You are on page 1of 372

1 P.

Reyes
CONTROL ESTADÍSTICO
DEL PROCESO
Dr. Primitivo Reyes A.
2 P. Reyes
CONTROL ESTADÍSTICO DEL PROCESO
(CEP)
OBJETIVOS: Al finalizar el curso, el participante será
capaz de:
1. Comprender los conceptos estadísticos para
implantar cartas de control para prevenir los
defectos y mejorar los procesos.
2. Evaluar la capacidad de un proceso y de los
equipos de medición, identificando acciones de
mejora.
3. Realizar proyectos de mejoramiento de la
calidad.
3 P. Reyes
CONTENIDO
1. Importancia de la mejora continua
2. Métodos y filosofía del CEP
3. Cartas de control por variables
4. Cartas de control por atributos
5. Cartas de control especiales
6. Análisis de la capacidad del proceso
7. Métodos para el proceso de mejora
continua
8. Métodos de muestreo por atributos
9. Métodos de muestreo por variables
4 P. Reyes
1. Importancia de
la mejora continua
5 P. Reyes
1. Importancia de la mejora continua

DIMENSIONES DE LA CALIDAD

Desempeño

Confiabilidad

Durabilidad

Serviciabilidad

Estética

Características

Imagen del producto

Conformancia

Tiempo de entrega

Precio

Servicio al cliente
6 P. Reyes
1. Importancia de la mejora continua
CALIDAD Y MEJORAMIENTO

La calidad es adecuación al uso e
inversamente proporcional a la variabilidad.

La mejora de la calidad se logra a través de la
reducción de la variabilidad por medio del CEP
TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos
Variables: Medibles, temp., voltaje
7 P. Reyes
1. Importancia de la mejora
continua

PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones

DEFECTO: Carácterística específica de un
producto que no cumple especificaciones

CARACTERISTICAS DEL PRODUCTO

Físicas: Longitud, peso

Sensoriales: apariencia

Relacionadas con el uso: confiabilidad,
duración, servicio, disponibilidad
8 P. Reyes
1... Antecedentes históricos
• ADAM SMITH (División del trabajo): 1 persona = 200
alfileres, 10 pers. = 48,000 alfileres
• FEDERICK W. TAYLOR: Administración Científica, ciencia
para cada elemento del trabajo, selección del trabajador,
capacitar, apego a proc., división adm. obreros
• FRANK / LILLIAN GILBERTH: Afinan los movimientos,
resaltan la necesidad de interes por los trabajadores
• FORDISMO: Líneas de porducción masiva, los trabajadores
deben ser consumidores
9 P. Reyes
1... CEP en Occidente – Western
Electric
• 1924: WALTER SHEWHART realizó experimentos
en base al Teorema del Límite Central y desarrolló
las Cartas de Control del CEP
• 1926: HAROLD F. DODGE Y HARRY G. ROMIG,
desarrollaron las técnicas de Muestreo Estadístico
• Durante la 2a. Guerra Mundial se expande el uso
del CEP en la industria de manufactura
• La aplicación de las técnicas estadísticas ha
evolucionado a lo que hoy se conoce como Seis
Sigma, aplicada por Motorola, GE, Sony, etc.
10 P. Reyes
1... CEP en Japón
• 1950’s: EDWARD DEMING / JOSEPH JURAN:
Entrenaron a líderes industriales en técnicas del
CEP
• 1950’s: KAOURU ISHIKAWA: Es un seguidor de
Deming y desarrolla el Diagrama de Ishikawa, los
Círculos de calidad e impulsa el control de
calidad total CWQC.
• Los japoneses implantaron el CEP y lograron
productos de alta calidad, Occidente retoma los
métodos de CEP hasta después de los 1980’s.
• En México el programa Ford ITESM de los 1990’s
impulsó al CEP con poco éxito, hoy se retoma
con el ISO 9000:2000
11 P. Reyes
1... Antecedentes históricos

Control de calidad por inspección: Con la división
del trabajo, aparecen los inspectores, inspección
100%

Control estadístico del proceso: Shewhart, Deming,
Juran. Se usa en Japón (50’s) y EUA (80’s)

Aseguramiento de calidad (ISO 9000): Sistemas
aislados EUA (40’s), Europa, etc.
12 P. Reyes
4...Métodos de calidad para
Manufactura Delgada
• Control estadístico del proceso: Previene que ocurran
problemas potenciales
• Métodos de inspección sucesiva: Detectan los
resultados de la operación previa
• Métodos de auto inspección: Detecta los resultados de
la operación actual
• A prueba de error (Poka Yokes): Hacer que sea difícil,
realizar la tarea incorrectamente
Evitar: AQLs, concesiones, desviaciones, inspecciones al
final y en recibo
13 P. Reyes
1... Inspecciones de calidad
Inspección 100%
Auditoría Proc.
Control Estadístico
del Proceso CEP
En la Fuente
Separa “buenos”
de “malos”
Ni asegura
Ni mejora
Investigación
de Causas
Convive con los
defectos
Ayuda a estabilizar
el proceso
Mejora pero
no evita los def.
EVITA EL ERROR IMPIDE DEFECTOS
14 P. Reyes
1... Métodos estadísticos para la
mejora

LAS CARTAS DE CONTROL

Técnica util para el monitoreo de procesos

Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5M’s)

Sirven para prevenir la producción de defectivos
0
5
10
15
LCS
Promedio
LCI
Perfil
Carta X
LSC
MEDIA
LIC
15 P. Reyes
1... Métodos estadísticos para la
mejora
• DISEÑO DE EXPERIMENTOS
– Técnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
– Permite variar en forma sistemática los factores y
analizar su efecto
Variables de Característica
Entrada/Factores de calidad
Proceso
16 P. Reyes
1... Métodos estadísticos para la
mejora
• MUESTREO DE ACEPTACIÓN
– Técnica que permite calificar lotes de productos como
conformes o no conformes, por medio de una muestra
representativa sin inspeccionar al 100%
MUESTRA ¿OK?
LOTE
17 P. Reyes
1... Administración por Calidad
Total

Feigenbaum (Control de calidad total)

Deming (mejora continua, CEP, conocimiento
profundo)

Juran (Trilogia de la calidad – Plan, mejoramiento y
control)

Crosby (Costo de la calidad)

Ishikawa (CWQC)

Taguchi (Diseños robustos)
Planes de Calidad Planes de Calidad
1. Manual
de Calidad
1. Manual
de Calidad
2. Procedimientos 2. Procedimientos
3. Instructivos 3. Instructivos
Formatos Vacios Formatos Vacios
Formatos Llenos Formatos Llenos
4. Formatos
y Registros
4. Formatos
y Registros
Documentos
controlados
Política
Registros
de calidad
1..El Sistema de Calidad
El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:
QS 9000 ISO 9000:2000
Implantación de
la política
El “Cómo” de los
procedimientos
19 P. Reyes
1... Administración por Calidad
Total
MODELOS – Creación de valor a las partes interesadas

Premio Nacional de Calidad -México

Premio Malcolm Baldrige – EUA

Premio Europeo a la calidad – Europa

Premio Deming - Japón

Premios Estatales a la calidad - México

Sistemas de gestión de calidad:

ISO 9000:2000

QS 9000

ISO 16949

VDA 6.1
20 P. Reyes
1... El CEP y la Administración
por Calidad Total
El CEP debe ser parte de un programa mayor de
calidad total, requiere el liderazgo de la
dirección, no hay otra forma de implantarlo y
mantenerlo
21 P. Reyes
1... Los costos de calidad
• CROSBY: La calidad se mide con el costo de calidad
• COSTOS DE PREVENCIÓN
– Planeación de calidad (manuales), Entrenamiento
• COSTOS DE APRECIACIÓN
– Inspecciones, pruebas y materiales de prueba
• COSTOS DE FALLA INTERNA
– Desperdicios, retrabajos, reinspecciones
• COSTOS DE FALLA EXTERNA
– Garantías, reclamaciones, demandas legales,
penalizaciones, campañas
• COSTOS DE OPORTUNIDAD
– Pérdidas de ventas por falta de producto de buena
calidad
22 P. Reyes
2. Métodos y filosofía
del control estadístico de
proceso (CEP)
23 P. Reyes
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variación es inevitable y es analizada por
la Estadística
2. Métodos y filosofía del CEP
24 P. Reyes
“La estadística nos proporciona métodos para organizar
y resumir información, usándola para obtener diversas
conclusiones”
Por ejemplo, sí deseamos saber el promedio de peso de
las personas en una población tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.
Pesar solo una porción o subconjunto de la población
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomándola para pronosticar o
Inferir la media de toda la población.
2...La Estadística
25 P. Reyes
2..Definiciones
Población: Es la colección de todos los
elementos (piezas, personas, etc.). En nuestro
caso sería un número infinito de mediciones
de las características bajo estudio.
Muestra: Es una parte o subconjunto
representativo de la población, o sea un grupo
de mediciones de las características.
Variable aleatoria: es una función o regla que
asigna uno y sólo un valor de una variable " y"
a cada evento en el espacio muestral. En este
caso representa una medición particular.
Distribución: Es la forma del patrón de variación
observado. .
26 P. Reyes
2..Definiciones
Estadístico: Es una medición tomada en una muestra
que sirve para hacer inferencias en relación con una
población (media de la muestra, desviación estándar
de la muestra).
Normalmente es una variable aleatoria y tiene
asociada una distribución.
Parámetro: Es el valor verdadero en una población
(media, desviación estándar, se indican con letras
griegas)
Datos continuos Los datos que tienen un valor real
(temperatura, presión, tiempo, diámetro, altura )
Datos discretos: Datos que toman valores enteros (1, 2,
3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.
27 P. Reyes
2..Histograma
El Histograma es una gráfica de las
frecuencias que presenta los diferentes
valores de medición y su frecuencia.
Una tabla de frecuencias lista los valores y su
frecuencia:
VALOR FREC. VALOR
FREC.
35 1 41 7
36 2 42 6
37 3 43 4
38 6 44 2
39 8 45 1
40 10
28 P. Reyes
2...Histograma de Frecuencia
En un proceso estable las mediciones se distribuyen
normalmente, a la derecha y a la izquierda de la media
adoptando la forma de una campana.
TAMAÑO TAMAÑO
TAMAÑO
TAMAÑO
TAMAÑO
M
E
D
I
C
I
O
N
E
S
Media
M
E
D
I
C
I
O
N
E
S
29 P. Reyes
DEFINICION

Un Histograma es la organización de un número de
datos muestra que nos permite visualizar al
proceso de manera objetiva.
•Permite ver la distribución de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
•La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estándar o σ , ± 3σ cubre el 99.73%.
LSE LIE
2...Histograma de Frecuencia
30 P. Reyes
2..Las distribuciones pueden variar en:
POSICIÓN AMPLITUD FORMA
… O TENER CUALQUIER COMBINACION
31 P. Reyes
Media - Promedio numérico o centro de
gravedad del histograma de mediciones
2...Medidas de Tendencia central
- Usa todos los datos
- Le afectan los extremos
X
∑ Fi
·
Fi*Xi
n

i
i·1
Donde,
Fi = Frecuencia de cada medición
x
i
= Valor de cada medición
individual
Mediana - Es el valor que se encuentra
en medio de los datos o mediciones
Moda - Es el valor que más se repite

32 P. Reyes
DEFINICION:

Es una ayuda gráfica para ver la variabilidad
de los datos.

Permite identificar la distribución de los datos,
muestra la mediana, bases y extremos.


Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana
Valor
mínimo
Valor
máximo
Mediana inferior Mediana superior
2...Gráficas de caja
33 P. Reyes
2...Medidas de variabilidad o
Dispersión – Desviación Estándar
S es usada cuando los datos corresponden a una
muestra de la población. Como es el caso de una
muestra de mediciones.
σ típicamente es usada si se está considerando a
toda la población

Σ (Fi*X
i
2
)- [Σ (Fi*Xi)]
2
/n
i=1
n
n - 1
s =
Σ (x
i
- x)
2
i=1
n
n
σ =
34 P. Reyes
Rango: Valor Mayor – Valor menor
Coeficiente de variación: (Desv. Estándar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:
Material No. de Media Desviación Coeficiente
Observaciones Aritmética Estándar de Variación
n s S
rel
  A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el
material B
Error estándar de la Media: Es la desviación estándar de las medias de
las muestras de mediciones, se representa como la desviación
estándar de la población entre la raíz de n = númeor de mediones por
muestra.
2..Medidas de
Dispersión- Rango, CV
35 P. Reyes
q
Para calcular los estadísticos de la MEDIA y la DESVIACIÓN
ESTÁNDAR seguir el procedimiento siguiente:
1. - Poner el modo con MODE ., hasta que indique modo SD
2. Limpiar los registros estadísticos con SHIFT AC
3. Introducir uno por uno los datos con la tecla DATA o DT (si se
repiten con una frecuencia, introducirlos las veces
necesarias)
4. Al terminar pedir los resultados: la media con SHIFT y X, la
desviación estándar con SHIFT y X s
n-1
5. Limpiar los registros estadísticos con SHIFT y AC, antes de
iniciar una nueva operación
2..Uso de Calculadora científica
36 P. Reyes
q
Formar la tabla siguiente donde Xi son los valores y Fi su
frecuencia (las sumas se calculan con la función S ):
Xi Fi X
2
i Fi*Xi Fi*X
2
i
35 1 35 35 35
36 3 1225 108 3675
37 6 1369 222 8214
38 3 1444 114 4332
39 2 1521 78 3042
40 1 1600 40 1600
SXi SFi SX
2
i SFiXi SFiX
2
i
• Para calcular el promedio dividir SFiXi / SFi
• Para calcular la desviación estándar sustituir en la fórmula
para S, con n = SFi
2...Método Manual
37 P. Reyes
q
Accesar el menu de análisis de datos con TOOLS o
HERRAMIENTAS, ANÁLISIS DE DATOS, ESTADÍSTICA
DESCRIPTIVA
q
o
q
Utilizar las funciones de Promedio, y DesvEst para
la media y desviación estándar respectivamente
2...Cálculos en Excel
38 P. Reyes
2...Ejercicio de Histogramas
Datos:
6.40 6.39 6.41 6.39 6.40
6.39 6.40 6.37 6.40 6.38
6.42 6.38 6.40 6.38 6.41
6.40 6.41 6.41 6.43 6.39
6.41 6.35 6.39 6.41 6.43
6.38 6.40 6.42 6.37 6.40
6.37 6.43 6.43 6.39 6.42
6.40 6.42 6.39 6.42 6.38
6.42 6.40 6.38 6.45 6.41
6.39 6.44 6.36 6.44 6.36
39 P. Reyes
2...Histogramas con Datos agrupados
El Histograma es una gráfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categorías o clases de
valores con sus frecuencias correspondientes, por
ejemplo:
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4
40 P. Reyes
2...Definiciones - datos agrupados
Límite inferior y superior de clase
Son los numeros más pequeños y más grandes
respectivamente que pertenecen a las clases (del
ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18,
23 y 28)
Fronteras de clase
Se obtienen al incrementar los límites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de
la diferencia entre un límite superior de clase y el siguiente
límite inferior de clase (en el ejemplo, las fronteras de clase
son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos límites de clase inferiores
consecutivas(en el ejemplo, es 5).
41 P. Reyes
Construcción del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor
mayor- valor menor)
Paso 3. Seleccionar el número de columnas o celdas
del histograma (K). Como referencia si N = 1 a 50, K
= 5 a 7; si N = 51 - 100; K = 6 - 10. También se
utiliza el criterio K = Raíz (N)
Paso 4. Dividir el rango por K para obtener el ancho
de clase
Paso 5. Identificar el límite inferior de clase más
conveniente y sumarle el ancho de clase para
formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de
clase
Paso 7. Graficar el histograma y observar si tiene
una forma normal
42 P. Reyes
Ejemplo: Datos agrupados
Datos:
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
43 P. Reyes
2...Construcción del histograma
Paso 1. Número de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Número de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lím. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55
- 64, 65-74, 75-94
Paso 6. Número de datos: 2 7 14 17
7 2 1
Marcas de clase 19.5 29.5 39.5 49.5
59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene
una forma normal
44 P. Reyes
2...Construcción del histograma
0
2
4
6
8
10
12
14
16
18
15-24 25-34 35-44 45-54 55-64 65-75
Frec.
45 P. Reyes
Media - Promedio numérico o centro de
gravedad del histograma
2...Cálculo de la media - datos agrupados
- Usa todos los datos
- Le afectan los extremos
x
∑ Fi
·
Fi*Xi
n

i
i·1
Donde,
Fi = Frecuencia de cada observación
x
i
= Valor de cada marca de clase
Mediana - Es el valor que se encuentra
en medio de los datos
Moda - Es el valor que más se repite

46 P. Reyes
2...Desviación Estándar - Datos
agrupados
S es usada cuando los datos corresponden a una muestra
de la población
Nota: Cada Xi representa la marca de clase
σ típicamente es usada si se está considerando a toda la
población

Σ (Fi*X
i
2
)- [Σ (Fi*Xi)]
2
/n
i=1
n
n - 1
s =
Σ (x
i
- x)
2
i=1
n
n
σ =
NOTA: Para lo cálculos con Excel, se puede utilizar el mismo método
que para datos no agrupados de la página 13, tomando como
Xi los valores de las marcas de clase.
47 P. Reyes
q
Después de correr la utileria de Histogramas con Excel
se obtuvieron los siguientes resultados (BIN RANGE: 15,
25, 35, 45, 55, 65, 75).
Bin Frequency
15 0
25 4
35 6
45 15
55 15
65 7
75 2
More 1
2...Histograma en Excel
48 P. Reyes
q
Accesar el menu de análisis de datos con TOOLS o
HERRAMIENTAS, DATA ANALYSIS o ANALISIS DE
DATOS, HISTOGRAMS o HISTOGRAMAS
q
Marcar los datos de entrada en INPUT RANGE o
RANGO DE ENTRADA, marcar el área de resultados
con OUTPUT RANGE o RANGO DE SALIDA y obtener
resultados y gráfica
NOTA: Los datos deben estar en forma no agrupada,
Excel forma los grupos en forma automática o se le
pueden proporcionar los límites de las celdas.
2...Histograma en Excel
49 P. Reyes
2...Histograma en Excel
H i s t o g r a m
0
1 0
2 0
1
5
2
5
3
5
4
5
5
5
6
5
7
5
.
B i n
F
r
e
q
u
e
n
c
y
F r e q u e n c y
50 P. Reyes
Ejercicio
Datos:
19.5 21.3 21.3 21.3 21.3 21.2 21.4 21.4 21.4
19.6 21.3 21.4 21.3 21.3 20.9 19.5 21.3 21.5
19.6 21.4 21.5 19.8 21.0 20.6 21.5 19.7 21.3
21.3 21.3 19.7 19.8 21.4 21.4 19.9 21.3 19.8
21.6 20.4 21.4 21.4 21.4 21.4 19.6 21.5 21.2
21.4 21.5 21.4 21.5 21.4 19.8 19.8 21.2 21.3
19.4 21.4 21.4 21.3 21.3 19.7 20.1 19.9 21.3
19.5 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19.4
19.8 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19..4
21.3 21.2 21.3 21.6 21.4 21.5 20.2 19.4
21.1
21.3 20.2 21.4 19.7 21.4 20.1 21.3 21.4 21.5
19.5
51 P. Reyes
2...La Distribución
Normal
52 P. Reyes
2...La distribución Normal
La distribución normal es una distribución de
probabilidad que tiene media 0 y desviación
estándar de 1.
El área bajo la curva o la probabilidad desde menos
infinito a más infinito vale 1.
La distribución normal es simétrica, es decir cada
mitad de curva tiene un área de 0.5.
La escala horizontal de la curva se mide en
desviaciones estándar, su número se describe con
Z.
Para cada valor Z se asigna una probablidad o área
bajo la curva mostrada en la Tabla de distribución
normal
53 P. Reyes
x x+s x+2s x+3s x-s x-2s x-3s
X
µ −3σ µ −2σ µ −σ µ µ +σ µ +2σ µ +3σ
Para la población - se incluyen TODOS los datos
Para la muestra
2...La distribución Normal
54 P. Reyes
z
0 1 2 3 -1 -2 -3
x x+σ x+2σ x+σ 3 x-σ x-2σ x-3σ
X
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
2...La distribución Normal Estándar
55 P. Reyes
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
2...Características de la distribución normal
56 P. Reyes
2...El valor de z
Determina el número de desviaciones estándar
entre algún valor x y la media de la población,
µ . Donde σ es la desviación estándar de la
población.
En Excel usar Fx, STATISTICAL, STANDARDIZE,
para calcular el valor de Z
z = x - µ
σ
57 P. Reyes
68%
34% 34%
13.5% 13.5%
95%
68%
34% 34%
13.5% 13.5%
99.73%
68%
34% 34%
2.356% 2.356%
2...Proceso con media =100
y desviación estándar = 10
70 80 90 100 110
120 130
90 110
80 120
70 130
58 P. Reyes
_
X
xi
s
Z
LIE
Especificación
inferior
LSE
Especificación
superior
p
= porcentaje de partes fuera de Especificaciones
59 P. Reyes
2...Áreas bajo la
curva normal
60 P. Reyes
q
El tiempo de vida de las baterías del conejito tiene una
distribución aproximada a la normal con una media de
85.36 horas y una desviación estándar de 3.77 horas.
q
¿Qué porcentaje de las baterías se espera que duren
80 horas o menos?
q
¿Cuál es la probabilidad de que una batería dure entre
86.0 y 87.0 horas?
q
¿Cuál es la probabilidad de que una batería dure más
de 87 horas?
2...Áreas bajo la curva normal
61 P. Reyes
q
Distribución normal estándar con media = 0 y desviación
estándar = 1: Para Z = (X - Xmedia ) / s
1. El área desde menos infinito a un valor de Z se obtiene como
sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o
ESTADÍSTICAS, NORMSDIST o DISTSNORM, dar el valor de Z y
se obtendrá el área requerida Z
Area
2. Un valor de Z específico para una cierta área (por ejemplo
0.05) se obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o
ESTADÍSTICAS, NORMSINV o DISTSNORMINV, dar el valor del
área y se obtendrá el valor de la Z
2...Cálculos con Excel
62 P. Reyes
q
Distribución normal, dadas una media y desviación estándar:
1. El área desde menos infinito a un valor de X se obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o ESTADÍSTICAS,
NORMDIST o DISTNORM, dar el valor de X, Media, Desviación Estándar
s, TRUE o VERDADERO y se obtendrá el área requerida
X
Area
2. Un valor de X específico para una cierta área (por ejemplo 0.05) se
obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o ESTADÍSTICAS,
NORMINV o DISTNORMINV, dar el valor del área, Media y Desviación
Estándar y se obtendrá el valor de la X
2...Cálculos con Excel
63 P. Reyes
¿Que porcentaje de las baterías se espera que
duren 80 horas o menos?
z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
85.36
80
-1.42 0
2...Área bajo la curva normal
64 P. Reyes
0 1
86 87
85.36
¿Cuál es la probabilidad de que una batería
dure entre 86.0 y 87.0 horas?
2...Área bajo la curva normal
65 P. Reyes
85.36 87
¿Cuál es la probabilidad de que una batería dure más
de 87 horas?
1.67 = .33 ó 33% de las veces una batería
durará más de 87 horas
2...Área bajo la curva normal
66 P. Reyes
Considere una media de peso de estudiantes de 75
Kgs. con una desviación estándar de 10Kgs.
Contestar lo siguiente:
1. ¿Cuál es la probabilidad de que un estudiante pese
más de 85Kgs.?
2. ¿Cuál es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. ¿Cuál es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. ¿Cuál es la probabilidad de que pese entre 55 y 70
Kgs.?
5. ¿Cuál es la probabilidad de que pese entre 85 y
100Kgs.?
Considere una media de peso de estudiantes de 75
Kgs. con una desviación estándar de 10Kgs.
Contestar lo siguiente:
1. ¿Cuál es la probabilidad de que un estudiante pese
más de 85Kgs.?
2. ¿Cuál es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. ¿Cuál es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. ¿Cuál es la probabilidad de que pese entre 55 y 70
Kgs.?
5. ¿Cuál es la probabilidad de que pese entre 85 y
100Kgs.?
2...Ejercicios
67 P. Reyes
2... Las 7 herramientas
estadísticas

Hoja de verificación – para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *,
etc.)

Histogramas – para ver la distribución de
frecuencia de los datos

Las cartas de control de Shewart – para
monitorear el proceso, prevenir defectivos y
facilitar la mejora

Cartas de control por atributos y por variables

Diagrama de Pareto – para identificar
prioridades
68 P. Reyes
2... Las 7 herramientas
estadísticas

Diagrama de Causa efecto – para identificar las
posibles causas a través de una lluvia de ideas,
la cual se debe hacer sin juicio previos y
respetando las opiniones.

Diagrama de Dispersión – para analizar la
correlación entre dos variables, se puede
encontrar:

Correlación positiva o negativa

Correlación fuerte o débil

Sin correlación.
69 P. Reyes
2... Las 7 herramientas
estadísticas

Diagrama de flujo – para identificar los
procesos, las características críticas en cada
uno, la forma de evaluación, los equipos a usar,
los registros y plan de reacción, se tienen:

Diagramas de flujo de proceso detallados

Diagramas físicos de proceso

Diagramas de flujo de valor

Estratificación – para separar el problema
general en los estratos que lo componen, por
ejemplo, por áreas, departamentos, productos,
proveedores, turnos, etc..
70 P. Reyes
2... Causas de variación y bases
estadísticas del CEP

Causas de variación

Causas comunes o aleatorias, reducidas sólo por la
dirección

Causas especiales (causadas por 6M’s), eliminadas
por personal involucrado en la operación.

Bases estadísticas de las cartas de control

Situación “en control” y “fuera de control”

Prueba de hipótesis – Error alfa y error beta

Curva característica de operación del error beta

Límites de control - Modelo general y europeo

Proceso de mejora – eliminando causas especiales
71 P. Reyes
2... Beneficios de las cartas de
control

Herramienta para mejorar la productividad

Herramientas de prevención de defectos

Evitan ajustes innecesarios

Proporcionan información de diagnóstico

Proporcionan información de la capacidad del
proceso
72 P. Reyes
2.. Diseño de la carta de
control

Límites de control

De acuerdo a Shewhart a + - 3-sigma

En Europa se usan l.imites de prevención a + -2
sigma

En Europa se usan Límites Probabilísticos a + -
0.1% (+ - 3.09 sigma)

Operación de las cartas de control

Tamaño de muestra, subgrupo racional para
detectar variación entre subgrupos más que
dentro del mismo

Frecuencia de muestreo para detectar cambios

Sensibilidad para detectar causas especiales
73 P. Reyes
2... Factores de éxito para
la implantación del CEP

LIDERAZGO GERENCIAL, SER PARTE DE UN
PROGRAMA MAYOR

ENFOQUE DE GRUPO DE TRABAJO

EDUCACIÓN Y ENTRENAMIENTO EN TODOS LOS
NIVELES

ENFASIS EN LA MEJORA CONTINUA

SISTEMA DE RECONOCIMIENTO

APOYO TÉCNICO DE INGENIERÍA O CALIDAD
74 P. Reyes
2... Cartas de Control por
Variables

MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x
horas, para estabilizar procesos)

MEDIANAS RANGOS (para monitorear procesos
estables)

MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o
más partes cada hora o cada lote de proveedor para
monitoreo de procesos o proveedores)

VALORES INDIVIDUALES (partes individuales cada x
horas, para monitoreo de procesos muy lentos o
químicos)
75 P. Reyes
2... Estabilización del proceso
con cartas de control
1. IDENTIFICAR LA CARACTERÍSTICA A CONTROLAR,
EN BASE A UN AMEF (análisis del modo y efecto de
falla)
2. DISEÑAR LOS PARÁMETROS DE LA CARTA (límites
de control, tamaño de subgrupo, frecuencia de
muestreo)
3. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON UN
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD
(R&R)
4. CENTRAR EL PROCESO, CORRERLO Y MEDIR 25
SUBGRUPOS DE 5 PARTES CADA UNO, DE
PRODUCCIÓN DEL MISMO TURNO O DÍA
76 P. Reyes
2... Cartas de Control por Variables -
Metodología de implantación
5. CALCULAR LÍMITES PRELIMINARES DE CONTROL A
3 SIGMA
6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y
TOMAR ACCIONES PARA PREVENIR SU
RECURRENCIA
7. RECALCULAR LOS LÍMITES DE CONTROL Y EN CASO
NECESARIO REPETIR EL PASO 6, ESTABLECER
LIMITES PRELIMINARES PARA SIGUIENTES
CORRIDAS
8. CONTINUAR EL MONITOREO, TOMAR ACCIONES EN
CAUSAS ESPECIALES Y RECALCULAR LÍMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIÓN
77 P. Reyes
2... Cartas de Control por
Atributos
p – Fracción defectiva n Constante
Se toman muestras de tamaño n constante con 30 o
más partes en forma periódica y se determina la
fracción defectiva – se utiliza para productos simples
(botellas).
p – Fracción defectiva con n variable
Igual a la anterior pero el tamaño n de las muestras
es variable en cada una – se utiliza para productos
simples (botellas)
Np – Número de productos defectivos con n constante
78 P. Reyes
2... Cartas de Control por
Atributos
c – Número de defectos
Se cuentan los defectos que tienen cada unidad de
inspección de tamaño n constante en productos
complejos – TV, computadoras
u – Defectos por unidad
Se cuentan los defectos que tienen diferentes
unidades de inspección de tamaño n variable en
productos complejos y se determinan los defectos
por unidad – TV, computadoras
79 P. Reyes
2... Cartas de Control tipo p
• p - FRACCIÓN DEFECTIVA CON n CONSTANTE
• INICIO DE CONTROL Y LIMITES PRELIMINARES
• IDENTIFICAR CAUSAS DE ANORMALIDAD Y ACCIONES

• LIMITES DE CONTROL REVISADOS
• DISEÑO DE LA CARTA DE CONTROL
– Determinación del tamaño de muestra, frecuencia
de muestreo
• CARTA DE CONTROL np
80 P. Reyes
2... Cartas de Control tipo p
• p - CON LÍMITES DE CONTROL VARIABLES
• p - CON n PROMEDIO
• p - ESTANDARIZADA

CURVA CARACTERÍSTICA DE OPERACIÓN OC Y ARL
81 P. Reyes
2... Cartas de Control tipo c, u

c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamaño de la unidad de inspección

u - CARTA DE CONTROL PARA DEFECTOS POR
UNIDAD
Carta de control u con n promedio
Carta de control u estandarizada

U para Deméritos

En base a la clasificación de defectos A
(críticos), B (funcionales), C (menores)


Curva característica de operación (OC)
82 P. Reyes
3. Cartas de control
por variables
83 P. Reyes
1. El teorema del límite central
2. Teoría de las Cartas de Control
3. Cartas de control para variables
4. Ejercicios de aplicación
3. CONTENIDO
84 P. Reyes
3.1 Teorema del Límite Central
85 P. Reyes
3.1Teorema del Límite
Central

La distribución de las medias de las muestras
tienden a distribuirse en forma normal

Por ejemplo los 300 datos (cuyo valor se
encuentra entre 1 a 9) pueden estar
distribuidos como sigue:
0
10
20
30
40
50
1 2 3 4 5 6 7 8 9
Frec.
86 P. Reyes

La distribución de las medias de las muestras
tienden a distribuirse en forma normal

Tomando de muestras de 10 datos, calculando
su promedio y graficando estos promedios se
tiene:
0
2
4
6
8
10
3.5 4.5 5.5 6.5
Frec.
3.1..Teorema del Límite
Central
87 P. Reyes
Población con media µ y desviación estándar σ y
cualquier distribución.
Seleccionando muestras de tamaño n y calculando la X-media o
promedio en cada una
X-media 1 X-media 2 X-media 3
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.
3.1Teorema del Límite
Central
88 P. Reyes
PREMISAS

Si la variable aleatoria X tiene cualquier distribución con media µ
y desviación estándar σ .

Seleccionando muestras de tamaño n de la población se tiene:
CONCLUSIONES

La distribución de todas las medias o promedios de las muestras X-
media, tienden a distribuirse normalmente

La media de las medias de las muestras será µ .

La desviación estándar de las medias de las muestras será σ / √n.
3.1Teorema del Límite Central
89 P. Reyes
CONCLUSIONES (cont..)

Si la población original es casi normal, las medias muestrales se distribuyen
normalmente para toda n.

Walter Shewhart en la Western Electric (1924), demostró que para una
distribución triangular y una uniforme, n=4 era suficiente para que las medias
de las muestras se distribuyeran normalmente.

Esta es la base del Control Estadístico del proceso.
3.1Teorema del Límite Central
90 P. Reyes
3.2 Teoría de las
Cartas de Control
91 P. Reyes
PROPÓSITO

Introducir los tipos básicos de Cartas de Control
Estadístico del Proceso (CEP)

Introducir el concepto de límites de control y la
manera de usarlos

Interpretar cuando un proceso está “fuera de
control”.
92 P. Reyes
3.2 ¿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
• Las cartas de control pueden reconocer cambios buenos y
malos.
¿Qué tanto se ha mejorado?
¿Se ha hecho algo mal?
• Las cartas de control detectan la variación anormal en un
proceso, denominadas “causas especiales o asignables de
variación.”
93 P. Reyes
3.2 Reglas Básicas
‚ Se debe medir la característica del proceso adecuada en la
carta.
ƒ La carta de control utilizada debe ser adecuada para medir
la característica seleccionada.
„ Al menos se deben obtener 25 subgrupos (muestras de
grupos de partes) antes de elaborar las cartas de control.
… Se debe tomar la acción apropiada cuando la carta de
control lo indique.
… NOTA: El sistema de medición debe estar validado con un
estudio R&R antes de llevar una carta de control.
94 P. Reyes
3.2 Variación observada
en una Carta de Control

Una Carta de control es simplemente un registro de
datos en el tiempo con límites de control superior e
inferior.

Una carta de control identifica los datos secuenciales
en patrones normales y anormales.

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.
·
Tener presente que los límites de control NO son
límites de especificación.
95 P. Reyes
3.2 Causas comunes o normales

q
CAUSAS COMUNES

Siempre están presentes

Sólo se reduce con acciones de mejora mayores

Su reducción es responsabilidad de la dirección
q
Fuentes de variación: Márgenes inadecuados de
diseño, materiales de baja calidad, capacidad del
proceso insuficiente
q
SEGÚN DEMING

El 85% de las causas de la variación son causas
comunes, responsabilidad de la dirección

14
96 P. Reyes
3.2 Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
15
97 P. Reyes
3.2 Causas Especiales
q
CAUSAS ESPECIALES

Ocurren esporádicamente

Son ocasionadas por variaciones anormales
(6Ms)

Medición, Medio ambiente, Mano de obra,
Método, Maquinaria, Materiales

Sólo se reduce con acciones en el piso o línea

Su reducción es responsabilidad del operador
por medio del Control Estadístico del Proceso
q
SEGÚN DEMING

El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
16
98 P. Reyes
3.2 Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
17
99 P. Reyes
25 20 15 10 5 0
15
10
5
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for Pitted S
1
C=5.640
3.0SL=12.76
-3.0SL=0.000
LSC
Límite Superior de Control
LIC
Límite Inferior de Control
Promedio
(o línea central)
R
e
s
p
u
e
s
t
a

El promedio y los límites de control se calculan a partir de los
datos.

Los datos se grafican en orden secuencial en el tiempo
(conforme ocurren). Se trata de detectar los cambios.

Los puntos graficados dependen del tipo de Carta: promedio,
rango, fracción defectiva, etc.
3.2 Anatomía de una Carta de Control
Carta de control
E
s
t
a
d
í
s
t
i
c
o
Número de Muestra
100 P. Reyes
Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control
1 punto fuera de los límites de control a 3 sigmas en
cualquier dirección (arriba o abajo).
Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.
Adhesión a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los límites a dos sigma
3.2 Patrones Fuera de Control
101 P. Reyes
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 t 1 σ de las medias en la carta de
control.
Lo anterior equivale a tener el 68% de los
puntos dentro del tercio medio de la carta de
control.
3.2 Patrón de Carta
en Control Estadístico
102 P. Reyes
3.2 Tipos de Cartas de control
• Las cartas de control se dividen en dos categorías, diferenciadas
por el tipo de datos bajo estudio- variables y atributos.
• Las Cartas de Control para datos variables son utilizadas para
características que tienen una magnitud variable. Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad
103 P. Reyes
3.2 Tipos de Cartas de control
• Las cartas para atributos son las que tienen
características como aprobado/reprobado, bueno/malo o
pasa/no pasa. Algunos ejemplos incluyen:
- Número de productos defectuosos
- Fracción de productos defectuosos
- Numero de defectos por unidad de producto
- Número de llamadas para servicio
- Número de partes dañadas
- Pagos atrasados por mes
104 P. Reyes
3.3 Construcción de Cartas
de Control para variables
105 P. Reyes
3.3.Carta X, R (Datos variables)

Este par de cartas se utilizan para monitorear
procesos con datos variables. Una para las medias y
otra para los rangos.

Los datos de 3 a 6 piezas consecutivas forman
subgrupos o muestras de los cuales se calcula la
media y el rango.

La Carta X-media monitorea los promedios de las
muestras del proceso monitoreando tendencias en
la media del proceso.

