cuadrada de s2
s  s  188
2
.  137
.
SUMA DE MEDIAS
• Para la suma de medias, simplemente se

suman las medias. Si sumamos la media de
las longitudes de dos segmentos A y B, la
media de la distancia total será:
XAB = XA + XB
Si XA = 12.8 y XB = 4.1, entonces,
XAB = 12.8 + 4.1 = 16.9
SUMA DE VARIANZAS
• Las desviaciones estándares no se suman. Se

suman las varianzas. Para la suma de varianzas,
se halla la raíz cuadrada de la suma de las
varianzas. Si sumamos la varianza de las
longitudes dos segmentos A y B, la varianza de la
distancia total será:
S2AB = S2A + S2B
• Si S2A = 2.3 y S2B = 0.8, entonces,
sAB  2.3  0.8  31
.  176
.
EJERCICIO: ESTADISTICA DESCRIPTIVA
• Dado el siguiente grupo de valores:
29, 31, 35, 39, 39, 40, 43, 44, 44, 52
• Compute las siguientes estadísticas:

– Media: _______
– Mediana: _____
– Rango: ______
– Desviación Estándar: ______
– Valor Mínimo: _____
– Valor Máximo: _____
– Q1: _____
– Q3: _____
CLASIFICACION DE LA VARIACION
VARIACIONES
CENTRALIZADO VARIACION COMUN VARIACION ESPECIAL
EL PROCESO IDEAL OPERA EL PROCESO CON VARIACION EL PROCESO CON VARIACION

DE MANERA CENTRALIZADA COMUN PERMANECE ESTABLE ESPECIAL NO ES ESTABLE,Y
CON CERO VARIACION. ESTADISTICAMENTE, SE ENCUEN- OPERA
TRAN ENTRE LOS LIMITES DE CONTROL. FUERA DE LOS LIMITES DE
CONTROL.
¿Cómo podemos reducir la variación en nuestros

procesos?
Dividir la variación para poder analizar en:
Within group variation (en el grupo)
Between group variation (entre grupos)
Between operations variation (entre operaciones)
Variation over time (a través del tiempo)
Vamos a ver estas 4 categorías de variación en un
ejemplo!
Aprobación de prestamos
Within Variation
(en el grupo) Between Operator
Variation (entre
operadores)
Aprobación
de Between Group
prestamos Variation (entre
grupos)
Within
Group
Variation
Aprobación
de
prestamos
Over time
(en el
tiempo)
Between Group
Volumen de Variation (entre Within Group
Llenado grupos) Variation (en el
grupo)
Lot MT01003E Lot MT00903E
Línea de llenado A
Between Lot MT00803D Lot MT00703D

Streams
Variation
(entre
líneas) Línea de llenado B
Volumen de
Between
Group Within
Variation Group
Llenado Variation
Lot MT01003E Lot MT00903E
Lot MT00102A Lot MT00302B
Filling Line A
Between
Filling Line A Lot MT00803D Lot MT00703D Streams
Lot MT00202A Lot MT00402B Variation
Filling Line B
Filling Line B
May 2008
Jan 2008
Variation
Over Time
(en el tiempo)
Between Group
Within Group Variation (entre
Variation (en el grupos)
grupo)LSL = 15.5 Target = 16 USL = 16.5
LSL = 15.5 Target = 16 USL = 16.5
40
18
35
16
14 30
12 25
10
20
8
15
6
10
4
2 5
0 0
14.61
14.79
14.98
15.16
15.34
15.53
15.71
15.90
16.08
16.26
16.45
16.63
16.82
14.61
14.79
14.98
15.16
15.34
15.53
15.71
15.90
16.08
16.26
16.45
16.63
16.82
lot MT01003E LOT MT00903E
LSL = 15.5
Target = 16
USL = 16.5 LSL = 15.5
Target = 16
USL = 16.5
90 90
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
Between
0 0
11.58
12.03
12.47
12.91
13.36
13.80
14.25
14.69
15.14
15.58
16.03
16.47
16.92
11.58
12.03
12.47
12.91
13.36
13.80
14.25
14.69
15.14
15.58
16.03
16.47
16.92
lot MT01003E
Streams LOT MT00903E
Variation
(entre
líneas)
LSL = 15.5
Target = 16
USL = 16.5
LSL = 15.5
Target = 16
USL = 16.5
90
90
80
80
70
70
60
60
50
50
40
40
30
30
20
20
10
10
0 0
11.58
12.03
12.47
12.91
13.36
13.80
14.25
14.69
15.14
15.58
16.03
16.47
16.92
11.58
12.03
12.47
12.91
13.36
13.80
14.25
14.69
15.14
15.58
16.03
16.47
16.92
LOT 00803D LOT00703D

