Procesamiento Estadístico de Datos de Producto

De clase mundial
PROCESAMIENTO ESTADÍSTICO
DE DATOS DE PRODUCCIÓN
(Código:09110020)
Centro Nacional de Asistencia Técnica a la Industria ASTIN

Santiago de Cali
Diciembre - 2012
Regional Valle Fecha:
Dic 2012
Centro Nacional de Asistencia Técnica a la Industria – ASTIN
Versión: 4
PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 2 de 38
TABLA DE CONTENIDO
Página
PRESENTACIÓN
1 INTRODUCCIÓN 5
2 RESEÑA HISTORICA 6
2.1 INICIOS DE LA CALIDAD 6
2.2 LOS GESTORES DE LA CALIDAD 6
2.3 EL CONTROL ESTADÍSTICO DE LA CALIDAD Y LA MEJORA DE
9
PROCESOS.
3 CONTROL ESTADÍSTICO DE PROCESOS 10
3.1 DEFINICIÓN 10
3.2 CICLO DEL CEP 11
3.3 CONCEPTOS 12
3.3.1 CONCEPTOS GENERALES 12
3.3.2 CONCEPTO DE VARIACIÓN 13
3.3.3 CURVA DE DISTRIBUCIÓN NORMAL 14
3.3.4 CONCEPTO DE PRECISIÓN Y EXACTITUD 15
4.0 HERRAMIENTAS CLASICAS PARA EL CONTROL DE PROCESOS 16
4.1 HISTOGRAMA 16
4.1.1 MEDIDAS DE TENDENCIAS CENTRAL O MEDIDAS DE
20
CENTRALIZACIÓN EN EL HISTOGRAMA
4.1.2 MEDIDAS DE DISPERSIÓN EN EL HISTOGRAMA 20
4.2 GRÁFICOS DE CONTROL DE PROCESOS O CARTAS DE CONTROL 21
4.2.1 GRAFICO PARA VARIABLES CUANTITATIVAS 22
4.2.2 GRAFICOS DE CONTROL PARA ATRIBUTOS 31
4.3 GRAFICO CAUSA EFECTO 39
4.4 DIAGRAMAS DE PARETO 41
4.4.1 DIAGRAMA DE PARETO DE FRECUENCIA 41
4.4.2 DIAGRAMA DE PARETO PARA COSTOS 42
4.5 GRÁFICO DE CORRELACIÓN O DISPERSIÓN. 43
4.6 PLANILLAS DE INSPECCIÓN U HOJAS DE VERIFICACIÓN 45
5.0 SOFTWARE PARA EL CONTROL ESTADÍSTICO DE PROCESOS 54
6.0 BIBLIOGRAFÍA
Dic 2012
Versión: 4
PRESENTACIÓN
En mundo globalizado, en dónde las barreras fronterizas se encuentran en una franca tendencia a
desaparecer y la apertura en los mercados mundiales es una realidad latente gracias a los tratados
de libre comercio y convenios internacionales, han obligado a las empresas nacionales a ser más
competitivas para permanecer activas ya que ahora, no solo se compite con las empresas locales,
sino que se deben medir con empresas internacionales que ofrecen los mismos productos y/o
servicios pero a un costo mucho menor y con una mayor calidad.
Las empresas que desean sobrevivir en este nuevo panorama deben de optimizar sus procesos y
recursos con el fin de crecer y así poder ofrecer al público un producto y/o servicio competitivo.
En una primera instancia las primeras soluciones propuestas por las empresas, en su mayoría,
implican cambios de tecnología, diseño, etc., lo que significa una fuerte inversión. Esta no es una
tarea sencilla especialmente para las pequeñas y medianas empresas, las cuales sus posibilidades
de grandes inversiones para modificar sus procesos son casi nulas.
Pero las grandes inversiones en tecnología de punta no es el primer paso que deben tomar las
empresas, primero deben asegurarse que sus procesos actuales son los más óptimos y para
lograrlo contamos con una herramienta sencilla pero poderosa para ayudarnos a tomar decisiones
encaminadas a mejorar nuestros procesos, el Control de Procesos el cuál es un conjunto de
herramientas estadísticas que nos permite recopilar, estudiar y analizar la información de procesos
repetitivos para poder tomar decisiones encaminados a la mejora de los mismos.
Dos de los principales factores que los consumidores toman en cuenta decidir comprar o no un
producto o servicio son el precio y la calidad, pero es esta última la que realmente marca la
diferencia. El presente trabajo pretende explicar las ventajas que implica aplicar el Control
Estadístico en los procesos de producción con el fin de mejorar los procesos productivos,
disminuyendo costos para así ofrecer productos realmente competitivos.
1 INTRODUCIÓN
Existe mucha literatura de control de calidad y/o procesos en sus distintas modalidades, todos los