La gráfica R monitorea los rangos de las muestras
del proceso monitoreando la variabilidad del
proceso.
106 P. Reyes
3.3.Carta X, R (Continuación)
Procedimiento:
‚
Identificar la característica crítica a controlar y
tamaño de subgrupo (n = 3 a 6)
ƒ
Iniciar la recolección de aprox. 25 subgrupos (k),
tomando partes consecutivas en cada uno.
„
Decidir cómo y cuándo colectar la información de
los subgrupos, de tal forma de detectar cambios.
…
Elaborar la gráfica con los datos.
†
Analizar las cartas de control
107 P. Reyes
3.3.Carta X, R (Continuación)
Terminología
k = número de subgrupos; n = número de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N
k
x
=
x
1
+ x
2
+ x
3
+ ...+ x
N
n
LIC
X
= x - A
2
R
LIC
R
= D
3
R
LSC
X
= x + A
2
R
LSC
R
= D
4
R
NOTA: Para el cálculo de los límites de control
usar los factores mostrados en las tablas
correspondientes a cada valor de n
estos factores para calcular Límites de Control)
108 P. Reyes
Análisis:

La gráfica R debe estar en control antes de
interpretar la gráfica X-media.

Interpretar la gráfica X-media para puntos que no
están aleatoriamente distribuidos

La clave consiste en eliminar la variación excesiva
antes de tratar de identificar tendencias en los
promedios de los subgrupos del proceso
3.3.Carta X, R (Continuación)
109 P. Reyes
3.3.Carta X, R (Continuación)
Ejemplo 1: Psi en un componente. Se toman muestras de Cinco
componentes cada día.
Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5
1 55 75 65 80 80
2 90 95 60 60 55
3 100 75 75 65 65
4 70 110 65 60 60
5 55 65 95 70 70
6 75 85 65 65 65
7 120 110 65 85 70
8 65 65 90 90 60
9 70 85 60 65 75
10 100 80 65 60 80
n = # muestras en un subgrupo/día = 5
k = # de subgrupos (días) = 10
X = 74.6 R = 36.0
110 P. Reyes
Ejemplo 1:
3.3.Carta X, R (en Excel)
10 9 8 7 6 5 4 3 2 1 0
100
90
80
70
60
50
Subgroup
M
e
d
i
a
s
X=74.60
3.0SL=95.36
- 3.0SL=53.84
80
70
60
50
40
30
20
10
0
R
a
n
g
o
s
R=36.00
3.0SL=76.12
- 3.0SL=0.000
Gráfica Xbar/R para Muestra1-Muestra5

¿Cuál gráfica se analiza primero?
¿Cuál es su conclusión acerca del proceso ?
111 P. Reyes
3.3.Carta X, R (Continuación)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por día.
Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5
1 55 60 60 55 57
2 90 95 85 100 85
3 60 60 70 50 62
4 100 110 95 85 100
5 55 65 60 70 70
6 95 90 90 90 100
7 55 50 45 50 50
8 105 100 90 100 60
9 70 60 60 65 75
10 100 110 105 100 90
n = # muestras en un subgrupo (día) = 5
k = # de subgrupos (días) = 10
X = 77.2 R = 18
112 P. Reyes
Ejemplo 2:
3.3.Carta X, R (en Excel)
10 9 8 7 6 5 4 3 2 1 0
105
95
85
75
65
55
45
Subgroup
M
e
d
i
a
s
1
1
1
1
1
1
1
1
1
1
X=77.18
3.0SL=87.56
-3.0SL=66.80
50
40
30
20
10
0
R
a
n
g
o
s
1
R=18.00
3.0SL=38.06
-3.0SL=0.000


¿Cuáles pesos fallaron?
Gráfica Xbar/R para Muestra1-Muestra5
113 P. Reyes
3.3..Hacer una carta X-R y concluir:
MUESTRA VALORES
1 12 12 13 15 12
2 15 17 16 17 18
3 13 18 14 14 15
4 10 12 11 10 11
5 13 16 15 16 15
6 15 12 13 15 11
7 15 16 15 16 15
8 15 17 15 17 14
9 22 17 16 17 14
10 16 15 17 15 18
11 16 18 16 16 16
12 15 16 17 17 14
13 17 15 16 15 16
14 16 15 18 18 16
15 17 19 17 15 17
16 19 17 15 15 17
17 16 19 16 15 14
18 16 15 17 16 18
19 17 13 17 15 14
20 19 18 17 15 16
114 P. Reyes

Este es un par de Cartas muy similar a las gráficas X - R.
La diferencia consiste en que el tamaño de la muestra
puede variar y es mucho más sensible para detectar
cambios en la media o en la variabilidad del proceso.

El tamaño de muestra n es mayor a 9.

La Carta X monitorea el promedio del proceso para vigilar
tendencias.

La Carta S monitorea la variación en forma de desviación
estándar.

Como se dijo anteriormente, las cartas se dividen en zonas.
Aquí están divididas en intervalos de 1 sigma.
3.3.Carta X, S
115 P. Reyes
3.3.Carta X, S (Continuación)
Terminología
k = número de subgrupos n = número de muestras en cada subgrupo
x = promedio para un subgrupo
x = promedio de todos los promedios de los subgrupos
S = Desviación estándar de un subgrupo
S = Desviación est. promedio de todos los subgrupos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N
k
x =
x
1
+ x
2
+ x
3
+ ...+ x
N
n
LIC
X
= x - A
3
S
LICs = B
3
S
LSC
X
= x + A
3
S
LSC
S
= B
4
S
(usar estos factores para calcular Límites de Control
n 56 7 8 9
10
B
4
2.09 1.97 1.88 1.82
1.76 1.72
B
3
0.00 0.03 0.12 0.18
0.24 0.28
A
3
1.43 1.29 1.18 1.10
1.03 0.98
C
4
.940 .952 .959 .965 .
969 .973
116 P. Reyes
3.3.Carta de Individuales (Datos variables)

A menudo esta carta se llama “I” o “Xi”.

Esta Carta monitorea la tendencia de un proceso con
datos variables que no pueden ser muestrados en lotes
o grupos.

Este es el caso cuando la capacidad de
corto plazo se basa en subgrupos racionales de una
unidad o pieza

La línea central se basa en el promedio de los datos, y
los límites de control se basan en la desviación estándar
poblacional (+/- 3 sigmas)
117 P. Reyes
3.3.Carta X, R (Continuación)
Terminología
k = número de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N
n
LIC
X
= x - E
2
R
LIC
R
= D
3
R
LSC
X
= x + E
2
R
LSC
R
= D
4
R
(usar estos factores para calcular Límites de Control n = 2)
n 2
D
4
3.27
D
3
0
E
2
2.66
118 P. Reyes
3.3. Ejemplo: Carta I (en Excel)
15 10 5 0
12.35
12.25
12.15
12.05
11.95
11.85
11.75
11.65
Número de Observación
V
a
l
o
r

I
n
d
i
v
i
d
u
a
l

Carta I para Longitud de parte

1
6
6
6
8
X=12.03
3.0SL=12.30
- 3.0SL=11.75
Observar la situación fuera de control
119 P. Reyes

Hacer dos cartas X-R y
concluir:
MUESTRA 1 MUESTRA 2

1 12 2.832
2 15 2.802
3 13 2.952
4 10 2.80
5 13 2.95
6 15 2.92
7 15 2.95
8 15 2.92
9 22 2.93
10 16 2.93
3.3. Ejercicios de Cartas I o X, R
MUESTRA 1 MUESTRA 2
11 16
2.97
12 15
2.95
13 17
2.95
14 16
2.86
15 17
2.89
16 19
2.86
17 16
2.85
18 16
2.78
19 17
2.89
20 19
2.78
120 P. Reyes
4. Cartas de Control
para atributos
121 P. Reyes
4. Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 30
defectivas o no conformes
np Número de partes defectuosas Constante > 30
c Número de defectos Constante = 1 Unidad de
inspección
u Número de defectos por unidad Constante o variable en
unidades de inspección
122 P. Reyes
25 20 15 10 5 0
15
10
5
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for Pitted S
1
C=5.640
3.0SL=12.76
-3.0SL=0.000
4. Cartas de control para Atributos
Situaciones fuera de control
‚
Un punto fuera de los límites de control.
ƒ Siete puntos consecutivos en un mismo lado de de la línea
central.
„ Siete puntos consecutivos, todos aumentando o disminuyendo.
… Catorce puntos consecutivos, alternando hacia arriba y hacia
abajo.
Límite Superior de Control
Límite Interior de Control
Línea Central
Ahora, veamos algunos ejemplos...
Carta C
C
o
n
t
e
o

d
e

M
u
e
s
t
r
a
s
Número de Muestras
123 P. Reyes
4. Carta p (Atributos)

También se llaman Cartas de Porcentaje Defectivo o
Fracción Defectiva

Monitorea el % de defectos o fracción defectiva en una
muestra

El tamaño de muestra (n) puede variar

Recalcula los límites de control cada vez que (n) cambia
Terminología
n = tamaño de cada muestra (por ejemplo, producción
semanal)
np = número de unidades defectuosas en cada muestra
p = proporción (porcentaje) de defectos en cada
muestra -
(fracción defectiva)
k = número de muestras
124 P. Reyes
4. Carta p (Atributos)
pi = =
np # de productos defectivos en cada muestra
ni # de productos inspeccionados en la muestra
Cálculo de los límites de control
p =
n
1
p
1
+ n
2
p
2
+ n
3
p
3
+ ...+ n
k
p
k
n
1
+ n
2
+ n
3
+ ... + n
k
(1- ) p p
n
p + 3 LSC =
(1- ) p p
n
p - 3 LIC =
Nota: Recalcular los límites en cada
muestra (ni) si n es variable
Fracción defectiva
promedio
125 P. Reyes
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspección final. Los datos de falla se
registraron semanalmente tal como se muestra a continuación.
# de
componentes
inspeccionados
Componentes
defectuosos
Fracción de
componentes
defectuosos
7 0 0.000
7 0 0.000
15 2 0.133
14 2 0.143
48 6 0.125
22 0 0.000
18 6 0.333
7 0 0.000
14 1 0.071
9 0 0.000
14 2 0.143
12 2 0.167
8 1 0.125
n np p
K = 13 semanas
126 P. Reyes
10 5 0
0.5
0.4
0.3
0.2
0.1
0.0
Número de muestra
P
r
o
p
o
r
c
i
ó
n
Gráfica P para Fracción Defectiva

P=0.1128
3.0SL=0.4484
- 3.0SL=0.000
4...Carta p (Cont..)

Observe como el LSC varía conforme el tamaño (n) de cada muestra varía.

¿Por qué el LIC es siempre cero?

¿Qué pasó en la muestra 7? (33.3% defectos)

¿Qué oportunidades para mejorar existen?,
¿Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?

¿Podría este proceso ser un buen proyecto de mejora?
p
LSC
LIC
Ejemplo:
127 P. Reyes
4... Carta np (Atributos)

Se usa cuando se califica al producto como bueno/malo,
pasa/no pasa.

Monitorea el número de productos defectuosos de una
muestra

El tamaño de muestra (n) es constante y mayor a 30.
Terminología (igual a gráfica p, aunque n es constante)
n = tamaño de cada muestra (Ejemplo: producción semanal)
np = número de unidades defectuosas en cada muestra
k = número de muestras
128 P. Reyes
4...Carta np (Atributos)
np = # de productos defectuosos en una muestra
n = tamaño de la muestra
k = Número de muestras o subgrupos
p = Suma de productos defectuosos / Total
inspeccionado [n * k]
Cálculo de los límites de control
np =
n

p
1
+ np
2
+ n

p
3
+ ...+ np
k
k
np + 3 LSC =
LIC = np (1-p) np - 3 np (1-p)
129 P. Reyes
4...Carta np (Cont..)
n np
# departesinspeccionadas
# departes
defectuosas
4000 2
4000 3
4000 3
4000 2
4000 4
4000 2
4000 3
4000 3
4000 6
4000 8
4000 3
4000 4
4000 4
4000 7
4000 6
K=15 lotes
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
130 P. Reyes
4... Carta np (Cont...)
15 10 5 0
10
5
0
Número de muestras
N
o
.

D
e

f
e
c
e
t
i
v
o
s

Carta np de número de defectivos o defectuosos
3.0
LSC=10.03
- 3.0S

El tamaño de la muestra (n) es constante

Los límites de control LSC y LIC son constantes

Esta carta facilita el control por el operador ya que el evita
hacer cálculos
np
LIC
Ejemplo 1:
LIC=0.0
Np =4.018
131 P. Reyes
4... Carta c (Atributos)

Monitorea el número de defectos por cada
unidad de inspección (1000 metros de tela,
200 m2 de material, un TV)

El tamaño de la muestra (n unidades de
inspección) debe ser constante

Ejemplos:
- Número de defectos en cada pieza
- Número de cantidades ordenadas
incorrectas en órdenes de compra
Terminología
c = Número de defectos encontrados en cada
unidad o unidades constantes de inspección
k = número de muestras
132 P. Reyes
4... Carta c (Atributos)
c =
Cálculo de los límites de control
c
1
+ c
2
+ c
3
+ ...+ c
k
k
c + 3 LSC = LIC = c - 3 c c
133 P. Reyes
4... Carta c (cont..)
Ejemplo: Número de defectos encontrados en una unidad de inspección que consta
de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).
#Lote / Defectos encontrados
1 6
2 4
3 4
4 2
5 4
6 3
7 4
8 4
9 5
10 5
11 5
NOTA: Utilizar Excel para
Construir la carta c
134 P. Reyes
4... Carta c (cont..)

Observe el valor de la última muestra; está fuera del límite
superior de control (LSC)

¿Qué información, anterior a la última muestra, debió haber
obviado el hecho de que el proceso iba a salir de control?
Ejemplo:
25 20 15 10 5 0
15
10
5
0
Número de Muestras
N
ú
m
e
r
o

d
e

d
e
f
e
c
t
o
s

Carta C
1
C=5.640
3. 0LSC=12.76
- 3. 0LIC=0.000
LSC
C
135 P. Reyes
4...Carta u (Atributos)

Monitorea el número de defectos en una
muestra de n unidades de inspección. El tamaño
de la muestra (n) puede variar

Los defectos por unidad se determinan
dividiendo el número de defectos encontrados
en la muestra entre el número de unidades de
inspección incluidas en la muestra (DPU o
número de defectos por unidad) .

Ejemplos:

Se toma una muestra de tamaño constante de
tableros PCB por semana, identificando
defectos visuales por tablero.

Se inspeccionan aparatos de TV por turno, se
determinan los defectos por TV promedio.
136 P. Reyes
4... Carta u (cont...)
Terminología
n = tamaño de cada muestra en unidades de inspección
(por ejemplo, producción semanal)
c = Número de defectos encontrados en cada muestra
de unidades de inspección
u = defectos por unidad (DPU)
k = número de muestras
c = # de defectos en una muestra de n unidades de
inspección
n = Número de unidades de inspección en cada muestra
u = c / n = DPU = Número de defectos por unidad
137 P. Reyes
4... Carta u (cont...)
Cálculo de los límites de control
c
1
+ c
2
+ c
3
+ ...+ c
k
n
1
+ n
2
+ n
3
+ ...+ n
k
u + 3
LSC =
LIC =u - 3
u =
u
ni
u
ni
Nota: Recalcular los límites en cada tamaño de
muestra (ni)
Se puede tomar n promedio o estandarizar para tener
Límites de control constantes
Número de defectos por
Unidad promedio
Ui = Ci / ni Defectos por unidad para cada muestra
138 P. Reyes
4... Carta u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana
Los defectos visuales observados se registran
cada semana.
#PCB
Soldados
Defectos
Visuales
Observados DPU
50 305 6.1
50 200 4.0
50 210 4.2
50 102 2.0
50 198 4.0
50 167 3.3
50 187 3.7
50 210 4.2
50 225 4.5
50 247 4.9
50 252 5.0
50 215 4.3
n c u
k=12 semanas
139 P. Reyes
4... Carta u (Cont.)

Observe como los límites de control
permanecen constantes cuando se utiliza un
tamaño de muestra constante igual a 50

¿Cuáles son las dos observaciones de mayor
interés?

¿Los datos muestran alguna tendencia?
Ejemplo 1:
10 5 0
6
5
4
3
2
Número de Muestras
C
o
n
t
e
o

d
e

m
u
e
s
t
r
a
s

Gráfica U para Defectos
1
1
U=4.197
3. 0LSC=5.066
- 3.0LIC=3.328
LSC
LIC
u
140 P. Reyes
4... Carta u (cont...)
Ejemplo 2: Defectos encontrado al inspeccionar varios
lotes de productos registrados por semana
Lote n c = Defectos u = DPU
Lote Unidades Defectos DPU
1 10 60 6
2 12 75 6.3
3 7 42 6
4 14 77 5.5
5 12 69 5.8
6 12 72 6
7 13 76 5.8
8 10 55 5.5
9 9 51 5.7
10 14 78 5.6
11 13 72 5.5
12 13 77 5.9
13 12 74 6.2
14 10 57 5.7
15 11 62 5.6
16 13 41 3.2
17 11 30 2.7
18 15 45 3
19 15 42 2.8
20 14 40 2.9
k=20 semanas
141 P. Reyes
4... Carta u (cont..)

Observe que ambos límites de control
varían cuando el tamaño de muestra (n)
cambia.

¿En que momentos estuvo el proceso fuera
de control?
20 10 0
8
7
6
5
4
3
2
Número de Muestras
N
ú
m
e
r
o


d
e

e
f
e
c
t
o
s

Gráfica U para Defectos

U=4. 979
3. 0L SC= 6. 768
- 3. 0L IC=3. 190
Ejemplo 2:
LSC
LIC
u
142 P. Reyes
5. Cartas de control especiales
143 P. Reyes
5. Cartas de Control especiales

CARTAS PARA CORRIDAS CORTAS (medias – rangos, pequeños
lotes de producción de productos similares)

CARTAS ESPECIALES

Cartas de Precontrol

Cartas para desgaste de herramienta

Cartas para procesos de salida múltiple

CARTAS DE CONTROL PARA ppm, para procesos muy capaces

CARTAS DE CONTROL Cusum Y EWMA (para detectar pequeñas
variaciones en la media del proceso, en proceso químicos o
farmaceúticos)
144 P. Reyes
5.1 Cartas de Control para
Corridas Cortas

CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod.
similares)

CARTA DE CONTROL X-R ESTANDARIZADA
(Desviaciones estándar diferentes para los
productos)

CARTAS DE CONTROL ATRIBUTOS
ESTANDARIZADAS
(Para estadístico p, np, c y u)
145 P. Reyes
5.2 Cartas de Control
Modificadas
y de Aceptación
• CARTA DE CONTROL MODIFICADAS
Se utilizan para control de la fracción defectiva
cuando el Cpk es grande >=2, cuidando no salir de
especificaciones y no interesa tanto el control bajo
límites de control
• CARTA DE CONTROL DE ACEPTACIÓN
Esta carta es similar a la anterior pero toma en
cuenta errores Alfa y Beta (I y II), en función de la
aceptación y el riesgo del proveedor
146 P. Reyes
5.3-5 Cartas de Control
especiales
• CARTAS DE PRECONTROL (ARCOIRIS)
– Se basa en límites de especificación, dividiendo el
rango de especificaciones en cuatro partes, las dos
intermedias son verdes, las de la orilla amarillas y
las que salen de límites, rojas. Se monitorea sólo
una pieza.
• CARTA DE CONTROL PARA PROCESOS DE SALIDA
MÚLTIPLE
– Se toma el valor mayor y el menor del proceso de
salidas múltiples, monitoreando en el tiempo
• CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA
– Se ajusta la herramienta en un extremo de los
límites de control y se deja operar hasta que llega
al otro extremo de los límites para ajuste
147 P. Reyes
5 Cartas de Control
especiales por variables
• CARTA DE CONTROL CUSUM
(Detecta pequeñas corridas de media < 1.5 sigma
con n = 1)
- Método tabular
- Mascarilla en V
• CARTA DE CONTROL EWMA
(Detecta pequeñas corridas de media <1.5 sigma con
n = 1)
• CARTA DE CONTROL DE MEDIA MOVIL
(Detecta pequeñas corridas de X, con n = 1,
sensibilidad entre la de Shewhart y EWMA)
148 P. Reyes
Cartas especiales de control
149 P. Reyes
Cartas especiales de control

Carta de sumas acumuladas CuSum

Carta de promedios móviles
ponderadas exponencialmente

Carta de promedios móviles simples
150 P. Reyes
Cartas de sumas acumuladas
CuSum
151 P. Reyes
Gráfica de Sumas
acumuladas
( CuSum )
-
Se usa para registrar al centro del proceso.
-
Se corre en tándem (una tras otra)
-
Es más sensible que la gráfica X al movimiento de los
pequeños cambios sostenidos en el centro del proceso.
-
Es más sensible que la gráfica X al movimiento de
separación gradual del centro del proceso.
-
Es menos sensible que la gráfica X al desplazamiento
grande e único del centro del proceso.
-
Se puede aplicar a las Xs o a las Xs individuales
-
Sus parámetros clásicos son h = 4; k = 0.5
152 P. Reyes
Carta de sumas acumuladas
CuSum

Son más eficientes que las cartas de Shewhart
para detectar pequeños corrimientos en la media
del proceso (2 sigmas o menos)

Para crear la carta Cusum se colectan m
subgrupos de muestras, cada una de tamaño n
y se calcula la media de cada muestra Xi-
media. Después se determina Sm o S’m de las
ecuaciones siguientes:
0 0
1
'
0
1
( )... . . .
1
( )... . tan . . .
m
i
i
m
i X
i
X
Sm X mediaencontrol estimada
Sm X desves dardelasmedias
µ µ
µ σ
σ
·
·
· − ·
· − ·


153 P. Reyes
Carta de sumas acumuladas CuSum –
Con Máscara en V
– La carta de control CuSum se obtiene graficando los
valores de Sm o S’m como función de m.
– Si el proceso permanece centrado, la carta tenderá
hacia el valor de la media µ 0
– Si el proceso se corre gradualmente hacia arriba o
hacia abajo, será indicado en la carta. Su sensibilidad
está determinada por los parámetros k y h.
– Una forma de identificar si el proceso sale de control
es con una mascara en V cuyo origen se coloca en el
último punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar acción
154 P. Reyes
Carta CuSum – parámetros de la
máscara en V
h = Intervalo de decisión – Valor medio del ancho de máscara en
el punto de origen
k = Corrimiento a ser detectado en sigmas – Pendiente de los
brazos de la máscara en V
f = Respuesta inicial rápida - Identifica puntos fuera de
control en el arranque
T = Meta o especificación nominal; n = Tamaño de subgrupo
Ci = Valor de los 2 lados de la máscara en el tiempo i
C0 = 0
Ci = Ci - 1 + (i - T)
Puntos graficados de la máscara = Ci
Pendiente de la máscara en V = k σ / raiz (n)
Ancho de máscara en el origen = 2h σ / raiz (n)
Origen de la máscara en V = p
Por omisión Xmedia = µ, Sp/c4(d) = σ , T = 0, h = 4, k = .5, p = m
155 P. Reyes
Ejemplo de carta Cusum
con Máscara en V
1- 4.925
2- 4.675
3- 4.725
4- 4.350
5- 5.350
6- 5.225
7- 4.770
8- 4.525
9- 5.225
10- 4.600
11- 4.625
12- 5.150
13- 5.325
14- 4.945
15- 5.025
16- 5.223
15 10 5 0
4
3
2
1
0
-1
-2
-3
-4
-5
-6
0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
CUSUM Chart for Cusum
Target = 5, sigma = 1, h = 2, k =0.5, Vmask
156 P. Reyes
Continuación de ejemplo –
con máscara en V
20 10 0
5
0
-5
0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
CUSUM Chart for Cusum
17. 5.463
18. 5.875
19. 6.237
20. 6.841
Agregando 4
Puntos adicionales
Se observa que se
Salen los puntos
16, 17 y 18
Requiriendo acción
Target = 5, sigma = 1, h = 2, k =0.5, Vmask
157 P. Reyes
Carta CuSum– Sólo un Límite
inferior o superior
CIi = valor del nivel bajo de la Cusum de un lado inferior en
tiempo i
CSi = valor del nivel alto de la Cusum de un lado superior en
tiempo i
Datos graficados = CIi, CSi
Línea central = 0
0 0 CL CU f
n
σ
· ·
1
1
min 0,
min 0,
i i
i i
CIi CI x T k
n
CSi CS x T k
n
σ
σ


¹ ¹
| `
· + − −
' '

. ,
¹ ¹
¹ ¹
| `
· + − +
' '

. ,
¹ ¹
LIC h
n
LSCh
n
σ
σ
·−
·
0
1
0
1 0
1 0
( )
.
. .
2 2
0. . . .
i
i i j
j
C S x K
mediaobjetivo
medianoaceptable
K k
n
Ci cuandocambiael signo
µ
µ
µ µ
µ µ σ
·
] · · − +
]
·
· · +∆
− ∆
· · ≈
·

158 P. Reyes
Cata CuSum – sólo un Límite
superior o inferior
2
1
0
-1
-2
2
-2
20 10 0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
Upper CUSUM
Lower CUSUM
CUSUM Chart for Cusum
1- 4.925
2- 4.675
3- 4.725
4- 4.350
5- 5.350
6- 5.225
7- 4.770
8- 4.525
9- 5.225
10-
4.600
11-
4.625
12-
5.150
13-
5.325
14-
4.945
15-
5.025
16-
5.223
17. 5.463
18. 5.875
19. 6.237
20. 6.841
Target = 5, sigma = 1, h = 2, k =0.5, One Sided
FIR = 1 sigma, Reset after each signal
159 P. Reyes
Carta CuSum – Forma tabular para
un solo límite inf. ó sup.

Los límites para cada valor se calculan dependiendo de si es hacia el
lado superior Sh o hacia el inferior Sl


Como ejemplo si K = 0.5 y µ0 = 10 y X1 = 9.45, Sh(1) = max [0,
9.45 – 10.5 + 0] = 0 etc..

Cuando Sh(i) toma un valor negativo, se regresa a cero y continua el
proceso, si excede el límite superior de control H en este caso indica
que el proceso está fuera de control
[ ]
[ ]
0
0
( ) max 0, ( ) ( 1)
( ) max 0, ( ) ( 1)
(0) (0) 0
. . . . . . . . . . 0
H i H
L i H
H L
H L
S i x K S i
S i x K S i
S S
N y N No periodos en que Sh o Sl son
µ
µ
· − − + −
· − + − + −
· ·
· ≠
160 P. Reyes
Carta CuSum – Forma tabular para
un solo límite inf. ó sup.
[ ]
[ ]
0
0
( ) max 0, ( ) ( 1)
( ) max 0, ( ) ( 1)
H i H
L i H
S i x K S i
S i x K S i
µ
µ
· − − + −
· − + − + −
Periodo Xi Xi-10.5 Sh(i) Nh
1 9.45 -1.05 0 0
2 7.99 -2.51 0 0
3 9.29 -1.21 0 0
4 11.66 1.16 1.16 1
5 12.16 1.66 2.82 2
6 10.18 -0.32 2.50 3
7 8.04 -2.46 0.004 4
8 11.46 0.96 1.00 5
9 9.20 -1.30 0 0
En este caso el
Valor de H es 5
H
Máscara en V
161 P. Reyes
Carta EWMA de promedios
móviles ponderados
exponencialmente
162 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
• Monitorea un proceso promediando los datos de
tal forma que les da cada vez menos peso
conforme son removidos en el tiempo
• En la carta de Shewhart la decisión en relación
al estado de control del proceso en cierto
instante t depende de la medición más reciente
y de los límites de control
• En la carta EWMA la decisión depende del
estadístico EWMA que es el promedio ponderado
exponencial de los datos.
163 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
 Es más sensible que la gráfica X al movimiento de los
pequeños cambios sostenidos en la media del proceso.
 Es más sensible que la gráfica X al movimiento de
separación gradual de la media del proceso.
 Es menos sensible que la gráfica X a desplazamientos
grandes de la media del proceso.
 Se puede aplicar a las Xs o a las Xs individuales.
164 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
– Seleccionando un factor de ponderación λ la carta puede ser
sensible a corrimientos graduales pequeños en la media del
proceso. El estadístico EWMA es:
– EWMAo es la media (meta) de los datos históricos
– S es la desviación estándar de los datos históricos para n
grande
– Yt es la observación en el tiempo t
– n es el número de observaciones monitoreadas incluyendo 0
– 0 < λ <=1 es una constante que determina la memoria de
EWMA
1
2
2
(1 ) 1, 2, ..,
2
t t t
EWMA
EWMA Y EWMA t n
S
S
n
λ λ
λ
λ

· + − − − − − ·
| `
·


. ,
165 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

λ determina la tasa en la cual los datos “antiguos”
entran en el cálculo del estadístico EWMA.
– Un valor de λ =1 indica que sólo el último dato
será incluido (carta Shewhart).
– Un valor grande λ de da más peso a datos
recientes y menos peso a datos antiguos. Un valor
pequeño de λ da más peso a datos antiguos
– Un valor común para λ es 0.2 para detectar
cambios 1σ y de 0.4 para detectar cambios de 2σ
166 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
• Los límites de control se determinan como sigue:

La carta EWMA requiere que se obtengan datos
históricos del proceso para calcular la Media y desviación
estándar representativas del mismo para continuar el
monitoreo, asumiendo que estuvo en control al colectar
los datos

Para los primeros valores de X, la desviación estándar S
se calcula como:
0
0
3
3
EWMA
EWMA
LSC EWMA s
LIC EWMA s
· +
· −
2
2 2 2
1 (1 )
2
t
EWMA
S
S S
n
λ
λ
λ
| `
]
· − −

]

. ,
167 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

Ejemplo: Si EWMAo = 50 y s = 2.0539, λ = 0.3
entonces se tiene:
50 3(0.4201)(2.0539) 52.5884
50 3(0.4201)(2.0539) 47.4115
LSC
LIC
· + ·
· − ·
Y 52 47 53 49.3 50.1 47 51
EWMA 50 50.6 49.5 50.56 50.18 50.16 49.12 49.75
168 P. Reyes
Carta EWMA del
ejemplo
20 10 0
53
52
51
50
49
48
47
Sample Number
E
W
M
A
EWMA Chart for X
Mean=50
UCL=52.59
LCL=47.41
Xewma
1- 52.0
2- 47.0
3- 53.0
4- 49.3
5- 50.1
6- 47.0
7- 51.0
8- 50.1
9- 51.2
10- 50.5
11- 49.6
12- 47.6
13- 49.9
14- 51.3
15- 47.8
169 P. Reyes
Carta EWMA
• Los puntos a graficar son los siguientes :

Observa que Z es un promedio ponderado de X
i
y de todas las
Xs anteriores.
• La típica forma de una gráfica EWMA se muestra a continuación.
Z
0
= X
Z
1
= X
1
+ (1- Z
0
)
Z
2
= X
2
+ (1- Z
1
)
Z
3
= X
3
+ (1- Z
2
)
Z
4
= X
4
+ (1- Z
3
)
Con Z = EWMA
λ
λ
λ
λ
Los cálculos, especialmente de los
límites de control, son tan complejos
que normalmente este tipo de gráfica
se realiza por medio de un paquete
de computo.
UCL
λ
λ
λ
λ
subgrupo
LCL
X
I
I
_
_
_
1 2 3 4 5 6
170 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

Si la desviación estándar se estima de la carta X-R
entonces los límites de control se determinan
como sigue:
2
2
(2 )
(2 )
LSC X AR
LIC X AR
λ
λ
λ
λ
· +

· −

171 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

Esta carta proporciona un PRONOSTICO del
siguiente valor de la media, lo cual es muy
importante para el caso de control automatizado.

Los límites de control permiten detectar cuando
se requiere un ajuste y la diferencia entre el valor
pronosticado y la media meta permiten identificar
de cuanto debe ser el ajuste
172 P. Reyes
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

Se puede desarrollar una ecuación para el clásico
control PROPORCIONAL, INTEGRAL y DIFERENCIAL
(PID). Donde los parámetros de las lambdas 1, 2 y
3 se seleccionan para obtener el mejor
desempeño de pronóstico

Si e representa el error entre el valor real y
pronósticado en el periodo t se
tiene:
1 1 2 3
1
t
t t t t j t
j
Z EWMA Z e e e λ λ λ

·
· · + + + ∇

1 t t t
e X z

· −
173 P. Reyes
Carta de control de
promedios móviles
174 P. Reyes
Carta de control de Promedios
Móviles
• Monitorea un proceso promediando los últimos
W datos. Con valores individuales se usa W = 2
• Tiene una sensibilidad intermedia entre las
cartas de control de Shewhart y las cartas EWMA
o Cusum para detectar pequeñas corridas
graduales en la media del proceso
• Suponiendo que se colectan muestras de
tamaño n y se obtienen sus respectivas medias
Xi. La media móvil promedio de amplitud W en el
tiempo t se define como sigue:
175 P. Reyes
Carta de control de Promedios
Móviles
– El procedimiento de control consiste en calcular la nueva
media móvil Mt cada vez que haya una nueva media
muestral, graficando Mt en la carta, si excede los límites
de control el proceso está fuera de control
– En general la magnitud del corrimiento que se quiere
detectar esta inversamente relacionado con W, ente
mayor sea W se podr´na detectar corrimientos más
pequeños
1 1
2
......
( )
3 3
. .0
3 3
. .0
t t t w
t
x x x
M
w
VarMt
nw
LSC x paran t w LSC x
nw nt
LIC x paran t w LIC x
nw nt
σ
σ σ
σ σ
− −+
+++
·
·
·+−−<<−−·+
·−−−<<−−·−
176 P. Reyes
Ejemplo de carta de
promedios móviles
Xmm
1- 10.5
2- 6.0
3- 10.0
4- 11.0
5- 12.5
6- 9.5
7- 6.0
8- 10.0
9- 10.5
10- 14.5
11- 9.5
12- 12.0
13- 12.5
14- 10.5
15- 8.0
15 10 5 0
15
10
5
Sample Number
M
o
v
i
n
g

A
v
e
r
a
g
e
Moving Average Chart for Xmm
Mean=10
UCL=12.12
LCL=7.879
177 P. Reyes
6. Análisis de capacidad
de proceso
178 P. Reyes
6. CONTENIDO
Introducción
1. Capacidad a partir de
histogramas
2. Capacidad a partir de papel
normal
3. Capacidad a partir de cartas de
control
4. Capacidad de los sistemas de
medición
179 P. Reyes
6.1 Introducción
180 P. Reyes
6.1 Objetivos de la capacidad del
proceso
1. Predecir que tanto el proceso cumple
especificaciones
2. Apoyar a diseñadores de producto o proceso
en sus modificaciones
3. Especificar requerimientos de desempeño
para el 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
181 P. Reyes
_
X
Xi
s
Z
LIE
LSE
p = P(Xi) = porcentaje de partes con probabilidad
de estar fuera de Especificaciones
182 P. Reyes
¿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,
se deben tomar medidas para que se mantenga
183 P. Reyes
6.1 Capacidad a partir
de histogramas
184 P. Reyes
6.1 Procedimiento
1. Seleccionar una máquina donde realizar el
estudio
2. Seleccionar las condiciones de operación del
proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad
(error R&R < 10%)
5. Cuidadosamente colectar la información
6. Construir un histograma de frecuencia con los
datos
7. Calcular la media y desviación estándar del
proceso
185 P. Reyes
Nigel´s Trucking Co.
6.1 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.
Ancho 9´
El proceso debe estar en control, tener capacidad y estar centrado
186 P. Reyes
6.1 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.
Desv. Est.
=
Rango medio
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:
Zi =
LIE - promedio del proceso
Desviación Estandar

LSE - Promedio del proceso
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)
Zs
=
Fracción defectiva = P(Zi) + P(Zs)
187 P. Reyes
6.1 Capacidad del proceso – Cp y Cpk
La capacidad potencial del Proceso (Cp) es una medida de la
variación del proceso en relación con el rango de Especificación.
Cp
=
Tolerancia
Variación del proceso
=
LSE - LIE
6 Desviaciones STD.
Cpk es una medida de la capacidad real del proceso en función de la posición
de la media del proceso (X) en relación con con los límites de especificación.
Con límites bilaterales da una indicación del centrado. Es el menor de:
CpK =
LSE - promedio del proceso
3 desviaciones STD
y
Promedio del proceso - LIE
3 desviaciones STD
La relación de capacidad (CR) es la inversa del cálculo de Cp. Este índice le
indica que porcentaje de la especificación está siendo usado por la variación del
proceso.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones STD
LSE - LIE
Capacidad Cp, Cpk y fracción defectiva
188 P. Reyes
6.1 Cálculo de la capacidad del
proceso
Habilidad o capacidad potencial Cp = (LSE -
LIE ) / 6 σ
Debe ser ≥ 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor
| Z
I
- Z
S
| / 3
El Cpk debe ser ≥ 1 para que el
proceso cumpla especificaciones
189 P. Reyes
6.1.. Ejemplo
Se tomaron los datos siguientes:
265 205 263 307 220 268 260 234 299
197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251
190 P. Reyes
6.1.. Ejemplo (cont…)
Agrupando los datos en celdas se tiene:
Intervalo Marca Frecuencia Frecuencia
de clase de clase Frecuencia Relativa
Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00
.
191 P. Reyes
6.1.. Ejemplo (cont…)
El histograma es el siguiente (se observa con forma
normal):
0
5
10
15
20
25
30
35
170-
189
210-
229
250-
269
290-
309
330-
349
Frec.
192 P. Reyes
6.1.. Ejemplo (cont…)
Calculando la media y la desviación estándar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6 σ =
192.12
Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hábil el proceso
Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) /
32.02
Cpk = menor de Zi y Zs < 1 el proceso no cumple
especificaciones

193 P. Reyes
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribución
de frecuencias siguiente considerando LIE = 530 y
LSE = 580:
Intervalo Frecuencia
Frecuencia
de clase Marca de clase Frecuencia Relativa
Absoluta .
531 - 535 533 6
536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8
194 P. Reyes
6.2 Capacidad a partir de papel normal
195 P. Reyes
6.2 Ventajas
1. Se puede observar el comportamiento del
proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es más sencillo ya que no hay que
dividir el rango de la variable en intervalos de
clase
3. Visualmente se puede observar la normalidad
de los datos, si se apegan a la línea de ajuste
4. Permite identificar la media y la desviación
estándar aproximada del proceso. Así como la
fracción defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk.
196 P. Reyes
6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan
en forma ascendente, asignándoles una posición
(j) entre 1 y n.
2. Se calcula la probabilidad de cada posición con
la fórmula siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada
punto (Xj, Pj)
4. Se ajusta una línea recta que mejor aproxime
los puntos
5. Si no hay desviaciones mayores de la línea
recta, se considera normal el proceso y se procede
a hacer las identificaciones:
La media será el punto en X correspondiente a Pj
= 0.5
La desv. Estándar es la dif. En Xj correspondiente
a Pj = 0.5 y
Pj = 0.84
197 P. Reyes
6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenándolos y
calculando la probabilidad de su posición (Pj)
Pos.J Valor Xj Pj Pos. J Xj Pj
1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975
198 P. Reyes
6.2... Ejemplo (cont..)
Graficando los puntos y ajustándolos con una
recta que minimice los errores con cada punto se
tiene:
0.5
X Media
0.84
Desv. Estándar
Xj
Pj
LIE
Fracción
Defectiva
199 P. Reyes
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distributionprobabilitypaper Xi
Pi = ( I - 0.5) / N
200 P. Reyes
P-Val ue: 0.538
A-Squared: 0.315
Anderson-Darl i ng Normal i ty Test
N: 100
St Dev: 139.682
Average: 504.232
900 800 700 600 500 400 300 200
. 999
. 99
. 95
. 80
. 50
. 20
. 05
. 01
. 001
P
r
o
b
a
b
i
l
i
t
y
C1
Nor mal P r o b a bi li t y Pl ot
El trazo normal es el siguiente:
El eje Y es un rango no lineal de probabilidades
normales.
El eje X es un rango lineal de la variable que se está
analizando.
Si los datos son normales, la frecuencia de
ocurrencias en varios valores Xi, puede predecirse
usando una línea sólida como modelo. Por ejemplo,
sólo más del 20% de los datos del proceso serían
valores de 400 o inferiores.
201 P. Reyes
6.2 Diferentes trazos en papel de probabilidad Normal
202 P. Reyes
6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la
probabilidad (Pj), graficar en papel norma, ajustar
valores con una recta, determinar la media, desv.
Estándar, si las especificaciones son LIE = 1200 y
LSE = 1800 determinar la fracción defectiva, el Cp y el
Cpk.