¿PORQUE CLASIFICAR LA VARIACION?
Clasificar la variación en estas 4 categorías nos permite hacer conexiones con las
posibles causas. Algunos ejemplos de esto:
• Within a Group:
– Cambios a corto plazo en el proceso
– Mal funcionamiento del equipo
– Potencial fallo en el sistema de medición
• Between Groups:
– Diferencias entre instrumentos, laboratorios, equipos
– Diferencias entre maquinas, lotes, operadores
• Over Time:
– Cambios en personal, equipo, sistema de medición, proceso
– Cambios de suplidor, de material, etc.
• Between Streams:
– Diferencias entre líneas, maquinas
– Diferencias entre laboratorios
CONTROL ESTADISTICO DE PROCESOS – SPC –
Uso de técnicas estadísticas para el control y la

mejora de procesos.
Muestreo de Aceptación
Enfoques para Evaluar un Lote
1. Aceptar sin inspección

2. Inspección 100%
3. Muestreo de aceptación
El Muestreo de Aceptación se refiere a la inspección y la toma de

decisión con respecto a productos.
Tres aspectos del muestreo son importantes:
1. Involucra muestreo aleatorio de un “lote”

completo
2. Acepta y Rechaza lotes (no logra mejoramiento
de calidad) “Sentencia del lote”
3. Herramienta de auditoría
Ventajas y Desventajas del Muestreo
Ventajas
• El numero requerido de personal es relativamente pequeño, por lo que
resulta menos costoso
• Los resultados pueden ser obtenidos en un corto tiempo, por lo que se
pueden identificar rápidamente oportunidades de mejoramiento.
• Menos daños por manejo
• Procesos sistemáticos pueden ser evaluados con un pequeño número de
áreas
• Reduce la cantidad de error de inspección
Desventajas
• Riesgo de aceptar lotes “malos”, y rechazar lotes “buenos”
• Los esfuerzos de mejoramiento de acciones correctivas pueden ser mal
dirigidos
• Menos información obtenida
• Requiere planeación y documentación
• Ningún plan de muestreo puede garantizar la identificación de todas las
unidades defectuosas.
Métodos de Aceptación por Muestreo
• Muestra aleatoria: similar a sacar un numero de un sombrero. Se espera
que la muestra represente verdaderamente el rango y la distribución
relativa de características de la población; si no es así se introduce error
de sesgo (bias) y las bases estadísticas del procedimiento del muestreo de
aceptación se pierden.
• Muestra estratificada: cuando se desea que porciones particulares de la

población sean evaluadas.
• Muestreo sistemático: cuando se selecciona cada n numero de artículos,

por ejemplo cada 10
• Muestreo Cluster: cuando se toma una muestra aleatoria de un subgrupo

seleccionado.
• Muestreo Best Judgment: es cuando la opinión de un experto es usada

para determinar la mejor locación y características del grupo de muestra
IV-52
• Muestreo de Aceptación: es el proceso de muestrear un lote de material para

evaluar el nivel de no conformancia relativa al límite de calidad especificado.
Cuando se realiza apropiadamente, el muestreo puede mantener las no
conformancias debajo de un nivel llamado AOQL (average outgoing quality level).
Algunos procesos de muestreo están basados en los planes:
Atributos ANSI/ASQ Z1.4 Reemplaza a MIL-STD

105
C=0
Variables ANSI/ASQ Z1.9 Reemplaza a MIL-STD
414
Formación de Lotes
Consideraciones antes de la
inspección:
– Los lotes deben ser homogéneos
– Son mas preferibles los lotes
grandes que los lotes pequeños
– Los lotes deben estar conformados
de acuerdo a los sistemas de
manejo de materiales usados en las
plantas del proveedor y del cliente.
Errores muéstrales
El lote realmente es:

Bueno Malo
La muestra dice No hay error Error tipo II.
que el lote es:

Buen Riesgo del
o consumidor
Error tipo I,  No hay error
Riesgo del
Malo productor
Planes de muestreo. Tipos
Plan de muestreo: planteamiento que indica el

tamaño muestral que hay que utilizar y los
criterios de aceptación o rechazo
correspondientes para juzgar el lote.
Tipos:
1) Simple
2) Doble Por atributos
3) Múltiple
4) Múltiple Secuencial
Por variables
Plan de muestreo simple
Se toma una muestra de n unidades
y se determina el destino del lote
en base a la información contenida
en la muestra.
Ejemplo: tomar una muestra de

tamaño 80, n, y si hay más de 6
artículos defectuosos, c, se rechaza
el lote.
Plan de muestreo doble.
Inspeccionar una muestra aleatoria

de tamaño n1 y contar el no. de
defectuosos d1
Aceptar d1 <= c1 d1 > c2 Rechaza

el lote r el lote
c1< d1 <= c2
Inspeccionar una muestra aleatoria
de tamaño n2 y contar el no. de
defectuosos d2
Aceptar d1+d2 <= c2 d1+d2> c2 Rechaza

el lote r el lote
Plan de muestreo múltiple por lotes
Es una extensión del concepto de

muestreo doble, en el que pueden
necesitarse más de dos muestras
para llegar a una decisión acerca
del lote.
Los tamaños muestrales suelen ser
menores que en un muestreo
simple o doble, pero es más
complicado de llevar a cabo.
Plan de muestreo múltiple secuencial
Se selecciona un artículo a la
vez y si el número de
defectuosos es mayor que
cierto límite LS se rechaza, si
es menor que cierto límite
inferior LI se acepta, y si está
entre ambos límites se toma
otra unidad.
Plan de muestreo secuencial
No. de artículos ZONA DE