autores coinciden en la necesidad de usar técnicas de calidad, y para cubrir esta necesidad existe
un conjunto de técnicas estadísticas llamadas herramientas básicas de la calidad que aplicada
combinadamente forman el Control Estadístico del Proceso (CEP).
Qué es Calidad?
Si buscamos la palabra "Calidad" en el diccionario encontramos las siguientes definiciones:
Conjunto de cualidades que constituyen la manera de ser de una persona o cosa; Propiedad o
conjuntos de propiedades inherentes a algo, que permiten juzgar su valor (Real Academia
Española, 23ª edición). En el área de negocios y en términos más prácticos, calidad se entiende
como "hacer bien las cosas a la primera vez" y / o "cumplir con los requerimientos del cliente".
Como podemos ver en las definiciones anteriores la Calidad puede ser un concepto bastante
abstracto lo que implica una dificultad al tratar de evaluarla ya que si un producto o servicio tiene o
Dic 2012
Versión: 4
no tiene calidad depende del "punto de vista" de la persona que lo evalúa, por ejemplo, el concepto
de calidad que tiene un comprador de una blusa es diferente al concepto de calidad que puede
tener el productor. Sin embargo todo servicio o producto se le puede asignar factores o
características medibles que nos dan de una manera más objetiva el nivel de calidad de un
producto o servicio.
Las características que establecen si un producto o servicio es de calidad son asignadas por los
clientes, dichas características son traducidas por los productores a especificaciones técnicas
(características medibles) de los procesos de fabricación del producto o del servicio. Una vez
establecidas las características medibles de los procesos se deben asegurar que cada uno de los
productos o servicios realizados cumplan con dichos requerimientos, lo que me asegurara la
calidad del producto o servicio.
Es importante recalcar que ningún producto o servicio es exactamente igual a otro sin importar que
sea realizados por la misma compañía, maquinaria y/o personas. Esto se debe a las variaciones
que se encuentran en cualquier proceso por lo que es necesario realizar un monitoreo para
asegurar que las variaciones no afecten la calidad del producto o servicio, esto se logra mediante el
uso de una herramienta estadística llamada Control Estadístico de Procesos CEP.
2 RESEÑA HISTÓRICA
2.1 INICIOS DE LA CALIDAD
En un principio la calidad era posible definirla como todo aquello que contribuyera a mejorar las
precarias condiciones de vida de la época prehistórica, es decir, las cosas eran valiosas por el uso
que se les daba, lo que era acentuado por la dificultad de poseerlas.
Conforme el ser humano evoluciona culturalmente y se dinamiza el crecimiento de los
asentamientos humanos, la técnica mejora y comienzan a darse los primeros esbozos de
manufactura; se da una separación importante entre usuario o cliente y el fabricante o proveedor.
La calidad se determinaba a través del contacto entre los compradores y lo vendedores, las
buenas relaciones mejoraban la posibilidad de hacerse de una mejor mercancía, sin embargo, no
existían garantías ni especificaciones, el cliente escogía dentro de las existencias disponibles.
Conforme la técnica se perfecciona y las poblaciones se transforman poco a poco en pueblos y
luego en ciudades de tamaño considerable, aparecen los talleres de artesanos dedicados a la
fabricación de gran variedad de utensilios y mercancías, cada taller se dedicaba a la elaboración de
un producto, eran especialistas en ello y basaban su prestigio en la alta calidad de sus hechuras,
las que correspondían a las necesidades particulares de sus clientes. En esta etapa surge el
comerciante, sirviendo de intermediario entre el cliente y el fabricante.
Dic 2012
Versión: 4
2.2 LOS GESTORES DE LA CALIDAD
WALTER A SHEWART (1891-1967)