1210 2105
1275 2230
1400 2250
1695 2500
1900 2625
203 P. Reyes
6.3 Capacidad a partir
de cartas de control
204 P. Reyes
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o “IMPREDECIBLE”. ?
? ?
? ?
? ?
205 P. Reyes
6.3 Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO “ESTABLE”.
LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO
Predicción
Tiempo
206 P. Reyes
6.3 Control y Capacidad de Proceso
Control de Proceso:
Cuando la única fuente de variación es normal o de causa común, se dice
que el proceso esta operando en “CONTROL”.
Capacidad de Proceso:
Medición estadística de las variaciones de causa común que son
demostradas por un proceso. Un proceso es capaz cuando
la causa común de variación cae dentro de las especificaciones
del cliente.

L a capacidad no se puede determinar a menos que
el proceso se encuentre en Control y Estable.
207 P. Reyes
6.3 Proceso en control estadístico

La distribución de la mayoría de las características
medidas forman una curva en forma de campana o
normal, si no hay causas especiales presentes, que
alteren la normalidad . ¿cuales son las causas comunes?
Distribución
del Proceso
Area entre 0 y 1s
-Probabilidad de Ocurrencia
_
x = media
s= sigma; es la
desviación
estándar;
medida
de la
variación
del proceso.
14 % 14 %
2% 2%
-3s -2s -1s x +1s +2s 3s
99.73%
34% 34%
x
208 P. Reyes
6.3.. Desviación Estándar del proceso
6.3.. Desviación Estándar del proceso σ
Donde,
σ = Desviación estándar de la población
d
2
= Factor que depende del tamaño del subgrupo en la carta de
control X - R
C
4
= Idem al anterior para una carta X - S
NOTA: En una carta por individuales, d2 se toma para n = 2 y
RangoMedio=Suma rangos / (n -1)
Donde,
σ = Desviación estándar de la población
d
2
= Factor que depende del tamaño del subgrupo en la carta de
control X - R
C
4
= Idem al anterior para una carta X - S
NOTA: En una carta por individuales, d2 se toma para n = 2 y
RangoMedio=Suma rangos / (n -1)
σ = R ο σ =
S

d
2
c
4
209 P. Reyes
6.3 Capacidad del proceso
Cuando las causas comunes son la única variación:
C
p
El índice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 σ
Cpk
El índice de capacidad real del proceso compara la media
real con el límite de especificaciones más cercano (LE) a esta.
_
Cpk = LE – X o Cpk = menor |Z
1
, Z
2
| / 3
3 σ
210 P. Reyes
6.3 Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5)
se obtuvo lo siguiente, después de que el proceso
se estabilizó quedando sólo con causas comunes:
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 =77.3 /
2.326 = 33.23
[ d2 para n = 5 tiene el valor
2.326]
Si el límite de especificación es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por
tanto el proceso no cumple con las
especificaciones
211 P. Reyes
6.3 Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5)
se obtuvo lo siguiente, después de que el proceso
se estabilizó quedando sólo con causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parámetros del proceso se
tiene:
µ = X media de medias σ = Smedio / C
4
= 1.05 /
0.94 = 1.117
[ C
4
para n = 5 tiene el valor
0.94 ]
Si el límite de especificación es: LIE = 85 y el LSE
= 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con
especificaciones
212 P. Reyes
6.3 Ejercicios
1) De una carta de control X - R (con subgrupo n =
8) se obtuvo lo siguiente, después de que el
proceso se estabilizó quedando sólo con causas
comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n =
6) se obtuvo lo siguiente, después de que el
proceso se estabilizó quedando sólo con causas
comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5
213 P. Reyes
6.4 Capacidad de los
sistemas de medición
214 P. Reyes
6.4 Definiciones
Exactitud
Desviación respecto del valor verdadero del promedio de
las mediciones
Valor verdadero:
Valor correcto teórico / estándares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones
y el valor verdadero. Error sistemático o desviación
Estabilidad
La variación total en las mediciones obtenidas durante un
período de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a través del rango
de operación esperado del instrumento de medición.
Precisión
Medición de la variación natural en mediciones repetidas
215 P. Reyes
6.4 Posibles Fuentes de la
Variación del Proceso
La “Repetibilidad” y la “Reproducibilidad” (R&R), son
los errores más relevantes en la medición.
Variación del
proceso, real
Variación de la
medición
Variación total del
proceso, observada
Reproducibilidad
Repetibilidad
Variación
dentro de
la muestra
Estabilidad
Linealidad
Sesgo
Variación originada
por el calibrador
Calibración
216 P. Reyes
6.4 Definición de la Repetibilidad
REPETIBILIDAD
Repetibilidad: Es la variación de las mediciones
obtenidas con un mismo instrumento de medición,
cuando es utilizado varias veces por un operador, al
mismo tiempo que mide las mismas características
en una misma parte y bajo las mismas condiciones
de medición.
217 P. Reyes
6.4 Definición de la
Reproducibilidad
Reproducibilidad: Es la variación, entre promedios
de las mediciones hechas por diferentes
operadores que utilizan un mismo instrumento de
medición cuando miden las mismas características
en una misma parte, bajo las mismas condiciones.
Reproducibilidad
Operador-A
Operador-C
Operador-B
218 P. Reyes
6.4 ESTÁNDARES INTERNACIONALES

En México se tiene el CENEAM o el
Centro Nacional de Metrológia

En EUA se tiene el NIST (National
Institute of Standards and Technologý)

Un Estándar primario es certificado
por NIST o por una organización
alterna que use procedimientos de
calibración actualizados

Los Estándares secundarios son
calibrados por el depto. de Metrología
de las empresas en base a los
estándares primarios, para efectos de
calibración.
219 P. Reyes

Los Estándares secundarios se
transfieren a Estándares de trabajo en
producción.

Para determinar la exactitud de los
sistemas de medición se debe conocer
su rastreabilidad a Estándares
nacionales e internacionales.
Resolución: Para que el equipo de
medición tenga una discriminación
adecuada en la evaluación de las
partes, su resolución debe ser al
menos 1/10 de la variabilidad del
proceso ( LTNS - LTNI = 6 σ )
6.4 ESTÁNDARES INTERNACIONALES
220 P. Reyes
Sesgo es la diferencia entre el promedio
observado de las mediciones y el valor
verdadero.
6.4 Definición del Sesgo
Valor
Verdadero
Sesgo
221 P. Reyes
Estabilidad (o desviación) es la variación total de
las mediciones obtenidas con un sistema de
medición, hechas sobre el mismo
patrón o sobre las mismas partes, cuando se mide
una sola de sus características, durante un período
de tiempo prolongado.
6.4 Definición de la Estabilidad
Tiempo 1
Tiempo 2
222 P. Reyes
6.4 Definición de la Linealidad
Linealidad es la diferencia en los valores real y
observado, a través del rango de operación
esperado del equipo.
Rango de Operación del equipo
Valor
verdadero
Valor
verdadero
Rango inferior Rango superior
Sesgo
Menor
Sesgo
mayor
223 P. Reyes
6.4 Estabilidad del
Calibrador
Cómo Calcularla…
• Para calibradores que normalmente se utilizan sin ajuste, durante
periodos de tiempo relativamente largos.
» Realizar un segundo estudio R&R del Calibrador justo antes de que
venza el tiempo de re calibración.
» La estabilidad del calibrador es la diferencia entre los promedios
sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad…

• El calibrador no se ajusta tan frecuentemente como se requiere
• Si es un calibrador de aire, puede necesitar un filtro o un regulador
• Si es un calibrador electrónico, puede necesitar calentamiento previo.
224 P. Reyes

Precisión en relación a la variación
total
• Identificar qué porcentaje de la variación total debe
absorberse como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan
crítico es el grado de la medición.
>30%. ¡Inaceptable!

Precisión en relación a la variación
total
• Identificar qué porcentaje de la variación total debe
absorberse como error de medición.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan
crítico es el grado de la medición.
>30%. ¡Inaceptable!
%R&R
Var. Total
=
R&R
*100
Error R&R = RPT
2
+ REPR
2
Para la fase de control del
proyecto, sólo substituya
la Tolerancia por Variación
Total.
TV= R&R + PV
PV= variación de parte
= Rp x K3
225 P. Reyes
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:
Mientras más mayor sea el % del R&R, mayor será el área de
incertidumbre para conocer la dimensión verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de
especificaciones
Lo que fue
medido
VARIACIÓN DE PARTE
A PARTE
LIE LSE OBJETIVO
La dimensión verdadera de
las partes se encuentra en
algún lugar de la la región
sombreada…
226 P. Reyes

Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades

Cada unidad es medida por cada operador, 2 ó 3 veces.

Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades

Cada unidad es medida por cada operador, 2 ó 3 veces.
6.4 Estudio de R&R
227 P. Reyes
6.4 Métodos de estudio del error R&R:
I. Método de Promedios- Rango

Permite separar en el sistema de medición lo referente
a la Reproducibilidad y a la Repetibilidad.

Los cálculos son más fáciles de realizar.
II. Método ANOVA

Permite separar en el sistema de medición lo referente a la
Reproducibilidad y a la Repetibilidad.

También proporciona información acerca de las interacciones de
un operador y otro en cuanto a la parte.

Calcula las varianzas en forma más precisa.

Los cálculos numéricos requieren de una computadora.
El Método ANOVA es Más Preciso
228 P. Reyes
6.4 Realizando el estudio
R&R

Las partes deben seleccionarse al azar,
cubriendo el RANGO TOTAL DEL PROCESO . Es
importante que dichas partes sean
representativas del proceso total (80% DE LA
VARIACION)

10 partes NO son un tamaño de muestra
significativo para una opinión sólida sobre el
EQUIPO DE MEDICIÓN a menos que

Los operadores deben haber sido
debidamente entrenados para realizar las
mediciones

Se debe medir con mucho cuidado en el
mismo punto de las partes, con una limpieza
absoluta en el medidor y partes.
229 P. Reyes
6.4 Proc. para realizar un estudio de
R&R
1. Ajuste el calibrador, o asegúrese de que éste haya
sido calibrado.
2. Marque cada pieza con un número de identificación
que no pueda ver la persona que realiza la medición.
3. Haga que el primer operador mida todas las
muestras una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las
muestras una sola vez, siguiendo un orden al azar.
230 P. Reyes
6.4 Proc. para realizar un estudio de
R&R
5. Continúe hasta que todos los operadores hayan medido
las muestras una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el número
requerido de ensayos
7. Utilice el formato proporcionado para determinar las
estadísticas del estudio R&R

Repetibilidad

Reproducibilidad

%R&R

Desviaciones estándar de cada uno de los conceptos
mencionados

Análisis del % de R&R contra Variación Total y contra
tolerancia
8. Analice los resultados y determine los pasos a seguir, si
los hay.
231 P. Reyes
Planteamiento del problema:
Las partes producidas en el área de
producción, se rechazaron en 3% por
problemas dimensionales.
6.4 Ejemplo:
CTQ: Mantener una tolerancia ±
0.125”
Sistema de Medición: Se miden las partes con un
calibrador de 2”.
Estudio R&R del La dimensión A es medida por dos
Calibrador: operadores, dos veces en 10 piezas.
232 P. Reyes
Se toman 5 partes y se miden por ambos
operadores:
Pieza Operador A Operador B Rango A-B
#1 4 2 2
#2 3 4 1
#3 6 7 1
#4 5 7 2
#5 9 8 1
Rango Medio = Suma R / 5 = 7 / 5 = 1.4
El error del sistema de medición = 4.33 * Rmedio =
4.33 x 1.4 = 6.1
El error contra tolerancia = (Error / Tol.) *100, por
ejemplo si la tolerancia es de 20, el % de error es de
30.5%, siendo inadecuado .
6.4 Método corto
233 P. Reyes
Método Largo con X-media y Rango
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. lecturas
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales

234 P. Reyes
1. Cálculo de las X-medias
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. Lecturas
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
Xmedia -A 9.3689 Xmedia-B 9.3584


235 P. Reyes
2. Cálculo de los Rangos
Operador A Operador B
Pieza # 1er. Intento2o. Intento Rango 1er. Intento2o. Intento RangoProm. Lecturas
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
Xmedia - A 9.3689 Xmedia - B 9.3584
Rmedio A0.0174 Rmedio B0.0052
Rango de 0.0630
LSCR = D4 x Rmedia
Probar que ningún rango salga de control
Xpartes
Rmedio-A Rmedio-B
XmediaP
236 P. Reyes
Ancho de tolerancia====>
Número de intentos =>
Número de partes ==>
Número de operadores
K1 4.56
(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos)
K2 3.65
X-media máx.=>
X-media min =>
Diferencia
de X-medias
R-media de =>
Todos los
operadores
K3 (para 10
Partes)
1.62
3. Identificación de Parámetros del Estudio y Cálculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
RmediaA 9.3689 XmediaB 9.3584
RmedioA 0.0174 RmedioB 0.0052
Rpartes 0.0630
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores)
0.25
2
10
2
9.3689
9.3584
0.0105
0.0113
r
n
Rango de
Medias
de
partes
Rpartes
237 P. Reyes
LCmedias = Xmedia de medias +- A2 x R
Carta de Medias X: Gráficar cada una de las
medias de las lecturas de cada operador,
calcular media de medias y límites de
control y verificar que haya cuando menos
el 20% de puntos fuera de control,
asegurando que el instrumento discrimina
las diferentes partes.
Carta de Rangos: Graficar los rangos de las
lecturas de cada operador, calcular rango
promedio de ambos operadores y límites de
control, verificar que ningún rango sale de
límites, en caso contrario repetir las lecturas
fuera de control.
LCrangos = D4 x Rmedio (de ambos operadores)
6.4 Cartas de control X - R
238 P. Reyes
0.0515
EV = R x K1 =
Repetibilidad: La variación del dispositivo
de medición (EV) se calcula sobre cada
grupo de mediciones tomadas por un
operador, en una sola parte.
0.0259
Reproducibilidad: La variación en el
promedio de las mediciones (AV) se calcula
sobre el rango de los promedios de todas las
mediciones, para cada operador, menos
el error del calibrador. Si la raíz es negativa
se toma cero.
AV = (Xdif * K2)
2
- (DV
2
/(r * n)) =
6.4 Cálculo de R&R
239 P. Reyes
R&R = EV
2
+ AV
2

=
El componente de varianza para
Repetibilidad y Reproducibilidad (R&R) se
calcula combinando la varianza de cada
componente.
PV = Rparte x K3 =
0.1021
El componente de varianza para las partes
(PV), se calcula sobre el rango de los
promedios de todas las mediciones, para
cada parte.
0.0577
6.4 Cálculo de R&R
240 P. Reyes
TV = R&R
2
+ PV
2
=
0.1172
La variación total (TV) se calcula combinando la
varianza de Repetibilidad y Reproducibilidad y
la variación de la parte.
6.4 Cálculo de R&R
20.61
10.36
23.07
Comparando contra la tolerancia (LSE
– LIE):
%EV = 100*EV/Ancho de tolerancia
=
%AV = 100*AV/Ancho de tolerancia
=
%R&R = 100*R&R/Ancho de
tolerancia =
241 P. Reyes
Comparando contra la variación
Total del proceso:
%EV = 100*EV/Variación total =
%EV = 100*AV/ Variación total =
%R&R = 100*R&R/ Variación total =
%PV = 100*PV Variación total
=
CRITERIO: El % R&R debe ser menor
al 10%
43.95
22.10
49.20
87.06
6.4 Cálculo de R&R
242 P. Reyes
6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron
con el mismo equipo de medición 10 partes en 3
intentos cada uno,obteniendo:
Mediciones Mediciones
Número de operador A de
operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
243 P. Reyes
7. Métodos de
mejora continua
244 P. Reyes
7. CONTENIDO
1. Proceso de cambio organizacional
2. Trabajo en equipo
3. Manejo efectivo de juntas
4. Solución de problemas por medio de
la Ruta de la Calidad
5. Ejemplos
245 P. Reyes
7.1 Proceso de Cambio
organizacional
246 P. Reyes
7.1 Organizaciones tradicionales

Buscar culpables, Burocracia

Enfoque a seguir procedimientos y reglas

Olvido al cliente

Alto desperdicio en tiempo, materiales, papel

Poca atención al empleado, mala seguridad

Comunicación sólo en sentido vertical

Mal Mantenimiento

Poco involucramiento y compromiso

Feudos/Revanchas/Política negativa

Autoridad jerárquica, sin equipos

Alta rotación / Alto ausentismo

Bajo desempeño
247 P. Reyes
7.1 Organizaciones modernas

El cliente es la máxima prioridad

Operación limpia (ISO 14000)

Competitividad y finanzas sanas

Sistemas simples visuales y Operación estable

Entrega oportuna y Trabajo en equipos

Ambiente de trabajo seguro y agradable

Desarrollo de empleados con multihabilidades

Comunicación alta, horizontal y abierta

Desarrollo de personal, decisiones participativas

Productividad y mejora continua,
reconocimientos

Empowerement a empleados / Personal
motivado

Alta Calidad, enfoque a la gente
248 P. Reyes
Facilitador de
Procesos de
Recursos
Humanos
Team Team
Gerenci Gerenci
al al
R Humanos R Humanos
Materiales MaterialesChampion Champion Producción Producción
Costos Costos
Facilitador de
Procesos /
Proyectos
Facilitador de
Mantenimiento
/ Proyectos
P a t r o c i n a d o r e s P a t r o c i n a d o r e s
7.1 Organización Multifuncional
Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,
celdas de mfra., unidades de negocio
249 P. Reyes
7.1 Reestructuración
organizacional
• Equipos de trabajo: solución de problemas,
propósito especial, autodirigidos
• Organización horizontal: elementos clave
• Planes de reconocimiento: individual, grupal,
capacitación
• Diseño de puestos de trabajo: especialización,
ampliación, rotación de puestos, enriquecimiento
• Normas de trabajo
• Métodos para la medición del trabajo: estudios de
tiempo, muestreos, estándares
• Curvas de aprendizaje
250 P. Reyes
7.1 Equipos Kaizen
• Las tres fases claves
– Percepción
– Desarrollo de la idea, entre más simples mejor
– Implantación de la idea y efectos, Kaizen busca
el camino más corto para lograr el propósito
• Puntos críticos de éxito
• Mejoras en la seguridad, en la calidad,
productividad, WIP, control visual
251 P. Reyes
7.1 Estrategias para
Recursos Humanos
• Eliminar continuamente actividades que no agregan
valor
• Reducir el número de categorías ampliando alcance
de los puestos
• Proporcionar recomendaciones a la Alta Dirección
sobre métodos para aplanar la organización
• Crear oportunidades e incentivos para la rotación
normal de puestos y capacitación cruzada.
• Invertir en el desarrollo de Multihabilidades de los
empleados
• Incluir planes de desarrollo de personal que estén en
línea con las metas y objetivos
• Facultamiento y desarrollo del personal
252 P. Reyes
1. Autoanálisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofías y políticas.
5. Planeación estratégica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluación de resultados: indicadores clave.
9. Comunicación en todas direcciones.
7.1 Proceso de cambio
organizacional
253 P. Reyes
7... Consejos para
administradores
1. Mantener actitud positiva.
2. Poner planes por escrito.
3. Buscar causas de problema en el sistema.
4. Ser humilde: Escuchar a subordinados.
5. No tener miedo a expresar ideas.
6. Tomarse tiempo para capacitar a
subordinados.
7. Pensar, revisar y revisar.
8. Decir “no” a planes no realistas.
254 P. Reyes
7... Consejos para
administradores
9. Tener empatía con la gente.
10. Reducir la rotación de personal.
- Reclutamiento y selección.
- Orientación.
- Inducción de personal nuevo.
- Supervisión y capacitación en el puesto.
- Auxilio de Recursos Humanos.
11. Falta gente capacitada ¡Haga algo!
-Capacitar a la propia gente.
12. Conocer a sus sindicatos.
255 P. Reyes
7.2 Equipos de trabajo
256 P. Reyes
7.2 Equipos de trabajo

OBJETIVOS

Establecer una situación de control.

Elevar el estado de ánimo.

Mejorar las relaciones humanas.

Mejorar el área de trabajo.

Pensar y usar los conocimientos.

Ampliar la forma de pensar.

Mejorar el ingreso.

Mejorar el aseguramiento de calidad.

Los ingenieros se pueden dedicar a otras tareas.
257 P. Reyes
7.2 Introducción
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL
PERSONAL
2.- LA ARMONIA ENTRE LAS PERSONAS
OBJETIVOS
DEL
EQUIPO
3.- LA FORMACION DE UNA
CULTURA
258 P. Reyes
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO
DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE
PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?
7.2 ¿Qué es un...?
259 P. Reyes
6 ó 7 (maximo 10) personas trabajando
en estrecha interrelacion,
interacción y comunicación
dirigidas hacia un
OBJETIVO COMUN
7.2 Tienen en común...
260 P. Reyes
FUERZAS NEGATIVAS. FUERZAS POSITIVAS.
EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES
7.2.. Análisis de Fuerzas
261 P. Reyes
HABILIDADES
PERSONALES
NO APROVECHADAS
PRIORIDADES DE
DEPARTAMENTO
CONFLICTO DE
EQUIPO
FALTA DE ESPIRITU
DE EQUIPO
INCAPAZ DE
PARTICIPAR EN LOS
INTERESES DEL
EQUIPO
OBJETIVOS
PERSONALES
OBJETIVO
DEL
EQUIPO
7.2 Ejemplos de fuerzas negativas
262 P. Reyes
EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS
EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS
1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
2.-¿Cuales son mis objetivos como integrante del
equipo....?
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
7.2 El objetivo del equipo
263 P. Reyes
7.2 ¿QUE PUEDO HACER YO PARA AYUDAR
A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________
__________________________________________________________
__________________________________________________________
2.-__________________________________________________________
__________________________________________________________
__________________________________________________________
3.-__________________________________________________________
__________________________________________________________
__________________________________________________________
4.-__________________________________________________________
__________________________________________________________
__________________________________________________________
264 P. Reyes
Cada equipo establece sus propias normas de
trabajo, tomando en cuenta los elementos
siguientes:
SEGURIDAD
MANTENIMIENTO
ASISTENCIA O
PUNTUALIDAD
DEL
EQUIPO
LA CALIDAD
LA PRODUCCION
LOS COSTOS
LA SEGURIDAD
EL MANTENIMIENTO
EL MEDIO AMBIENTE
OTROS
LOS CLIENTES
7.2 Normas de los equipos
265 P. Reyes
7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a
menos que el equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razón.
3.- Cumplir con las asignaciones.
4.- Cumplir con las fechas compromiso., etc.
¿Cuales son las normas de funcionamiento de mi
equipo de mejora...?
1.- __________________________________________
2.- __________________________________________
3.- __________________________________________
266 P. Reyes
PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:
COOPERACION COOPERACION
ASISTENCIA COMUN ASISTENCIA COMUN
DIVISION DEL TRABAJO DIVISION DEL TRABAJO
7.2 Responsabilidades del equipo
267 P. Reyes
TODOS PERTENECEN A UNA MISMA AREA DE
TRABAJO
PERO TIENEN RESPONSABILIDADES
DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.
EL LIDER DEL EQUIPO ES
ELEGIDO POR LOS
MIEMBROS DEL EQUIPO
EL LIDER APLICA EL LIDERAZGO POSITIVO,
EDUCA, DESARROLLA, APOYA, ENTUSIASMA Y
DESARROLLA
7.2 Organización de los equipos
SE FORMAN POR UN
LIDER Y MIEMBROS
DEL EQUIPO
268 P. Reyes
¿EN DONDE SE REUNEN...?
¿EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR
ESPECIAL
EN EL AREA DE TRABAJO

2.-LEJOS DEL MISMO SI ES
POSIBLE
¿CADA CUANDO SE REUNEN...?
¿CADA CUANDO SE REUNEN...?
PERIODICAMENTE DE ACUERDO A LAS
NECESIDADES DEL EQUIPO. (1 0 2
VECES POR SEMANA, 1 VEZ AL MES,
ETC.)
7.2 Organización de los equipos
269 P. Reyes
LOS EQUIPOS DE MEJORA
CONTINUA
REQUIEREN DE CAPACITACIÓN
CONTINUA:
DETECTAN SUS NECESIDADES
DETECTAN SUS NECESIDADES
DE ENTRENAMIENTO
DE ENTRENAMIENTO
7.2 Organización de los equipos
270 P. Reyes
7.2 ¿De quién necesitan apoyo . . . ?
1. Apoyo Total de la direccion / gerencia
general.
2. Del líder que coordina y desarrolla a los
integrantes.
3. De otras áreas, especialistas o técnicas
que les ayudan a resolver los problemas
que ellos no pueden resolver.
4. De otros equipos de mejora.
271 P. Reyes
ELIMINAR EL FRACASO
HACIENDO POSIBLE LO IMPOSIBLE
ELIMINAR EL FRACASO
HACIENDO POSIBLE LO IMPOSIBLE
FLEXIBILIDAD
Y
PACIENCIA
HONESTIDAD
HABILIDAD DE COMUNICARSE
LIDER:
ES AQUEL QUE GUIA, ENSEÑA Y DA EL EJEMPLO
A SU EQUIPO DE MEJORA CONTINUA. DEBEN
TENER....
7.2 El líder del equipo
272 P. Reyes
EQUIPOS DE
MEJORA CONTINUA
DIRECCION
LIDER DE EQUIPO
EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
EQUIPO DIRECTIVO
7.2 De quién necesitan apoyo
273 P. Reyes
7.2 Problemas comunes
1. Apatía de los equipos para generar resultados.
2. Falta de apoyo económico y motivación
personal por la dirección.
3. Comunicación mínima entre jefes y
coordinadores.
4. Apatía de la gente.
5. Poca comunicación.
6. Exceso de “bomberazos” en áreas saturadas
de trabajo.
7. No se mantiene la disciplina por el líder del
equipo.
274 P. Reyes
7.2 Problemas comunes
8. La situación de crisis afecta a los equipos
9. No hay compromiso de la Dirección.
10. Mala actitud de personal y no hay
medición de trabajo estadísticamente.
11. No se cuenta con asesoría profesional.
12. Escasez de tiempo para juntas de trabajo
13. No hay un sistema de control y
aseguramiento de calidad.que funcione
275 P. Reyes
14. Baja participación de los departamentos. de la
empresa.
15. Falta de involucramiento de las gerencias y
dirección.
16. Falta de apoyo de gerentes y superintendentes.
17. No se dan facilidades para asistir a conferencias
y congresos de equipos de trabajo
18. Falta conocimiento en la aplicación de las 7
herramientas estadísticas.
19. Falta constancia y disciplina en las tareas una
vez iniciadas.
7.2 Problemas comunes
276 P. Reyes
20. Cambio de citas de reunión por actividades de
participantes.
21. Falta de conocimiento de métodos de
estandarización.
22. Falta de involucramiento de algunas áreas de
calidad total.
23. Problemas de inestabilidad generados por la
crisis.
7.2 Problemas comunes
277 P. Reyes
7.3 Manejo efectivo de
Juntas y reuniones
278 P. Reyes
7.3 Tipos de reuniones

Para control y mejora (30-60 min.)

Asignar tareas y responsabilidades.

Contribuir a procesos de solución de problemas.

De comunicación (15 - 20 min.)

Metas de la semana, avisos de reunión, breve
explicación

De información (10 - 15 min.)

Reporte de evento.

Reflexiones de lectura/tarea.
279 P. Reyes
7.3 Tipos de reuniones

De estudio (30-60 min.)

Trabajo en equipo, calidad.

Conocimiento de producto o servicio.

De seguimiento (15 - 30 min.)

Verificación y análisis de tareas
asignadas en Control y Mejora.

De memorandum (5 – 10 min.)

Avisos escritos de diversa índole.
280 P. Reyes
1.- Crear una atmósfera apropiada para que los
participantes externen sus ideas y opiniones
libremente.
2.- Obtener la información necesaria ..
3.- Anticipar las reacciones positivas y negativas
de las personas.
4.- Crear un sentido de trabajo en equipo, que
sea llevado al mismo lugar de trabajo.
¡HACIENDO POSIBLE LO IMPOSIBLE!
7.3 Función del coordinador
281 P. Reyes
1.- Pedir ideas a todo el grupo y en forma
Individual.
2.- Mantener la junta en el tema.
3.- Clarificar la información.
4.- Ayudar a desarrollar ideas completas.
5.- Replantear el punto si no esta claro.
6.- No culpar nunca a nadie si no es claro en sus
ideas.
7.- Aceptar todas y cada una de las sugerencias.
8.- No criticar, modificar o evaluar de inmediato
una opinión.
9.- Asegurarse que se cumplan los objetivos
(Dando seguimiento)
10.- Asegurarse que la agenda sea cubierta en el
tiempo establecido.
7.3 Funciones del coordinador
282 P. Reyes
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y
visibles enfrente del lugar de reunión.
2.- Difiera la información que no este relacionada
con el tema a discutir .
3.- De reconocimiento a los participantes cuyas
opiniones se relacionen directamente con el
tema, este debe ser verbal y frente al grupo.
283 P. Reyes
NOTAS
¿ Como se comporto el equipo . . . ?
___________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
7.3 Ejercicio
Seleccionar un tema a tratar de la vida real
Establecer reglas y objetivos
284 P. Reyes
¿ Como se comportaron los integrantes . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________
¿ Se cumplio el objetivo . . . ? SI___
NO____
¿ Por que . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
7.3 Ejercicio
285 P. Reyes
7.4 Solución de problemas por
medio de la Ruta de Calidad
286 P. Reyes
7.4 Los 11 pasos de la Ruta de la
calidad
1. Selección del problema
2. Razón de la selección
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnóstico de la situación actual
6. Identificación de causas
7. Análisis de soluciones
8. Implantación de soluciones
9. Verificación de soluciones
10.Prevención de la reincidencia y
estandarización
11.Reflexiones y tareas futuras
287 P. Reyes
1.- SELECCIÓN DEL TEMA
2.- RAZON DE LA
SELECCIÓN
3.- ESTABLECER OBJETIVOS
4.- PROGRAMA DE
ACTIVIDADES
5.- DIAG. DE SITUACION
ACTUAL
6.- ANALISIS DEL PROBLEMA
7.- ANÁLISIS DE
SOLUCIONES
8.- IMPLANTAR SOLUCIONES
9.- VERIFICACION DE
SOLUCIONES
10.- PREVENCION DE LA
REINCIDENCIA
11.- REFLEXION Y TAREAS
FUTURAS
PLANEAR
P
HACER
D
CHECAR
C
ACTUAR
A
ESTABLECER LA
FORMA IDEAL
BUSQUEDA DE
CAUSA REAL
POR INICIATIVA
HACER
UN EJEMPLO
INMEDIATAMENTE
EN CASO
DE NO
HABER
EFECTO
7.4 La ruta de la calidad
288 P. Reyes
7.4 Beneficios de la ruta de la
calidad
1.- Es un método estándar para resolver
problemas.
2.- Se usa para mejorar procesos
administrativos, de manufactura e
individuales.
3.- Se usa para sistematizar la forma en
que se mejoran los procesos.
289 P. Reyes
1. Selección del problema
290 P. Reyes
1. Selección del problema
Análisis de situación actual e identificación
de problemas.
Una vez seleccionado el tema:
- Comprensión de elementos
situacionales.
- Cuantificación de datos reales.
- Identificación de factores de
variabilidad.
291 P. Reyes
1. Selección del problema
* Seleccionar el problema en base a las
políticas de la organización, al jefe inmediato
y a los resultados de sus actividades diarias.
Se sugieren sean problemas enfocados a
impactar al cliente.
* ¿Cómo nombrar el problema? Menor Costo,
Más rápido, Mejor desempeño
1).- Expresar concretamente el grado del
problema. (el tema no deberá ser demasiado
amplio).
292 P. Reyes
2).- Es mejor no usar la solución para nombrar
un problema, sin antes realizar la búsqueda de
la causa verdadera, se creará duda de si esa
solución es la definitiva.
3).- Criterios para seleccionar el problema
Seguridad Calidad
Entrega Costo
Moral 2 GUOQCSTORY.PPT
1. Selección del problema
293 P. Reyes
2. Razón de la Selección
¿Porque?
3 GUOQCSTORY.PPT
294 P. Reyes
2. Razón de la Selección
*Expresar los antecedente, la importancia y la
prioridad de los problemas.



Explicar por qué se seleccionó el problema
* Efecto económico, reclamo de
mercado,rechazos, % de ventas perdidas , otros.

* Impacto para los procesos posteriores, monto de
pérdida, incremento de tiempo de operación, paro
de línea, etc.