RECHAZO
defectuosos
3
2
1
No. de artículos
10 20 30 40 inspeccionados
-1
-2
-3 ZONA DE
ACEPTACIÓN
Planes de muestreo por atributos.
Plan de muestreo simple
Se toma una muestra aleatoria de

tamaño “n” y si ésta contiene más de
“c” unidades defectuosas se rechaza el
lote.
Parámetros:
n: tamaño de la muestra
c: no. máximo de defectuosos que se
aceptan en un lote.
Para establecer un plan de muestreo
simple es necesario definir:
NCA (AQL): nivel de calidad

aceptable.
PDTL (RQL): porcentaje

defectuoso tolerable por lotes.
NCA (AQL): Nivel de calidad aceptable.
• Es el máximo porcentaje de defectuosos que un
productor acepta en su proceso. Si p
(probabilidad defectuosos )<NCA el proceso se
considera de buena calidad. Asociado a 
• Es el % máximo de artículos defectuosos en un
lote que pueden ser considerados aceptables en
promedio.
• Sería deseable que los lotes tuvieran, en
promedio, esta calidad o mejor.
• Si el proceso tuviera esta calidad, la inmensa
mayoría de los lotes deberían ser aceptados.
• Es la definición numérica de un buen lote
PDTL (RQL):
• Porcentaje defectuoso tolerable por lotes. Es

el máximo porcentaje de defectuosos que un
consumidor acepta. Asociado a 
• El % de artículos defectuosos en un lote que
el consumidor quiere que tenga una baja
probabilidad de aceptación.
• Un lote que tenga calidad cercana al PDTL,
no debiese ser admitido, sino por accidente.
• Si la fracción de defectuosos del proceso
estuviera cerca del PDTL, la mayoría de los
lotes serían rechazados.
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859
Tablas de muestreo MIL-STD 105E o
ANSI Z1.4
• Requiere información de:
– Tamaño del lote N
– Nivel de inspección (especial o normal )

• Se usa inspección especial cuando las
características no son críticas o en pruebas
destructivas. El nivel de default es el II
– Magnitud del AQL (fracción defectiva aceptable en

lotes)
• Es la fracción defectiva que se negocía 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
ANSI Z1.4
• Contempla tres tipos de muestreo:
– Simple
– Doble
– Múltiple
• En cada uno de los tipos se prevén los planes de inspección:

– Inspección normal
– Inspección reducida
– Inspección estricta
ANSI Z1.4
• Iniciando con Inspección normal, proporciona información
de:
– Tamaño de muestra n
– Criterio de aceptación 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
ANSI Z1.4
• Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de inspección II
– La tabla I indica letra código K
– La tabla II-A para inspección normal

indica el plan de muestreo n = 125,
Aceptar = 2, Rechazar = 3
– La tabla II—B para inspección estricta

– La tabla II—C para inspección reducida

Muestreo por Variables
Muestreo por variables
• El parámetro de interés debe seguir una distribución normal
• Una ventaja es que el tamaño de muestra es más pequeño que en su

equivalente por atributos
• Una desventaja es que se requiere un plan por cada característica, el de

atributos considera varias a la vez
• Para diseñar planes de muestreo por variables se utiliza un Nomograma

como en el caso de atributos
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
• Se define por su tamaño de muestra n y el número de
aceptación k distancia mínima de la media de la muestra al límite
de especificación LIE o LSE.
• Se toma una muestra y se evalúa la característica obteniendo un

valor de MEDIA y de DESVIACIÓN ESTANDAR, con estos datos
se determina Z y se compara con el valor mínimo de K. El lote se
acepta si |Z| >= k es lo minimo que puede valer Z, porque en el
momento mas pequeño es mas se acerca al limite de aceptación
LIE Posición de la media en
Conforme se Z Relación con el límite de
Recorre a la derecha
la fracción defectiva Especificación inferior LIE
disminuye
Z = (LIE-Xm)/s
1.05 1.1 1.15 1.2 1.25 1.3 Dimensión X
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
Pa es la probabilidad de aceptar un lote con fracción

defectiva p con base en el plan de inspección n-k
Pa
1 Curva característica de
0.8 Operación dado una
0.5 Tamaño de muestra n
0.3 y un criterio de aceptación k
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Determinación de la fracción
defectiva en la muestra por el Método II
Pasos:
1.Se toma una muestra de tamaño n
2. Se mide la característica de interés
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en función 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)
GRÁFICOS DE CONTROL
• Son una herramienta estadística que permite supervisar el control de