Nacido en New Canton Illinois. La mayor parte de su carrera profesional la
ejerció como ingeniero en Western Electric de 1918 a 1924, y en los
laboratorios Bell Telephone como miembro del cuerpo técnico de 1925 hasta
su retiro en 1956. Miembro fundador de la Sociedad Americana de Calidad
(ASQ). Shewhart escribió Statistical Method from the Viewpoint of Quality
Control en 1939, haciéndose así de prestigio en la comunidad estadística.
Además publicó diversos artículos en revistas especializadas y muchos de
sus escritos se utilizaron de manera interna en los Laboratorios Bell. Uno de
dichos documentos fue el memorandum del 16 de mayo de 1924, mediante
el cual proponía el uso de gráficas de control a sus superiores.
W. EDWARDS DEMING (1900-1993)

William Edwards Deming nació en 1900 en Wyoming, E.U., se dedicó a trabajar
sobre el control estadístico de la calidad. Japón asumió y desarrollo los
planteamientos de Deming, y los convirtió en el eje de su estrategia de desarrollo
nacional. En 1950 W. Edward Deming visitó Japón, dando conferencias sobre
Control de Calidad. A dichas conferencias asistieron un grupo numeroso y
seleccionado de directivos de empresas para crear las bases sobre las que
instaurar el Premio Deming, premiando a aquellas instituciones o personas que
se caracterizaran por su interés en implantar la calidad.
JOSEPH MOSES JURAN (1904-199)

Nace en Rumania en 1904 y es otra de las grandes figuras de la calidad. Se
traslada a Minnesota en 1912. Es contemporáneo de Deming. Después de la II
Guerra Mundial trabajó como consultor. Visita Japón en 1954 y convierte el
Control de la Calidad en instrumento de la dirección de la empresa. Imparte su
conferencia sobre: "Gestión Sistemática del Control de Calidad". Se le descubre
a raíz de la publicación de su libro, desechado por otras editoriales: "Manual de
Control de Calidad". Su fundamento básico de la calidad, es que sólo puede
tener efecto en una empresa cuando ésta aprende a gestionar la calidad.
KAORU ISHIKAWA (1915-)

El representante emblemático del movimiento del Control de Calidad en Japón es el
Dr. Kaoru Ishikawa. Nacido en 1915, se graduó en la Universidad de Tokio el año
1939 en Química Aplicada. Fue profesor en la misma Universidad, donde
comprendió la importancia de los métodos estadísticos, ante la dispersión de datos,
para hallar consecuencias. Desarrolla el Diagrama Causa-Efecto como herramienta
para el estudio de las causas de los problemas.
Parte de que los problemas no tienen causas únicas, sino que suelen ser, según su
experiencia, un cúmulo de causas. Sólo hay que buscar esta multiplicidad de
causas, colocarlas en su diagrama.
Dic 2012
Versión: 4
PHILIP B. CROSBY (1926-2001)

Philip Crosby nació en Wheeling, Virginia el 18 de junio de 1926. En los años 60’s
propuso un programa de 14 pasos a los que denominó “cero defectos”, a través
de los cuales hizo entender a los directivos que cuanto se exige perfección ésta
puede lograrse, pero para hacerlo la alta gerencia tiene que motivar a sus
trabajadores (Crosby:1979). De esta forma planteaba la importancia de las
relaciones humanas en el trabajo y para que la administración conduzca a la
organización a una posición productiva y competitiva
GENICHI TAGUCHI (1924-)

El Dr. Genichi Taguchi nació en Japón en 1924, graduándose en la Escuela
Técnica de la Universidad Kiryu, su principal etapa profesional ha sido dentro de
la Electrical Communication Laboratory (ECL) de la Nippon Telephone and
Telegraph Co. (1948-1961) en donde se enfocó a la mejora de la productividad en
la investigación y desarrollo. En sus métodos emplean la experimentación a
pequeña escala con la finalidad de reducir la variación y descubrir diseños
robustos y baratos para la fabricación en serie, reduciendo los tiempos de
investigación, desarrollo y entrega del diseño.
SHIGEO SHINGO (1909-1990)

Nació en Japón en 1909, Shigeo Shingo tal vez no es tan conocido en
Occidente como Ishikawa y Taguchi, aunque la incidencia de su trabajo,
especialmente en Japón, ha sido inmensa. Después de graduarse en
Ingeniería Mecánica en la Escuela Técnica Yamanahsi en 1930, se incorporó a
la Fábrica de Ferrocarriles Taipei, en Taiwán, donde introdujo los métodos de
gestión científica.
Es interesante advertir que los sistemas poka-yoke, al utilizar dispositivos que
evitan la aparición de defectos, obvian la necesidad de medición. En general,
los sistemas poka-yoke comprenden dos fases: el aspecto de detección y el
aspecto de regulación.
2.3 EL CONTROL ESTADÍSTICO DE LA CALIDAD Y LA MEJORA DE PROCESOS.
Comenzando con la aportación de Shewhart sobre reconocer que en todo proceso de producción
existe variación (Gutiérrez:1992), puntualizó que no podían producirse dos partes con las mismas
especificaciones, pues era evidente que las diferencias en la materia prima e insumos y los
distintos grados de habilidad de los operadores provocaban variabilidad. Shewhart no proponía
suprimir las variaciones, sino determinar cuál era el rango tolerable de variación que evite que se
originen problemas.
Para lograr lo anterior, desarrolló las gráficas de control al tiempo que Roming y Dodge
desarrollaban las técnicas de muestreo adecuadas para solamente tener que verificar cierta
cantidad de productos en lugar de inspeccionar todas las unidades. Este periodo de la calidad
surge en la década de los 30’s a raíz de los trabajos de investigación realizados por la Bell
Telephone Laboratories.
Dic 2012
Versión: 4
En su grupo de investigadores destacaron hombres como Walter A. Shewhart, Harry Roming y