Entre todos los integrantes del equipo pueden
evaluar las razones arriba descritas mediante las 7
herramientas básicas, las 7 nuevas herramientas,
etc; y enfocarse en un solo tema.
4 GUOQCSTORY.PPT
295 P. Reyes
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de
evaluación
Criterio de evaluación 3 puntos 2 puntos
1 punto
2. Razón de la Selección
Impor-
tancia
Prior. Política
Depto.
Evaluación
Periodo
de Ejec.
Facti-
bilidad
Orden
Problema
DEVOLUCIONES
ENTREGAS TARDIAS
DOCS. INADEC.
NIVEL SERVICIO
12 Puntos
1er. lugar
10 Puntos
2o. lugar
10 Puntos
2o. lugar
9 Puntos
3er. lugar
296 P. Reyes
PARETO DE DEFECTOS DEL PRODUCTO A
PERIODO 6/MAY/98 AL 15/JUNIO/98
n = 170
( % )
(CASOS)
170
160
140
120
100
80
60
40
20
0
51
31
27
25
30 %
20
16
N
U
M
E
R
O

D
E

D
E
F
E
C
T
O
S
100
80
60
40
20
0
%

A
C
U
M
U
L
A
D
O
D
O
B
L
E
C
O
R
T
E
C
O
R
T
E
M
U
L
T
I
P
L
E
C
O
N
T
A
M
I
N
A
C
I
O
N
P
O
R
O
A
L
T
U
R
A

M
A
Y
O
R
Y

M
E
N
O
R
B
A
J
A

A
D
H
E
S
I
O
N
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y además de investigar
las causas de incumplimiento se encontró que ”DOBLE CORTE" es el más problemático,
por lo que se seleccionó como tema.
5 GUOQCSTORY.PPT
%

d
e

i
n
c
i
d
e
n
c
i
a
0.51
0.45
0.53
0.46
0.47
0.46
objetivo del grupo 0.3%
6/mayo-11 13 - 16 20 - 24 27 - 31 3/junio - 7 10 - 15
Ejemplo2 : Utilización de la gráfica lineal y el diagrama de Pareto.
periodo 6/Mayo/’98 - 15/junio/’98
n = 5,000
x = 0.48 %
( % )
1
0.8
0.6
0.4
0.2
0
297 P. Reyes
* Aclarar la meta del valor del objetivo. * Indicar el objetivo con valores en forma numérica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relación con el
expectativas en el objetivo, si no esta- efecto esperado .
blecer un objetivo factible de manera es-
calonada.
* El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisión de impulso ¿QUÉ? ****** Reducir el defectuoso en productos A
(sin analizar).
¿HASTA CUÁNDO?****De Mayo del 97 a
(Punto clave para establecer el valor Abril del 98
objetivo). ¿HASTA CUANTO?****Bajar hasta 1% ó
* Definirlo tomando en cuenta las políticas menos del 1% promedio de defectuoso.
de la empresa.
* En caso de no tener un concepto claro de * Hay un método para establecer el objetivo
las políticas, analizar la importancia de final de una vez; otro estableciendolo en forma
los problemas y / o mejoras, cuando nos gradual entre objetivo primario y secundario,
ocasionen un defecto al proceso pos- establecer periodos de tiempo cortos.
terior, factibilidad de cumplimiento, pro-
grama, distribución de cargo, etc. y de- Establecer objetivos graduales en los casos
finirlo. Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras áreas.
(3).- Que se requiera la selección de las actividades
conforme a la habilidad real del grupo de trabajo

Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
PUNTO CRITICO
ACTIVIDADES
3. Establecimiento de objetivos
298 P. Reyes
Ejemplo n° 1 Establecimiento del
Objetivo con fundamento
CONCEPTO
VALOR OBJETIVO
FECHA LIMITE
EFECTO ESPERADO
CONTENIDO ESTABLECIDO
IGUAL O MENOR DE 1%
FIN DE Abril de 1998
3% DE INCREMENTO EN EL % DE AHORRO
( % )
8
6
4
2
0
10 11 12 1 2 3 4
4 3 2
x
6 MESES
2
1
IGUALAR
AL
PASADO
IGUALAR A
OTRAS LINEAS
3
ESTABLECER
EN BASE A LA
POLITICA
IGUALAR AL
NIVEL PAIS
4
El objetivo debe ser establecido en consenso
1
OBJETIVO FINAL
2
EJEMPLO N°2
299 P. Reyes
Se debe tomar en cuenta el problema real anterior, etc.,
para que los datos sean razonables y convincentes.
(%)
V
E
N
T
A
S
6
OBJ. PRIMARIO
5
4
3
2
1
0
OBJ. SECUNDARIO
OBJETIVO FINAL
PERIODO DE TIEMPO
0%
6 5
CONDICION ACTUAL
4 3 2 1
Ejemplo n° 3: Establecimiento gradual del objetivo
P
E
R
D
I
D
A
S
7 GUOQCSTORY.PPT
300 P. Reyes
4. Programa de actividades
POR QUE ? QUE ? QUIEN ? CUANDO ? COMO ? DONDE ?
PROPOSITO CONCEPTO DE ACT. RESP. FECHA
CONOCER LA
SITUACION
ACTUAL
COMPRENDER LA
SITUACION ACTUAL
Juan Pérez may-97
HOJA DE
CHEQUEO Y
GRAFICA
Máquina
¿QUE ESTA
MAL ?
ANALISIS TODOS JUN. 97
DIAGRAMA DE
CAUSA Y
EFECTO
Reunión
¿COMO SE
PUEDE
MEJORAR ?
ACCIONES
CORRECTIVAS
TODOS JUN. 97
PLAN DE
ACCIONES
CORRECTIVAS
Reunión
¿SE PUEDE
MEJORAR ?
CONFIRMAR EFECTO TODOS JUL. 97 GRAFICA Máquina
CAMBIO DE
PROCEDIMIENTOS Y
ESPECIFICACIONES
ING.
PRODUCT
O.
JUL. 97
EMISION DEL
CAMBIO
Máquina
REFLEXION DE LAS
ACTIVIDADES Y
TAREAS FUTURAS
TODOS ene-98
LLUVIA DE
IDEAS
Reunión
PREVENCION
DE
REINCIDENCIA
ASIGNACION DE LAS TAREAS
8 GUOQCSTORY.PPT
301 P. Reyes
5. Diagnóstico de la situación actual
PUNTO CRITICO
ACTIVIDADES
Observar de manera exhaustiva la condición real de * Investigar a fondo
de manera que se pueda
lo problemático y checar a través de los datos. dar el siguiente
paso (análisis).
Investigar la diferencia en las variaciones del * Investigar
clasificando por tiempo, proceso, turno
comportamiento de los fenómenos. operador, método de
operación, material, lote,
procedimiento, tipo de máquina,
clima,
Lo que se busca es confirmar la condición real no temperatura,
humedad, operación, estándar
encontrar las ideas de solución.
* De inmediato ver físicamente las cosas en campo, siendo realista, mostrar
gráficamente lo investigado de tal forma que se vean fácilmente las
diferencias, problemas, etc. Usar las 7H’s, concluir e iniciar análisis.
80% VITALES
20% TRIVIALES
PARETO
Q
U
E
J
A
S
D
E
V
O
L
U
C
I
O
N
T
A
R
D
A
N
Z
A
I
N
C
O
M
P
L
E
T
O
P
R
O
D

S
U
C
I
O
E
Q
U
I
V
O
C
A
D
O
O
T
R
O
S
0
20
40
60
80
100
20%
40%
60%
80%
100%
EJEMPLO No. 1
302 P. Reyes
6. Identificación de causas
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO
303 P. Reyes
6. Identificación de causas
Determinar las causas raíz.
1. Análisis de posibles causas.
2. Relación causa-efecto.
3. Uso de herramientas.
4. Cuantificación de posibles causas
5. Selección de causas reales.
6. Experimentación y prueba de
hipótesis y causas probables.
7. Determinación de causas reales.
304 P. Reyes
6. Identificación de causas
PUNTO CRITICO
ACTIVIDADES
- Identificar las posibles causas verdaderas - En base al conocimiento de la
situación actual,
(factores) del análisis de la situación actual identificar las posibles causas
verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa) VERIFICAR CADA UNO
DE LOS FACTORES
como una alternativa de análisis - Repetir la pregunta "porqué" 4-
5 veces
- Buscar la causa(s) real(es) desde los factores. - Ir a piso a verificar
físicamente cuantas veces
- Hay casos en que se pueden conseguir los efec- sea necesario, sobre
todo observar bien.
tos (resultados) de un análisis al investigar a fon- - Analizar a fondo
involucrando al jefe inmediato,
do la situación actual. staff y las áreas
relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de
solucionar un problema diciendo excusas. Ejemplo: "Es la primera vez que
aparece“, "No tenemos experiencia", etc.
METODO
BARRA SOPORTE DE
PAPEL DESALINEADO
MANO DE OBRA
MATERIAL
MAQUINARIA
LINEA DE
PAPEL
FALTA
CAPACITACION
FALTA DE
COMPROMISO
RETROALIMENTACIO
N
FALTA
AIRE
ROLLOS PESADOS
BOLSA
DAÑADA
PAPEL FUERA
DE
ESPESOR
MAT. FRESCO
APLICACIÓN DE
PAPEL MANUAL
FLUJO DE PAPEL EN
LA PARTE
SUPERIOR
DEL MOLDE
MAL CORTE PAPEL
APLICACIÓN DE
CINTA
INCORRECTO
NO SE SIGUE EL PROC:
NO SE MIDEN ESPESORES
POCO ESPESOR
305 P. Reyes
7. Análisis de soluciones
Cada causa tiene soluciones basadas
en:
1. Definición de soluciones.
2. Evaluación de éstas.
3. Definición cuantitativa de mejores.
4. Uso de métodos de Control de
Calidad.
5. Desarrollo de plan de
implementación.
306 P. Reyes
7. Análisis de soluciones
PUNTO CRITICO ACTIVIDADES
* Eliminar la causa real que se encontró como resul- * Planear las medidas
correctivas para cada una
tado del análisis. (no eliminar los fenómenos) de las causas
encontradas a través del análisis.
* Recabar todas las ideas de los miembros del gru- * Dividir las medidas
correctivas en dos tipos:
po, jefe inmediato y personas relacionadas. 1) Medida
contingente provisional
* Pensar medidas físicas, más que personales, pa- 2) Medida
correctiva. sobre las causas raíz
ra que la acción correctiva sea estable y sin para
prevenir la reincidencia
variación. (poka-yoke)
•Evaluar las ideas de Kaizen. Hacer una evaluación de efectos, factibilidad,
economía, grado de tecnología, operatividad, seguridad, etc. Elaborar
propuesta operativa y preparar los recursos requeridos.
EJEMPLO No. 1:
14 GUOQCSTORY.PPT
3 PUNTOS 3 PUNTOS
2 PUNTOS 2 PUNTOS
1 PUNTO 1 PUNTO
Evaluación
E
f
e
c
t
o



F
a
c
t
i
b
i
l
i
d
a
d
P
r
i
o
r
i
d
a
d
J Pérez.
5
4
3
OPERADORES
OPERADORES
J. Pérez
J. Pérez
5
4
L
I
D
E
R
F
E
C
H
A
Junio 97
Junio 97
Junio 97
Julio 97
Julio 97
LINEA
DE
PAPEL
A. CONTROL DE
ESPESORES
DE PLÁSTICO
B. MODIFICAR
APLICACIÓN
DE PAPEL.
1. CONTROLAR
ESPESORES EN MAQ.
2. VERIFICAR
ESPESORES
ANTES DE
CONSTRUIR
3. CAMBIAR DE
MATERIAL
2. CAMBIAR ANCHO DE
PAPEL
1. MODIFICACION AL
APLICADOR DEL PAPEL
307 P. Reyes
8. Implantación de soluciones
15 GUOQCSTORY.PPT
308 P. Reyes
1. Explicación de implementación.
2. Descripción de áreas afectadas.
3. Descripción de obstáculos.
4. Análisis cuantitativo de impacto.
5. Análisis cuantitativo de situación
mejorada vs. situación actual.
6. Medición de efectos secundarios.
7. Uso de herramientas .
8. Implantación de
soluciones
309 P. Reyes
8. Implantación de soluciones
PUNTO CRITICO
ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las
medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de
mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundadarios que puedan
afectar al producto o áreas* Los equipos implantan las acciones correctivas
y después poner en práctica las luciones.
* Obtener la aprobación de las áreas relacionadas, turno o puesto, Jefe
inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
NO
CUANDO
¿A QUE? - ¿COMO?
DONDE RESU
LTAD
O
JUICIO QUIEN
TOPE PROC. DE
LIMPIEZA
1
2
JULIO 97
JULIO 97
BARRA DE
APLICACION
PARA LOS
MOLDES
AUNQUE SE DA
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO
J. PÉREZ
L.TORRES
P. Reyes
PARA LA LINEA DE PAPEL:
APLICACIÓN
ANTERIOR
DEL PAPEL
APLICACIÓN
ANTERIOR
DEL PAPEL
CON LA ACCION CORRECTIVA
SE MODIFICÓ LA APLICACIÓN DEL PAPEL,
ASEGURADO CON UN TOPE (POKA YOKE)
EN LA BARRA DE APLICACION
8. Implantación de soluciones
311 P. Reyes
9. Verificación de soluciones
PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis
comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de
aplicar varias medidas correctivas
"razón de selección del tema" , Verificar los efectos
intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de KAIZEN respecto al objetivo. confirmar el efecto
sobre cada concepto de
(relación humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, área de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si
existen áreas y operaciones similares tanto dentro como fuera de la planta,
para aplicar las mismas contramedidas. Dar reconocimiento.
2.1
2
1.9
1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1
2.19
2.14
2.22
2.33
1.76
1.32
0.9
0.87
0.94
0.79
0.99
0.94
0
0.5
1
1.5
2
2.5
may-97 jun-97 jul-97 ago-97 sep-97 oct-97 nov-97 dic-97 ene-98 feb-98 Mzo-98 abr-98
%D < 1 %
Ejemplo 1.
%
D
E
F
E
C
T
U
S
O
312 P. Reyes
9.5
6.85
3.3
3.27
2.66
0.9
0
2
4
6
8
10
%
MONCKS C. DUMFRIES COREA BRASIL JAPON MEXICO
UMI MICRO V - TIMING BELTS
BENCHMARKING DEFECTUOSO TIMING BELTS
Ejemplo 3.
313 P. Reyes
10. Prevención de la reincidencia –
Estandarización
DISPOSITIVOS A PRUEBA DE ERROR ( Poka
- Yokes ).
314 P. Reyes
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicación de soluciones en otros
procesos.
5. Uso de métodos de estandarización.
.
10. Estandarización
315 P. Reyes
10. Prevención de la reincidencia
PUNTO CRITICO
ACTIVIDADES
* Hacer estandarización para prevenir la reincidencia * Mantener y controlar
los efectos
* Con el fin de mantener y controlar lo estandariza- * Hacer
estandarización.
do, establecer sistemas y realizar la revisión de los Equipos
equipos, capacitación y entrenamiento de manera Poka-yoke, dibujos,
hoja de especificaciones,
periódica. instructivo de manejo, muestreo de
límite.
Mano de obra
Confirmar el resultado de la modificación Capacitación y
adiestramiento de habilidad Comunicar adecuadamente a las áreas
técnica en base a la operación
involucradas Calidad: Carta de control de
proceso.
EJEMPLO 1:
1
3
2
Medidas
correctivas
5 W 1 H
Integrar botador
de electrodo
en martillo
Adopción de
electrodo roscado
Automatización
de paro de agua
Por qué
Why
Qué
What
Donde
Where
Cuándo
When
Quién
Who
Cómo
How
Chequeo
despostilladora
de filos
Chequeo
de daño en
rosca
Prevención de
sobrecalenta-
miento

Botador
de
electrodo
Base de
electrodo
inferior
Prevención
de sobreca-
lentamiento
En almacén
de Htas.
Proceso
usuario.
En el
proceso
1 vez cada
3 días
Cada
semana
2 veces
por día
Turnar
responsable
Turnar
responsable
Turnar
responsable
cada día
Chequeo
visual
hoja de chequeo
Chequeo
visual
hoja de chequeo
Chequeo
visual
hoja de chequeo
Cada vez que se presente un problema, se investiga y se toman medidas correctivas
P. Reyes
1
2
Medidas
correctivas
5 W
1 H
INTEGRAR
TOPE
ELABORAR
PROCEDIMIEN
TO
Por
qué
Why
Qué
What
Donde
Where
Cuánd
o
When
Quién
Who
Cómo
How
CORRECTA
APLICACIÓN
DE PAPEL.
PARA
ESTANDARIZAR
LAS
OPERACIONES

TOPE
INST.PARA
APLICAR
DE PAPEL
TISSUE

APLICA
DOR
DE
PAPEL
TISSUE
PROCESO
DEL
USUARIO
JULIO
97
AGOSTO
97
J.
PEREZ
ING. DE
PRODUC
TO
PRO
CEDI-
MIEN
TO
CHE
QUE
O
VISU
AL
Ejemplo No. 2
317 P. Reyes
Análisis de resultados
1. Comparación cuantitativa.
2.Evaluación cuantitativa de
resultados intangibles.
3. Análisis del impacto económico
4. Presentación de resultados
Conclusiones
1. Evaluación objetiva.
2. Descripción de problemas
pendientes.
3. Descripción del plan de acción.
11. Reflexiones
318 P. Reyes
11. Reflexiones y tareas futuras
319 P. Reyes
11. Reflexiones y tareas futuras
PUNTOS CRITICOS
ACTIVIDADES
* Aclarar la diferencia entre la planeación y el resul- * Aclarar los puntos
positivos y negativos.
tado. Reflexionar sobre la satisfacción lograda. * Registrar las
actividades tomando en cuenta
* Resumir los planes futuros en forma concreta. el efecto físico, QC
Story, administración de
* Aprovechar puntos positivos de resultado y apren- grupo, juntas,
herramientas, programa,
der de puntos negativos. asignación de funciones,
entusiasmo
EJEMPLO:
A) Efecto físico.
B) Participación.
C) Aprovechamiento
del método QC.
D) Trabajo en equipo.
E) % Participación en
juntas.
F) Puntualidad
G) Asignación de
funciones.
H) Mejora de
conocimiento.
I) % de cumplimiento
de programa.
J) No. de juntas.
Gráfica de Radar Gráfica de Radar
A
B
C
D
E
F
G
H
I
J
320 P. Reyes
7.5 Ejemplos
321 P. Reyes
8. Métodos de muestreo
322 P. Reyes
Muestreo aleatorio estadístico
Lote N
Muestra n
323 P. Reyes
Muestreo de aceptación
• Calificación de lotes: sin inspección, insp. 100% y muestreo
• Ventajas de la aceptación por muestreo:
– Aplicable a pruebas destructivas
– Menor costo de inspección
– Menor tiempo de inspección
– Menor manejo de producto
– Presión al proveedor para mejorar su calidad
• Desventajas de la aceptación por muestreo
– Riesgo de aceptar lotes malos o rechazar buenos
– Poca información sobre el producto o proceso
– Requiere planeación
324 P. Reyes
Tipos de muestreo de
aceptación

Muestreo por atributos

Muestreo simple

Muestreo doble

Muestreo múltiple

Muestreo por variables

Calificación por variables (un plan por cada
característica)

Plan en base a la posición de la media
325 P. Reyes
Formación de lotes y
muestreo

Los lotes deben ser homogéneos es decir haberse
producido bajo las mismas condiciones de manufactura

Es mejor inspeccionar lotes grandes que pequeños

Los lotes deben ser fáciles de manejar tanto con el
cliente como con el proveedor

Las muestras se deben seleccionar en forma aleatoria y
deben ser representativas de todo el lote
326 P. Reyes
Muestreo por atributos
327 P. Reyes
Muestreo simple por atributos

Se define por su tamaño de muestra n y el
número de aceptación c máxima de partes
defectivas (N tamaño de lote)

Pa es la probabilidad de aceptar un lote con
fracción defectiva p con base en el plan de
inspección n-c

Pa es la probabilidad acumulada de Poisson
(Excel)
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva característica de
Operación dado una
Tamaño de muestra n
y un criterio de aceptación c
328 P. Reyes
Muestreo simple por atributos
0
. .
. .
. . . .
. . . .
!
( ) (1 )
!( )!
c
d n d
d
n tamañodemuestra
c criteriodeaceptacion
d defectivos encontrados enlamuestra
p fracciondefectivaenel lote
n
Pa P d c p p
d n d

·
·
·
·
·
· ≤ · −


Calcular la probabilidad de aceptar un
Lote defectivo con p=0.01, n=89, c=2
329 P. Reyes
Muestreo simple por atributos
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson
a) Determinar la Pa con n=89 y
c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
330 P. Reyes
Muestreo simple por atributos
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribución Hipergeométrica
a) Determinar la Pa con n=50, N = 500
c = 0, 1 y 2
b) Observar que pasa si se anteponen
A las curvas OC tipo B
331 P. Reyes
Diseño de un plan de
muestreo
con una curva OC específica
• Si se quiere un plan en el cual p1 = 0.01 y alfa =
0.05, p2=0.06 y beta = 0.1 se procede como
sigue:
• Se localiza en el nomograma la intersección de las
líneas que conectan (p1=0.02, 1-alfa=0.99) y
(p2=0.06, beta=0.1)
• Se localiza la intersección y se determinan n y c
del mismo nomograma
Encontrar el plan de muestreo para
p1 = 0.02, alfa =0.01, p2 =0.06 y
Beta=0.1
332 P. Reyes
Inspección rectificadora
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
p = 0.02
n =200
c = 1
P=0.02
Pa
91 lotes son
rechazados y
seleccionados
por el
proveedor, deja
910,000 piezas
OK
9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan
88,820 piezas OK
Y 1800 piezas KO
Total de piezas OK
998,820
Piezas defectivas
1,800
0.18% AOQ
AOQ
Alm.
333 P. Reyes
Muestreo simple por atributos

Conforme se disminuye c o se aumenta n la
probabilidad de aceptar lotes defectivos se
reduce Pa

AOQ es la calidad de salida promedio después de
aplicar un plan de muestreo a los lotes del
proveedor, donde algunos lotes se aceptan y
otros se rechazan para selección 100%
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
AOQ = p*Pa
0.3
0.25
0.20
0.15
0.1
AOQL
Planta
Almacén
Fracción
defectiva
que ingresa
al almacén o
planta
después de
aplicar el
plan de
muestreo
Fracción
defectiva
que envía
el
proveedor
334 P. Reyes
Inspección rectificadora
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva AOQ para N grande
Se usa la distr. Binomial o de Poisson
a) Determinar la AOQ= p*Pa con
n=89 y c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
335 P. Reyes
Inspección rectificadora
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva ATI para N grande
Se usa la distr. Binomial o de Poisson
a) ATI=n + (1-Pa)(N-n) con
n=89 y c = 2
b) Observar que pasa si se varia n
para N=1000, 5000 y 10000 con
n = 89, c=2
336 P. Reyes
Inspección rectificadora
ATI
p
N=10,000
N=5,000
N=1,000
10,000
337 P. Reyes
Planes de muestreo doble

Bajo ciertas circunstancias es necesario
tomar una segunda muestra para tomar una
decisión. Muestras n1 y n2 con criterios de
aceptación c1 y c2
Inspeccionar 1a.
Muestra con n1=50
d1 = # de defectivos
Inspeccionar 2a.
Muestra con n2=50
d2 = # de defectivos
Si
d1<=c1=1
Aceptar lote
Si
d1 > c2 = 3
Rechazar lote
Si d1 + d2
<= c2 =3
Aceptar lote
Si d1+d2 > c2
Con c2 = 3
Rechazar lote
1< d1 <= 3
338 P. Reyes
Curva OC – Muestreo doble
Pa
p
Probabilidad de rechazo
con Primera muestra
Probabilidad de
Aceptación con
Primera muestra
Probabilidad de
Aceptación con
Muestras combinadas
339 P. Reyes
Curva OC – Muestreo doble
{ ¦ { ¦ { ¦
{ ¦ { ¦ { ¦
1
1 50 1
1 0
0.279 0.010 0.289
50!
(0.05) (1 0.05) 0.279
1!(50 1)!
(1) (2) 0.009 0.001 0.01
(1) 1 2, 2 1 1 2 * 2 1 0.009
(2) 1 3, 2 0 1 3 * 2 0 0.001
I II
a a
I d d
a
d
II II II
a a a
II
a
II
a
Pa P P
P
d d
P P P
P P d d P d P d
P P d d P d P d

·
· + · + ·
· − ·

· + · + ·
· · ≤ · · ≤ ·
· · · · · · ·

Probabilidad de aceptación en el muestreo doble
340 P. Reyes
Curva OC – Muestreo doble
{ ¦ { ¦ { ¦
{ ¦ { ¦ { ¦
{ ¦
2
1 50 1
1 0
Pr
50!
1 (0.05) (1 0.05)
1!(50 1)!
(1) (2)
(1) 1 2, 2 1 1 2 * 1 2 1
(2) 1 3, 2 1 1 3 * 1 2 0
I II
r r
I d d
r
d
II II II
r r r
II
r
II
r
P P
P
d d
P P P
P P d d P d P d
P P d d P d P P d

·
· +
· − −

· +
] · · > · · − ≤
]
· · ≥ · · − ·

Probabilidad de rechazo
341 P. Reyes
Curva ASN – Average Sample
Number
{ ¦
{ ¦
1 1 ( 1 2)(1 1)
1 . . . .
. . . .
1 ( 1 1) ( 1 3)
( 1 3) 1 ( 1 3)
ASN n P n n P
P P lote aceptado en primera muestra
P lote rechazado en primera muestra
P P d P d
P d P d
· + + −
· +
· ≤ + >
> · − ≤
ASN bajo inspección completa
342 P. Reyes
Curva ASN – Average Sample
Number
[
]
2
1 1
1 ( 1, ) 2 ( 2, 2
2 1
( 2 1, 2 2)
( 1, ) . . . . . . 1
( 2, 2 ) . . var . 2 . . . . . . 2
( 2 1, 2 2) . .
c
L
j c
M
L
M
ASN n P n j n P n c j
c j
P n c j
p
P n j probabilidad de j defectivos en muestra n
P n c j prob de obser c j o menos defectivos en muest ra n
P n c j prob de o
· +
· + − +
− +
+ + − +
·
− · −
+ − + ·

var . 2 2. . . . 2 1 bser c j defectivos en muestra n − + +
ASN bajo inspección recortada en 2a. Muestra al tener d >c2
343 P. Reyes
Curvas de ASN para diferentes planes
de muestreo: simple, doble y doble
recortado
60
90
120
ASN
p
0.02 0.04 0.06 0.08 0.10 0.12
Inspección
simple
Inspección doble
completa
Inspección
recortada
Plan: n1=60, n2=120, c1=2, c2=3
344 P. Reyes
Diseño de planes de muestreo dobles

Se utilizan tablas especiales para diseñar los
planes de muestreo doble en función de (p1,
1-alfa) y (p2, beta)
345 P. Reyes
Curva AOQ y ATI – Muestreo doble
( 1) ( 1 2) *
1* ( 1 2) * (1 )
I II
a a
I II
a a
P N n P N n n p
AOQ
N
ATI n P n n P N Pa
]
− + − −
]
·
· + + + −
Ecuaciones para AOQ y ATI:
346 P. Reyes
Muestreo múltiple
• Es una extensión del muestreo doble, por ejemplo:
• MuestraAceptar Rechazar
• 20 0 3
• 40 1 4
• 60 3 5
• 80 5 7
• 100 8 9
• Su ventaja es que las muestras requeridas en cada
etapa son más pequeñas que las requeridas en
muestreo simple o doble y se tiene menor costo pero
es más complejo
347 P. Reyes
Muestreo secuencial
348 P. Reyes
Muestreo secuencial

Se toma una secuencia de muestras de un lote
n dependiendo de los resultados de la
inspección

Para cada punto la X es el número de puntos
seleccionados hasta cierto tiempo y la
ordenada el número de defectivos hallados
7
6
5
4
3
2
1
0
-1
-2
No.de
Defectivos
10 20 30 40
Rechazar
Aceptar
Continuar
Xa
Xb
-h1
h2
349 P. Reyes
Muestreo secuencial
sn h X
ACEPTACION
+ − ·
1
sn h X
RECHAZO
+ ·
2
k h ÷

,
`

.
| −
·
β
α 1
log
1
k h ÷

,
`

.
|

·
α
β 1
log
2
) 1 (
) 1 (
log
2 1
1 2
p p
p p
k


·
k
p
p
s ÷

,
`

.
|


·
2
1
1
1
log
Curva OC
p1 s p2
1-Alfa
Beta
Calcular ecuaciones
para:
p1 = 0.01, Alfa = 0.05
p2 = 0.06, Beta = 0.10
h2/(h1+h2)
350 P. Reyes
Resultados del muestreo
secuencial
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3
n Xa Xr Xa Xr
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
351 P. Reyes
Fórmulas muestreo
secuencial
C
B
P
C
A
P ASN
a a
) 1 ( − +

,
`

.
|
·
α
β

·
1
log A
α
β −
·
1
log B

,
`

.
|


− +

,
`

.
|
·
1
2
1
2
1
1
log ) 1 ( log
p
p
p
p
p
p C
Número promedio de muestras inspeccionadas
Nivel de calidad promedio de salida AOQ = p*Pa
y ATI
N P
C
A
P ATI
a a )
1 ( − +

,
`

.
|
·
Número de muestras que
inspecciona el cliente
unicamente
Número de muestras que
inspecciona cliente y el proovedor
352 P. Reyes
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859
353 P. Reyes
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
354 P. Reyes
Tablas de muestreo MIL-STD
105E o 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
355 P. Reyes
Tablas de muestreo MIL-STD
105E o 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
356 P. Reyes
Tablas de muestreo MIL-STD
105E o 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 indica el plan de
muestreo n = 125, Aceptar = 1, Rechazar = 2
– La tabla II—C para inspección reducida indica el plan
de muestreo n = 50, Aceptar = 1, Rechazar = 3
357 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4

Buscar los planes equivalentes en curva CO para
muestreo doble y múltiple

Las tablas solo incluyen algunos valores de n que
se incrementan conforme al lote es mayor, sin
embargo la razón de N/n disminuye rápidamente
dando economía de inspección

Las flechas ascendentes y descendentes indican
cambio de letra y plan (n-c) dentro del mismo plan
de inspección
Ejercicios
358 P. Reyes
Planes de muestreo Dodge - Romig
• Planes para protección en LTPD (lot tolerant percent
defective), o fracción defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) – para componentes críticos
• Es necesario conocer el LTPD y la fracción defectiva
promedio del proceso p y el tamaño de lote N
• La p puede obtenerse de una carta p histórica con 25
lotes promediando los valores pi de las muestras tomadas
• Ejemplo: Si N = 5000, p = 0.25% de no conformes y LTPD
de 1%. Se obtiene de la tabla de LTPD
• n = 770 y c = 4
359 P. Reyes
Planes de muestreo Dodge -
Romig
• Planes para protección en AOQL (average outgoing quality
limit) o máxima fracción defectiva que se desea ingresar a la
empresa después de aplicar un plan de muestreo
• Asumiendo N = 5000, AOQL = 3% y fracción defectiva del
proveedor en sus lotes del 1%, se obtiene de la tabla:
n = 65 c = 3 LTPD = 10.3% (punto donde Pa=0.1)
• Asumiendo que al 1% de fracción defectiva, se acepta el 99%
de las veces (AQL), entonces el ATI es:
ATI = n + (1-Pa)(N-n) = 65+(0.01)(5000-65) = 114.35
360 P. Reyes
Muestreo por variables
361 P. Reyes
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
362 P. Reyes
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
1.05 1.1 1.15 1.2 1.25 1.3 Dimensión X
Posición de la media en
Relación con el límite de
Especificación inferior LIE
LIE
Z
Z = (LIE-Xm)/s
Conforme se
Recorre a la derecha
la fracción defectiva
disminuye
363 P. Reyes
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
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva característica de
Operación dado una
Tamaño de muestra n
y un criterio de aceptación k
364 P. Reyes
Determinación de la fracción
defectiva en la muestra por el
Método II
LIE
Qi
Qs
LSE
P(Qi) P(Qs)
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
X
s
Aceptar el lote
Si P(Qtot) <= M
365 P. Reyes
Fórmulas
) 1 /( −

· n n
LIE X
Q
LIE
σ
) 1 /( −

· n n
X LSE
Q
LSE
σ
( 1)
n
Q Z
n
·

Buscar en tabla P(Q) para una n
366 P. Reyes
Muestreo simple por variables
–Método II de M = fracc. Def.
máx.

Se define por su tamaño de muestra n y el
número de aceptación M máxima fracción
defectiva aceptable en la muestra

Pa es la probabilidad de aceptar un lote con
fracción defectiva p con base en el plan de
inspección n-M
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva característica de
Operación dado una
Tamaño de muestra n
y un criterio de aceptación M
367 P. Reyes
Tablas de muestreo ASQC-Z1.9
• Requiere información de (por cada característica variable):
• Tamaño del lote
• Nivel de inspección (especial o normal – Default II)
• Magnitud del AQL (fracción defectiva aceptable en lotes)
• Contempla dos tipos de muestreo:
• Método I utilizando el valor de K
• Método II utilizando el valor de M
• En cada uno de los tipos se prevén los planes de inspección:
• Inspección normal
• Inspección reducida
• Inspección estricta
368 P. Reyes
Tablas de muestreo ASQC-
Z1.9

Iniciando con Inspección normal, proporciona
información de:

Tamaño de muestra n

Criterio de aceptación K (máx) o M (mín)

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
369 P. Reyes
Tablas de muestreo ANSI Z1.9
• 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 indica el plan de
muestreo n = 125, Aceptar = 1, Rechazar = 2
• La tabla II—C para inspección reducida indica el plan de
muestreo n = 50, Aceptar = 1, Rechazar = 3
370 P. Reyes
Tablas de muestreo ASQC-
Z1.9
Método I con el valor de K
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II
teniendo un Límite Superior de especificaciones LSE = 209
• La tabla A-2 indica letra código D
• La tabla B-1 para inspección normal indica el plan de
muestreo n = 5, Criterio de aceptación K = 1.52
• Se toma una muestra de 5 mediciones (197, 188, 184,
205 y 201)
• Calculando la media de la muestra es X = 195 y la
desv. Estándar s = 8.81, por tanto Z = 1.59
• Conclusión: Como Z es mayor que K, se acepta el lote
371 P. Reyes
Tablas de muestreo ASQC-
Z1.9
Método II con el valor de M
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II
teniendo Límite Superior de Especificaciones LIE = 180, LSE
= 209
• La tabla A-2 indica letra código D
• La tabla B-3 para inspección normal indica el plan de
muestreo n = 5, Criterio de aceptación M = 3.33%
• Se toma una muestra de 5 mediciones (197, 188, 184,
205 y 201)
• Calculando la media de la muestra es X = 195 y la desv.
Estandar s = 8.81, por tanto s = 1.59, Zi = 1.7
• P(Zi) = 0.66%, P(Zs) = 2.19%, P(Zt) = 2.85%
• Conclusión: Como P(Zt) es menor que M, se acepta el lote
372 P. Reyes
Plan de muestreo para
asegurar la media del lote

Si deseamos aceptar lotes con una
probabilidad Pa siempre que tengan una
media máxima Xmedia histórica y que
deseamos rechazar los lotes el 90% de las
veces si llegan con una fracción defectiva p
0.30 0.30
1.645 (95%)
0.10
0.40
1.282 (10%)
0.10
9
0.356
A A
A
A
X X
n n
X
n
n
X
σ
− −
· · + −−

· − −−
·
·

CONTROL ESTADÍSTICO DEL PROCESO (CEP)
OBJETIVOS: Al finalizar el curso, el participante será capaz de: 1. Comprender los conceptos estadísticos para implantar cartas de control para prevenir los defectos y mejorar los procesos. 2. Evaluar la capacidad de un proceso y de los equipos de medición, identificando acciones de mejora. 3. Realizar proyectos de mejoramiento de la calidad.
P. Reyes

2

CONTENIDO
1. Importancia de la mejora continua 2. Métodos y filosofía del CEP 3. Cartas de control por variables 4. Cartas de control por atributos 5. Cartas de control especiales 6. Análisis de la capacidad del proceso 7. Métodos para el proceso de mejora continua 8. Métodos de muestreo por atributos 9. Métodos de muestreo por variables
P. Reyes

3

1. Importancia de la mejora continua

P. Reyes

4

1. Importancia de la mejora continua
• DIMENSIONES DE LA CALIDAD – Desempeño – Confiabilidad – Durabilidad – Serviciabilidad – Estética – Características – Imagen del producto – Conformancia – Tiempo de entrega – Precio – Servicio al cliente
P. Reyes

5

1. Importancia de la mejora continua
CALIDAD Y MEJORAMIENTO • La calidad es adecuación al uso e inversamente proporcional a la variabilidad. • La mejora de la calidad se logra a través de la reducción de la variabilidad por medio del CEP TIPOS DE DATOS Atributos: No medibles, apariencia, defectivos

Variables: Medibles, temp., voltaje
P. Reyes

6

1. Importancia de la mejora continua
• PRODUCTO DEFECTIVO: No cumple una o varias especificaciones • DEFECTO: Carácterística específica de un producto que no cumple especificaciones • CARACTERISTICAS DEL PRODUCTO – Físicas: Longitud, peso – Sensoriales: apariencia – Relacionadas con el uso: confiabilidad, duración, servicio, disponibilidad

P. Reyes

7

. capacitar. ciencia para cada elemento del trabajo. 10 pers. división adm.1. los trabajadores deben ser consumidores P. obreros • FRANK / LILLIAN GILBERTH: Afinan los movimientos. = 48.. resaltan la necesidad de interes por los trabajadores • FORDISMO: Líneas de porducción masiva.000 alfileres • FEDERICK W. selección del trabajador.. Antecedentes históricos • ADAM SMITH (División del trabajo): 1 persona = 200 alfileres. Reyes 8 . apego a proc. TAYLOR: Administración Científica.

desarrollaron las técnicas de Muestreo Estadístico • Durante la 2a. 1. Sony. etc. ROMIG.. GE. aplicada por Motorola. DODGE Y HARRY G. CEP en Occidente – Western Electric P.. Guerra Mundial se expande el uso del CEP en la industria de manufactura • La aplicación de las técnicas estadísticas ha evolucionado a lo que hoy se conoce como Seis Sigma. Reyes 9 .• 1924: WALTER SHEWHART realizó experimentos en base al Teorema del Límite Central y desarrolló las Cartas de Control del CEP • 1926: HAROLD F.

. hoy se retoma con el ISO 9000:2000 P.. los Círculos de calidad e impulsa el control de calidad total CWQC. • Los japoneses implantaron el CEP y lograron productos de alta calidad. Reyes 10 .1. Occidente retoma los métodos de CEP hasta después de los 1980’s. • En México el programa Ford ITESM de los 1990’s impulsó al CEP con poco éxito. CEP en Japón • 1950’s: EDWARD DEMING / JOSEPH JURAN: Entrenaron a líderes industriales en técnicas del CEP • 1950’s: KAOURU ISHIKAWA: Es un seguidor de Deming y desarrolla el Diagrama de Ishikawa.

aparecen los inspectores. Juran.. Reyes 11 . Deming.1. Antecedentes históricos • Control de calidad por inspección: Con la división del trabajo. inspección 100% • Control estadístico del proceso: Shewhart. Europa. Se usa en Japón (50’s) y EUA (80’s) • Aseguramiento de calidad (ISO 9000): Sistemas aislados EUA (40’s). P.. etc.

concesiones. Reyes 12 .. desviaciones.4. realizar la tarea incorrectamente Evitar: AQLs.Métodos de calidad para Manufactura Delgada • Control estadístico del proceso: Previene que ocurran problemas potenciales • Métodos de inspección sucesiva: Detectan los resultados de la operación previa • Métodos de auto inspección: Detecta los resultados de la operación actual • A prueba de error (Poka Yokes): Hacer que sea difícil.. inspecciones al final y en recibo P.

Reyes 13 . Inspecciones de calidad Inspección 100% Separa “buenos” de “malos” Investigación de Causas Ayuda a estabilizar el proceso EVITA EL ERROR Ni asegura Ni mejora Convive con los defectos Mejora pero no evita los def..1. Control Estadístico del Proceso CEP En la Fuente P.. IMPIDE DEFECTOS Auditoría Proc.

Métodos estadísticos para la mejora • LAS CARTAS DE CONTROL – Técnica util para el monitoreo de procesos – Permiten identificar situaciones anormales (causas especiales originadas por cambios en las 5M’s) – Sirven para prevenir la producción de defectivos 15 10 5 0 Carta X LCS LSC MEDIA Promedio LIC LCI Perfil P.1.. Reyes 14 ..