un proceso y nos alertan cuando se ha disturbado el proceso.
• Es utilizado para distinguir entre la variación en un proceso resultado
de causas comunes y la variación resultando de causas especiales.
• Son una representación gráfica de cierto plazo de tiempo, en el cuál se
visualiza la estabilidad o no del proceso.
CONTROL ESTADISTICO DE PROCESOS (SPC)
• Cómo se reduce la variabilidad de un Producto?
– Se utiliza el control estadístico de Procesos (SPC)
• Por qué utilizar los Cuadros de Control?

– Ayuda a supervisar la variación de proceso en un cierto plazo de
tiempo.
– Determina la eficacia de cambios.
– Distingue entre la causa especial y la variación común de la causa.
– Comunica el funcionamiento de proceso.
REGULACIÓN DEL PROCESO
Dado que siempre existe variación en el proceso, la cuestión radica

en el tipo de causas de variación:
– Causas comunes, aleatorias, propias del proceso y difíciles de
identificar.
– Causas especiales, intermitente, pueden ser identificadas más
fácil que las comunes y eliminadas.
Cuestión fundamental : Cómo identificar la variación.

ESTABLECIMIENTO DE LOS CONTROLES
Puntos típicos para establecer controles:

 Al inicio de actividades significativas e irreversibles.
 Después de crear una característica de calidad crítica.
 Al tener variables dominantes del proceso.
 Cambios de autoridad o área de participación.
* Utilizar un diagrama de flujo para resaltar/identificar los puntos de

control.
DIAGRAMAS DE CONTROL
(CONTROL CHARTS)
Introducción
La grafica de control es usada para identificar las
variaciones controladas y también las
incontroladas
– Variaciones controladas: variaciones debidas a
causas comunes, normales o que son partes del
proceso
– Variaciones incontroladas : debidas a causas
especiales, causas asignables
Introducción
CAUSAS COMUNES
• Presentes en cada proceso
• Producidas por el proceso mismo (es parte
de como hacemos la cosas)
• Pueden ser removidas y/o reducidas pero
requieren un cambio fundamental en el
proceso
Un proceso es estable, predecible, y en control, cuando las
variaciones restantes son solamente de causas comunes.
Introducción
CAUSAS ESPECIALES
• Impredecibles
• Las variaciones son típicamente grandes en
comparación a las causas comunes
• Causadas por una molestia única o por un series de
molestias únicas en sus características
• Pueden ser removidas o reducidas por un control
básico del proceso
Un proceso donde existen variaciones debidas

a causas especiales esta fuera de control y
inestable
Introduction
Las Graficas de Control de proceso son
• diagramas de la calidad de un producto o servicios a medida

que fluye el proceso.
• La repuesta del proceso en relación a las especificaciones y

la manufacturabilidad del diseño en caso de un producto o
de la ejecución en caso de un servicio
• Fue inventada por el Sr. Shewart de Bell Telephone en 1920,

con el fin de estudiar uniformidad en el proceso de
producción de su área
Analogia al semaforo
A traves de sus componentes
de limites superior, inferior, y de
advertencia, las decisiones de acción
son de 3 tipos:
Pase.
No acción requerida en el
Proceso. Zona 1
Espera y ser alerta

Zona 2
Stop
Investigación y ajustes
Zona 3
Zonas definidas en la grafica
Zona - 3 Acción
LCS
promedio de muestras
Zona - 2 Advertencia
Zona - 1 Sigue
meta
Zona - 1 Sigue
Zona - 2 Advertencia
LCI
Zona - 3 Acción
1 2 3 4 5 6 7
Numero de muestras
Zonas definidas en la grafica
Zona - 3 Acción % of Data Points
LCS
promedio de muestras
Zona - 2 Advertencia 3 Sigma 99-99.9%

2 Sigma 90-98%
Zona - 1 Sigue
1 Sigma meta 60-75%
1 Sigma
Zona - 1 Sigue
2 Sigma
Zona - 2 Advertencia 3 Sigma
LCI
Zona - 3 Acción
1 2 3 4 5 6 7
Numero de muestras
Limites de control y limites de
especificaciones
• Los limites de control de proceso son calculados directamente
desde los datos del proceso mismo
• Son basados en +/- 3s (99.73% de la variación del proceso

debe caer dentro de estos limites)
• Los limites de especificaciones (del producto) NO SE

ENCUENTRAN en la grafica de control
• La posición de los limites de control en comparación con los

limites de especificaciones nos permiten entender como el
proceso responde a los requerimientos y necesidades del
cliente.
Limites de control y limites de
especificaciones
DOS ERRORES COMUNES en las graficas de control
1. Poner limites de especificaciones en la grafica

de control
2. Tratar los limites de control UCL (LCS) y LCL
(LCI) como limites de especificaciones
Cuando hacen uno de estos la grafica pasa a ser

una simple herramienta de inspección y no una
de control.
UCL / LCL no son directamente atados a los defectos
para el cliente !
Tipos de grafica de control
Recuerden esto ?
Discreto – data Atribuida, data contada
Ex: 1, 2, 3,4 etc.