Harold Dodge, incorporándose después, como fuerte impulsor de las ideas de Shewhart, el Dr.
Edwards W. Deming (Cantú:1997).
Estos investigadores cimentaron las bases de lo que hoy conocemos como Control Estadístico de
la Calidad (Statistical Quality Control, SQC), lo cual constituyó un avance sin precedente en el
movimiento hacia la calidad.
Dic 2012
Versión: 4
3.0 CONTROL ESTADISTICO DE PROCESOS CEP
3.1 DEFINICIÓN
El Control Estadístico de Procesos (C.E.P.), también conocido por sus siglas en inglés "SPC" es un
conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información de
procesos repetitivos para poder tomar decisiones encaminadas a la mejora de los mismos, es
aplicable tanto a procesos productivos como a servicios, siempre y cuando cumplan con dos
condiciones: Que sea medible y que sea repetitivo. El propósito fundamental de C.E.P. es
identificar y eliminar las causas especiales de los problemas (variación) para llevar a los procesos
nuevamente bajo control.
El C.E.P. sirve para llevar a la empresa del Control de Calidad "Correctivo" por inspección,
dependiente de una sola área, al Control de Calidad "Preventivo" por producción, dependiente de
las áreas productivas, y posteriormente al Control de Calidad "Predictivo" por diseño, dependiendo
de todas las áreas de la empresa. En la siguiente figura se muestra el ciclo de aplicación del
Control Estadístico de Proceso.
Una empresa que cuenta con Control Estadístico puede mejorar sus procesos, reducir reproceso y
desperdicios, lo que genera una reducción de costos ya que el C.E.P. involucra más que solo crear
el producto perfecto, implica además asegurar que los procesos internos son llevados
apropiadamente, que el equipo se le da el mantenimiento adecuado y que los recursos
suministrados son los indicados.
Las técnicas de control de procesos se pueden clasificar en dos grupos, las herramientas
clásicas y las nuevas herramientas. El primer grupo esta compuesto por Diagramas de Flujo
de Proceso, Diagrama Causa - Efecto, Diagrama de Paretto, Diagrama de Correlación o
Dispersión, Histogramas, Cuestionario Critico, Hoja de Seguimiento y Gráficos de control entre
otros.
Las nuevas herramientas son aquellas diseñadas para evaluar situaciones que las herramientas
clásicas no pueden detectar. Estas herramientas son: Diagrama de Afinidad, Diagrama de
Relaciones, Diagrama de Árbol, Diagrama Matricial, Diagrama Sagital, Diagrama de Decisiones de
Acción y Análisis Factorial entre otros.
3.2. CICLO DEL CEP
Para iniciar un CEP satisfactorio, deben llevarse a cabo al menos los siguientes pasos:
a. Definir la variable representativa o critica del proceso a controlar (tiempo, costos, cantidad,
atributos de calidad y otros):
Es necesario tener claro que el interés principal en el estudio de una variable es el de observar
la tendencia que muestran los valores a través del tiempo, para tomar medidas correctivas en
cuanto se aparten de las especificaciones.
b. Establecer especificaciones de la variable:

Dic 2012
Versión: 4
Las especificaciones están dadas por el cliente, por la competencia, por el mercado, por las
exigencias mismas del producto o por cualquier otro elemento.
c. Establecer los métodos de anotación y/o recolección de la información:

Según la naturaleza del proceso se tienen que establecer métodos sencillos y eficaces de
anotación del los valores que pueda tomar la variable. Luego se diseña el procedimiento para la
toma de muestras de valores de la variable y el proceso o tratamiento (herramienta estadística)
al cual serán sometidos dichas observaciones con el fin de obtener resultados entendibles para
toda la empresa.
d. Observar e interpretar los resultados obtenidos en los pasos anteriores:

En este paso debemos observar la tendencia de los resultados obtenidos al procesar la
variable. A menos que la desviación sea extremadamente grande, un solo valor no tiene
importancia sino una serie de valores.
e. Investigar las causas que originan las desviaciones de la variable:

Las variables solo señalan si una actividad es correcta o no en sus resultados, pero no dicen el
porque. Las causas de las variaciones deben investigarse directamente en el terreno de los
hechos. Debe tenerse en cuenta que la causa que origina la diferencia puede encontrarse en
otros departamentos o fuera de la empresa.
f. Tomar una decisión o plan de acción según lo observado:

Una vez localizada la causa, deben plantearse las diversas alternativas que puedan seguirse
para su ajuste o solución y calcularse la probabilidad de éxito de cada una de ellas.
g. Comprobar la efectividad de las acciones o decisiones tomadas:

Al tomar la decisión de ajuste o cambio en la causa que origina un resultado no deseado debe
verificarse que la practica sea la correcta, mediante la observación de la variable. Si la decisión
fue correcta o incorrecta se mostrara en el nuevo rumbo que tome la tendencia en los
resultados futuros de la actividad estudiada.
3.3 CONCEPTOS
3.3.1 CONCEPTOS GENERALES
Población:
Cuando tenemos un conjunto muy grande de datos numéricos para analizar decimos que tenemos
un Universo o Población de observaciones.
Muestra:
Es un subconjunto pequeño de observaciones extraídas de un universo o población.
Muestreo Aleatorio:
En general, no es posible disponer de todas las observaciones de un universo o población, ya sea
porque es un universo hipotético o porque la recolección de todos los datos resulta una tarea
excesiva para nuestras posibilidades. Normalmente se dispone de una muestra de datos extraídos
Dic 2012
Versión: 4
de un universo, y lo que se pretende es estimar (Conocer de manera aproximada) los parámetros

del universo por medio de cálculos realizados sobre la muestra.
Defecto:
Fenómeno que se presenta en un producto el cual le impide cumplir con sus funciones.
Critico: Impide o dificulta el uso del producto.
Mayor : Limita el uso pero no lo hace inútil.
Menor :No limita ni perjudica el uso, pero si su imagen.
Defectuoso:
Todo producto que al menos posee un defecto generalmente mayor o critico.
Variables cualitativas o atributos: Son características de un elemento que varían y que no podemos
medir numéricamente. Ejemplo: Bueno-malo; sirve -no sirve; falso-verdadero.
Variables cuantitativas:
Son características medibles por instrumentos, otorgando un valor numérico de acuerdo a una
escala determinada.
Limites de especificación:
Es el rango de aceptación dado para una variable de un producto, y puede ser dado por el cliente,
por los consumidores, por el mismo proceso, etc.
Limites de control:
Es el rango donde se mueve la variable que se esta observando, y es básicamente dado por los
mismos datos del proceso.
3.3.2 CONCEPTO DE VARIACIÓN:
Todo proceso productivo es un sistema formado por personas, equipos y procedimientos de

trabajo. El proceso genera una salida (output), que es el producto que se quiere fabricar. La calidad
del producto fabricado está determinada por sus características de calidad, es decir, por sus
propiedades físicas, químicas, mecánicas, estéticas, durabilidad, funcionamiento, etc. que en
conjunto determinan el aspecto y el comportamiento del mismo. El cliente quedará satisfecho con
el producto si esas características se ajustan a lo que esperaba, es decir, a sus expectativas
previas.
Por lo general, existen algunas características que son críticas para establecer la calidad del
producto. Normalmente se realizan mediciones de estas características y se obtienen datos
numéricos. Si se mide cualquier característica de calidad de un producto, se observará que los
valores numéricos presentan una fluctuación o variabilidad entre las distintas unidades del producto
fabricado. Por ejemplo, si la salida del proceso son frascos de mayonesa y la característica de
calidad fuera el peso del frasco y su contenido, veríamos que a medida que se fabrica el producto
las mediciones de peso varían al azar, aunque manteniéndose cerca de un valor central.
El peso de los frascos llenos fluctúa alrededor de los 250 grs. Si la característica de calidad fuera
otra, como el contenido de aceite, el color de la mayonesa o el aspecto de la etiqueta también
observaríamos que las sucesivas mediciones fluctúan alrededor de un valor central.
Dic 2012
Versión: 4
El valor de una característica de calidad es un resultado que depende de una combinación de

variables y factores que condicionan el proceso productivo. Por ejemplo, en el caso de la
producción de mayonesa es necesario establecer que cantidades de aceite, huevos y otras
materias primas se van a usar. Hay que establecer a que velocidad se va a agitar la mezcla y
cuanto tiempo. Se debe fijar el tipo y tamaño de equipo que se va a utilizar, y la temperatura de
trabajo. Y como éstas se deben fijar muchas otras variables del proceso. La variabilidad o
fluctuación de las mediciones es una consecuencia de la fluctuación de todos los factores y
variables que afectan el proceso.
Causas Asignables de variación:

Son causas que pueden ser identificadas y que conviene descubrir y eliminar, por ejemplo, una
falla de la máquina por desgaste de una pieza, un cambio muy notorio en la calidad del plástico,
etc. Estas causas provocan que el proceso no funcione como se desea y por lo tanto es necesario
eliminar la causa, y retornar el proceso a un funcionamiento correcto.
Causas Aleatorias de variación:

Son una multitud de causas no identificadas, ya sea por falta de medios técnicos o porque no es
económico hacerlo, cada una de las cuales ejerce un pequeño efecto en la variación total.
Son inherentes al proceso mismo, y no pueden ser reducidas o eliminadas a menos que se
modifique el proceso.
*Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias no
controlables (Causas no asignables) se dice que está funcionando bajo Control Estadístico.
*Cuando, además de las causas aleatorias, aparece una o varias causas asignables, se dice que el
proceso está fuera de Control Estadístico.
3.3.3 CURVA DE DISTRIBUCIÓN NORMAL
La importancia de esta distribución radica, en que la mayoría de los fenómenos de la naturaleza

son descritos por este patrón de variación, desarrollada por F. Gauss, por lo que también se
conoce como distribución Gaussiana, de Gauss o Campana de Gauss sus principales
características son:
 Esta Dada por la media  y las desviaciones 
 Es asintótica al eje X en + y en -
 Presenta puntos de inflexión en X =   
 Es simétrica respecto a la media 
 La Desviación estándar define la esbeltez de la curva
 El número de valores que caen en    = 68,3 %
 El número de valores que caen en   2 = 95,5 %
 El número de valores que caen en   3 = 99.7 %
Dic 2012
Versión: 4
3.3.4 CONCEPTO DE PRECISIÓN Y EXACTITUD
Un instrumento de medida puede proporcionar una serie de datos cuyo promedio sea diferente del
real por las siguientes causas:
 El elemento medidor esta mal calibrado, considerando que hay precisión si el error es menor
que la tolerancia.
 Falta de consistencia en las medidas obtenidas, haciendo varias mediciones sobre el mismo
producto, presentándose la variación de las medidas, entonces la dispersión resultante consta
de la variación, debida al instrumento mas la variación que se da de una unidad a otra del
mismo producto.
La precisión se refiere a la cercanía de los datos entre si, es decir nos mide la dispersión del
proceso, para esto se utilizan las medidas de variabilidad, como el rango, la desviación medida, la
desviación estándar y el coeficiente de variación entre otros.
La exactitud se refiere a la centralidad del valor medio de los datos, es decir nos indica que tan
centrado esta el proceso frente al objetivo que queremos, para esto se utilizan las medidas de
tendencia central como la media, la mediana, la moda entre otras.
a. Ni preciso ni exacto b. Preciso no exacto c. Exacto no preciso d. Exacto y preciso

Dic 2012
Versión: 4
4.0 HERRAMIENTAS CLASICAS PARA EL CONTROL DE PROCESOS
4.1 HISTOGRAMA
Representa gráficamente la frecuencia de cada medición dentro de un grupo de mediciones. Es

una gráfica de barras que indica una distribución por frecuencia. El histograma muestra
gráficamente la capacidad de un proceso al igual que da una idea de la forma de la población y si
se desea puede mostrar la relación que guarda tal proceso con las especificaciones y con las
normas. Su construcción ayudará a comprender la tendencia central, dispersión y frecuencias
relativas de los distintos valores.
Un histograma es un gráfico o diagrama que muestra el número de veces que se repiten cada uno
de los resultados cuando se realizan mediciones sucesivas. Esto permite ver alrededor de que
valor se agrupan las mediciones (Tendencia central) y cual es la dispersión alrededor de ese valor
central.
Tipos de histograma
Normal (simétrico o de campana):
El valor de la media del histograma se encuentra en el centro del
rango de los datos. La frecuencia máxima está en la mitad y
desciende gradualmente hacia los lados. La forma es simétrica-
Tipo Disparejo (o multimodal):

Cada clase de por medio tiene frecuencia más baja, esta forma se
presenta cuando el número de datos incluidos en cada clase varía de
clase a clase o cuando existe una tendencia particular en la manera en
que se redondean los datos.
Tipo deslizado a la derecha o izquierda:

El valor de la media del histograma está localizado hacía el lado
izquierdo del rango. La frecuencia disminuye abruptamente hacia la
izquierda. Es asimétrico. Esta forma ocurre cuando el límite inferior
está controlado ya sea Teóricamente o por el valor de una
especificación. También cuando valores inferiores a otro dado no
son considerados.
Tipo precipitado a la izquierda o derecha:

El valor de la media del histograma está localizado muy hacia la
izquierda de la mitad del rango de los datos, esta es una forma
que ocurre frecuentemente cuando se ha hecho un muestreo al
100% debido a una baja capacidad de proceso, y también cuando
el deslizamiento a la derecha es mucho más extremo.
Tipo meseta:
La frecuencia en cada clase forma una meseta debido a que las
clases tienen frecuencias similares excepto aquellas en los extremos, esta forma ocurre al mezclar
varias distribuciones con distintos valores medios.
Dic 2012
Versión: 4
Tipo Pico aislado:

Existe un pequeño pico aislado adicionado a un
histograma de tipo general, esta es una forma que
aparece cuando se hace una pequeña incorporación de
datos con una distribución diferente, tal como el caso de
anormalidades en el proceso, error en las mediciones, o
incluso de datos de un proceso diferente.
Para elaborar un histograma, se deben seguir los siguientes pasos:
1. Tomar los datos de determinada variable, teniendo en cuenta el tipo de muestreo y el tamaño
de la muestra.
2. Calcular el rango (R) : Distancia entre el valor máximo y el valor mínimo.