1.. Métodos estadísticos para la mejora • DISEÑO DE EXPERIMENTOS – Técnica util para identificar las variables clave que afectan a la variabilidad de productos p procesos – Permite variar en forma sistemática los factores y analizar su efecto Variables de Entrada/Factores Característica de calidad Proceso P. Reyes 15 ..

Reyes 16 . por medio de una muestra representativa sin inspeccionar al 100% MUESTRA LOTE ¿OK? P. Métodos estadísticos para la mejora • MUESTREO DE ACEPTACIÓN – Técnica que permite calificar lotes de productos como conformes o no conformes..1..

conocimiento profundo) • Juran (Trilogia de la calidad – Plan.1. CEP. Reyes 17 .. mejoramiento y control) • Crosby (Costo de la calidad) • Ishikawa (CWQC) • Taguchi (Diseños robustos) P. Administración por Calidad Total • Feigenbaum (Control de calidad total) • Deming (mejora continua..

Documentar e Implantar en forma Efectiva: QS 9000 ISO 9000:2000 Documentos controlados Implantación de 2. Procedimientos la política 3. Formatos y Registros Planes de Calidad . Instructivos El “Cómo” de los procedimientos 1. Manual de Calidad Política Registros de calidad Formatos Vacios Formatos Llenos 4.El Sistema de Calidad El Sistema de Calidad se debe Establecer.1..

México • Sistemas de gestión de calidad: – ISO 9000:2000 – QS 9000 – ISO 16949 – VDA 6. Reyes 19 .Japón • Premios Estatales a la calidad ...1. Administración por Calidad Total MODELOS – Creación de valor a las partes interesadas • Premio Nacional de Calidad -México • Premio Malcolm Baldrige – EUA • Premio Europeo a la calidad – Europa • Premio Deming .1 P.

1. El CEP y la Administración por Calidad Total El CEP debe ser parte de un programa mayor de calidad total.. Reyes 20 .. requiere el liderazgo de la dirección. no hay otra forma de implantarlo y mantenerlo P.

. reinspecciones • COSTOS DE FALLA EXTERNA – Garantías. demandas legales. retrabajos.. Los costos de calidad • CROSBY: La calidad se mide con el costo de calidad • COSTOS DE PREVENCIÓN – Planeación de calidad (manuales). penalizaciones. Reyes 21 .1. Entrenamiento • COSTOS DE APRECIACIÓN – Inspecciones. campañas • COSTOS DE OPORTUNIDAD – Pérdidas de ventas por falta de producto de buena calidad P. pruebas y materiales de prueba • COSTOS DE FALLA INTERNA – Desperdicios. reclamaciones.

Reyes . Métodos y filosofía del control estadístico de proceso (CEP) 22 P.2.

ni siquiera los gemelos. Métodos y filosofía del CEP No existen en la naturaleza dos cosas exactamente iguales. por tanto la variación es inevitable y es analizada por la Estadística P.2. Reyes 23 .

usándola para obtener diversas conclusiones” Por ejemplo.2. tomándola para pronosticar o Inferir la media de toda la población. anotar y organizar los datos. Pesar solo una porción o subconjunto de la población (muestra).La Estadística “La estadística nos proporciona métodos para organizar y resumir información. Registrar y organizar los datos y calcular la media de la muestra. Reyes 24 . P. y calcular la media... sí deseamos saber el promedio de peso de las personas en una población tenemos dos opciones: Pesar a todas y cada una de las personas.

2. Variable aleatoria: es una función o regla que asigna uno y sólo un valor de una variable " y" a cada evento en el espacio muestral.Definiciones Población: Es la colección de todos los elementos (piezas. En nuestro caso sería un número infinito de mediciones de las características bajo estudio.. Reyes 25 . etc. En este caso representa una medición particular. Muestra: Es una parte o subconjunto representativo de la población.). personas. P. o sea un grupo de mediciones de las características.

altura ) P. 2.Definiciones Estadístico: Es una medición tomada en una muestra que sirve para hacer inferencias en relación con una población (media de la muestra. Reyes Datos discretos: Datos que toman valores enteros (1. diámetro.. se indican con letras griegas) Datos continuos Los datos que tienen un valor real (temperatura. Normalmente es una variable aleatoria y tiene asociada una distribución. desviación estándar.26 .2. presión. Parámetro: Es el valor verdadero en una población (media. desviación estándar de la muestra). tiempo.

41 42 43 44 45 P..2. Una tabla de frecuencias lista los valores y su frecuencia: VALOR FREC. 35 1 36 2 37 3 38 6 39 8 40 10 FREC.Histograma El Histograma es una gráfica de las frecuencias que presenta los diferentes valores de medición y su frecuencia. Reyes VALOR 7 6 4 2 1 27 .

E D I C I O N E S TAMAÑO TAMAÑO P..Histograma de Frecuencia M E D I C I O N E S Media TAMAÑO TAMAÑO TAMAÑO En un proceso estable las mediciones se distribuyen normalmente..2. Reyes 28 . a la derecha y a la izquierda de la media Madoptando la forma de una campana.

. se mide en desviaciones estándar o σ .2.73%. Reyes 29 . •La variabilidad del proceso se representa por el ancho del histograma. P..Histograma de Frecuencia •Permite ver la distribución de la frecuencia con la que ocurren las cosas en los procesos de manufactura y administrativos. LIE LSE DEFINICION • Un Histograma es la organización de un número de datos muestra que nos permite visualizar al proceso de manera objetiva. ± 3σ cubre el 99.

2.Las distribuciones pueden variar en: POSICIÓN AMPLITUD FORMA … O TENER CUALQUIER COMBINACION P.. Reyes 30 .

Promedio numérico o centro de gravedad del histograma de mediciones X= ∑ i=1 n Fi*Xi ∑ Fi i Donde..Usa todos los datos ..2.Medidas de Tendencia central Media . que más se repite Reyes 31 .Es el valor que se encuentra en medio de los datos o mediciones Moda .Es el valorP. Fi = Frecuencia de cada medición xi = Valor de cada medición individual .Le afectan los extremos Mediana .

muestra la mediana. •Mediana = dato intermedio entre un grupo de datos ordenados en forma ascendente Mediana inferior Mediana superior Mediana Valor mínimo Valor máximo DEFINICION: • Es una ayuda gráfica para ver la variabilidad de los datos.2.. P. Reyes 32 .Gráficas de caja • Permite identificar la distribución de los datos.. bases y extremos.

Reyes 33 ..[Σ (Fi*Xi)]2/n s = i=1 Σ (xi .2.. σ típicamente es usada si se está considerando a toda la población n n Σ (Fi*Xi2 ). Como es el caso de una muestra de mediciones.Medidas de variabilidad o Dispersión – Desviación Estándar S es usada cuando los datos corresponden a una muestra de la población.x)2 i=1 σ = n-1 n P.

Por ejemplo: Material No. Estándar / Media )*100%.Rango. P. Reyes 34 ..Medidas de Dispersión.204 0. se representa como la desviación estándar de la población entre la raíz de n = númeor de mediones por muestra. CV Rango: Valor Mayor – Valor menor Coeficiente de variación: (Desv.2. Se usa para comparar datos en diferentes niveles de media o tipo.250 El Material A tiene una menor variabilidad relativa relativa que el material B Error estándar de la Media: Es la desviación estándar de las medias de las muestras de mediciones. de Media Observaciones Aritmética n   A B 160 150 1100 800 Desviación Estándar s 225 200 Coeficiente de Variación Srel 0.

introducirlos las veces necesarias) 4. Limpiar los registros estadísticos con SHIFT y AC.. Introducir uno por uno los datos con la tecla DATA o DT (si se repiten con una frecuencia. hasta que indique modo SD 2.Poner el modo con MODE . . Limpiar los registros estadísticos con SHIFT AC 3.Uso de Calculadora científica q Para calcular los estadísticos de la MEDIA y la DESVIACIÓN ESTÁNDAR seguir el procedimiento siguiente: 1. la desviación estándar con SHIFT y X sn-1 5. Reyes 35 . antes de iniciar una nueva operación P. Al terminar pedir los resultados: la media con SHIFT y X.2..

.. con n = SFi P.Método Manual q Formar la tabla siguiente donde Xi son los valores y Fi su frecuencia (las sumas se calculan con la función S ): Xi 35 36 37 38 39 40 SXi Fi 1 3 6 3 2 1 SFi X2i 35 1225 1369 1444 1521 1600 SX2i Fi*Xi 35 108 222 114 78 40 SFiXi Fi*X2i 35 3675 8214 4332 3042 1600 SFiX2i • Para calcular el promedio dividir SFiXi / SFi • Para calcular la desviación estándar sustituir en la fórmula para S.2. Reyes 36 .

ANÁLISIS DE DATOS. y DesvEst para la media y desviación estándar respectivamente q q P. Reyes 37 .Cálculos en Excel q Accesar el menu de análisis de datos con TOOLS o HERRAMIENTAS. ESTADÍSTICA DESCRIPTIVA o Utilizar las funciones de Promedio...2.

2.37 6.45 6.41 6.40 6.40 6.44 6.41 6.39 6.38 6.38 6.42 6.40 6.42 6.42 6..40 6.41 6.39 6.44 6.38 6.39 6.37 6.43 6.41 6.39 6.42 6.41 6.Ejercicio de Histogramas Datos: 6.36 6.35 6.40 6.42 6.39 6.39 6.38 6.39 6.43 6..38 6.43 6.36 P.40 6.42 6. Reyes 38 .40 6.41 6.40 6.39 6.37 6.40 6.43 6.40 6.38 6.41 6.

. por ejemplo: CLASE 1-5 6-10 11-15 16-20 21-25 26-30 FRECUENCIA 7 12 19 16 8 4 P.Histogramas con Datos agrupados El Histograma es una gráfica de las frecuencias que presenta los diferentes datos o valores de mediciones agrupados en celdas y su frecuencia.. Una tabla de frecuencias lista las categorías o clases de valores con sus frecuencias correspondientes.2. Reyes 39 .

2.5. 11 y 15.. 5. 13.5.5) Ancho de clase P. 23 y 28) Fronteras de clase Se obtienen al incrementar los límites superiores de clase y al decrementar los inferiores en una cantidad igual a la media de la diferencia entre un límite superior de clase y el siguiente límite inferior de clase (en el ejemplo.5. 15.datos agrupados Límite inferior y superior de clase Son los numeros más pequeños y más grandes respectivamente que pertenecen a las clases (del ejemplo.5. 8. 21 y 25. 16 y 20.5. Reyes 40 .Definiciones . 18.. 6 y 10. 10. 25.5 y 30. 26 y 30) Marcas de clase Son los puntos medios de las clases (del ejemplo 3. las fronteras de clase son 0. 1 y 5. 20.

Contar los datos (N) Paso 2. Como referencia si N = 1 a 50.valor menor) Paso 3. Dividir el rango por K para obtener el ancho de clase Paso 5.datos agrupa Paso 1.10. Identificar el límite inferior de clase más conveniente y sumarle el ancho de clase para formar todas las celdas necesarias P. Reyes 41 . Calcular el rango de los datos R = (Valor mayor. si N = 51 . K = 5 a 7.nstrucción del histograma . K = 6 . Seleccionar el número de columnas o celdas del histograma (K). También se utiliza el criterio K = Raíz (N) Paso 4.100.

Reyes 27 43 45 47 59 31 40 46 48 61 25 38 47 49 62 35 37 45 47 63 42 .Ejemplo: Datos agrupados Datos: 19 37 36 54 52 59 21 44 42 52 51 61 25 43 41 50 50 66 33 42 44 48 49 76 30 39 32 49 58 70 P.

44. 55 7 14 17 Paso 6. Graficar el histograma y observar si tiene 43 . Reyes Paso 7. 65-74. 35. Número de celdas K = 6.54. Lím..5 15-24.64. 75-94 7 59.2. Ancho de clase = 60 / 6 = 10 Paso 5. Rango R = 76 . de clase: .34.. 45.5 2 69. Número de datos: 2 Marcas de clase 19. Paso 4.16 = 60 Paso 3.5 39. Número de datos N = 50 Paso 2.5 P.5 79. 25.5 49.Construcción del histograma Paso 1.5 1 29.

Construcción del histograma 1 8 1 6 1 4 1 2 1 0 8 6 4 2 0 1 -2 5 4 2 -3 5 4 3 -4 5 4 P.2... Reyes 4 -5 5 4 5 -6 5 4 6 -7 5 5 44 .

datos agrupados Media . Fi = Frecuencia de cada observación xi = Valor de cada marca de clase .Es el valor que más se repite P.Usa todos los datos .Le afectan los extremos Mediana .Promedio numérico o centro de gravedad del histograma x= ∑ i=1 n Fi*Xi ∑ Fi i Donde...Cálculo de la media .Es el valor que se encuentra en medio de los datos Moda . Reyes 45 .2.

. P.Datos agrupados S es usada cuando los datos corresponden a una muestra de la población Nota: Cada Xi representa la marca de clase Σ (Fi*X usada si se está /n Σi=1(xi .a σs típicamente ).[Σ (Fi*Xi)] σ considerandox)2toda la i=1 = = n n-1 población 2 es i 2 n n OTA: Para lo cálculos con Excel. Reyes 46 ..Desviación Estándar .2. se puede utilizar el mismo método que para datos no agrupados de la página 13. tomando como Xi los valores de las marcas de clase.

25. Reyes 47 . 35.. 75). 65. 45.Histograma en Excel q Después de correr la utileria de Histogramas con Excel se obtuvieron los siguientes resultados (BIN RANGE: 15.2.. Bin 15 25 35 45 55 65 75 More Frequency 0 4 6 15 15 7 2 1 P. 55.

Reyes 48 . P.2. DATA ANALYSIS o ANALISIS DE DATOS. marcar el área de resultados con OUTPUT RANGE o RANGO DE SALIDA y obtener resultados y gráfica q NOTA: Los datos deben estar en forma no agrupada.. HISTOGRAMS o HISTOGRAMAS Marcar los datos de entrada en INPUT RANGE o RANGO DE ENTRADA.Histograma en Excel q Accesar el menu de análisis de datos con TOOLS o HERRAMIENTAS. Excel forma los grupos en forma automática o se le pueden proporcionar los límites de las celdas..

2.. F P. Reyes 49 ..Histograma en Excel H is to g r a m Frequency 20 10 0 15 25 35 45 55 65 75 .

3 19.4 21.5 19.4 21.3 19.3 21.4 21.6 21.3 21.4 21.7 21.2 21.4 21.8 21.5 21.4 21.4 21.3 20.8 19.6 21.5 21.3 21.3 21.8 20.4 21.5 21.3 19.3 21.3 21.5 19.4 19.4 21.5 21.4 19.5 19.3 21.4 21.6 19.4 21.6 21.4 21.6 21.5 P.4 21.4 21.4 21.4 21.4 19.3 21.5 19.3 21.2 19.5 20.8 19.2 21.6 19.4 21.3 21.9 20.3 21.5 21.7 21.3 21.0 21.1 19.3 21.8 20.4 21.3 19.8 21.3 21.6 19.3 21.9 19.3 21.2 21.6 21.7 21.8 19.8 21.4 19.4 21.9 21.4 21.4 21.3 19.2 20.4 19.Ejercicio Datos: 19.1 21.1 21..3 21.4 21.4 21.2 20.3 19.7 21. Reyes 50 .2 21.2 21.4 21.5 21.

. Reyes 51 .La Distribución Normal P.2..

La distribución normal es simétrica. La escala horizontal de la curva se mide en desviaciones estándar..La distribución Normal La distribución normal es una distribución de probabilidad que tiene media 0 y desviación estándar de 1. es decir cada mitad de curva tiene un área de 0. El área bajo la curva o la probabilidad desde menos infinito a más infinito vale 1..5. Reyes . Para cada valor Z se asigna una probablidad o área 52 P.2. su número se describe con Z.

2. Reyes 53 .se incluyen TODOS los datos Para la muestra µ − 3σ x-3s µ − 2σ x-2s µ − σ x-s µ x µ +σ x+s µ +2σ x+2s µ +3σ x+3s X P.La distribución Normal Para la población ...

.2.La distribución Normal Estándar La desviación estándar sigma representa la distancia de la media al punto de inflexión de la curva normal X x-3σ x-2σ x-σ x x+σ x+2σ x+σ 3 z -3 -2 -1 0 1 2 3 P. Reyes 54 ..

2. Reyes 55 ..73% +3s P.Características de la distribución norm 68% 34% 34% +1s 95% +2s 99..

2. Reyes σ 56 . para calcular el valor de Z z= x-µ P. STANDARDIZE.. es la desviación estándar de la En Excel usar Fx. STATISTICAL.. σ x y la media de la población.El valor de z Determina el número de desviaciones estándar entre algún valor µ . Donde población.

5% 120 2.2..356% 13.Proceso con media =100 y desviación estándar = 10 70 80 120 130 90 100 110 68% 34% 34% 90 110 13.5% 34% 34% 68% 13.73% 34% 34% P.5% 80 2.. Reyes 68% 13.356% 95% 70 99.5% 130 57 .

LIE Especificación inferior LSE Especificación superior Z s xi _ X 58 p porcentaje de partes fuera de Especificaciones P. Reyes .

Áreas bajo la curva normal P.. Reyes 59 ..2.

..Áreas bajo la curva normal q El tiempo de vida de las baterías del conejito tiene una distribución aproximada a la normal con una media de 85.77 horas.36 horas y una desviación estándar de 3.0 y 87.0 horas? ¿Cuál es la probabilidad de que una batería dure más de 87 horas? q q P. q ¿Qué porcentaje de las baterías se espera que duren 80 horas o menos? ¿Cuál es la probabilidad de que una batería dure entre 86.2. Reyes 60 .

STATISTICAL o ESTADÍSTICAS.Colocarse en una celda vacía . STATISTICAL o ESTADÍSTICAS. Un valor de Z específico para una cierta área (por ejemplo 0.. dar el valor del área y se obtendrá el valor de la Z P.Accesar el menú de funciones con Fx. NORMSDIST o DISTSNORM. Reyes 61 . El área desde menos infinito a un valor de Z se obtiene como sigue: .Xmedia ) / s 1.Accesar el menú de funciones con Fx. dar el valor de Z y se obtendrá el área requerida Z Area 2.. NORMSINV o DISTSNORMINV.Cálculos con Excel q Distribución normal estándar con media = 0 y desviación estándar = 1: Para Z = (X .2.05) se obtiene como sigue: .Colocarse en una celda vacía .

STATISTICAL o ESTADÍSTICAS.. Media y Desviación Estándar y se obtendrá el valor de la X P.2.Accesar el menú de funciones con Fx.Cálculos con Excel q Distribución normal. Reyes 62 . Media. STATISTICAL o ESTADÍSTICAS. NORMINV o DISTNORMINV.05) se obtiene como sigue: .. NORMDIST o DISTNORM.Colocarse en una celda vacía .Colocarse en una celda vacía . TRUE o VERDADERO y se obtendrá el área requerida X Area 2.Accesar el menú de funciones con Fx. Un valor de X específico para una cierta área (por ejemplo 0. dadas una media y desviación estándar: 1. dar el valor de X. Desviación Estándar s. El área desde menos infinito a un valor de X se obtiene como sigue: . dar el valor del área.

77 = -1..36/ 3.42 80 85.42 0 P.2. Reyes 63 .36)/(3.5.77)= ..36 -1.Área bajo la curva normal ¿Que porcentaje de las baterías se espera que duren 80 horas o menos? z = (x-m) /s z = (80-85.

0 y 87.Área bajo la curva normal ¿Cuál es la probabilidad de que una batería dure entre 86.36 86 87 0 P..2..0 horas? 85. Reyes 1 64 .

2..36 87 1.Área bajo la curva normal ¿Cuál es la probabilidad de que una batería dure más de 87 horas? 85..67 = . Reyes 65 .33 ó 33% de las veces una batería durará más de 87 horas P.

? 66 P..2. con una desviación estándar de 10Kgs. ¿Cuál es la probabilidad de que pese entre 55 y 70 4.. ¿Cuál es la probabilidad de que un estudiante pese 2. ¿Cuál es la probabilidad de que pese entre 55 y 70 Kgs.? Kgs. ¿Cuál es la probabilidad de que pese entre 60 y 80 3.? 2. ¿Cuál es la probabilidad de que pese entre 60 y 80 Kgs.? menos de 50Kgs. Kgs. Kgs. Reyes . ¿Cuál es la probabilidad de que un estudiante pese 1. Contestar lo siguiente: Contestar lo siguiente: 1.Ejercicios Considere una media de peso de estudiantes de 75 Considere una media de peso de estudiantes de 75 Kgs.? más de 85Kgs. con una desviación estándar de 10Kgs. ¿Cuál es la probabilidad de que un estudiante pese más de 85Kgs.? 3.?. ¿Cuál es la probabilidad de que un estudiante pese menos de 50Kgs. 4.?.

. Reyes 67 .) • Histogramas – para ver la distribución de frecuencia de los datos • Las cartas de control de Shewart – para monitorear el proceso. Las 7 herramientas estadísticas • Hoja de verificación – para anotar frecuencia de ocurrencias de los eventos (con signos |.2. X.. *. etc. prevenir defectivos y facilitar la mejora – Cartas de control por atributos y por variables • Diagrama de Pareto – para identificar prioridades P.

. • Diagrama de Dispersión – para analizar la correlación entre dos variables. 68 P.2. Las 7 herramientas estadísticas • Diagrama de Causa efecto – para identificar las posibles causas a través de una lluvia de ideas. se puede encontrar: – Correlación positiva o negativa – Correlación fuerte o débil – Sin correlación. Reyes . la cual se debe hacer sin juicio previos y respetando las opiniones..

2.. se tienen: – Diagramas de flujo de proceso detallados – Diagramas físicos de proceso – Diagramas de flujo de valor • Estratificación – para separar el problema general en los estratos que lo componen.. las características críticas en cada uno. Reyes . Las 7 herramientas estadísticas • Diagrama de flujo – para identificar los procesos. turnos. la forma de evaluación. departamentos. por ejemplo. etc. los equipos a usar. proveedores. productos. 69 P.. los registros y plan de reacción. por áreas.

eliminadas por personal involucrado en la operación. reducidas sólo por la dirección – Causas especiales (causadas por 6M’s). • Bases estadísticas de las cartas de control – Situación “en control” y “fuera de control” – Prueba de hipótesis – Error alfa y error beta – Curva característica de operación del error beta – Límites de control .2.Modelo general y europeo – Proceso de mejora – eliminando causas especiales P. Causas de variación y bases estadísticas del CEP • Causas de variación – Causas comunes o aleatorias.. Reyes 70 ..

. Beneficios de las cartas de control • Herramienta para mejorar la productividad • Herramientas de prevención de defectos • Evitan ajustes innecesarios • Proporcionan información de diagnóstico • Proporcionan información de la capacidad del proceso P. Reyes 71 .2..

09 sigma) • Operación de las cartas de control – Tamaño de muestra.3-sigma – En Europa se usan l. subgrupo racional para detectar variación entre subgrupos más que dentro del mismo – Frecuencia de muestreo para detectar cambios – Sensibilidad para detectar causas especiales P. Reyes 72 .imites de prevención a + -2 sigma – En Europa se usan Límites Probabilísticos a + 0.3..2. Diseño de la carta de control • Límites de control – De acuerdo a Shewhart a + .1% (+ .

. Reyes 73 .. SER PARTE DE UN PROGRAMA MAYOR • ENFOQUE DE GRUPO DE TRABAJO • EDUCACIÓN Y ENTRENAMIENTO EN TODOS LOS NIVELES • ENFASIS EN LA MEJORA CONTINUA • SISTEMA DE RECONOCIMIENTO • APOYO TÉCNICO DE INGENIERÍA O CALIDAD P.2. Factores de éxito para la implantación del CEP • LIDERAZGO GERENCIAL.

2. para monitoreo de procesos muy lentos o químicos) P. para estabilizar procesos) • MEDIANAS RANGOS (para monitorear procesos estables) • MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o más partes cada hora o cada lote de proveedor para monitoreo de procesos o proveedores) • VALORES INDIVIDUALES (partes individuales cada x horas...9 partes cada x horas. Cartas de Control por Variables • MEDIAS RANGOS (subgrupos de 5 . Reyes 74 .

DISEÑAR LOS PARÁMETROS DE LA CARTA (límites de control.2. CORRERLO Y MEDIR 25 SUBGRUPOS DE 5 PARTES CADA UNO. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON UN ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD (R&R) 4. EN BASE A UN AMEF (análisis del modo y efecto de falla) 2. Estabilización del proceso con cartas de control 1. CENTRAR EL PROCESO.. frecuencia de muestreo) 3. Reyes 75 . IDENTIFICAR LA CARACTERÍSTICA A CONTROLAR.. tamaño de subgrupo. DE PRODUCCIÓN DEL MISMO TURNO O DÍA P.

. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y TOMAR ACCIONES PARA PREVENIR SU RECURRENCIA 7. Cartas de Control por Variables Metodología de implantación 5.. REDUCIR CAUSAS COMUNES DE VARIACIÓN P. CALCULAR LÍMITES PRELIMINARES DE CONTROL A 3 SIGMA 6. CONTINUAR EL MONITOREO....2. TOMAR ACCIONES EN CAUSAS ESPECIALES Y RECALCULAR LÍMITES DE CONTROL CADA 25 SUBGRUPOS 9. ESTABLECER LIMITES PRELIMINARES PARA SIGUIENTES CORRIDAS 8. RECALCULAR LOS LÍMITES DE CONTROL Y EN CASO NECESARIO REPETIR EL PASO 6. Reyes 76 .

..2. p – Fracción defectiva con n variable Igual a la anterior pero el tamaño n de las muestras es variable en cada una – se utiliza para productos simples (botellas) Np – Número de productos defectivos con n constante P. Reyes 77 . Cartas de Control por Atributos p – Fracción defectiva n Constante Se toman muestras de tamaño n constante con 30 o más partes en forma periódica y se determina la fracción defectiva – se utiliza para productos simples (botellas).

Reyes 78 . computadoras P. Cartas de Control por Atributos c – Número de defectos Se cuentan los defectos que tienen cada unidad de inspección de tamaño n constante en productos complejos – TV.2. computadoras u – Defectos por unidad Se cuentan los defectos que tienen diferentes unidades de inspección de tamaño n variable en productos complejos y se determinan los defectos por unidad – TV...

.FRACCIÓN DEFECTIVA CON n CONSTANTE • INICIO DE CONTROL Y LIMITES PRELIMINARES • IDENTIFICAR CAUSAS DE ANORMALIDAD Y ACCIONES • LIMITES DE CONTROL REVISADOS • DISEÑO DE LA CARTA DE CONTROL – Determinación del tamaño de muestra. Cartas de Control tipo p • p . frecuencia de muestreo • CARTA DE CONTROL np P. Reyes 79 .2..

CON n PROMEDIO • p .CON LÍMITES DE CONTROL VARIABLES • p .. Cartas de Control tipo p • p ..ESTANDARIZADA • CURVA CARACTERÍSTICA DE OPERACIÓN OC Y ARL P.2. Reyes 80 .

.CARTA DE CONTROL PARA DEFECTOS . B (funcionales). Reyes 81 .CARTA DE CONTROL PARA DEFECTOS POR UNIDAD Carta de control u con n promedio Carta de control u estandarizada • U para Deméritos – En base a la clasificación de defectos A (críticos).Cambio de tamaño de la unidad de inspección • u . C (menores) • Curva característica de operación (OC) P.. Cartas de Control tipo c. u • c .2.

3. Cartas de control por variables P. Reyes 82 .

3. Teoría de las Cartas de Control 3. Reyes 83 . Ejercicios de aplicación P. CONTENIDO 1. Cartas de control para variables 4. El teorema del límite central 2.

3. Reyes 84 .1 Teorema del Límite Central P.

Reyes 85 .3. rc P.1Teorema del Límite Central • La distribución de las medias de las muestras tienden a distribuirse en forma normal • Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a 9) pueden estar distribuidos como sigue: 5 0 4 0 3 0 2 0 1 0 0 1 2 3 4 5 6 7 8 9 Fe .

calculando su promedio y graficando estos promedios se tiene: 1 0 8 6 4 2 0 3 . rc P.5 5 .3..5 Fe .5 4 .Teorema del Límite Central • La distribución de las medias de las muestras tienden a distribuirse en forma normal • Tomando de muestras de 10 datos.1.5 6 . Reyes 86 .

Reyes 87 . También se denomina Error estándar de la media.3. P. y desviación estándar σ y Seleccionando muestras de tamaño n y calculando la X-media o promedio en cada una X-media 1 X-media 2 X-media 3 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.1Teorema del Límite Central Población con media µ cualquier distribución.

Reyes 88 . • La desviación estándar de las medias de las muestras será σ / √n. tienden a distribuirse normalmente • La media de las medias de las muestras será µ .3. • Seleccionando muestras de tamaño n de la población se tiene: CONCLUSIONES • La distribución de todas las medias o promedios de las muestras Xmedia. P.1Teorema del Límite Central PREMISAS • Si la variable aleatoria X tiene cualquier distribución con media µ y desviación estándar σ .

3. • Walter Shewhart en la Western Electric (1924).. Reyes 89 . n=4 era suficiente para que las medias de las muestras se distribuyeran normalmente. demostró que para una distribución triangular y una uniforme. las medias muestrales se distribuyen normalmente para toda n.1Teorema del Límite Central CONCLUSIONES (cont.) • Si la población original es casi normal. P. • Esta es la base del Control Estadístico del proceso.

2 Teoría de las Cartas de Control P.3. Reyes 90 .

P. Reyes 91 .PROPÓSITO • Introducir los tipos básicos de Cartas de Control Estadístico del Proceso (CEP) • Introducir el concepto de límites de control y la manera de usarlos • Interpretar cuando un proceso está “fuera de control”.

... . Hacia donde se puede dirigir • Las cartas de control pueden reconocer cambios buenos y malos..2 ¿Qué es una Carta de Control? • Una Carta de Control es como un historial del proceso.. Reyes 92 .. En donde ha estado.” P.. ¿Qué tanto se ha mejorado? ¿Se ha hecho algo mal? • Las cartas de control detectan la variación anormal en un proceso. . denominadas “causas especiales o asignables de variación. En donde se encuentra..3. .

ƒ La carta de control utilizada debe ser adecuada para medir la característica seleccionada.3.2 Reglas Básicas ‚ Se debe medir la característica del proceso adecuada en la carta. … Se debe tomar la acción apropiada cuando la carta de control lo indique. Reyes 93 . „ Al menos se deben obtener 25 subgrupos (muestras de grupos de partes) antes de elaborar las cartas de control. P. … NOTA: El sistema de medición debe estar validado con un estudio R&R antes de llevar una carta de control.

• Una carta de control identifica los datos secuenciales en patrones normales y anormales. · Tener presente que los límites de control NO son límites de especificación. • El patrón normal de un proceso se llama causas de variación comunes. Reyes 94 .3. • El patrón anormal debido a eventos especiales se llama causa especial de variación.2 Variación observada en una Carta de Control • Una Carta de control es simplemente un registro de datos en el tiempo con límites de control superior e inferior. P.

3. capacidad del proceso insuficiente SEGÚN DEMING − El 85% de las causas de la variación son causas comunes. materiales de baja calidad.2 Causas comunes o normales q CAUSAS COMUNES − Siempre están presentes − Sólo se reduce con acciones de mejora mayores − Su reducción es responsabilidad de la dirección Fuentes de variación: Márgenes inadecuados de diseño. responsabilidad de la dirección P. Reyes q q 14 95 .

2 Variación – Causas comunes Límite inf. Objetivo P. de especs. Reyes 15 96 . Límite sup. de especs.3.

Materiales − Sólo se reduce con acciones en el piso o línea − Su reducción es responsabilidad del operador por medio del Control Estadístico del Proceso SEGÚN DEMING − El 15% de las causas de la variación son causas especiales y es responsabilidad del operador P. Mano de obra. Medio ambiente.3. Reyes q 16 97 . Método. Maquinaria.2 Causas Especiales q CAUSAS ESPECIALES − Ocurren esporádicamente − Son ocasionadas por variaciones anormales (6Ms) − Medición.

Objetivo P.2 Variación – Causas especiales Límite inf. Límite sup.3. de especs. Reyes 17 98 . de especs.

0S L=12. etc.0 00 LIC Sample Number Número de Muestra Límite Inferior de Control • El promedio y los límites de control se calculan a partir de los datos. •Los puntos graficados dependen del tipo de Carta: promedio. P. • Los datos se grafican en orden secuencial en el tiempo (conforme ocurren). Reyes 99 .2 Anatomía de una Carta de Control C Chart for Pitted S Carta de control 15 1 3.640 Promedio (o línea central) 0 0 5 10 15 20 25 -3. rango. Se trata de detectar los cambios.3.7 6 Respuesta SmleCu t a p on 10 LSC Estadístico Límite Superior de Control 5 C=5. fracción defectiva.0 SL=0.

Otros 2 de 3 puntos fuera de los límites a dos sigma P. Adhesión a la media 15 puntos consecutivos dentro de la banda de 1 sigma del centro.3. Reyes 100 . Puntos fuera de control 1 punto fuera de los límites de control a 3 sigmas en cualquier dirección (arriba o abajo).2 Patrones Fuera de Control Corridas 7 puntos consecutivos de un lado de X-media. Tendencia ascendente o descendente 7 puntos consecutivos aumentando o disminuyendo.

3.2 Patrón de Carta en Control Estadístico 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. Lo anterior equivale a tener el 68% de los puntos dentro del tercio medio de la carta de control. Reyes 101 . P.

Longitud .Viscosidad P.3. • Las Cartas de Control para datos variables son utilizadas para características que tienen una magnitud variable. diferenciadas por el tipo de datos bajo estudio.Tiempo de ciclo .Peso .Profundidad .2 Tipos de Cartas de control • Las cartas de control se dividen en dos categorías.variables y atributos. Reyes 102 . Ejemplo: .Ancho .

Algunos ejemplos incluyen: Número de productos defectuosos Fracción de productos defectuosos Numero de defectos por unidad de producto Número de llamadas para servicio Número de partes dañadas Pagos atrasados por mes P.3.2 Tipos de Cartas de control • Las cartas para atributos son las que tienen características como aprobado/reprobado. Reyes 103 . bueno/malo o pasa/no pasa.

3.3 Construcción de Cartas de Control para variables P. Reyes 104 .

Carta X. P. • La gráfica R monitorea los rangos de las muestras del proceso monitoreando la variabilidad del proceso. Una para las medias y otra para los rangos.3.3. R (Datos variables) • Este par de cartas se utilizan para monitorear procesos con datos variables. Reyes 105 . • Los datos de 3 a 6 piezas consecutivas forman subgrupos o muestras de los cuales se calcula la media y el rango. • La Carta X-media monitorea los promedios de las muestras del proceso monitoreando tendencias en la media del proceso.

† Analizar las cartas de control P. Reyes 106 .Carta X. de tal forma de detectar cambios. … Elaborar la gráfica con los datos. 25 subgrupos (k).3. R (Continuación) Procedimiento: ‚ Identificar la característica crítica a controlar y tamaño de subgrupo (n = 3 a 6) ƒ Iniciar la recolección de aprox. tomando partes consecutivas en cada uno.3. „ Decidir cómo y cuándo colectar la información de los subgrupos.

+ xN n x1 + x2 + x3 + .A2 R LSCR = D4 R LICR = D3 R 107 .3.Carta X.+ xN k NOTA: Para el cálculo de los límites de control usar los factores mostrados en las tablas correspondientes a cada valor de n estos factores para calcular Límites de Control) P. n = número de muestras en cada subgrupo X = promedio para un subgrupo X = promedio de todos los promedios de los subgrupos R = rango de un subgrupo R = promedio de todos los rangos de los subgrupos x = x1 + x2 + x3 + ....3. Reyes x = LSCX = x + A2 R LICX = x .. R (Continuación) Terminología k = número de subgrupos.

Reyes 108 .Carta X. • Interpretar la gráfica X-media para puntos que no están aleatoriamente distribuidos • La clave consiste en eliminar la variación excesiva antes de tratar de identificar tendencias en los promedios de los subgrupos del proceso P.3.3. R (Continuación) Análisis: • La gráfica R debe estar en control antes de interpretar la gráfica X-media.

Carta X.3. R (Continuación) Ejemplo 1: Psi en un componente. Se toman muestras de Cinco componentes cada día.3. Día 1 2 3 4 5 6 7 8 9 10 Muestra1 55 90 100 70 55 75 120 65 70 100 Muestra2 75 95 75 110 65 85 110 65 85 80 Muestra3 65 60 75 65 95 65 65 90 60 65 Muestra4 80 60 65 60 70 65 85 90 65 60 Muestra5 80 55 65 60 70 65 70 60 75 80 n = # muestras en un subgrupo/día = 5 k = # de subgrupos (días) = 10 X = 74. Reyes 109 .6 R = 36.0 P.

12 R=36.3.60 .0SL=76.Carta X.3.3. Reyes 110 .0SL=95. R (en Excel) Ejemplo 1: Gráfica Xbar/R para Muestra1-Muestra5 100 90 80 70 60 50 80 70 60 50 40 30 20 10 0 Medias 3.00 .84 0 1 2 3 4 5 6 7 8 9 10 Subgroup Rangos 3.3.000 ¿Cuál gráfica se analiza primero? ¿Cuál es su conclusión acerca del proceso ? P.0SL=53.0SL=0.36 X=74.