Bueno / Malo
Maquina 1 , 2 , 3 ...
Continua - Variable, data medida
Ej. Peso = 10.2 Lbs

dimensión = 11.211 onzas
Variable Discreta
Que tipo de Data ?
Contando
Data recolectado en
Defectos especificos o
Grupos or Individuales ?
Defectivos ?
Grupos Individual
(Averages) Valores Defectivos
(n>1) (n=1) Defectos
especificos
X-Bar R Individuales
X-Bar S “Moving Range” Es baja la Probabilidad Si sabes cuantos estan
de un Defecto ? malos, sabes cuanto estan
NO
Buenos ?
NOTA: X-Bar S Es apropriado Distribucion de POISSON Distribucion Binomial
para subgrupo (n) > 10
SI SI
Individuales
“Moving Range”
Tamano de muestra
Numero de Defectos
constante ?
Constantes?
NO
SI NO SI
Grafica u Grafica c GRafica p Grafica np
X-Bar-R
I-MR
Average -Range Chart
Individuals - Moving Range
Xbar-R Chart
51.167
I-MR Chart 51
Sample M ean
52.799 __
52.5 50
X=49.882
I ndiv idual V alue
51.0
49
_
X=49.882 48.596
49.5
2 4 6 8 10 12 14 16 18 20
Sample
48.0
4.8 4.712
46.965
1 10 20 30 40 50 60 70 80 90 100 3.6
Sample Range
Observation
_
2.4 R=2.229
4
1.2
3.584
3 0.0 0
M ov ing Range
2 4 6 8 10 12 14 16 18 20
Sample
2
__
1 MR=1.097
44
0 0
1 10 20 30 40 50 60 70 80 90 100
Observation
P
NP Proporción de
Numero de
Unidades no conformes Unidades no
NP Chart
conformes
17.5
P Chart
16
1.0 1
15.0
0.9
__
Sample Count
12.5 0.8 _
NP=12.2
P=0.7625
Proportion
0.7
10.0
0.6
7.5 0.5
7.09
1 0.4433
0.4 1
1
5.0 1
3 6 9 12 15 18 21 24 27 30 0.3
Sample 3 6 9 12 15 18 21 24 27 30
Sample
C U
Numero de defectos Numero de defectos
por “unidad”
C Chart U Chart
20
3.5
1 3.352
15.81 3.0
2.5
Sample Count
Sample Count
10 2.0
U=1.893
C=7.560 1.5
1.0
0.5 0.4336
0 0.00E+00
0.0
0 5 10 15 20 25 0 5 10 15
Sample Number Sample Number

Metodología: Gráficos de Control
Pasos para hacer un gráfico de control adecuado:
• Determine los tipos de datos.

• Recopile datos de manera uniforme teniendo en mente el
gráfico de control.
• Seleccione el gráfico de control adecuado.
• Haga el gráfico de control.
• Analice el rendimiento del proceso.
• Defina las acciones correctivas a tomar de acuerdo a las
advertencias generadas por el Control Estadístico del
Proceso.
 Determine los datos que se recogerán.
 Recoja e incorpore los datos del subgrupo.
 Calcule e incorpore el promedio para cada subgrupo.
 Calcule la media del proceso.
 Calcule el promedio de los rangos de subgrupos.
 Calcule el ULC y LCL para promedio de subgrupos .
 Determinar el UCL para rangos.
 Seleccionar las escalas y graficar.
 Documentar el gráfico.
Gráficos de Control.
Recopilación de la Data:
Sub-grupos 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
1 69 67 68 69 67 65 68 70 70 65 69 67 68 71 66 69 69 71 73 72 70 68 68 69 66
2 69 71 69 69 67 69 71 65 68 68 70 68 68 68 70 72 68 67 67 68 66 72 68 69 70
Muestra
3 70 68 66 68 71 68 67 69 69 69 67 66 69 70 66 67 68 69 69 71 70 68 71 65 66
4 73 66 69 72 68 70 69 70 69 71 72 67 69 69 71 70 70 70 69 66 68 70 67 69 70
5 70 69 70 69 69 67 69 72 71 66 67 71 70 71 70 68 68 67 70 69 72 69 69 66 69
Sumatoria 351 341 342 347 342 339 344 346 347 339 345 339 344 349 343 346 343 344 348 346 346 347 343 338 341
Promedio 70 68 68 69 68 68 69 69 69 68 69 68 69 70 69 69 69 69 70 69 69 69 69 68 68
Rango 4 5 4 4 4 5 4 7 3 6 5 5 2 3 5 5 2 4 6 6 6 4 4 4 4
Para este estudio se tomaron 25 sub-grupos de 5

muestras cada sub-grupo
DMAIC
CONTROL
Gráficos de Control. Data Continua: X-Barra