Rango = Valor máximo – Valor mínimo.
3. Número de grupos (K):

K= n Donde; n= Número de datos
4. Tamaño del grupo (C): Corresponde a la amplitud de cada grupo
C= R/K
5. Limites de cada grupo:

Limites del primer grupo:
Limite inferior del primer grupo= Valor minimo
Limite superior del primer grupo= Valor minimo +C
Limites de los siguientes grupos: Limite inferior = Limite superior del grupo anterior
Limite superior= Limite inferior + C
6. Promedio del grupo (Xi): Corresponde al valor promedio de cada grupo.
Xi = (Limite superior+Limite inferior) /2
7. Frecuencia (Fi): Número de veces que se repite un dato o un conjunto de datos en un grupo
determinado.
8. Frecuencia relativa (FR): Fracción o porcentaje que se repite un dato o un conjunto de datos en
un grupo determinado.
FR = (Fi / n)
9. Densidad de datos por grupo (di ): Es la cantidad de datos que se ubican en determinado
rango, puede darse según cantidad de datos Fi o por fracción de datos FR:
di= FR/C
10. Grafique: En el eje x coloque los intervalos o grupos, en el eje Y del lado izquierdo ubique la
frecuencia absoluta FI y del lado derecho la frecuencia relativa FR.
Dic 2012
Versión: 4
Ejemplo # 1.
Los siguientes datos fueron tomados al realizar un muestreo aleatorio en una línea de producción
de sustrato de BOPP para empaque de productos alimenticios. Los valores corresponden al
calibre en milesimas de pulgada (MILS).
2,32 2,50 2,90 2,07 2,99

2,00 2,58 2,39 2,23 2,28
2,32 2,50 2,58 2,20 2,37
2,16 2,64 2,86 2,53 2,36
2,61 2,70 2,89 2,42 2,53
2,48 2,39 2,14 2,53 2,15
2,20 2,50 2,02 2,89 2,69
2,32 2,50 2,86 2,53 2,36
TALLER # 1: Histograma
1. La siguiente tabla, muestra los datos de la resistencia a la tracción (en kg/mm2) de 40 probetas
de película de PET:
24.1 23.7 24.0 24.5 24.5 24.5 23.8 24.0 24.3 23.7
23.6 23.8 23.6 24.4 25.6 24.3 24.9 25.0 25.0 25.7
22.4 23.0 24.3 23.5 22.2 22.4 24.6 24.2 23.2 23.5
22.9 24.4 26.7 25.4 22.8 24.3 26.7 23.1 24.3 21.4
a. Hacer el histograma
b. ¿Considera que el proceso es normal?
c. Cuantas probetas resistieron un esfuerzo entre 23 y 25 kg/mm2
d. ¿Que porcentaje de producto no conforme se generó, si la especificación es 22 ± 1 kg/mm2?
e. ¿Cual es la resistencia a la tracción, que tienen la mayoría de las probetas?
4.1.1. MEDIDAS DE TENDENCIAS CENTRAL O MEDIDAS DE CENTRALIZACIÓN EN EL

HISTOGRAMA
Las medidas de tendencia central serán otros métodos para estudiar o medir el comportamiento de
los elementos que constituyen una población, son utilizadas para representar con un número único
la posición de un valor en la variable, de tal forma que represente el conjunto de valores
observados
Media o promedio X : Es el punto de equilibrio entre valores que están por encima y por debajo de
esta.
( X i .Fi )
X  
n
Mediana (Me): Se define como el dato que no supera ni es superado por el 50% de los datos.
0.50   Frelativa..anterior
Me   Linf erior
di
Dic 2012
Versión: 4
Donde
Linferior = Limite inferior del grupo que tiene la mediana
ΣFrelativa anterior = Sumatoria de las frecuencia relativas anteriores
di= Densidad del grupo que contiene la mediana
Moda (Mo): Es el valor que se repite el mayor número de veces, la Moda para datos agrupados es
el promedio del grupo Xi que tenga mayor frecuencia Fi
4.1.2 MEDIDAS DE DISPERSIÓN EN EL HISTOGRAMA
Son medidas empleadas para determinar el grado de variabilidad de los datos, respecto a un
promedio.
Desviación Estandar  :
 X  X  .Fi
2
i
= =
n
Coeficiente de Variación (cv):
Es empleado cuando se desea comparar dos o mas variables para ver cual de ellas tiene mayor
variación relativa, puesto que está dada en términos porcentuales.