3.Carta X. Reyes 111 .3. R (Continuación) Ejemplo 2: Peso de partes medido diariamente. 5 muestras por día.2 R = 18 P. Día 1 2 3 4 5 6 7 8 9 10 Muestra1 55 90 60 100 55 95 55 105 70 100 Muestra2 60 95 60 110 65 90 50 100 60 110 Muestra3 60 85 70 95 60 90 45 90 60 105 Muestra4 55 100 50 85 70 90 50 100 65 100 Muestra5 57 85 62 100 70 100 50 60 75 90 n = # muestras en un subgrupo (día) = 5 k = # de subgrupos (días) = 10 X = 77.

06 R=18.Carta X.0SL=38.56 X=77.3.18 -3.80 10 1 3 4 Subgroup 5 6 7 8 9 Rangos 1 3. Reyes .0SL=0.00 -3.000 • ¿Cuáles pesos fallaron? 112 P.0SL=66. R (en Excel) Ejemplo 2: Gráfica Xbar/R para Muestra1-Muestra5 105 95 85 75 65 55 45 50 40 30 20 10 0 Medias 1 1 0 1 2 1 1 1 1 1 1 1 3.3.0SL=87.

3.Hacer una carta X-R y concluir: MUESTRA 1 12 2 15 3 13 4 10 5 13 6 15 7 15 8 15 9 22 10 16 11 16 12 15 13 17 14 16 15 17 16 19 17 16 18 16 19 17 20 19 VALORES 12 13 17 16 18 14 12 11 16 15 12 13 16 15 17 15 17 16 15 17 18 16 16 17 15 16 15 18 19 17 17 15 19 16 15 17 13 17 18 17 15 17 14 10 16 15 16 17 17 15 16 17 15 18 15 15 15 16 15 15 12 18 15 11 15 11 15 14 14 18 16 14 16 16 17 17 14 18 14 16 P. Reyes 113 ..3.

Aquí están divididas en intervalos de 1 sigma. • Como se dijo anteriormente. • El tamaño de muestra n es mayor a 9.R. Reyes 114 . S • Este es un par de Cartas muy similar a las gráficas X . P. • La Carta X monitorea el promedio del proceso para vigilar tendencias. las cartas se dividen en zonas.3. • La Carta S monitorea la variación en forma de desviación estándar.3. La diferencia consiste en que el tamaño de la muestra puede variar y es mucho más sensible para detectar cambios en la media o en la variabilidad del proceso.Carta X.

.72 B3 0.12 0.24 0.03 0.29 1..03 0.88 1..Carta X.+ xN k n 10 56 7 8 9 LSCX = x + A3 S LICX = x .+ xN n x1 + x2 + x3 + .28 A3 1.97 1.09 1.18 0.A3 S LSCS = B4 S LICs = B3 S B4 2.76 1. promedio de todos los subgrupos x = x = x1 + x2 + x3 + .00 0.18 1.82 1.3. S (Continuación) Terminología k = número de subgrupos n = número de muestras en cada subgrupo x = promedio para un subgrupo x = promedio de todos los promedios de los subgrupos S = Desviación estándar de un subgrupo S = Desviación est.98 calcular Límites de Control factores para P. Reyes 115 .43 1.10 (usar estos1..3.

• Esta Carta monitorea la tendencia de un proceso con datos variables que no pueden ser muestrados en lotes o grupos.3. Reyes 116 . y los límites de control se basan en la desviación estándar poblacional (+/.3 sigmas) P.Carta de Individuales (Datos variables) • A menudo esta carta se llama “I” o “Xi”.3. • Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales de una unidad o pieza • La línea central se basa en el promedio de los datos.

Reyes 2 3..E2 R LSCR = D4 R LICR = D3 R (usar estos factores para calcular Límites de Control n = 2) . R (Continuación) Terminología k = número de piezas n = 2 para calcular los rangos x = promedio de los datos R = rango de un subgrupo de dos piezas consecutivas R = promedio de los (n .Carta X.27 0 2.3.+ xN n n D4 D3 E2 P.1) rangos x = x1 + x2 + x3 + ..66 117 LSCX = x + E2 R LICX = x .3.

35 12.3. Ejemplo: Carta I (en Excel) Carta I para Longitud de parte Valor Individual 12.05 11.03 3.15 12. Reyes .65 0 1 5 10 15 8 .85 11.75 11.0SL=12.75 6 6 6 X=12.30 Número de Observación Observar la situación fuera de control 118 P.95 11.3.25 12.3.0SL=11.

93 2.92 2.95 2. Ejercicios de Cartas I o X.86 16 15 17 16 17 19 119 .89 16 2.86 15 2. R • Hacer dos cartas X-R y concluir: MUESTRA 1 MUESTRA 2 MUESTRA 1 MUESTRA 2 1 2 3 4 5 6 7 8 9 10 12 15 13 10 13 15 15 15 22 16 2.3. Reyes 11 2.95 13 2.97 12 2.952 2.95 14 2.95 2.3.802 2.80 2.92 2.832 2.93 P.

Reyes 120 .4. Cartas de Control para atributos P.

Cartas de control para atributos Datos de Atributos Tipo p Medición Fracción de partes defectuosas.4. defectivas o no conformes ¿Tamaño de Muestra ? Constante o variable > 30 np Número de partes defectuosas Constante > 30 c Número de defectos Constante = 1 Unidad de inspección u Número de defectos por unidad P. Reyes Constante o variable en unidades de inspección 121 .

7 . veamos algunos ejemplos.0 0 2 5 Sampl e Number Número de Muestras Ahora. todos aumentando o disminuyendo. P.0 L . Reyes 122 . alternando hacia arriba y hacia abajo. C Chart C Carta for Pitted S Límite Superior de Control 1 5 1 3 S =1 . „ Siete puntos consecutivos.4... Cartas de control para Atributos Situaciones fuera de control ‚ Un punto fuera de los límites de control. … Catorce puntos consecutivos.0 L 2 6 Conteo de Muestras S p Cn a le o t m u 1 0 Línea Central 5 C=5 4 .6 0 0 0 5 1 0 1 5 2 0 Límite Interior de Control -3 S =0 0 . ƒ Siete puntos consecutivos en un mismo lado de de la línea central.

Carta p (Atributos) • También se llaman Cartas de Porcentaje Defectivo o Fracción Defectiva • Monitorea el % de defectos o fracción defectiva en una muestra • El tamaño de muestra (n) puede variar • Recalcula los límites de control cada vez que (n) cambia Terminología n = tamaño de cada muestra (por ejemplo.4. Reyes 123 . producción semanal) np = número de unidades defectuosas en cada muestra p = proporción (porcentaje) de defectos en cada muestra (fracción defectiva) P.

.p) n LIC = p ...4.3 p (1. Reyes 124 .. + nk Fracción defectiva promedio LSC = p + 3 p (1.p) n Nota: Recalcular los límites en cada muestra (ni) si n es variable P.+ nk pk n1 + n2 + n3 + . Carta p (Atributos) pi = np ni = # de productos defectivos en cada muestra # de productos inspeccionados en la muestra Cálculo de los límites de control p = n1 p1 + n2p2 + n3 p3 + .

1 3 0 2 . Carta p (Cont.1 3 0 4 .1 5 0 0 .4. Reyes 0 0 2 2 6 0 6 0 1 0 2 0 0 .0 0 0 4 ..0 0 0 7 ..0 0 0 3 . d e c m o e tes o p n nn in p c io a o sec nds # np C m o en o p np tes d efec o o tu s s F c nd rac ió e c m o en o p n tes d fec o o e tu s s K = 13 semanas 7 7 1 5 1 4 4 8 2 2 1 8 7 1 4 9 1 4 P.0 1 0 0 . Los datos de falla se registraron semanalmente tal como se muestra a continuación.3 3 0 0 .0 0 0 0 .0 0 0 3 .) Ejemplo: Algunos componentes no pasaron la inspección final.1 3 125 .

0SL= 0.3.0SL= 0.000 LSC p LIC Número de muestra • Observe como el LSC varía conforme el tamaño (n) de cada muestra v • ¿Por qué el LIC es siempre cero? • ¿Qué pasó en la muestra 7? (33.1128 .1 0.2 0.4 0..4484 Gráfica P para Fracción Defectiva Proporci ón 0. 6. ¿Podemos aprender algo de las muestras 1.5 3.3% defectos) • ¿Qué oportunidades para mejorar existen?.4.. 2..3 0.Carta p (Cont. y 10? • ¿Podría este proceso ser un buen proyecto de mejora? P. 8. Reyes 126 .0 0 5 10 P= 0.) Ejemplo: 0.

• Monitorea el número de productos defectuosos de una muestra • El tamaño de muestra (n) es constante y mayor a 30. Terminología (igual a gráfica p. Reyes 127 . Carta np (Atributos) • Se usa cuando se califica al producto como bueno/malo. aunque n es constante) n = tamaño de cada muestra (Ejemplo: producción semanal) np = número de unidades defectuosas en cada muestra k = número de muestras P.. pasa/no pasa..4.

Reyes LIC = np .4.+ npk np = LSC = np + 3 k np (1-p) P.3 np (1-p) 128 ....Carta np (Atributos) np = # de productos defectuosos en una muestra n = tamaño de la muestra k = Número de muestras o subgrupos p = Suma de productos defectuosos / Total inspeccionado [n * k] Cálculo de los límites de control n p1 + np2 + n p3 + ..

co n np # d pre ea s t df c oa e t ss eu # d pre i sec nds e a snpci aa t o 40 00 40 00 40 00 40 00 40 00 40 00 40 00 40 00 40 00 40 00 40 00 40 00 K=15 lotes 40 00 P.) 1: en un proceso se inspeccionan K = 15 lotes tomando n = 40 de cada lote.Carta np (Cont..4.. Reyes 2 3 3 2 4 2 3 3 6 8 3 4 129 4 . se rechazan algunas partes por tener defectos..

De fecetivos 10 3..3... Reyes 130 .0 Número de muestras 5 10 15 • El tamaño de la muestra (n) es constante • Los límites de control LSC y LIC son constantes • Esta carta facilita el control por el operador ya que el evita hacer cálculos P.. Carta np (Cont.0 LSC=10.4.018 .0S 0 np LIC 0 LIC=0.03 5 Np =4.) Ejemplo 1: Carta np de número de defectivos o defectuosos No.

Carta c (Atributos) • Monitorea el número de defectos por cada unidad de inspección (1000 metros de tela. Reyes 131 .4.. 200 m2 de material. un TV) • El tamaño de la muestra (n unidades de inspección) debe ser constante • Ejemplos: ..Número de defectos en cada pieza .Número de cantidades ordenadas incorrectas en órdenes de compra Terminología c = Número de defectos encontrados en cada unidad o unidades constantes de inspección k = número de muestras P.

..4...3 c P. Reyes 132 .+ ck k LSC = c + 3 c LIC = c . Carta c (Atributos) Cálculo de los límites de control c= c1 + c2 + c3 + .

. Carta c (cont...) Ejemplo: Número de defectos encontrados en una unidad de inspección que consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).4. Reyes NOTA: Utilizar Excel para Construir la carta c 133 . #Lote / Defectos encontrados 1 6 2 4 3 4 4 2 5 4 6 3 7 4 8 4 9 5 10 5 11 5 P.

Carta c (cont.0 IC= 0.000 L Número de Muestras 10 15 20 25 • Observe el valor de la última muestra.3..) Carta C Número de defectos 15 1 3. anterior a la última muestra..76 L = LSC C 10 C = 5.. debió haber obviado el hecho de que el proceso iba a salir de control? P.640 5 0 0 5 .0 SC 12. está fuera del límite superior de control (LSC) • ¿Qué información.Ejemplo: 4. Reyes 134 .

. • Ejemplos: • Se toma una muestra de tamaño constante de tableros PCB por semana.4. Reyes 135 . identificando defectos visuales por tablero.Carta u (Atributos) • Monitorea el número de defectos en una muestra de n unidades de inspección. P. El tamaño de la muestra (n) puede variar • Los defectos por unidad se determinan dividiendo el número de defectos encontrados en la muestra entre el número de unidades de inspección incluidas en la muestra (DPU o número de defectos por unidad) ..

..4. Carta u (cont. producción semanal) c = Número de defectos encontrados en cada muestra de unidades de inspección u = defectos por unidad (DPU) k = número de muestras c = # de defectos en una muestra de n unidades de inspección n = Número de unidades de inspección en cada muestra u = c / n = DPU = Número de defectos por unidad P... Reyes 136 .) Terminología n = tamaño de cada muestra en unidades de inspección (por ejemplo.

) Ui = Ci / ni Defectos por unidad para cada muestra Cálculo de los límites de control u= c1 + c2 + c3 + ..+ ck n1 + n2 + n3 + .. Reyes Límites de control constantes . Carta u (cont.+ nk Número de defectos por Unidad promedio u LSC = + 3 u ni LIC =u ..3 u ni Nota: Recalcular los límites en cada tamaño de muestra (ni) Se puede tomar n promedio o estandarizar para tener 137 P....4...

2 2 . 7 4 . 3 3 . Carta u (cont. 9 138 . 5 4 . Reyes 35 0 20 0 20 1 12 0 18 9 17 6 17 8 20 1 25 2 27 4 DU P 6 .. 1 4 .. n #C PB S dds o ao l c Det s ec f o Vul s i a s e O e ao b r ds sv u k=12 semanas 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 P.4. 2 4 ..) Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por sema Los defectos visuales observados se registran cada semana. 0 3 . 0 4 . 0 4 .

0L IC=3. Carta u (Cont..) Gráfica U para Defectos 6 5 4 3 2 0 1 3.Ejemplo 1: Conteo de muestras 4.328 LSC u LIC 1 Número de Muestras 5 10 • Observe como los límites de control permanecen constantes cuando se utiliza un tamaño de muestra constante igual a 50 • ¿Cuáles son las dos observaciones de mayor interés? P.066 U =4.3.0L SC =5. Reyes 139 .197 ..

. 7 1403 . 2 5 . 8 6 5 .Ejemplo 2: Defectos encontrado al inspeccionar varios lotes de productos registrados por semana Lote Le o t 4. 7 5 . Carta u (cont.. Reyes 6 6 . 8 5 . 5 5 . 2 2 . 6 5 . 9 6 . 6 3 . 5 5 . 5 5 ... 3 6 5 . 7 5 .) n Uas n d i e d c = Defectos D cs e t f o e u = DPU 6 0 7 5 4 2 7 7 6 9 7 2 7 6 5 5 5 1 7 8 7 2 7 7 7 4 5 7 6 2 4 1 3 0 4 5 D P U k=20 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 semanas 1 8 1 0 1 2 7 1 4 1 2 1 2 1 3 1 0 9 1 4 1 3 1 3 1 2 1 0 1 1 1 3 1 1 1 5 P.

• ¿En que momentos estuvo el proceso fuera P.) Ejemplo 2: Gráfica U para Defectos Número de efectos 8 7 6 5 4 3 2 0 10 20 . 0 SC 6. 979 3... Reyes 141 .. 768 L = LSC u LIC Número de Muestras • Observe que ambos límites de control varían cuando el tamaño de muestra (n) cambia. Carta u (cont.3. 0 IC= 3. 190 L U=4.4.

5. Reyes 142 . Cartas de control especiales P.

para procesos muy capaces • CARTAS DE CONTROL Cusum Y EWMA (para detectar pequeñas variaciones en la media del proceso. en proceso químicos o farmaceúticos) P.5. Reyes 143 . pequeños lotes de producción de productos similares) • CARTAS ESPECIALES – Cartas de Precontrol – Cartas para desgaste de herramienta – Cartas para procesos de salida múltiple • CARTAS DE CONTROL PARA ppm. Cartas de Control especiales • CARTAS PARA CORRIDAS CORTAS (medias – rangos.

al objetivo. c y u) P. np. similares) • CARTA DE CONTROL X-R ESTANDARIZADA (Desviaciones estándar diferentes para los productos) • CARTAS DE CONTROL ATRIBUTOS ESTANDARIZADAS (Para estadístico p. prod.1 Cartas de Control para Corridas Cortas • CARTA DE CONTROL DNOM (Control de desviaciones resp.5. Reyes 144 .

Reyes 145 .• CARTA DE CONTROL MODIFICADAS Se utilizan para control de la fracción defectiva cuando el Cpk es grande >=2.2 Cartas de Control Modificadas y de Aceptación • CARTA DE CONTROL DE ACEPTACIÓN Esta carta es similar a la anterior pero toma en cuenta errores Alfa y Beta (I y II). cuidando no salir de especificaciones y no interesa tanto el control bajo límites de control 5. en función de la aceptación y el riesgo del proveedor P.

monitoreando en el tiempo • CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA – Se ajusta la herramienta en un extremo de los límites de control y se deja operar hasta que llega al otro extremo de los límites para ajuste P.3-5 Cartas de Control especiales • CARTAS DE PRECONTROL (ARCOIRIS) – Se basa en límites de especificación. dividiendo el rango de especificaciones en cuatro partes.5. Se monitorea sólo una pieza. • CARTA DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE – Se toma el valor mayor y el menor del proceso de salidas múltiples. las dos intermedias son verdes. Reyes 146 . las de la orilla amarillas y las que salen de límites. rojas.

5 sigma con n = 1) .5 Cartas de Control especiales por variables • CARTA DE CONTROL CUSUM (Detecta pequeñas corridas de media < 1. Reyes 147 .5 sigma con n = 1) • CARTA DE CONTROL DE MEDIA MOVIL (Detecta pequeñas corridas de X. con n = 1.Mascarilla en V • CARTA DE CONTROL EWMA (Detecta pequeñas corridas de media <1.Método tabular . sensibilidad entre la de Shewhart y EWMA) P.

Reyes 148 .Cartas especiales de control P.

Cartas especiales de control • Carta de sumas acumuladas CuSum • Carta de promedios móviles ponderadas exponencialmente • Carta de promedios móviles simples P. Reyes 149 .

Reyes 150 .Cartas de sumas acumuladas CuSum P.

.Se puede aplicar a las Xs o a las Xs individuales .Sus parámetros clásicos son h = 4.Gráfica de Sumas acumuladas ( CuSum ) . k = 0. . .Es menos sensible que la gráfica X al desplazamiento grande e único del centro del proceso.Es más sensible que la gráfica X al movimiento de separación gradual del centro del proceso.Se usa para registrar al centro del proceso.5 P.Es más sensible que la gráfica X al movimiento de los pequeños cambios sostenidos en el centro del proceso. . Reyes 151 .Se corre en tándem (una tras otra) .

cada una de tamaño n y se calcula la media de cada muestra Ximedia. edias 0 P. .. desves tan . dar delasm .Carta de sumas acumuladas CuSum • Son más eficientes que las cartas de Shewhart para detectar pequeños corrimientos en la media del proceso (2 sigmas o menos) – Para crear la carta Cusum se colectan m subgrupos de muestras. . Después se determina Sm o S’m de las ecuaciones siguientes: Sm = ∑ X( − i= 1 m i m =0 µ ediaencontrol estim µ m ).. Reyes 152 . ... ada i Sm = ' 1 σX X ( − ∑ i= 1 =µ σ X . ). 0 .

de otra forma tomar acción P.Carta de sumas acumuladas CuSum – Con Máscara en V – La carta de control CuSum se obtiene graficando los valores de Sm o S’m como función de m. la carta tenderá hacia el valor de la media µ 0 – Si el proceso se corre gradualmente hacia arriba o hacia abajo. Reyes 153 . – Si el proceso permanece centrado. será indicado en la carta. – Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen se coloca en el último punto de suma acumulada determinado y observando que ninguno de los puntos anteriores se salga. Su sensibilidad está determinada por los parámetros k y h.

Carta CuSum – parámetros de la máscara en V h = Intervalo de decisión – Valor medio del ancho de máscara en el punto de origen k = Corrimiento a ser detectado en sigmas – Pendiente de los brazos de la máscara en V f = Respuesta inicial rápida . p = m P.1 + (i . T = 0.T) Puntos graficados de la máscara = Ci Pendiente de la máscara en V = k σ / raiz (n) Ancho de máscara en el origen = 2h σ / raiz (n) Origen de la máscara en V = p Por omisión Xmedia = µ. k = . Sp/c4(d) = σ . h = 4.5. Reyes 154 . n = Tamaño de subgrupo Ci = Valor de los 2 lados de la máscara en el tiempo i C0 = 0 Ci = Ci .Identifica puntos fuera de control en el arranque T = Meta o especificación nominal.

325 14.225 10.5. Vmask 155 P.150 13.925 2.4.4. h = 2.5.725 4.625 12.350 5.025 16.4.5.4.770 8.223 4 3 2 CUSUM Chart for Cusum Cumulative Sum 1 0 -1 -2 -3 -4 -5 -6 0 5 10 15 0 Subgroup Number Target = 5.4.945 15.5.5.4.4.225 7. sigmaReyes 1.675 3.5.Ejemplo de carta Cusum con Máscara en V 1.4.600 11.525 9. k =0.5.5.350 6.4. = .

5. 20. 17 y 18 Requiriendo acción 0 0 -5 0 10 20 Subgroup Number Target = 5.841 CUSUM Chart for Cusum 5 Cumulative Sum Agregando 4 Puntos adicionales Se observa que se Salen los puntos 16. 19. Vmask 156 P.463 5. k =0. = . h = 2. sigmaReyes1. 18.Continuación de ejemplo – con máscara en V 17.5.237 6.875 6.

. i cuandocam . CI x iT  − 1 tiempo C i = i= S x j  + ( µ ) − K0    n  ∑ j= 1    CSi = min  + i− + k  0. µ =m edianoaceptable∆ 0 .Carta CuSum– Sólo un Límite inferior o superior CIi = valor del nivel bajo de la Cusum de un lado inferior en tiempo i σ CL 0 = CU 0 = f n CSi = valor del nivel alto de la Cusum de iun lado superior en  σ    CIi = min i + i− − k   0. biael signo . µ + = 1 µ µ0 ∆ σ 1 − CIi. CS x iT  − 1    σ   n Datos graficados L I C h= − Línea central = L S h = C = σ σ n n0 = ≈ k 2 2 n C = 0. P. Reyes µ0 = m ediaobjetivo . CSi K = 157 . .

P.350 5.925 2.Cata CuSum – sólo un Límite superior o inferior 1. 6.841 Cumulative Sum 2 1 0 -1 -2 0 -2 10 20 Upper CUSUM CUSUM Chart for Cusum 2 Lower CUSUM Subgroup Number Target = 5. k =0.625 125.875 19.225 104.350 6.237 20. 5. 6.150 135.5.225 7.4.600 114.525 9.4.4.325 17.770 8.4. 5. One Sided FIR = 1 sigma.4.4.463 18.675 3.725 4.5.5. Reyes after each signal Reset 158 . h = 2. sigma = 1.5.

son.5 + 0] = 0 etc. 9.Carta CuSum – Forma tabular para un solo límite inf. que. ó sup. si excede el límite superior de control H en este caso indica que el proceso está fuera de control P. en. N . o. N = No. Sh(1) = max [0. Sh..45. • Los límites para cada valor se calculan dependiendo de si es hacia el lado superior Sh o hacia el inferior Sl S H ( i) = max[ 0. xi −µ 0 ( S H (0) = S L (0) = 0 S L ( i) = max[ 0. 0 ≠ • Cuando Sh(i) toma un valor negativo.5 y µ0 = 10 y X1 = 9. Sl.45 – 10. periodos. se regresa a cero y continua el proceso. −xi +( 0 µ −K ) + H ( i ]1) S − −K ) + H ( i ] 1) S − H L • Como ejemplo si K = 0. Reyes 159 . y.

xi −µ 0 −K ) + H ( i ] 1) ( S − 3 9.16 1 5 12.96 1.32 2. ó sup.05 0 0 2 7.66 2.21 0 0 S L ( i) = max[ 0.51 0 0 S H ( i) = max[ 0. Periodo Xi Xi-10.18 -0.00 5 9 9.20 -1.30 P.16 1. −xi +( 0 −K ) + H ( i ] 1) µ S − 4 11.45 -1.66 1.5 Sh(i) Nh En este caso el Valor de H es 5 1 9. Reyes 0 0 H Máscara en V 160 .82 2 6 10.29 -1.04 -2.004 4 8 11.50 3 7 8.16 1.46 0.Carta CuSum – Forma tabular para un solo límite inf.46 0.99 -2.

Reyes 161 .Carta EWMA de promedios móviles ponderados exponencialmente P.

Reyes 162 .Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Monitorea un proceso promediando los datos de tal forma que les da cada vez menos peso conforme son removidos en el tiempo • En la carta de Shewhart la decisión en relación al estado de control del proceso en cierto instante t depende de la medición más reciente y de los límites de control • En la carta EWMA la decisión depende del estadístico EWMA que es el promedio ponderado exponencial de los datos. P.

Carta de Promedios Móviles Ponderados Exponencialmente (EWMA)  Es más sensible que la gráfica X al movimiento de los pequeños cambios sostenidos en la media del proceso.  Es más sensible que la gráfica X al movimiento de separación gradual de la media del proceso. Reyes 163 .  Es menos sensible que la gráfica X a desplazamientos grandes de la media del proceso. P.  Se puede aplicar a las Xs o a las Xs individuales.

Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) – Seleccionando un factor de ponderación λ la carta puede ser sensible a corrimientos graduales pequeños en la media del proceso. El estadístico EWMA es: EWMA = λ Y + − ) EWMA λ t t (1 −1 t S 2 EWMA − − −t − 2.. n 1. = S2  λ  =   n  2− λ  – EWMAo es la media (meta) de los datos históricos – S es la desviación estándar de los datos históricos para n grande – Yt es la observación en el tiempo t – n es el número de observaciones monitoreadas incluyendo 0 – 0 < λ <=1 es una constante que determina la memoria de EWMA P.. Reyes 164 ..

– Un valor grande λ de da más peso a datos recientes y menos peso a datos antiguos. Reyes 165 . – Un valor de λ =1 indica que sólo el último dato será incluido (carta Shewhart).Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) λ determina la tasa en la cual los datos “antiguos” entran en el cálculo del estadístico EWMA.2 para detectar cambios 1σ y de 0. Un valor pequeño de λ da más peso a datos antiguos – Un valor común para λ es 0.4 para detectar cambios de 2σ P.

Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Los límites de control se determinan como sigue: LSC =EWMA + s3 0 LIC =EWMA − s3 0 EWMA EWMA  La carta EWMA requiere que se obtengan datos históricos del proceso para calcular la Media y desviación estándar representativas del mismo para continuar el monitoreo. asumiendo que estuvo en control al colectar los datos  Para los primeros valores de X. la desviación estándar S S2  λ se calcula como:  2 2 t 2 S EW M A =  nP. Reyes λ  2−  S (1 λ − ) 1  −  166 .

3 entonces se tiene: LSC = 50 3(0.75 P. λ = 0.Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Ejemplo: Si EWMAo = 50 y s = 2.4115 − = Y 52 47 53 49.56 50.0539) 52. Reyes 167 .6 49.4201)(2.5 50.12 49.0539.0539) 47.3 50.18 50.1 47 51 EWMA 50 50.4201)(2.16 49.5884 + = LIC = 50 3(0.

51.51.0 4.50.0 3.53.6 13.47.6 12.9 14.0 2.0 8.50.47.3 5.Carta EWMA del ejemplo Xewma 1.52.41 47 0 10 20 53 UCL=52.0 7.1 6.1 9.50.49.5 11.3 15. Reyes 48 LCL=47.47.2 10.59 52 51 EWMA Chart for X EW M A 50 49 Mean=50 Sample Number 168 .8 P.51.49.47.49.

son tan complejos que normalmente este tipo de gráfica se realiza por medio de un paquete de computo. • La típica forma de una gráfica EWMA se muestra a continuación. Reyes Los cálculos.Carta EWMA • Los puntos a graficar son los siguientes : Z0 = X λ_ λ Z1 = X1 + (1λ_ λ Z2 λ _ X2 +λ = (1Z3 λ = X3 +λ (1Zi de X4 + (1• Observa que Z es un promedio ponderado de X 4 y= todas las Con Z = EWMA Xs anteriores. UCL Z0 ) Z1 ) Z2 ) Z3 ) 1 2 3 4 5 6 LCL subgrupo P. XII 169 . especialmente de los límites de control.

Reyes 170 .Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Si la desviación estándar se estima de la carta X-R entonces los límites de control se determinan como sigue: LSC =X + A R 2 LIC =X − A R 2 λ (2 − λ ) λ (2 − λ ) P.

Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Esta carta proporciona un PRONOSTICO del siguiente valor de la media. Reyes 171 . • Los límites de control permiten detectar cuando se requiere un ajuste y la diferencia entre el valor pronosticado y la media meta permiten identificar de cuanto debe ser el ajuste P. lo cual es muy importante para el caso de control automatizado.

Carta de Promedios Móviles Ponderados Exponencialmente (EWMA) • Se puede desarrollar una ecuación para el clásico control PROPORCIONAL. Donde los parámetros de las lambdas 1. 2 y 3 se seleccionan para obtener el mejor desempeño de pronóstico • Si e representa el error entre el valor real y pronósticado en el periodo t se et = X t − −1t z tiene: Z t = EWMAt =Z1t λ 1+ et λ∑ − 2+ P. Reyes t j =1 e j 3 + et ∇ λ 172 . INTEGRAL y DIFERENCIAL (PID).

Reyes 173 .Carta de control de promedios móviles P.

Carta de control de Promedios Móviles • Monitorea un proceso promediando los últimos W datos. Reyes 174 . La media móvil promedio de amplitud W en el tiempo t se define como sigue: P. Con valores individuales se usa W = 2 • Tiene una sensibilidad intermedia entre las cartas de control de Shewhart y las cartas EWMA o Cusum para detectar pequeñas corridas graduales en la media del proceso • Suponiendo que se colectan muestras de tamaño n y se obtienen sus respectivas medias Xi.

.w . . si excede los límites de control el proceso está fuera de control – En general la magnitud del corrimiento que se quiere detectar esta inversamente relacionado con W. − Mt = t t w VrM ) a t ( 2 σ = 1 n w 3σ σ LC x = − aa−t + LC x . Reyes 175 . S +− <− w S pr n = < . 0 n w 3σ σ LC x= −p r n = I −−a< t− LC x . <− w I a− . graficando Mt en la carta. . + + − .Carta de control de Promedios Móviles x x + 1 xt+. ente mayor sea W se podr´na detectar corrimientos más pequeños P. 0 n w 3 n t 3 n t – El procedimiento de control consiste en calcular la nueva media móvil Mt cada vez que haya una nueva media muestral.

9.0 6.5 12.12.9.5 10.879 5 Sample Number 176 .5 2.5 7.11.12. Reyes 0 5 10 15 15 Moving Average Chart for Xmm M oving Average 5.10.12 10 Mean=10 LCL=7.8.0 13.10.5 14.5 11.0 8.5 15.Ejemplo de carta de promedios móviles Xmm 1.10.10.0 9.14.6.5 UCL=12.12.10.0 P.0 3.0 4.6.

Reyes 177 .6. Análisis de capacidad de proceso P.

Capacidad de los sistemas de P. Capacidad a partir de histogramas 2.6. Reyes medición 178 . Capacidad a partir de papel normal 3. CONTENIDO Introducción 1. Capacidad a partir de cartas de control 4.

6.1 Introducción P. Reyes 179 .

Reyes 180 . Especificar requerimientos de desempeño para el equipo nuevo 4. Reducir la variabilidad en el proceso de manufactura P.6. Predecir que tanto el proceso cumple especificaciones 2. Seleccionar proveedores 5. Apoyar a diseñadores de producto o proceso en sus modificaciones 3.1 Objetivos de la capacidad del proceso 1.

LIE LSE Z s Xi _ X p = P(Xi) = porcentaje de partes con probabilidad de estar fuera de Especificaciones P. Reyes 181 .

por supuesto) que podríamos cambiar ambas Cualquiera que sea la mejora que lleve a cabo...¿Cómo vamos a mejorar esto? Podemos reducir la desviación estándar. O (lo ideal sería. Reyes 182 . Podemos cambiar la media... se deben tomar medidas para que se mantenga P.

6.1 Capacidad a partir de histogramas

P. Reyes

183

6.1 Procedimiento
1. Seleccionar una máquina donde realizar el estudio 2. Seleccionar las condiciones de operación del proceso 3. Seleccionar un operador entrenado 4. El sistema de medición debe tener habilidad (error R&R < 10%) 5. Cuidadosamente colectar la información 6. Construir un histograma de frecuencia con los
P. Reyes

184

6.1 Teoría del camión y el túnel

únel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es ación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es la especificación. rar es hacer que el promedio del proceso sea igual al centro de la ificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si fer puede mantener el centro del camión en el centro del túnel. De otra rá 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.

P. Reyes

185

1 Capacidad del proceso – Fracción defectiva

capacidad en función de la fracción defectiva del Proceso se calcu función de la fracción defectiva para cada lado del rango de Espe Rango medio = Desv. Est. Constante d2 de acuerdo al tamaño de subgrupo en X-

s valores de Z inferior y Z superior se calculan de acuerdo a las fó guientes:

Zi

=

LIE - promedio del proceso
Desviación Estandar

LSE - Promedio del proces Zs = Desviación Estandar

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)

P. Reyes

186

6.1 Capacidad del proceso – Cp y Cpk
Tolerancia LSE - LIE

La capacidad potencial del Proceso (Cp) es una medida de la variación del proceso en relación con el rango de Especificación.

Cp =

= Variación del proceso 6 Desviaciones STD.

k es una medida de la capacidad real del proceso en función de la la media del proceso (X) en relación con con los límites de especi n límites bilaterales da una indicación del centrado. Es el menor d LSE - promedio del proceso Promedio del proceso - LIE y CpK = 3 desviaciones STD 3 desviaciones STD

elación de capacidad (CR) es la inversa del cálculo de Cp. Este índ ca que porcentaje de la especificación está siendo usado por la va eso. Rango del proceso 6 desviaciones STD = CR = LSE - LIE Tolerancia
Capacidad Cp, Cpk y fracción defectiva 187 P. Reyes

6.1 Cálculo de la capacidad del proceso Habilidad o capacidad potencial Cp = (LSE LIE ) / 6 σ
Debe ser ≥ 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real

Cpk = Menor

| ZI - ZS | / 3

El Cpk debe ser ≥ 1 para que el proceso cumpla especificaciones
P. Reyes

188

6.1.. Ejemplo
Se tomaron los datos siguientes: 265 197 346 280 265 200 221 265 261 278 215 251 205 286 317 242 254 235 176 262 248 250 318 263 274 242 260 281 246 248 271 260 265 271 307 243 258 321 294 328 263 245 274 270 293 220 231 276 228 223 296 231 301 337 298 277 268 267 300 250 260 276 334 280 250 257 290 260 281 208 299 308 264 280 274 278 210 283 234 265 187 258 235 269 265 253 254 280 258 299 214 264 267 283 235 272 287 274 269 275

P. Reyes

189

13 230-249 239.5 2 0. Ejemplo (cont…) Agrupando los datos en celdas se tiene: Intervalo Marca Frecuencia Frecuencia de clase de clase Frecuencia Relativa Absoluta 170 .97 330-349 339.26 250-269 259.24 0.13 0.5 32 0.189 179..5 4 0.03 1.5 24 0. Reyes .00 .58 270-289 279.02 0. 190 P.02 190 .5 7 0.07 0.82 290-309 299.1.06 210-229 219.32 0.11 0.93 310-329 319.5 13 0.6.209 199.04 0.5 4 0.04 0.5 3 0.5 11 0.

1. P.. Ejemplo (cont…) El histograma es el siguiente (se observa con forma normal): 3 5 3 0 2 5 2 0 1 5 1 0 5 0 10 719 8 20 129 2 20 529 6 20 939 0 30 339 4 F c re .6. Reyes 191 .

Reyes 192 ..6.06) / 32.264.12 Si las especificaciones fueran LIE = 200 y LSE = 330 Cp = (330 . Ejemplo (cont…) Calculando la media y la desviación estándar se tiene: X-media = 264.264.200 ) / 192.06) / Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones P.02 32.06 s = 32.1.02 Zs = (200 .02 La variabilidad del proceso se encuentra en 6 σ = 192.2 < 1 no es hábil el proceso Zi = (330 .

6. Reyes 193 . Ejercicio Calcular la capacidad del proceso con la distribución de frecuencias siguiente considerando LIE = 530 y LSE = 580: Intervalo Frecuencia de clase Marca de clase Absoluta .1.. Frecuencia Frecuencia Relativa 531 536 541 546 551 556 561 - 535 540 545 550 555 560 565 533 538 543 548 553 558 563 6 8 12 13 20 19 13 P.

2 Capacidad a partir de papel normal P. Reyes 194 .6.

Permite identificar la media y la desviación estándar aproximada del proceso. si se apegan a la línea de ajuste 4.6. 195 . el porcentaje de datos entre P. 10 son suficientes 2. Reyes cierto rango. Así como la fracción defectiva.2 Ventajas 1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el histograma. el Cp y el Cpk. El proceso es más sencillo ya que no hay que dividir el rango de la variable en intervalos de clase 3. Visualmente se puede observar la normalidad de los datos.

2.Procedimiento 1.5) / n 3.. Pj) 4. Reyes . asignándoles una posición (j) entre 1 y n. se considera normal el proceso y se procede a hacer las identificaciones: 196 P. 2. Se ajusta una línea recta que mejor aproxime los puntos 5. Se toman al menos n = 10 datos y se ordenan en forma ascendente. En el papel especial normal se grafica cada punto (Xj.6.0. Se calcula la probabilidad de cada posición con la fórmula siguiente: Pj = (j . Si no hay desviaciones mayores de la línea recta.

125 13 0.425 19 0.775 0..725 0.975 Pj P.675 0.6.625 0.875 0. Reyes 197 .825 0.175 14 0.J Valor Xj 1 2 3 4 5 6 7 8 9 10 197 200 215 221 231 242 245 258 265 265 Pj 0.075 12 0.525 0. Ejemplo Se tomaron los datos siguientes (Xj)..325 17 0.575 0. ordenándolos y calculando la probabilidad de su posición (Pj) Pos.375 18 0. J Xj 271 275 277 278 280 283 290 301 318 346 0.325 16 0.025 11 0.225 15 0.2.475 20 Pos.925 0.