•En subgrupo de m muestras, de tamaño 4, 5 ó 6 muestras
usualmente tomadas en un periodo de tiempo, se tienen las medias
de muestras, que a su vez permite definir la media promedio de
proceso:
x  x2  ...  xm R1  R2  ...  Rm
X  1 R
m m
Mayor valor de subgrupo –
R= Menor valor de Subgrupo
Límites de control Límites de control Gráfico de
Gráfico de los promedios Rango
UCL  X  A2 R UCL  D4 R
CL  X CL  R
LCL  X  A2 R LCL  D3R
Gráficos de Control. Data Continua: X-S
El estadístico de dispersión “desviación estándar” de cada subgrupo ( para n >10 ) es
más adecuado que el uso de rango, excepto cuando las muestras son pequeñas (n = 4
ó 6): n
 ( xi  X ) 2
s i 1
n 1
x1  x2  ...  xm
X  s1  s2  ...  sm
m s
Límites de control para los
m
Límites de control Gráfico s
promedios
UCL  X  A3s UCL  B4 s
X CL 
 s
CL 
m m
LCL  X  A3s LCL  B3 s
Gráficos de Control. Data Continua
Límites de control Gráfico X-Barra Límites de control Gráfico de Rango
(Para gráfico X-Barra) (Para gráfico X-Barra )
UCL  X  A2 R UCL  D4 R
CL  X CL  R
LCL  X  A2 R LCL  D3R
Límites de control Gráfico X-Barra Límites de control Gráfico s

(Para gráfico X-S) (Para gráfico X- S)
UCL  X  A3s UCL  B4 s
CL 
X CL 
 s
m m
LCL  X  A3s LCL  B3 s
Constantes para Gráficos de Control
Puede encontrarse en cualquier libro de SPC!

Tamaño de d2 A2 D3 D4
muestra, n
2 1.128 1.880 0 3.267

3 1.693 1.023 0 2.574
4 2.059 0.729 0 2.282
5 2.326 0.577 0 2.114
6 2.534 0.483 0 2.004
7 2.704 0.419 0.076 1.924
8 2.847 0.373 0.136 1.864
9 2.970 0.337 0.184 1.816
10 3.078 0.308 0.223 1.777
Data Continua: I-mR
• Para cuadros de control de mediciones individuales, el promedio del proceso es sólo
la media de los n puntos:
n
 xi
X  i 1
n
• Los valores adyacentes más frecuentes son usados para determinar los
rangos móviles (mRs) :
MR1  x2  x1 ; MR
…2  x3  x2
El promedio de rango móvil es el promedio MR para n valores:

n
 MR i
MR1  MR2  ...  MRm
MR  i 1

m m
Data Continua: I-mR
Límites de control para Gráfico de Valores Individuales y
Rango (Rango):
LCL  0
CL  MR
UCL  3.27(MR )
Límites de control para Gráfico de Valores Individuales y
Rango (Valores Individuales):
3
UCL  X  ( MR)
d2  X  2.66(MR)
CL  X
3
LCL  X  ( MR)  X  2.66(MR)
d2
Datos por Atributos. Construcción de
Gráficos de Control “p”
En ocasiones cuando el tamaño de muestra no es igual en
cada subgrupo, se procede a ajustar el limite de control:
m
 Di Di es el número de
p i 1
m no conformidades
 ni para la enésima
muestra del total m.
i 1
Límites de control para gráficos P

p(1  p) p(1  p)
UCL  p  3 LCL  p  3
ni ni
CL  p
Gráficos de Control “np”
Límites de Control de Gráficos np
El gráfico de control np es simplemente una alternativa al grafico de