6.5 Desv..84 0... Ejemplo (cont.2. Estándar Fracción Defectiva LIE X Media P.) Graficando los puntos y ajustándolos con una recta que minimice los errores con cada punto se tiene: Pj 0. Reyes Xj 198 .

8 9 09 . 1 00 . 1 0 N mdti u n r b iiy a r o a i r t p a lt p e r l s bi o ob p P. 6 00 . 8 00 . / 5 P i 09 . 1 08 . 9 07 . 7 00 . 0 01 . 3 05 . 9 04 . 2 0 00 . 9 04 . 4 00 . 2 06 . 9 08 . 0 04 . 2 00 . 9 9 09 . 7 00 . 5 0 00 . 0 00 . 9 06 .P= I-0 ) N i ( . 5 00 . 9 00 . Reyes X i 199 . 5 9 09 . 0 02 . 8 05 .

001 200 A v erage: 504.N o r m a l P r o b a b i li ty P lo t .232 StDev: 139. 999 . 01 . puede predecirse P. El eje X es un rango lineal de la variable que se está analizando.315 P-V al ue: 0. 99 .682 N: 100 Probability 300 400 500 600 700 800 900 C1 A nders on-Darli ng Normali ty Test A-S quared: 0. Si los datos son normales. 95 .538 El trazo normal es el siguiente: El eje Y es un rango no lineal de probabilidades normales. 80 . Reyes 200 . 20 . 50 . 05 . la frecuencia de ocurrencias en varios valores Xi.

Reyes 201 .Diferentes trazos en papel de probabilidad Norm P.

2 Ejercicio Tomando los datos siguientes (Xj). el Cp y el Cpk. ajustar valores con una recta. 1210 2105 1275 2230 1400 2250 1695 2500 P. desv. si las especificaciones son LIE = 1200 y LSE = 1800 determinar la fracción defectiva. determinar la media.6. Reyes 202 . calcular la probabilidad (Pj). graficar en papel norma. Estándar.

3 Capacidad a partir de cartas de control P. Reyes 203 .6.

Reyes 204 . ? ? ? ? ? ? ? P.EN CASOS ESPECIALES COMO ESTOS DONDE LAS VARIACIONES PRESENTES SON TOTALMENTE INESPERADAS TENEMOSUN PROCESO INESTABLE o “IMPREDECIBLE”.

3 Proceso en control SI LAS VARIACIONES PRESENTES SON IGUALES. Reyes 205 . SE DICE QUE SE TIENE UN PROCESO “ESTABLE”. LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO Predicción Tiempo P.6.

L a capacidad no se puede determinar a menos que el proceso se encuentre en Control y Estable.6.3 Control y Capacidad de Proceso ntrol de Proceso: ando la única fuente de variación es normal o de causa común. Un proceso es capaz cuando ausa común de variación cae dentro de las especificaciones cliente. se dice e el proceso esta operando en “CONTROL”. Reyes 206 . pacidad de Proceso: dición estadística de las variaciones de causa común que son mostradas por un proceso. P.

si no hay causas especiales presentes.6. Reyes 2% +2s 207 . -2s 2% 14 % -1s 14 % x +1s 99. medida de la variación 3s del proceso.73% P.3 Proceso en control estadístico La distribución de la mayoría de las características medidas forman una curva en forma de campana o normal. que Area entre 0 y 1s alteren la normalidad . ¿cuales son las causas comunes? x -Probabilidad de Ocurrencia Distribución del Proceso _ x = media 34% 34% s= sigma. es la desviación estándar.

d2 se toma para n = 2 y NOTA: En una carta por individuales. ο σ = d2 c4 σ = Desviación estándar de la población σ = Desviación estándar de la población d2 = Factor que depende del tamaño del subgrupo en la carta de d2 = Factor que depende del tamaño del subgrupo en la carta de control X --R control X R C4 = Idem al anterior para una carta X --S C4 = Idem al anterior para una carta X S NOTA: En una carta por individuales.. Reyes -1) 208 . Desviación Estándar del proceso σ σ =R S Donde.6. d2 se toma para n = 2 y RangoMedio=Suma rangos / (nP. Donde.3.

Cp = (LSE .3 Capacidad del proceso Cuando las causas comunes son la única variación: El p Cíndice de capacidad potencial del proceso compara la amplitud del proceso con la amplitud especificada. Z2| / 3 3σ P.6.LIE) / 6 σ Cpk El índice de capacidad real del proceso compara la medi real con el límite de especificaciones más cercano (LE) a _ Cpk = LE – X o Cpk = menor |Z1 . Reyes 209 .

R) De una carta de control X . después de que el proceso se estabilizó quedando sólo con causas comunes: Xmedia de medias = 264. Reyes 210 .326 = 33.23 2.3 Ejemplo (carta X .6.06 Rmedio = 77. P.326] σ = Rmedio / d2 =77.R (con subgrupo n = 5) se obtuvo lo siguiente.3 / [ d2 para n = 5 tiene el valor Si el límite de especificación es: LIE = 200.3 Por tanto estimando los parámetros del proceso se tiene: µ = X media de medias 2.

.6. después de que el proceso se estabilizó quedando sólo con causas comunes: Xmedia de medias = 100 Smedio = 1.94 ] σ = Smedio / C4 = 1.05 / [ C4 para n = 5 tiene el valor Si el límite de especificación es: LIE = 85 y el LSE 211 P.05 Por tanto estimando los parámetros del proceso se tiene: µ = X media de medias 0.S) De una carta de control X .117 0.3 Ejemplo (carta X .S (con subgrupo n = 5) se obtuvo lo siguiente.94 = 1. Reyes = 105.

Reyes Smedio = 1.R (con subgrupo n = 8) se obtuvo lo siguiente. LSE = 46): Xmedia de medias = 40 Rmedio = 5 2) De una carta de control X .S (con subgrupo n = 6) se obtuvo lo siguiente.6.3 Ejercicios 1) De una carta de control X . después de que el proceso se estabilizó quedando sólo con causas comunes (LIE = 15. LSE = 23): Xmedia de medias = 20 P.5 212 . después de que el proceso se estabilizó quedando sólo con causas comunes (LIE = 36.

6. Reyes 213 .4 Capacidad de los sistemas de medición P.

a través del rango de operación esperado del instrumento de medición. Error sistemático o desviación Estabilidad La variación total en las mediciones obtenidas durante un período de tiempo prolongado Linealidad Diferencia en los valores de la escala. Precisión Medición de la variación natural en mediciones repetidas 214 P.6. Reyes .4 Definiciones Exactitud Desviación respecto del valor verdadero del promedio de las mediciones Valor verdadero: Valor correcto teórico / estándares NIST Sesgo Distancia entre el valor promedio de todas las mediciones y el valor verdadero.

observada Variación del proceso.4 Posibles Fuentes de la Variación del Proceso Variación total del proceso. P. Reyes 215 . son los errores más relevantes en la medición.6. real Variación dentro de la muestra Variación de la medición Variación originada Reproducibilidad por el calibrador Repetibilidad Estabilidad Linealidad Sesgo Calibración La “Repetibilidad” y la “Reproducibilidad” (R&R).

4 Definición de la Repetibilidad REPETIBILIDAD Repetibilidad: Es la variación de las mediciones obtenidas con un mismo instrumento de medición. 216 P.6. al mismo tiempo que mide las mismas características en una misma parte y bajo las mismas condiciones de medición. Reyes . cuando es utilizado varias veces por un operador.

217 P. bajoReyes mismas condiciones. las .4 Definición de la Reproducibilidad Operador-B Operador-C Operador-A Reproducibilidad Reproducibilidad: Es la variación. entre promedios de las mediciones hechas por diferentes operadores que utilizan un mismo instrumento de medición cuando miden las mismas características en una misma parte.6.

de Metrología P.4 ESTÁNDARES INTERNACIONALES • En México se tiene el CENEAM o el Centro Nacional de Metrológia • En EUA se tiene el NIST (National Institute of Standards and Technologý) •Un Estándar primario es certificado por NIST o por una organización alterna que use procedimientos de calibración actualizados • Los Estándares secundarios son calibrados por el depto.6. Reyes de las empresas en base a los 218 .

4 ESTÁNDARES INTERNACIONALES • Los Estándares secundarios se transfieren a Estándares de trabajo en producción. su resolución debe ser al menos 1/10 de la variabilidad del P. •Para determinar la exactitud de los sistemas de medición se debe conocer su rastreabilidad a Estándares nacionales e internacionales.6. Reyes 219 . Resolución: Para que el equipo de medición tenga una discriminación adecuada en la evaluación de las partes.

Reyes 220 .4 Definición del Sesgo Valor Verdadero Sesgo Sesgo es la diferencia entre el promedio observado de las mediciones y el valor verdadero.6. P.

P. Reyes .6. hechas sobre el mismo patrón o sobre las mismas partes. durante un período 221 de tiempo prolongado.4 Definición de la Estabilidad Tiempo 2 Tiempo 1 Estabilidad (o desviación) es la variación total de las mediciones obtenidas con un sistema de medición. cuando se mide una sola de sus características.

6. Reyes 222 . P.4 Definición de la Linealidad Valor verdadero Sesgo Menor Valor verdadero Sesgo mayor Rango inferior Rango superior Rango de Operación del equipo Linealidad es la diferencia en los valores real y observado. a través del rango de operación esperado del equipo.

P.4 Estabilidad del Calibrador Cómo Calcularla… • Para calibradores que normalmente se utilizan sin ajuste. Reyes 223 . puede necesitar calentamiento previo. » Realizar un segundo estudio R&R del Calibrador justo antes de que venza el tiempo de re calibración. durante periodos de tiempo relativamente largos. » La estabilidad del calibrador es la diferencia entre los promedios sobresalientes de las mediciones resultantes de los dos estudios.6. puede necesitar un filtro o un regulador • Si es un calibrador electrónico. Causas posibles de poca estabilidad… • El calibrador no se ajusta tan frecuentemente como se requiere • Si es un calibrador de aire.

Reyes 224 . dependiendo qué tan crítico es el grado de la medición. <10% Aceptable 10-30%. TV= R&R + PV PV= variación de parte = Rp total • Identificar qué porcentaje de la variación x K3 debe %R&R= R&R *100 Var. ¡Inaceptable! P. sólo substituya la Tolerancia por Variación total Total. Total absorberse como error de medición. Puede ser aceptable. >30%.Error R&R = RPT2 + REPR2 Para la fase de control del • Precisión en relación a la variación proyecto.

mayor será el área de incertidumbre para conocer la dimensión verdadera de las partes. ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de especificaciones ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de especificaciones P.EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION TOTAL DEL PROCESO: La dimensión verdadera de las partes se encuentra en algún lugar de la la región sombreada… Lo que fue medido VARIACIÓN DE PARTE A PARTE LIE OBJETIVO LSE Mientras más mayor sea el % del R&R. Reyes 225 .

6. P. 2 ó 3 veces.4 Estudio de R&R • Generalmente intervienen de dos a tres operadores • Generalmente se toman 10 unidades • Cada unidad es medida por cada operador. Reyes 226 .

Método ANOVA rmite separar en el sistema de medición lo referente a la eproducibilidad y a la Repetibilidad. Reyes 227 . os cálculos son más fáciles de realizar.Rango ermite separar en el sistema de medición lo referente la Reproducibilidad y a la Repetibilidad.4 Métodos de estudio del error R&R: étodo de Promedios. mbién proporciona información acerca de las interacciones n operador y otro en cuanto a la parte. os cálculos numéricos requieren de una computadora.6. El Método ANOVA es Más Preciso P. alcula las varianzas en forma más precisa.

6. Reyes 228 . Es importante que dichas partes sean representativas del proceso total (80% DE LA VARIACION)  10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el EQUIPO DE MEDICIÓN a menos que  Los operadores deben haber sido debidamente entrenados para realizar las mediciones  P.4 Realizando el estudio R&R  Las partes deben seleccionarse al azar. cubriendo el RANGO TOTAL DEL PROCESO .

siguiendo un orden al azar. Marque cada pieza con un número de identificación que no pueda ver la persona que realiza la medición. 4. para realizar un estudio de R&R 1. Ajuste el calibrador. Haga que el primer operador mida todas las muestras una sola vez. P. 3. o asegúrese de que éste haya sido calibrado. siguiendo un orden al azar. Reyes 229 . Haga que el segundo operador mida todas las muestras una sola vez. 2.4 Proc.6.

6.4 Proc. para realizar un estudio de R&R
5. Continúe hasta que todos los operadores hayan medido las muestras una sola vez (Este es el ensayo 1). 6. Repita los pasos 3-4 hasta completar el número requerido de ensayos 7. Utilice el formato proporcionado para determinar las estadísticas del estudio R&R – Repetibilidad – Reproducibilidad – %R&R – Desviaciones estándar de cada uno de los conceptos mencionados – Análisis del % de R&R contra Variación Total y contra tolerancia 8. Analice los resultados y determine los pasos a seguir, si los hay.
P. Reyes

230

6.4 Ejemplo:
Planteamiento del problema: Las partes producidas en el área de producción, se rechazaron en 3% por problemas dimensionales. CTQ: 0.125”
calibrador de 2”.

Mantener una tolerancia ±

Sistema de Medición: Se miden las partes con un Estudio R&R del La dimensión A es medida por dos Calibrador: operadores, dos veces en 10 piezas.
P. Reyes

231

6.4 Método corto
Se toman 5 partes y se miden por ambos operadores: Pieza Operador A Operador B Rango A-B #1 #2 #3 #4 #5 4 3 6 5 9 2 4 7 7 8 2 1 1 2 1

Rango Medio = Suma R / 5 = 7 / 5 = 1.4 El error del sistema de medición = 4.33 * Rmedio = 4.33 x 1.4 = 6.1 232 P. Reyes

Método Largo con X-media y Rango
O perador A 1 2 3 4 5 6 7 8 9 10 Totale s 9.376 9.372 9.378 9.405 9.345 9.390 9.350 9.405 9.371 9.380 9.358 9.320 9.375 9.388 9.342 9.360 9.340 9.380 9.375 9.368 9.354 9.372 9.278 9.362 9.338 9.386 9.349 9.394 9.384 9.371 O perador B
R an go Pieza # 1er. In ten to 2o. In ten to R an go 1er. In ten to 2o. In ten to

9.361 9.372 9.277 9.370 9.339 9.370 9.349 9.381 9.385 9.376

P. Reyes

233

1. Cálculo de las X-medias
Operador A 1 9.376 2 9.372 3 9.378 4 9.405 5 9.345 6 9.390 7 9.350 8 9.405 9 9.371 10 9.380 Totales 93.772 9.358 9.320 9.375 9.388 9.342 9.360 9.340 9.380 9.375 9.368 93.606 Xm edia -A 9.3689
P. Reyes

Operador B
R an go

Pieza # 1er. In ten to 2o. In ten to R an go 1er. In ten to 2o. In ten to

9.361 9.372 9.277 9.370 9.339 9.370 9.349 9.381 9.385 9.376 93.580 Xmedia-B 9.3584

9.354 9.372 9.278 9.362 9.338 9.386 9.349 9.394 9.384 9.371 93.588

234

2. Cálculo de los Rangos
O perador A 1 9.376 9.358 2 9.372 9.320 3 9.378 9.375 4 9.405 9.388 5 9.345 9.342 6 9.390 9.360 7 9.350 9.340 8 9.405 9.380 9 9.371 9.375 10 9.380 9.368 Rmedio-A Totales 93.772 93.606 X m edia - A 9.3689 O perador B
Pieza # 1er. In ten to2o . In ten to R an g o 1er. In ten to2o . In ten to R an g o
XmediaP

0.018 9.354 9.361 0.007 0.052 9.372 9.372 0.000 0.003 9.278 9.277 0.001 0.017 9.362 9.370 0.008 0.003 9.338 9.339 0.001 0.030 9.386 9.370 0.016 0.010 9.349 9.349 0.000 0.025 9.394 9.381 0.013 0.004 9.384 9.385 0.001 0.012 Rmedio-B 9.371 9.376 0.005 0.174 93.588 93.580 0.052 X m edia - Xpartes B 9.3584 LSCR = D4 x Rmedia Probar que ningún rango salga de control 235 R m edio AP. Reyes R m edio B 0.0052 0.0174

. Identificación de Parámetros del Estudio y Cálculos
Totales

93.772 93.606 0.174 93.588 93.580 0.05 RmediaA 9.3689 XmediaB 9.3584 Rpartes RmedioA 0.0174 RmedioB 0.005
0.25 2 10 2
X-media máx.=> X-media min =>

Rpart Rango de
r n
Ancho de tolerancia====> Número de intentos => Número de partes ==> Número de operadores

Diferencia de X-medias
R-media de => Todos los operadores

Medias 9.3689 de 9.3584 partes 0.0105 0.0113

K1

4.56

(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos) K3 (para 10 1.62 Partes) (K2 = 3.65 para 2 operadores y 2.7 para 3 operadores) 236 P. Reyes K2 3.65

calcular rango promedio de ambos operadores y límites de control. Reyes LCrangos = D4 x Rmedio (de ambos operadores) 237 . Carta de Rangos: Graficar los rangos de las lecturas de cada operador.4 Cartas de control X . verificar que ningún rango sale de límites. en caso contrario repetir las lecturas fuera de control.A2 x R las diferentes partes.R Carta de Medias X: Gráficar cada una de las medias de las lecturas de cada operador.6. P. calcular media de medias y límites de control y verificar que haya cuando menos el 20% de puntos fuera de control. asegurando que el instrumento discrimina LCmedias = Xmedia de medias +.

0259 P. para cada operador. menos el error del calibrador. Reyes 238 . Si la raíz es negativa se toma cero.(DV2/(r * n)) = 0.6.0515 Reproducibilidad: La variación en el promedio de las mediciones (AV) se calcula sobre el rango de los promedios de todas las mediciones. EV = R x K1 = 0. en una sola parte. 2 AV = (Xdif * K2) .4 Cálculo de R&R Repetibilidad: La variación del dispositivo de medición (EV) se calcula sobre cada grupo de mediciones tomadas por un operador.

R&R = = EV2 + AV2 0. PV = Rparte x K3 P.0577 El componente de varianza para las partes (PV). Reyes = 0. se calcula sobre el rango de los promedios de todas las mediciones.1021 239 . para cada parte.6.4 Cálculo de R&R El componente de varianza para Repetibilidad y Reproducibilidad (R&R) se calcula combinando la varianza de cada componente.

4 Cálculo de R&R La variación total (TV) se calcula combinando la varianza de Repetibilidad y Reproducibilidad y la variación de la parte.36 %AV = = 100*AV/Ancho de tolerancia 23.61 %EV = 100*EV/Ancho de tolerancia = 10.1172 Comparando contra la tolerancia (LSE – LIE): 20.6.07 P. Reyes 240 . TV = R&R2 + PV2 = 0.

95 = = 100*AV/ Variación total 22. Reyes 241 .06 P.10 = %R&R = 100*R&R/ Variación total = 49.6.20 %PV = = 100*PV Variación total 87.4 Cálculo de R&R Comparando contra la variación Total del proceso: %EV %EV = 100*EV/Variación total 43.

4 Ejercicios Para un estudio de R&R 2 operadores midieron con el mismo equipo de medición 10 partes en 3 intentos cada uno.6. Reyes 2 50 51 50 50 48 50 51 49 3 50 51 54 48 48 52 51 53 1 48 51 52 50 49 50 50 48 2 51 51 51 51 48 50 50 50 3 242 .obteniendo: Número operador B de parte 1 2 3 4 5 6 7 8 Mediciones Mediciones de operador A de 50 52 53 49 48 52 51 52 1 49 52 50 51 49 50 51 50 P.

Reyes 243 . Métodos de mejora continua P.7.

Reyes 244 . Ejemplos P. Solución de problemas por medio de la Ruta de la Calidad 5. Proceso de cambio organizacional 2.7. Trabajo en equipo 3. CONTENIDO 1. Manejo efectivo de juntas 4.

7.1 Proceso de Cambio organizacional P. Reyes 245 .

7. sin equipos  Alta rotación / Alto ausentismo  Bajo desempeño P. materiales. papel  Poca atención al empleado.1 Organizaciones tradicionales  Buscar culpables. mala seguridad  Comunicación sólo en sentido vertical  Mal Mantenimiento  Poco involucramiento y compromiso  Feudos/Revanchas/Política negativa  Autoridad jerárquica. Reyes 246 . Burocracia  Enfoque a seguir procedimientos y reglas  Olvido al cliente  Alto desperdicio en tiempo.

1 Organizaciones modernas  El cliente es la máxima prioridad  Operación limpia (ISO 14000)  Competitividad y finanzas sanas  Sistemas simples visuales y Operación estable  Entrega oportuna y Trabajo en equipos  Ambiente de trabajo seguro y agradable  Desarrollo de empleados con multihabilidades  Comunicación alta.7. horizontal y abierta  Desarrollo de personal. Reyes 247 . decisiones participativas  Productividad y mejora continua. reconocimientos  Empowerement a empleados / Personal P.

unidades de negocio 248 .1 Organización Multifuncional Team Gerenci al R Costos Producción Humanos Materiales hampion Champion C Patrocinadores Facilitador de Procesos / Proyectos Facilitador de Mantenimiento / Proyectos Facilitador de Procesos de Recursos Humanos Tipos de equipos: Kaizen. CCC. Tarea. Proyectos.7.. P. Reyes celdas de mfra.

propósito especial. enriquecimiento • Normas de trabajo • Métodos para la medición del trabajo: estudios de tiempo.7. Reyes 249 . grupal. autodirigidos • Organización horizontal: elementos clave • Planes de reconocimiento: individual. muestreos. capacitación • Diseño de puestos de trabajo: especialización.1 Reestructuración organizacional • Equipos de trabajo: solución de problemas. rotación de puestos. ampliación. estándares • Curvas de aprendizaje P.

control visual • • P. entre más simples mejor – Implantación de la idea y efectos. en la calidad.7. productividad. Kaizen busca el camino más corto para lograr el propósito Puntos críticos de éxito Mejoras en la seguridad. Reyes 250 .1 Equipos Kaizen • Las tres fases claves – Percepción – Desarrollo de la idea. WIP.

Reyes 251 . • Invertir en el desarrollo de Multihabilidades de los empleados • Incluir planes de desarrollo de personal que estén en línea con las metas y objetivos • Facultamiento y desarrollo del personal P.7.1 Estrategias para Recursos Humanos • Eliminar continuamente actividades que no agregan valor • Reducir el número de categorías ampliando alcance de los puestos • Proporcionar recomendaciones a la Alta Dirección sobre métodos para aplanar la organización • Crear oportunidades e incentivos para la rotación normal de puestos y capacitación cruzada.

Comunicación en todas direcciones. Desarrollo de equipos. Establecimiento de filosofías y políticas. P. Autoanálisis de la empresa. 7. Control y seguimiento de los equipos de trabajo. 3. Desarrollo del equipo gerencial.7. Reyes 252 . 5. 4. Evaluación de resultados: indicadores clave. 9. 8. 6. Establecer objetivos.1 Proceso de cambio organizacional 1. 2. Planeación estratégica.

Ser humilde: Escuchar a subordinados. Tomarse tiempo para capacitar a subordinados.7. 3. Consejos para administradores 1. 6. Reyes 253 . 7. Buscar causas de problema en el sistema. 2. Mantener actitud positiva. Decir “no” a planes no realistas. 8. Pensar. 4.. No tener miedo a expresar ideas. P. 5. revisar y revisar.. Poner planes por escrito.

Orientación.Supervisión y capacitación en el puesto. Reducir la rotación de personal. . 11. 12. Reyes 254 .Auxilio de Recursos Humanos.Inducción de personal nuevo. Tener empatía con la gente.7.Reclutamiento y selección.. 10. Falta gente capacitada ¡Haga algo! -Capacitar a la propia gente. Conocer a sus sindicatos. . . .. Consejos para administradores 9. P. .

7. Reyes 255 .2 Equipos de trabajo P.

Pensar y usar los conocimientos.7. Los ingenieros se pueden dedicar a otras tareas. Mejorar el aseguramiento de calidad. P. Reyes 256 . Mejorar el ingreso. Mejorar las relaciones humanas. Mejorar el área de trabajo. Elevar el estado de ánimo.2 Equipos de trabajo • OBJETIVOS – – – – – – – – – Establecer una situación de control. Ampliar la forma de pensar.

. Reyes 257 .2 Introducción HAY TRES PUNTOS IMPORTANTES EN RELACION A: EQUIPOS DE TRABAJO O CIRCULOS DE CALIDAD 1..EL DESARROLLO DEL PERSONAL 2.LA ARMONIA ENTRE LAS PERSONAS OBJETIVOS DEL EQUIPO 3.LA FORMACION DE UNA CULTURA P.7..

7.2 ¿Qué es un...?
CIRCULO DE CALIDAD? EQUIPO DE TRABAJO? EQUIPO PARA EL MEJORAMIENTO DE LA CALIDAD? GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE PROBLEMAS?. O EQUIPOS DE MEJORA CONTINUA?
P. Reyes

258

7.2 Tienen en común...
6 ó 7 (maximo 10) personas trabajando en estrecha interrelacion, interacción y comunicación dirigidas hacia un OBJETIVO COMUN

P. Reyes

259

7.2.. Análisis de Fuerzas
FUERZAS NEGATIVAS. FUERZAS POSITIVAS.

EQUIPO DE TRABAJO
DESINTEGRACION DEL EQUIPO LOGRO DE METAS Y DE OBJETIVOS COMUNES

P. Reyes

260

7.2 Ejemplos de fuerzas negativas
HABILIDADES PERSONALES NO APROVECHADAS FALTA DE ESPIRITU DE EQUIPO INCAPAZ DE PARTICIPAR EN LOS INTERESES DEL EQUIPO OBJETIVOS PERSONALES

PRIORIDADES DE DEPARTAMENTO

OBJETIVO DEL EQUIPO

CONFLICTO DE EQUIPO

P. Reyes

261

7.2 El objetivo del equipo
EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS

1.-Este objetivo debe ser definido por todos los integrantes d Equipo y este debe ser medible y con fecha de cumplimient

________________________________________________________________ _______________________________________________________________ _______________________________________________________________ _______________________________________________________________

2.-¿Cuales son mis objetivos como integrante del equipo....?
_______________________________________________________________ _______________________________________________________________ _______________________________________________________________ _______________________________________________________________
P. Reyes

262

7.2 ¿QUE PUEDO HACER YO PARA AYUDAR A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________ __________________________________________________________ __________________________________________________________ 2.-__________________________________________________________ __________________________________________________________ __________________________________________________________ 3.-__________________________________________________________ __________________________________________________________ __________________________________________________________ 4.-__________________________________________________________ __________________________________________________________ __________________________________________________________

P. Reyes

263

7.2 Normas de los equipos
Cada equipo establece sus propias normas de trabajo, tomando en cuenta los elementos siguientes:
LA SEGURIDAD SEGURIDAD OTROS LA CALIDAD

EL MANTENIMIENTO MANTENIMIENTO

DEL EQUIPO

LA PRODUCCION LOS COSTOS

ASISTENCIA O LOS CLIENTES EL MEDIO PUNTUALIDADAMBIENTE
P. Reyes

264

7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a menos que el equipo acuerde lo contrario ). 2.- Nunca enojarse se tenga o no razón. 3.- Cumplir con las asignaciones. 4.- Cumplir con las fechas compromiso., etc. ¿Cuales son las normas de funcionamiento de mi equipo de mejora...? 1.- __________________________________________ 2.- __________________________________________ 3.- __________________________________________
P. Reyes

265

7.2 Responsabilidades del equipo
PROMOVER EL ESPIRITU DE COLABORACION EN LOS INTEGRANTES DEL EQUIPO A TRAVES DE:

COOPERACION ASISTENCIA COMUN DIVISION DEL TRABAJO

P. Reyes

266

7.2 Organización de los equipos
TODOS PERTENECEN A UNA MISMA AREA DE TRABAJO PERO TIENEN RESPONSABILIDADES DIFERENTES. EQUIPOS MULTIDISCIPLINARIOS. SE FORMAN POR UN LIDER Y MIEMBROS DEL EQUIPO EL LIDER DEL EQUIPO ES ELEGIDO POR LOS MIEMBROS DEL EQUIPO

EL LIDER APLICA EL LIDERAZGO POSITIVO, EDUCA, DESARROLLA, APOYA, ENTUSIASMA Y DESARROLLA
P. Reyes

267

7.2 Organización de los equipos
¿EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR ESPECIAL EN EL AREA DE TRABAJO 2.-LEJOS DEL MISMO SI ES POSIBLE

¿CADA CUANDO SE REUNEN...?
PERIODICAMENTE DE ACUERDO A LAS NECESIDADES DEL EQUIPO. (1 0 2 VECES POR SEMANA, 1 VEZ AL MES, ETC.)
P. Reyes

268

7.2 Organización de los equipos
LOS EQUIPOS DE MEJORA CONTINUA REQUIEREN DE CAPACITACIÓN CONTINUA:

DETECTAN SUS NECESIDADES DE ENTRENAMIENTO

P. Reyes

269

. especialistas o técnicas que les ayudan a resolver los problemas que ellos no pueden resolver. ? 1. Reyes 270 .7. P. De otras áreas. 3.2 ¿De quién necesitan apoyo . Apoyo Total de la direccion / gerencia general. . 2. Del líder que coordina y desarrolla a los integrantes.

. Reyes Y 271 .. DEBEN TENER. FLEXIBILIDAD PACIENCIA HONESTIDAD HABILIDAD DE COMUNICARSE ELIMINAR EL FRACASO ELIMINAR EL FRACASO HACIENDO POSIBLE LO IMPOSIBLE HACIENDO POSIBLE LO IMPOSIBLE P.. ENSEÑA Y DA EL EJEMPLO A SU EQUIPO DE MEJORA CONTINUA.2 El líder del equipo LIDER: ES AQUEL QUE GUIA.7.

7. Reyes EQUIPO DIRECTIVO 272 .2 De quién necesitan apoyo EQUIPOS DE MEJORA CONTINUA LIDER DE EQUIPO EQUIPO DE TRABAJO DE APOYO EQUIPO GERENCIAL DIRECCION P.

2 Problemas comunes 1. Apatía de la gente. No se mantiene la disciplina por el líder del equipo. 7. 4. P. 6. 2. Comunicación mínima entre jefes y coordinadores. Exceso de “bomberazos” en áreas saturadas de trabajo. Poca comunicación. 5. 3. Reyes 273 . Apatía de los equipos para generar resultados. Falta de apoyo económico y motivación personal por la dirección.7.

10.que funcione P. Escasez de tiempo para juntas de trabajo 13. Reyes 274 .2 Problemas comunes 8. No hay un sistema de control y aseguramiento de calidad. No se cuenta con asesoría profesional.7. 11. La situación de crisis afecta a los equipos 9. 12. No hay compromiso de la Dirección. Mala actitud de personal y no hay medición de trabajo estadísticamente.

2 Problemas comunes 14. No se dan facilidades para asistir a conferencias y congresos de equipos de trabajo 18. 15. de la empresa. Falta de apoyo de gerentes y superintendentes. 19. Baja participación de los departamentos. Falta constancia y disciplina en las tareas una vez iniciadas. 17. Falta conocimiento en la aplicación de las 7 herramientas estadísticas. 16. P. Falta de involucramiento de las gerencias y dirección. Reyes 275 .7.

21. Cambio de citas de reunión por actividades de participantes. Falta de conocimiento de métodos de estandarización. Falta de involucramiento de algunas áreas de calidad total. 23.2 Problemas comunes 20. 22.7. Problemas de inestabilidad generados por la crisis. P. Reyes 276 .

3 Manejo efectivo de Juntas y reuniones P.7. Reyes 277 .

3 Tipos de reuniones • Para control y mejora (30-60 min. – Contribuir a procesos de solución de problemas. avisos de reunión.) – Reporte de evento. – Reflexiones de lectura/tarea.) – Metas de la semana.) – Asignar tareas y responsabilidades.7. breve explicación • De información (10 . Reyes 278 . • De comunicación (15 . P.15 min.20 min.

– Conocimiento de producto o servicio.) – Avisos escritos de diversa índole. • De memorandum (5 – 10 min. calidad.7. • De seguimiento (15 .30 min.) – Verificación y análisis de tareas asignadas en Control y Mejora. P.) – Trabajo en equipo.3 Tipos de reuniones • De estudio (30-60 min. Reyes 279 .

.7.Crear una atmósfera apropiada para que los participantes externen sus ideas y opiniones libremente.Obtener la información necesaria . ¡HACIENDO POSIBLE LO IMPOSIBLE! P. 4. 2.Crear un sentido de trabajo en equipo.3 Función del coordinador 1.. 3.. que sea llevado al mismo lugar de trabajo.. Reyes 280 ..Anticipar las reacciones positivas y negativas de las personas.

6.3 Funciones del coordinador 1... 2. P.No culpar nunca a nadie si no es claro en sus ideas..7.Replantear el punto si no esta claro. modificar o evaluar de inmediato una opinión.Mantener la junta en el tema.. 7....No criticar. Reyes 281 . 5.Clarificar la información. 3.Pedir ideas a todo el grupo y en forma Individual. 8.Ayudar a desarrollar ideas completas. 4.Aceptar todas y cada una de las sugerencias..

2.De reconocimiento a los participantes cuyas opiniones se relacionen directamente con el tema...Difiera la información que no este relacionada con el tema a discutir . este debe ser verbal y frente al grupo. Reyes .Tengan los temas y objetivos por escrito y visibles enfrente del lugar de reunión.7. 3.3 Recomendaciones 1. 282 P..

. ? ___________________________________________________ ____________________________________________________ ____________________________________________________ ____________________________________________________ P.7. .3 Ejercicio Seleccionar un tema a tratar de la vida real Establecer reglas y objetivos NOTAS ¿ Como se comporto el equipo . Reyes 283 .

Reyes 284 . . . ? ____________________________________________________ ____________________________________________________ ____________________________________________________ ____________________________________________________ ¿ Se cumplio el objetivo . . .3 Ejercicio ¿ Como se comportaron los integrantes . .7. ? SI___ NO____ ¿ Por que . ? ____________________________________________________ ____________________________________________________ ____________________________________________________ P. .

Reyes 285 .4 Solución de problemas por medio de la Ruta de Calidad P.7.

Verificación de soluciones 10.4 Los 11 pasos de la Ruta de la calidad 1. Selección del problema Razón de la selección Establecimiento de objetivos Programa de actividades Diagnóstico de la situación actual 6.Prevención de la reincidencia y estandarización P. Reyes 11. 5.7. 4. 2. Implantación de soluciones 9. Identificación de causas 7. 3. Análisis de soluciones 8.Reflexiones y tareas futuras 286 .

..7..SELECCIÓN DEL TEMA PLANEAR P 2.RAZON DE LA SELECCIÓN 3..4 La ruta de la calidad 1...VERIFICACION DE SOLUCIONES 10.PROGRAMA DE ACTIVIDADES 5..ANALISIS DEL PROBLEMA BUSQUEDA DE EN CASO CAUSA REAL 7...REFLEXION Y TAREAS FUTURAS P..ANÁLISIS DE DE NO SOLUCIONES HABER 8. Reyes HACER D CHECAR C ACTUAR A POR INICIATIVA HACER UN EJEMPLO INMEDIATAMENTE 287 .PREVENCION DE LA REINCIDENCIA 11.IMPLANTAR SOLUCIONES EFECTO 9.ESTABLECER OBJETIVOS ESTABLECER LA FORMA IDEAL 4..DIAG. DE SITUACION ACTUAL 6.

Se usa para sistematizar la forma en que se mejoran los procesos... de manufactura e individuales.7.Se usa para mejorar procesos administrativos. P.4 Beneficios de la ruta de la calidad 1.Es un método estándar para resolver problemas.. 2. 3. Reyes 288 .

1. Reyes 289 . Selección del problema P.

.1. P. Selección del problema Análisis de situación actual e identificación de problemas. . Una vez seleccionado el tema: .Comprensión de elementos situacionales. Reyes 290 .Identificación de factores de variabilidad.Cuantificación de datos reales.

Más rápido. * ¿Cómo nombrar el problema? Menor Costo.1. Selección del problema * Seleccionar el problema en base a las políticas de la organización. Se sugieren sean problemas enfocados a impactar al cliente. Mejor desempeño 1).. al jefe inmediato y a los resultados de sus actividades diarias. (el tema no deberá ser demasiado 291 P. . Reyes amplio).Expresar concretamente el grado del problema.

.PPT 292 . sin antes realizar la búsqueda de la causa verdadera.Es mejor no usar la solución para nombrar un problema.. Reyes GUOQCSTORY.1. Selección del problema 2). 3). se creará duda de si esa solución es la definitiva.Criterios para seleccionar el problema Seguridad Entrega Moral 2 Calidad Costo P.

Razón de la Selección ¿Porque? P. Reyes 3 GUOQCSTORY.PPT 293 .2.

* Impacto para los procesos posteriores. paro de línea. Entre todos los integrantes del equipo pueden evaluar las razones arriba descritas mediante las 7 294 P. % de ventas perdidas . otros. monto de pérdida. reclamo de mercado. •Explicar por qué se seleccionó el problema * Efecto económico.rechazos. incremento de tiempo de operación.PPT . etc.2. Reyes 4 GUOQCSTORY. la importancia y la prioridad de los problemas. Razón de la Selección *Expresar los antecedente.

de Ejec. lugar 10 Puntos 2o. NIVEL SERVICIO P. lugar 10 Puntos 2o.2. lugar ENTREGAS TARDIAS DOCS.Prior. Razón de la Selección Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluación Criterio de evaluación 3 puntos 2 puntos 1 punto Evaluación Problema DEVOLUCIONES Impor. tancia Política Periodo FactiDepto. bilidad Orden 12 Puntos 1er. lugar 9 Puntos 3er. INADEC. Reyes 295 .