control p cuando el tamaño de muestra n es constante.
UCL  np  3 p (1  p )
CL  np
LCL  np  3 p (1  p )
Gráficos de Control “C”
Límites de Control de Gráficos c (número de no
conformidades)
El gráfico c consiste en evaluar el número de ocurrencias de no conformidad
(es) por unidad en un proceso para cualquier variable, donde evaluar el
número de no conformidades por unidad llega a ser más conveniente que
evaluar la proporción no conforme.
Utilizar este gráfico cuando el tamaño de subgrupos es constante.
Suma de ocurrencias de la no
c conformidad
Número total de unidades
UCL  c  3 c muestrales (# de sub grupos)
CL  c
LCL  c  3 c
Gráficos de Control “U”
Límites de Control de Gráficos u (no conformidades por
unidad)
Los gráficos u se utilizan para graficar defectos o no conformidades como una
fracción del total de unidades de subgrupos.
Generalmente el tamaño de subgrupo debe ser suficientemente grande para
detectar una causa especial de variación. Utilizar este gráfico cuando el tamaño de
subgrupos no es constante.
UCL  u  3 u
c
u CL  u
n
LCL  u  3 u
2. Conceptos de desplazamiento
Meta Promedio
LCI del proceso
LCS
-3s +3 s
LCS - LCI = 6 s
42 43 44 45 46 47 48 49 50 51 52 53
Cuando el promedio es igual a la meta
Riesgos de datos fuera de LCI y/o LCS son casi nulos
Promedio
del proceso
LCI LCS area de
Meta
probabilidad
de riesgo
-3s +3 s
42 43 44 45 46 47 48 49 50 51 52 53
Desplazamiento minimo de promedio
Riesgos de datos fuera de LCS son minimos
Promedio
de proceso
Meta area de
LCI LCS probabilidad
de riesgo
-3s +3 s
42 43 44 45 46 47 48 49 50 51 52 53
Desplazamiento mayor de promedio
Riesgos de datos fuera de LCS son grandes
La grafica de control ve el proceso en
tiempo real
Mean
UCL
Target
LCI
Range
UCLr
Time Intervals
3. Interpretación y detección de modos de falla
Interpretación de modos de falla
Por la teoría de distribución normal, las reglas de

interpretación de la grafica de control se basa en :
1. El resultado aleatorio
2. Simetría con el centro de distribución.
3. 99.73% de la población están entre - 3s y + 3s desde la línea
central o meta.
4. 95.4% población están entre -2s y + 2s desde la línea de
meta.
SEÑALA UN CAMBIO O AUMENTO REPENTINO EN LA VARIABILIDAD
Un punto fuera de
limite
LCS
LAS
medicion
meta
LAI
LCI
Number de muestras
1 2 3 4 5 6 7 8
9 puntos consecutivos en un solo lado
de la línea central o meta. Evidencia de
desplazamiento menor
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
2 puntos consecutivos entre limite de advertencia
y de control. Evidencia de desplazamiento
significativo. Requiere observación y ser alerta.
LCS
LAS
mediciones
metas
LAI
LCI
1 2 3 4 5 6 7 8
Numero de muestras
2 puntos de 3 consecutivos entre limites de
advertencia y limites correspondientes de control.
Evidencia de un desplazamiento con causas
temporales. A evitar en el futuro. Y si persiste
entonces es un desplazamiento significativo que
requiere acción. LCS
LAS
Medicion
meta
LAI
LAI
1 2 3 4 5 6 7 8
Numero de muestras
6 puntos consecutivos con tendencia
hacia arriba o abajo. Evidencia de
presencia no aleatoria como por ejemplo
desgastes en maquinaria o simple fatiga
del operador LCS
LAS
medicion
meta
LAI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
14 puntos consecutivos alternando
arriba-abajo de la linea central, o de un
solo lado.
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3
ESTRATIFICACION 4 5 6 7 8
SEÑALAN MEZCLAS DENTRO DE UN MISMO SUB-
GRUPO, LOS PUNTOS ABRAZAN MUY CERCA LA
LINEA CENTRAL.
4 de 5 puntos consecutivos en un solo
lado de la línea central a mas de 1
sigma .
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
15 puntos consecutivos de cualquier
lado de la línea central o meta a menos
de 1 sigma.
LCS
LAS
mediciones
meta
LCI
LCL
1 2 3 4 5 6 7 8
Numero de muestras
MARCO DE TRABAJO PARA CONTROL
ESTADISTICO DE PROCESOS
Diseño
de producto DOE
y procesos
SPC
Manufactura
Inspección
de producto
de productos Cliente
Línea
de proveedores
de materiales
y componentes Muestreo de aceptación
Interpretando un Gráfico de Control en “Tiempo Real”:
Alerta: 1 punto > 3

desviaciones estándares
de la línea central, es
decir un punto fuera de
los límites de control.
Acción a tomar: ???
Siempre recuerda
definir en equipo un
Plan de Reacción para
cada momento!!!
METODOS DE CONTROL DE PROCESOS
SPC:
• Gráficos de control más comunes para variables
• X-barra & Rango

• X-barra & s
• Valores Individuales & Rango Móvil (I-mR)
• Gráficos de control más comunes para atributo
• p Chart P-charts
Binomial
• np Chart
• c Chart
• u Chart Poisson
•P Chart y NP Chart
Se usa una u otra según si el número de muestras analizadas cada
vez,
es constante a lo largo del tiempo, contando número de
defectuosos (np-chart)
o cada vez analizamos un número diferente de productos (p-chart),
considerando
la proporción de defectuosos. Este es el caso que consideraremos,
la gráfica p-chart.
•C Chart y U Chart
Se utiliza c-chart cuando todas las muestras tienen el mismo
tamaño o se cuentan los defectos sobre la misma cantidad de
material. El u-chart, en la que podremos prescindir de la condición
anterior.
PASOS BASICOS PARA APLICAR SPC
1. Identifique el proceso característico estudiar.

• Elegir las características que están creando problemas de la calidad o
que son críticas al cliente
2. Determine un método y un plan de muestreo.
• Identifique los subgrupos racionales
• Elija el tamaño a subgrupo (típicamente 3-5 muestras por subgrupo): n
• Como regla general, recoja por lo menos 25 subgrupos (125 muestras
totales) antes de calcular límites de control iniciales.
• Establezca frecuencia de muestreo (debe ser tan frecuente como
necesario para detectar patrones inaceptables en los datos).
PASOS BASICOS PARA APLICAR SPC
3. Coleccione datos del proceso para recopilar los datos
iniciales para los límites de control.
4. Establezca los límites de control para detectar

condiciones "inestables”.
• El "control" es definido por el usuario pero típicamente

se usan los límites a +/- 3sigma.
5. Diagramar las característica de salida, gráfico de

control.
6. Si todos los puntos están en control, el proceso es

estable.
•Si puntos iniciales están fuera de control se identifican

la causas y se toma acción.
• Poner el Celular en Vibrador.
• Levantar la mano y esperar el turno para hablar.
• Respetar las opiniones de los compañeros.
• Participar durante la presentacion.

Finalizado el modulo de Estadística Básica y SPC el participante estará
en capacidad de enunciar los distintos conceptos aplicables a esta
metodología, así como el conocer y utilizar los distintos gráficos de
control que provienen de esta herramienta.

Estadistica Basica y SPC

Cargado por

Copyright:

Formatos disponibles

Estadistica Basica y SPC

Cargado por

Información del documento

Descripción 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

Estadistica Basica y SPC

Cargado por

Copyright:

Formatos disponibles

Al Modulo de Estadística Básica y SPC

• Levantar la mano y esperar el turno para hablar.

• Respetar las opiniones de los compañeros.

• Participar durante la presentacion.

Data Atributo Data Continua

• Data de Atributo: Puede tomar finita cantidad de

Data Discreta: Defectos en Data Continua:

No. de muestras 4 Muestra 1 52.0 ml

¿Cuál de las dos informaciones nos da más

Desordenada Ordenada (Ordinal)

 Ingles, Frances,  Intensidad de Huracan (1-5)

• Peso de una caja de cereal:

• Apariencia visual en grados de color (1-

• Volumen de ventas por trimestre:

• Cantidad de unidades defectuosas vs.

• Población: Conjunto entero de datos de referencia.

• Muestra: Subconjunto de datos de la población. Ej.

• Las medidas computadas o calculadas a partir de

• Las medidas computadas o calculadas a partir de

Medida Parámetro Estadístico

Los siguientes números probablemente no

Media (X): Valor alrededor al que se concentran

• Mediana (Me): Valor central en una serie ordenada de

• Moda (Mo): Valor que más se repite en una serie

Quartiles: Mientras la mediana (Q2) es el valor que separa los

Ejemplo: Si tenemos como set de datos que el tiempo de ciclo de una

población s=S= i=1

• Rango (R): Diferencia entre el mayor y el menor

• Varianza (s2, s2): Medida de dispersión

• Varianza Ej., para los valores de prueba de

• Desviación Estándar (s , s): Es la raíz

• Para la suma de medias, simplemente se

• Las desviaciones estándares no se suman. Se

• Compute las siguientes estadísticas:

CENTRALIZADO VARIACION COMUN VARIACION ESPECIAL

EL PROCESO IDEAL OPERA EL PROCESO CON VARIACION EL PROCESO CON VARIACION

¿Cómo podemos reducir la variación en nuestros

Between Lot MT00803D Lot MT00703D

LOT 00803D LOT00703D

Uso de técnicas estadísticas para el control y la

1. Aceptar sin inspección

El Muestreo de Aceptación se refiere a la inspección y la toma de

Tres aspectos del muestreo son importantes:

1. Involucra muestreo aleatorio de un “lote”

• Muestra estratificada: cuando se desea que porciones particulares de la

• Muestreo sistemático: cuando se selecciona cada n numero de artículos,

• Muestreo Cluster: cuando se toma una muestra aleatoria de un subgrupo

• Muestreo Best Judgment: es cuando la opinión de un experto es usada

• Muestreo de Aceptación: es el proceso de muestrear un lote de material para

Atributos ANSI/ASQ Z1.4 Reemplaza a MIL-STD

El lote realmente es:

Plan de muestreo: planteamiento que indica el

Ejemplo: tomar una muestra de

Inspeccionar una muestra aleatoria

Aceptar d1 <= c1 d1 > c2 Rechaza

Aceptar d1+d2 <= c2 d1+d2> c2 Rechaza

Es una extensión del concepto de

No. de artículos ZONA DE

Se toma una muestra aleatoria de