2 13 .8 0.47 0. por lo que se seleccionó como tema.24 27 .31 3/junio .6 6/mayo-11 0.15 0.46 % de incidencia (CASOS) 170 160 140 120 100 80 60 DOBLE CORTE PARETO DE DEFECTOS DEL PRODUCTO A PERIODO 6/MAY/98 AL 15/JUNIO/98 n = 170 (%) NUMERO DE DEFECTOS 80 30 % 51 31 CORTE MULTIPLE 60 27 CONTAMINACION 25 PORO 20 ALTURA MAYOR Y MENOR 16 BAJA ADHESION 40 20 0 40 20 0 Al verificar el grado de incumplimiento respecto al 0.48 % (%) 1 0.51 0.3% del objetivo de grupo y además de investigar las causas de incumplimiento se encontró que ”DOBLE CORTE" es el más problemático.53 0. Reyes 5 GUOQCSTORY.000 x = 0.45 objetivo del grupo 0.15/junio/’98 n = 5.Ejemplo2 : Utilización de la gráfica lineal y el diagrama de Pareto. % ACUMULADO 0 100 P.4 0.PPT 296 .7 10 . periodo 6/Mayo/’98 .16 20 .46 0.3% 0.

(2). * Definirlo tomando en cuenta las políticas de la empresa. etc. factibilidad de cumplimiento. * El objetivo debe de ser concreto.Que se requiera la selección de las actividades conforme a la habilidad real del grupo de trabajo Establecer un objetivo que tenga relación con la selección del tema y razón de la selección. si no establecer un objetivo factible de manera escalonada.3. * Hay un método para establecer el objetivo final de una vez. Establecer objetivos graduales en los casos Siguinetes: (1). * No plasmar simplemente los deseos y expectativas en el objetivo. y definirlo.. programa.Que el tema sea complicado y que se relacione con otras áreas. (3). (Punto clave para establecer el valor objetivo). * Establecer un objetivo con fundamento. analizar la importancia de los problemas y / o mejoras... * En caso de no tener un concepto claro de las políticas. distribución de cargo. establecer periodos de tiempo cortos. Ejemplo: ¿QUÉ? ****** Reducir el defectuoso en productos A ¿HASTA CUÁNDO?****De Mayo del 97 a Abril del 98 ¿HASTA CUANTO?****Bajar hasta 1% ó menos del 1% promedio de defectuoso. Reyes 297 . * El objetivo debe tener relación con el efecto esperado . no se debe tomar una decisión de impulso (sin analizar). Establecimiento de objetivos PUNTO CRITICO * Aclarar la meta del valor del objetivo. P. otro estableciendolo en forma gradual entre objetivo primario y secundario.Que el tema sea demasiado grande y se requiera dividirlo. ACTIVIDADES * Indicar el objetivo con valores en forma numérica en lo posible. cuando nos ocasionen un defecto al proceso posterior.

Reyes 298 .Ejemplo n° 1 Establecimiento del Objetivo con fundamento EJEMPLO N°2 CONCEPTO CONTENIDO ESTABLECIDO VALOR OBJETIVO IGUAL O MENOR DE 1% FECHA LIMITE FIN DE Abril de 1998 EFECTO ESPERADODE INCREMENTO EN EL % DE AHORRO 3% (%) 8 6 4 2 0 x 1 4 3 2 1 2 IGUALAR AL NIVEL PAIS 2 3 4 10 11 12 1 2 3 4 IGUALAR AL PASADO IGUALAR A OTRAS LINEAS ESTABLECER EN BASE A LA POLITICA 6 MESES El objetivo debe ser establecido en consenso OBJETIVO FINAL P.

SECUNDARIO 0% 1 2 3 4 5 6 OBJETIVO FINAL PERIODO DE TIEMPO P.Ejemplo n° 3: Establecimiento gradual del objetivo Se debe tomar en cuenta el problema real anterior.PPT 299 . Reyes 7 GUOQCSTORY. (%) V P E E N R T D A I S D A S 6 5 4 3 2 1 0 CONDICION ACTUAL OBJ. PRIMARIO OBJ.. para que los datos sean razonables y convincentes. etc.

PRODUCT O. Reyes 8 Juan Pérez may-97 TODOS JUN. 97 GUOQCSTORY. 97 TODOS JUN. Programa de actividades ASIGNACION DE LAS TAREAS POR QUE ? PROPOSITO QUE ? CONCEPTO DE ACT.PPT PREVENCION DE EMISION DE CAMBIO 300 . QUIEN ? RESP.4. CUANDO ? FECHA COMO ? CONOCER LA SITUACION ACTUAL ¿QUE ESTA MAL ? ¿COMO SE PUEDE MEJORAR ? ¿SE PUEDE MEJORAR ? COMPRENDER LA SITUACION ACTUAL ANALISIS ACCIONES CORRECTIVAS CONFIRMAR EFECTO CAMBIO DE PROCEDIMIENTOS Y ESPECIFICACIONES P. 97 GRAFICA JUL. 97 HOJA DE CHEQUEO GRAFICA DIAGRAMA D CAUSA Y EFECTO PLAN DE ACCIONES CORRECTIV TODOS ING. JUL.

problemas. ACTIVIDADES * Investigar a fondo dar el siguiente Investigar la diferencia en las variaciones del * Investigar clasificando por tiempo. concluir e iniciar análisis. 100 80% humedad. turno comportamiento de los fenómenos. operación. material. siendo realista. Diagnóstico de la situación actual PUNTO CRITICO Observar de manera exhaustiva la condición real de de manera que se pueda lo problemático y checar a través de los datos. 1 PARETO 100% Lo que se busca es confirmar la condición real no temperatura. estándar 80 60% encontrar las ideas de solución.5. tipo de máquina. 20 N M PL ET O IO O AS ZA AD IO S O TR O 0 C EJ LU U EV O Q TA R C O PR IN EQ 80% VITALES 20% TRIVIALES AN SU C D D O D U IV O C P. EJEMPLO No. mostrar 40% gráficamente lo investigado de tal forma que se vean fácilmente las 40 20% diferencias. método de operación. lote. Reyes 301 . paso (análisis). proceso. Usar las 7H’s. procedimiento. operador. clima. etc. 60 * De inmediato ver físicamente las cosas en campo.

Identificación de causas DIAGRAMA DE CAUSA EFECTO ISHIKAWA O ESPINA DE PESCADO P.6. Reyes 302 .

1. Relación causa-efecto. 3. P. Selección de causas reales. Uso de herramientas. 6. Análisis de posibles causas.6. Reyes 303 . Cuantificación de posibles causas 5. 7. 2. Experimentación y prueba de hipótesis y causas probables. Identificación de causas Determinar las causas raíz. 4. Determinación de causas reales.

sobre todo observar MAQUINARIA FALTA MANO DE OBRA bien.Identificar las posibles causas verdaderas . Identificación de causas PUNTO CRITICO ACTIVIDADES . FALTA tos (resultados) de un análisis al investigar a fon. FRESCO PAPEL FUERA solucionar un problema diciendo excusas. N PAPEL DESALINEADO COMPROMISO do la situación actual.Hay casos en que se pueden conseguir los efecsea necesario.Repetir la pregunta "porqué" 45 veces . Reyes APLICACIÓN DE CINTA INCORRECTO METODO 304 .Se utiliza el diagrama de causa-efecto (Ishikawa) VERIFICAR CADA UNO DE LOS FACTORES como una alternativa de análisis . PAPEL APLICACIÓN DE BOLSA PAPEL MANUAL * Identificar las causas reales en forma resumida. etc. "No tenemos experiencia". (factores) del análisis de la situación actual identificar las posibles causas verdaderas o factores . POCO ESPESOR ESPESOR NO SE SIGUE EL PROC: MATERIAL FLUJO DE PAPEL EN LA PARTE SUPERIOR DEL MOLDE P.Analizar a fondo AIRE CAPACITACION BARRA SOPORTE DE FALTA DE RETROALIMENTACIO involucrando al jefe inmediato.Ir a piso a verificar físicamente cuantas veces .6. . No se debe tratar de MAL CORTE PAPEL DAÑADA MAT. Ejemplo: "Es la primera vez que NO SE MIDEN ESPESORES DE aparece“.Buscar la causa(s) real(es) desde los factores.En base al conocimiento de la situación actual. staff y las áreas DE LINEA ROLLOS PESADOS relacionadas.

Uso de métodos de Control de Calidad. Análisis de soluciones Cada causa tiene soluciones basadas en: 1. P. 2. 4. 3.7. Definición de soluciones. Reyes 305 . 5. Desarrollo de plan de implementación. Evaluación de éstas. Definición cuantitativa de mejores.

* Recabar todas las ideas de los miembros del gru* Dividir las medidas correctivas en dos tipos: po. ESPESORES tecnología.PPT 306 . (poka-yoke) ESPESORES EN MAQ. Hacer una evaluación de efectos. Análisis de soluciones PUNTO CRITICO ACTIVIDADES * Eliminar la causa real que se encontró como resul* Planear las medidas correctivas para cada una tado del análisis. Junio 97 •Evaluar las ideas de Kaizen. sobre las causas raíz EJEMPLO No. MODIFICACION AL APLICADOR DEL PAPEL 2. Elaborar Junio 97 grado de 4 OPERADORES ESPESORES Junio 97 DE PLÁSTICO propuesta operativa y preparar los recursos requeridos.7. seguridad. 1) Medida contingente provisional * Pensar medidas físicas. operatividad. 1. Reyes 14 GUOQCSTORY. CONTROL DE 2. VERIFICAR economía. CAMBIAR CONSTRUIR MATERIAL B. 3 OPERADORES Factibilidad Prioridad Efecto LINEA DE PAPEL ANTES DEDE 3. CAMBIAR ANCHO DE PAPEL LIDER 5 4 J. 5 J factibilidad. más que personales. etc. CONTROLAR 1 PUNTO variación. 1: Evaluación ra que la acción correctiva sea estable y sin para 3 PUNTOS prevenir la reincidencia 2 PUNTOS 1. Pérez. Pérez J. Pérez Julio 97 Julio 97 FECHA P. A. MODIFICAR APLICACIÓN DE PAPEL. pa2) Medida correctiva. jefe inmediato y personas relacionadas. (no eliminar los fenómenos) de las causas encontradas a través del análisis.

8.PPT 307 . Reyes 15 GUOQCSTORY. Implantación de soluciones P.

Análisis cuantitativo de situación mejorada vs. 2. 6. 7. 3. Reyes 308 . 5. Medición de efectos secundarios.8. Implantación de soluciones 1. Descripción de áreas afectadas. situación actual. Análisis cuantitativo de impacto. Descripción de obstáculos. P. Uso de herramientas . 4. Explicación de implementación.

Jefe Obtener la aprobación de inmediato etc. . Implantación de soluciones PUNTO CRITICO ACTIVIDADES * Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas * Verificar si no hay efectos secundarios * Probar las ideas de mejora. * LISTADO DE LAS MEDIDAS CORRECTIVAS las áreas relacionadas. TOPE PROC. DE LTAD LIMPIEZA O 1 JULIO 97 BARRA DE APLICACION AUNQUE SE DA J.¿COMO? ¿A QUE? NO CUANDO JUICIO QUIEN Comunicar a todos los involucrados de DONDE RESU la mejora a realizar. Es decir.TORRES 2 JULIO 97 PARA LOS MOLDES P. investigar efectos * Dar capacitacion y entrenamiento. turno o puesto. secundadarios que puedan afectar al producto o áreas* Los equipos implantan las acciones correctivas EJEMPLO 1 y después poner en práctica las luciones. Reyes 309 . PÉREZ EFECTO NO ES PERSISTENTE EXISTE POCO DEFECTO L.8.

ASEGURADO CON UN TOPE (POKA YOKE) EN LA BARRA DE APLICACION P. Implantación de soluciones PARA LA LINEA DE PAPEL: APLICACIÓN ANTERIOR DEL PAPEL CON LA ACCION CORRECTIVA SE MODIFICÓ LA APLICACIÓN DEL PAPEL.8. Reyes .

confirmar el efecto sobre cada concepto de (relación humana. E 2 2 para aplicar las mismas contramedidas.5 14 . Verificación de soluciones PUNTO CRITICO ACTIVIDADES * Verificar hasta obtener efectos estables ampliando * Hacer análisis comparativo antes y después los datos históricos en gráficas de la etapa de * En caso de aplicar varias medidas correctivas "razón de selección del tema" .9 21 . alegre). capacidad. Dar reconocimiento.7 07 .Investigar si 23 . 19 .4 21 . C 13 .5 O 0 311 P. contramedidas. Verificar los efectos intangibles sin omisiones * Comparar el efecto en gráfica entre antes y después de KAIZEN respecto al objetivo. trabajo en equipo. entusiasmo. indirectos e intangibles.9 S . área de trabajoEjemplo 1.2 13 . 08 . 12 . 1 . F 18 .3 %D < 1 de D 22 . Reyes . 15 .4 U 09 . T 1 09 .9. E 16 .2 existen áreas y 21 operaciones similares tanto dentro como fuera % la planta.6 17 . . 17 .5 *% 2 Determinar los beneficios monetarios. .

85 3.Ejemplo 3.27 2.5 6.66 0.3 3.9 M ONC KS C . Reyes 312 . DUM FRIES COREA BRASIL JAPON M EXICO % 6 4 2 0 P.T IM ING B E L T S B E NC HM ARK ING D E F E C T UO S O T IM ING B E L T S 10 8 9. UM I M IC RO V .

Yokes ). Prevención de la reincidencia – Estandarización DISPOSITIVOS A PRUEBA DE ERROR ( Poka .10. Reyes 313 . P.

Aplicación de soluciones en otros procesos. 4. Controles para la mejora. Reyes 314 . 3.10. 2. . Uso de métodos de estandarización. Datos de control de resultados. 5. Formas para eliminar causas. Estandarización 1. P.

en martillo de filos electrodo hoja de chequeo 2 3 Chequeo Adopción de electrodo roscado de daño en rosca Base de Proceso electrodo usuario. establecer sistemas y realizar la revisión de los Equipos equipos. Prevención de la reincidencia PUNTO CRITICO ACTIVIDADES * Hacer estandarización para prevenir la reincidencia * Mantener y controlar los efectos * Con el fin de mantener y controlar lo estandariza* Hacer estandarización. instructivo de manejo. 3 días responsable visual proceso.10. capacitación y entrenamiento de manera Poka-yoke. Mano de obra EJEMPLO 1: Confirmar el resultado de la modificación Capacitación y Por qué Qué DondeCuándo Quién Cómo adiestramiento de habilidad Comunicar adecuadamente a las áreas Medidas5 W 1 H What Where When Who Why How correctivas técnica en base a la operación Integrar Turnar Botador En almacén1 vez cada involucradas botador Chequeo Calidad: Carta de Chequeo de control despostilladora 1 de electrodo de de Htas. Reyes Prevención de Prevención Cada vez que se presente un problema.En el proceso de paro de agua miento lentamiento P. do. inferior Cada Turnar Chequeo semana responsable visual hoja de chequeo Chequeo 2 veces Turnar visual por día responsable cada día hoja de chequeo Automatización sobrecalenta-de sobreca. se investiga y se toman medidas correctivas 315 . hoja de especificaciones. periódica. dibujos. muestreo de límite.

Ejemplo No. DE ESTANDARIZAR PROCEDIMIEN DE PAPEL DEL 97 LAS PRODUC TO TISSUE USUARIO OPERACIONES TO PRO CEDIMIEN TO P. PEREZ CHE QUE O VISU AL INST. Reyes . 2 1 Medidas correctivas 5W 1H Por qué Why CORRECTA APLICACIÓN DE PAPEL.PARA PARA ELABORAR APLICAR PROCESO AGOSTO ING. Qué What Donde Where Cuánd o When Quién Who Cómo How 2 INTEGRAR TOPE TOPE APLICA DOR DE PAPEL TISSUE JULIO 97 J.

Descripción del plan de acción. P. Análisis del impacto económico 4. Comparación cuantitativa. Descripción de problemas pendientes.11.Evaluación cuantitativa de resultados intangibles. Evaluación objetiva. Reflexiones Análisis de resultados 1. 2. 2. Reyes 317 . 3. 3. Presentación de resultados Conclusiones 1.

Reyes 318 . Reflexiones y tareas futuras P.11.

A) Efecto físico. Reflexiones y tareas futuras PUNTOS CRITICOS ACTIVIDADES * Aclarar la diferencia entre la planeación y el resul. H) Mejora de conocimiento. * Registrar las actividades tomando en cuenta * Resumir los planes futuros en forma concreta. F) Puntualidad G) Asignación de funciones. QC Story. B der de puntos negativos. A herramientas. asignación de funciones. J) No. Reyes D E 319 . Reflexionar sobre la satisfacción lograda. C) Aprovechamiento entusiasmo del método QC. de juntas. D) Trabajo en equipo. E) % Participación en juntas. J B) Participación.grupo. administración de * Aprovechar EJEMPLO: puntos positivos de resultado y apren. I) % de cumplimiento de programa. juntas.11. tado. I C H G F Gráfica de Radar P.* Aclarar los puntos positivos y negativos. el efecto físico. programa.

5 Ejemplos P.7. Reyes 320 .

Métodos de muestreo P.8. Reyes 321 .

Reyes 322 .Muestreo aleatorio estadístico Muestra n Lote N P.

Reyes 323 . insp.Muestreo de aceptación • Calificación de lotes: sin inspección. 100% y muestreo • Ventajas de la aceptación por muestreo: – Aplicable a pruebas destructivas – Menor costo de inspección – Menor tiempo de inspección – Menor manejo de producto – Presión al proveedor para mejorar su calidad • Desventajas de la aceptación por muestreo – Riesgo de aceptar lotes malos o rechazar buenos – Poca información sobre el producto o proceso – Requiere planeación P.

Tipos de muestreo de aceptación • Muestreo por atributos – Muestreo simple – Muestreo doble – Muestreo múltiple • Muestreo por variables – Calificación por variables (un plan por cada característica) – Plan en base a la posición de la media P. Reyes 324 .

Formación de lotes y muestreo • Los lotes deben ser homogéneos es decir haberse producido bajo las mismas condiciones de manufactura • Es mejor inspeccionar lotes grandes que pequeños • Los lotes deben ser fáciles de manejar tanto con el cliente como con el proveedor • Las muestras se deben seleccionar en forma aleatoria y deben ser representativas de todo el lote P. Reyes 325 .

Reyes 326 .Muestreo por atributos P.

2 0.1 0.8 Curva característica (Excel) 0.5 Operación dado una 0.15 Tamaño de muestra n y un criterio de aceptación c 0.Muestreo simple por atributos • Se define por su tamaño de muestra n y el número de aceptación c máxima de partes defectivas (N tamaño de lote) • Pa es la probabilidad de aceptar un lote con fracción defectiva p con base en el plan de inspección n-c Pa 1 • Pa es la probabilidad acumulada de Poisson de 0.3 0.05 0. P.25 0.3 p Prov.1 0. Reyes 327 .

. .01. . . n=89.Muestreo simple por atributos n =tamaño de muestra . n! d Pa =P ( ≤ c ) ∑ d = p − p) (1 d d =0 d !(n − )! c n − d Calcular la probabilidad de aceptar un Lote defectivo con p=0. d = defectivos encontrados en la muestra . Reyes 328 . c=2 P. c = criterio de aceptacion . . . . p = fraccion defectiva en el lote . .

Binomial o de Poisson a) Determinar la Pa con n=89 y c = 0.01 – 0. 1 y 2 b) Observar que pasa si se varia n para n=50.09 y Obtener la curva OC Tipo B.Muestreo simple por atributos Variar la p de 0. N grande. 0.005. Se usa la distr. 100. Reyes 329 . 200 para c=2 P.

N = 500 c = 0. 1 y 2 b) Observar que pasa si se anteponen A las curvas OC tipo B P. Reyes 330 .Muestreo simple por atributos Variar la p de 0. Se usa la distribución Hipergeométrica a) Determinar la Pa con n=50. N <= 10n.09 y Obtener la curva OC Tipo A.005.01 – 0. 0.

06. p2=0.1 se procede como sigue: • Se localiza en el nomograma la intersección de las líneas que conectan (p1=0. 1-alfa=0. beta=0. p2 =0.01.05.02.02.1) • Se localiza la intersección y se determinan n y c del mismo nomograma Encontrar el plan de muestreo para p1 = 0.1 P.06 y Beta=0.06 y beta = 0.Diseño de un plan de muestreo con una curva OC específica • Si se quiere un plan en el cual p1 = 0.99) y (p2=0. Reyes 331 . alfa =0.01 y alfa = 0.

000 piezas OK P.Inspección rectificadora Entrada de 100 lotes de cierto proveedor con N=10.02 88.18% AOQ 332 . 0.000 y p = 0.820 Piezas defectivas 1.02 9 lotes son aceptados a pesar de tener un 2% defectivo: Es decir ingresan P=0.820 piezas OK Y 1800 piezas KO 91 lotes son rechazados y seleccionados por el proveedor. deja 910.800 Alm. Reyes n =200 Pa c=1 AOQ Total de piezas OK 998.

Muestreo simple por atributos • Conforme se disminuye c o se aumenta n la probabilidad de aceptar lotes defectivos se reduce Pa • AOQ es la calidad de salida promedio después de aplicar un plan de muestreo a los lotes del proveedor.25 0.1 0. Reyes defectiva que ingresa al almacén o planta después de aplicar el plan de muestreo Almacén Fracción defectiva que envía el proveedor AOQL 0.25 0.15 0.20 0.3 p Prov.2 0. donde algunos lotes se aceptan y otros se rechazan Plantaselección 100% para Fracción AOQ = p*Pa 0. 333 .3 0.15 P.05 0.1 0.

0.Inspección rectificadora Variar la p de 0. 200 para c=2 P. Reyes 334 . Binomial o de Poisson a) Determinar la AOQ= p*Pa con n=89 y c = 0. 1 y 2 b) Observar que pasa si se varia n para n=50.09 y Obtener la curva AOQ para N grande Se usa la distr. 100.005.01 – 0.

005. Binomial o de Poisson a) ATI=n + (1-Pa)(N-n) con n=89 y c = 2 b) Observar que pasa si se varia n para N=1000.01 – 0. Reyes 335 .Inspección rectificadora Variar la p de 0.09 y Obtener la curva ATI para N grande Se usa la distr. 5000 y 10000 con n = 89. 0. c=2 P.

000 N=1.000 N=10. Reyes 336 .Inspección rectificadora ATI 10.000 p P.000 N=5.

Planes de muestreo doble • Bajo ciertas circunstancias es necesario tomar una segunda muestra para tomar una decisión. Muestras n1 y n2 con criterios de aceptación c1 y c2 Inspeccionar 1a. Muestra con n2=50 d2 = # de defectivos Si d1 + d2 <= c2 =3 Aceptar lote P. Reyes Si d1+d2 > c2 Con c2 = 3 Rechazar lote 337 . Muestra con n1=50 Si d1<=c1=1 Aceptar lote d1 = # de defectivos Si d1 > c2 = 3 Rechazar lote 1< d1 <= 3 Inspeccionar 2a.

Reyes 338 .Curva OC – Muestreo doble Pa Probabilidad de rechazo con Primera muestra Probabilidad de Probabilidad de Aceptación con Primera muestra Aceptación con Muestras combinadas p P.

279 +0. Reyes 339 . d 2 ≤1 = P d1 =2 * P d 2 ≤ } { } { }1 PaII (2) = P{ d1 = 3.001 P.01 P (1) = P{ d1 = 2.289 a a 50! 1 d 50− P =∑ (0. d 2 = 0 = P d1 =3 * P d 2 =0 } { } { } = 0.Curva OC – Muestreo doble Probabilidad de aceptación en el muestreo doble Pa = PI + PII =0.05) (1 − 0.010 = 0.009 = 0.05) d 1= 0 d1!(50 − d1)! I a II a 1 d 1 = 0.001 =0.009 +0.279 PaII = PaII (1) + PaII (2) =0.

d 2 ≥1 = P d1 =3 * P 1 −P d 2 =} } { } { { }0 P. d 2 >1 = P d1 =2 * 1 −P d 2 }1  ≤ } { }  {  PrII (2) = P{ d1 = 3. Reyes 340 .05) 1 (1 − 0.05) − d 1= 0 d1!(50 − d1)! P = Pr (1) + Pr (2) II r II II PrII (1) = P{ d1 = 2.Curva OC – Muestreo doble Probabilidad de rechazo Pr = P + P I r I r 2 II r 1 d 50! d 50 P =1− ∑ (0.

Curva ASN – Average Sample Number ASN bajo inspección completa ASN = n1 P1 + ( n1 + n2)(1 − P1) P1 = P{ lote. primera.aceptado. en. rechazado.en. Reyes 341 .muestra } P { lote. primera. muestra } P1 = P ( d1 ≤ 1) + P ( d1 > 3) P ( d1 > 3) = 1 − P ( d1 ≤ 3) + P.

o var . Muestra al tener d >c2 c2 ASN = n + ∑ 1 + j = c1 +1 P( n [j n L P ( n c2 1. en. defectivos. muestra. de. menos. j− + c2 − j + 1 PM ( n2 1. Reyes 342 . obser var . j. n2 1+ bser P. de. c2 −. muestra.en. c2− j+ 2.+c2 j − 2)+ ] p P( n1. de. 2 j ra n PM ( n2 + 1. defectivos. muest . c2− j) = prob.Curva ASN – Average Sample Number ASN bajo inspección recortada en 2a. n1 PL ( n2. j) = probabilidad . ) 2 2. o. defectivos. c2 − j + 2) = prob. en.

02 0. doble y doble recortado 120 ASN Plan: n1=60.Curvas de ASN para diferentes planes de muestreo: simple. Reyes . n2=120.04 0.12 p 343 P. c2=3 Inspección doble completa Inspección simple 90 Inspección 60 recortada 0.06 0.10 0.08 0. c1=2.

Reyes 344 . beta) P.Diseño de planes de muestreo dobles • Se utilizan tablas especiales para diseñar los planes de muestreo doble en función de (p1. 1-alfa) y (p2.

Reyes 345 .Curva AOQ y ATI – Muestreo doble Ecuaciones para AOQ y ATI:  PaI ( N − n1) + PaII ( N − n1 − n2)  p *   AOQ = N ATI = n1* PI + ( n1 + n2) * PII +N (1 −Pa) a a P.

Muestreo múltiple • Es una extensión del muestreo doble. por ejemplo: • Muestra Aceptar 20 0 3 • 40 1 4 • 60 3 5 • 80 5 7 • 100 8 9 • Rechazar • Su ventaja es que las muestras requeridas en cada etapa son más pequeñas que las requeridas en muestreo simple o doble y se tiene menor costo pero es más complejo P. Reyes 346 .

Muestreo secuencial P. Reyes 347 .

de Defectivos 6 Rechazar Continuar h2 Xa Aceptar 10 -h1 20 30 P. Reyes 40 348 .Muestreo secuencial • Se toma una secuencia de muestras de un lote n dependiendo de los resultados de la inspección • Para cada punto la X es el número de puntos seleccionados hasta cierto tiempo y la 7 Xb ordenada el número de defectivos hallados 5 4 3 2 1 0 -1 -2 No.

Beta = 0.10 349 .05 P.06.Muestreo secuencial X ACEPTACION = −h1 + sn Curva OC 1-Alfa h2/(h1+h2) Beta X RECHAZO = h2 + sn k = log p 2 (1 − p1 ) p1 (1 − p 2 )  ÷k    1 − p1 s = log 1 − p 2  p1 s p2  1− β  h2 =  log ÷k α    1 −α  ÷k h1 =  log  β    Calcular ecuaciones para: p1 = 0. Alfa = 0.01. Reyes p2 = 0.

24 -0.024 -0.044 -0.996 -0.1 -0.298 2.016 0.464 -0.716 -0.128 -0.214 Xa -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 Xr 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 n Xa 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 -0.83 2.324 -0.436 -0.598 1.55 2.94 -0.548 -0.606 2.634 2.242 2.8 -0.13 2.654 1.072 -0.968 -0.184 -0.632 -0.738 1.906 1.38 -0.718 2.85 1.492 -0.046 2.682 1.164 -1.108 -1.354 2.746 2.186 2.074 2.212 -0.41 2.662 2.828 -0.766 1.802 2.858 Xa -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 Xr 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 P.71 1.494 2.522 2.69 2.352 -0.08 -1.688 -0.27 2.576 Xr 1.774 2.466 2.156 -0.136 -1.052 -1.822 1.626 1.382 2.408 -0.934 1.794 1.744 -0. Reyes 350 .66 -0.884 -0.296 -0.068 Xr 2.102 2.856 -0.04 0.158 2.578 2.438 2.Resultados del muestreo secuencial n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Xa -1.018 2.192 -1.012 0.604 -0.772 -0.878 1.962 1.912 -0.326 2.268 -0.52 -0.99 2.

Fórmulas muestreo secuencial Número promedio de muestras inspeccionadas B  A ASN = Pa   + (1 − Pa ) C C  Número de muestras que inspecciona el cliente unicamente     β A = log 1−α 1− β B = log α p   1 − p2 C = p log 2  + (1 − p ) log p  1− p 1  1  Nivel de calidad promedio de salida AOQ = p*Pa y ATI Número de muestras que inspecciona cliente y el proovedor  A ATI = Pa   + (1 − Pa ) N C  P. Reyes 351 .

Uso de tablas de muestreo MIL-STD-105E ANSI Z1.4. Reyes 352 . ISO 2859 P.

Del 91 al 99% de las veces (1 – alfa). • Alfa es el riesgo del proveedor y beta el del consumidor P. Reyes – 353 . 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.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.Tablas de muestreo MIL-STD 105E o 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 P.Tablas de muestreo MIL-STD 105E o ANSI Z1. Reyes 354 .

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.Tablas de muestreo MIL-STD 105E o ANSI Z1.4 • Iniciando con Inspección normal. Reyes 355 . Reducida si: – Se han aceptado 10 lotes consecutivos – Regresa a Normal si se rechaza un lote P.

Rechazar = 2 – La tabla II—C para inspección reducida indica el plan de muestreo n = 50. Rechazar = 3 – La tabla II—B para inspección estricta indica el plan de muestreo n = 125.000 y AQL = 0. Aceptar = 1.4 • Ejemplo: Si N = 2.65%. 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. Rechazar = 3 P. Aceptar = 1. Aceptar = 2.Tablas de muestreo MIL-STD 105E o ANSI Z1. Reyes 356 .

Tablas de muestreo MIL-STD 105E o ANSI Z1. sin embargo la razón de N/n disminuye rápidamente dando economía de inspección • Las flechas ascendentes y descendentes indican cambio de letra y plan (n-c) dentro del mismo plan de inspección Ejercicios P. Reyes 357 .4 • Buscar los planes equivalentes en curva CO para muestreo doble y múltiple • Las tablas solo incluyen algunos valores de n que se incrementan conforme al lote es mayor.

25% de no conformes y LTPD de 1%.Romig • Planes para protección en LTPD (lot tolerant percent defective). o fracción defectiva que se desea rechazar el 90% de las veces (Pa = 0.Planes de muestreo Dodge . p = 0.1) – para componentes críticos • Es necesario conocer el LTPD y la fracción defectiva promedio del proceso p y el tamaño de lote N • La p puede obtenerse de una carta p histórica con 25 lotes promediando los valores pi de las muestras tomadas • Ejemplo: Si N = 5000. Se obtiene de la tabla de LTPD n = 770 y c = 4 • P. Reyes 358 .

AOQL = 3% y fracción defectiva del proveedor en sus lotes del 1%. entonces el ATI es: ATI = n + (1-Pa)(N-n) = 65+(0.1) • Asumiendo que al 1% de fracción defectiva. se obtiene de la tabla: n = 65 c = 3 LTPD = 10.01)(5000-65) = 114. Reyes 359 . se acepta el 99% de las veces (AQL).3% (punto donde Pa=0.35 P.Planes de muestreo Dodge Romig • Planes para protección en AOQL (average outgoing quality limit) o máxima fracción defectiva que se desea ingresar a la empresa después de aplicar un plan de muestreo • Asumiendo N = 5000.

Reyes 360 .Muestreo por variables P.

Reyes 361 .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 P.

15 P.25 1.3 Dimensión X 362 . Reyes 1.05 1. porque en el momento mas pequeño es mas se acerca al limite de aceptación LIE Conforme se Recorre a la derecha la fracción defectiva disminuye Z Posición de la media en Relación con el límite de Especificación inferior LIE Z = (LIE-Xm)/s 1.2 1. • 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. Esp.1 1. • Se toma una muestra y se evalúa la característica obteniendo un valor de MEDIA y de DESVIACIÓN ESTANDAR.Muestreo simple por variables Método I – Distancia k de X a Lim. El lote se acepta si |Z| >= k es lo minimo que puede valer Z. con estos datos se determina Z y se compara con el valor mínimo de K.

Reyes Curva característica de Operación dado una Tamaño de muestra n y un criterio de aceptación k 0.1 0. 363 .3 p Prov.15 P.Muestreo simple por variables Método I – Distancia k de X a Lim.8 0.3 0.2 0.1 0. Esp.25 0.5 0. Pa es la probabilidad de aceptar un lote con fracción defectiva p con base en el plan de inspección n-k Pa 1 0.05 0.

Reyes Aceptar el lote Si P(Qtot) <= M Qi P(Qs) 364 . LSE 4.Determinación de la fracción defectiva en la muestra por el Método II Pasos: 1. Se mide la característica de interés 3. LIE.Se toma una muestra de tamaño n 2. Se calcula la Media y la desv. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal LIE X LSE Qs s P(Qi) P. Se determina el valor de Qi y Qs en función de especs. Estandar de la muestra 4.

Reyes 365 .Fórmulas Q= Z n (n − 1) QLIE = X − LIE n /( n − 1) σ LSE − X σ QLSE = n /( n − 1) Buscar en tabla P(Q) para una n P.

1 0.3 p Prov.25 0.2 0.1 P.15 0. máx. Def.Muestreo simple por variables –Método II de M = fracc.05 0. Reyes 366 . • Se define por su tamaño de muestra n y el número de aceptación M máxima fracción defectiva aceptable en la muestra • Pa es la probabilidad de aceptar un lote con fracción defectiva p con base en el plan de Pa inspección n-M 1 Curva característica de Operación dado una Tamaño de muestra n y un criterio de aceptación M 0.3 0.8 0. 0.5 0.

Tablas de muestreo ASQC-Z1. Reyes 367 .9 • Requiere información de (por cada característica variable): • Tamaño del lote • Nivel de inspección (especial o normal – Default II) • Magnitud del AQL (fracción defectiva aceptable en lotes) • Contempla dos tipos de muestreo: • Método I utilizando el valor de K • Método II utilizando el valor de M • En cada uno de los tipos se prevén los planes de inspección: • Inspección normal • Inspección reducida • Inspección estricta P.

Reyes 368 . proporciona información de: • Tamaño de muestra n • Criterio de aceptación K (máx) o M (mín) • Contempla cambiar de Insp.Tablas de muestreo ASQCZ1. 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.9 • Iniciando con Inspección normal. Reducida si: • Se han aceptado 10 lotes consecutivos • Regresa a Normal si se rechaza un lote P.

Aceptar = 2. Nivel de inspección II • La tabla I indica letra código K • La tabla II-A para inspección normal indica el plan de muestreo n = 125.000 y AQL = 0. Aceptar = 1.65%.9 • Ejemplo: Si N = 2. Rechazar = 3 P.Tablas de muestreo ANSI Z1. Reyes 369 . Aceptar = 1. Rechazar = 3 • La tabla II—B para inspección estricta indica el plan de muestreo n = 125. Rechazar = 2 • La tabla II—C para inspección reducida indica el plan de muestreo n = 50.

59 Conclusión: Como Z es mayor que K. Reyes Tablas de muestreo ASQCZ1. 205 y 201) Calculando la media de la muestra es X = 195 y la desv. Nivel de inspección II teniendo un Límite Superior de especificaciones LSE = 209 • • La tabla A-2 indica letra código D La tabla B-1 para inspección normal indica el plan de muestreo n = 5.9 Método I con el valor de K • • • 370 .52 Se toma una muestra de 5 mediciones (197. por tanto Z = 1. se acepta el lote P. 188. Estándar s = 8. 184.• Ejemplo: Si N = 40 y AQL = 1%.81. Criterio de aceptación K = 1.

por tanto s = 1.7 • P(Zi) = 0. se acepta el lote P. LSE = 209 • La tabla A-2 indica letra código D • La tabla B-3 para inspección normal indica el plan de muestreo n = 5.85% • Conclusión: Como P(Zt) es menor que M.81.66%. 205 y 201) • Calculando la media de la muestra es X = 195 y la desv. Reyes 371 .Tablas de muestreo ASQCZ1.59.19%. Criterio de aceptación M = 3. P(Zt) = 2.9 Método II N = 40 y AQL = 1%. 188. Estandar s = 8. Nivel deM con el valor de inspección II • Ejemplo: Si teniendo Límite Superior de Especificaciones LIE = 180.33% • Se toma una muestra de 5 mediciones (197. P(Zs) = 2. Zi = 1. 184.

10 n n X A − 0.30 X A − 0.356 P.30 = = + 1.282− − (10%) 0.40 = − 1.645 − (95%) − σ 0. Reyes 372 .10 n n=9 X A = 0.Plan de muestreo para asegurar la media del lote • Si deseamos aceptar lotes con una probabilidad Pa siempre que tengan una media máxima Xmedia histórica y que deseamos rechazar los lotes el 90% de las veces si llegan con una fracción defectiva p X A − 0.