cv  .100
X
También es útil cuando queremos comparar variaciones de datos expresados en diferentes
unidades de medida.
Ejemplo # 2: Calcular las medidas de centralidad y dispersión para los datos del anterior ejercicio.
Taller # 2: Con los datos del taller # 1:
a) Calcular la Media ( X ), mediana y moda de los datos agrupados.

b) Calcular la desviación estándar de los datos agrupados(), y coeficiente de variación (c.v.)
c) ¿Que porcentaje de datos están ubicados entre ( X 2 )?
d) Si de un nuevo lote de 100 unidades se toma la resistencia y obtenemos como media=12
kg/mm2 con una desviación estándar de  =0.16 kg/mm2. ¿Cual de los dos lotes se considera
mas estable?
e) Si la especificación del cliente es 24.5  3% que porcentaje de producto es no conforme?
f) ¿Qué ventajas y/o desventajas cree usted que tiene el histograma?
4.2 GRÁFICOS DE CONTROL DE PROCESOS O CARTAS DE CONTROL
Un gráfico de control es una carta o diagrama especialmente preparado donde se van anotando los
valores sucesivos de la Variable que se está controlando. Los datos se registran y grafican durante
el funcionamiento del proceso.
Dic 2012
Versión: 4
Los gráficos de control en general tienen una Línea Central que representa el promedio histórico
de la variable que se está controlando y Límites Superior e Inferior que también se determinan a
partir de datos históricos y en resumen nos pueden traer los siguientes beneficios:
 Son una herramienta efectiva para entender la variación de los procesos y ayudan a conseguir el
control estadístico.
 Dan información fiable de cuando se debería ajustar el proceso y cuando no.
 Cuando un proceso está bajo control, su rendimiento será predecible. Por lo que, tanto el productor
como el cliente, serán conscientes de los niveles de calidad de los productos o servicios.
 Un proceso bajo control estadístico puede ser mejorado a través de la reducción de la variabilidad
natural o aleatoria.
 Los gráficos de control proporcionan un lenguaje común para comunicar información sobre el
rendimiento de los procesos.
Límite de especificación superior LES
Límite de control superior LCS
Línea central LC
Límite de control inferior LCI
Límite de especificación inferior LEI
Gráficos para variables cuantitativas: cuando la característica de calidad puede ser medida.
(longitud, volumen, masa, etc.) los mas utilizados son los de medias y rangos X-R y los
individuales de x y rango móvil R
Gráficos por atributos: se utilizan para controlar el porcentaje de unidades defectuosas, o el número
de defectos por unidad; dentro de los límites naturales del proceso y detectar a tiempo cualquier
incremento significativo de cualquiera de ellos. Los más utilizados son np, p, c y u.
4.2.1 GRAFICO PARA VARIABLES CUANTITATIVAS
4.2.1.1 GRÁFICO DE MEDIAS Y RANGOS X-R:
Este tipo de grafico utiliza el valor promedio de las medias y el rango medio de las mismas, son los
más utilizados por la sencillez del cálculo de R y la media. Para elaborar un grafico de control X-R
se deben seguir los siguientes pasos:
1. La construcción se inicia con la toma de muchas muestras pequeñas (20 muestras como
mínimo), de igual tamaño (4, 5 o 6 observaciones cada una) las razones que justifican el uso de
subgrupos son:
Dic 2012
Versión: 4
 El subgrupo es más homogéneo, ya que las pocas observaciones corresponden a un mismo

instante. Esto permite detectar con facilidad las variaciones en el proceso a lo largo del tiempo
mediante la variación entre las medias de los diferentes subgrupos.
 La toma de muestras pequeñas varias veces en vez de tomar una grande rara vez permite
identificar mas fácilmente la cusa asignable cuando el proceso cae “fuera de control”.
2. Se calcula la media y el rango de cada subgrupo.
3. Se calcula la media de medias y la media de rangos.
4. Se calculan los limites de control para los dos gráficos así:
Para Medias: Para Rangos:
L.C.  X 
X R
n LC  R 
n
LCS  X  A2 R
LCS  D4 R
LCI  X  A2 R LCI  D3 R
Donde A2, D3, y D4 son constantes que dependen del tamaño de cada muestra así:
Tamaño de la Factor para Factor inferior Factor superior Factor para Cp
muestra gráfico x para gráfico R Para gráfico R
n A2 D3 D4 d2
2 1,88 0 3,268 1,128
3 1,023 0 2,574 1,693
4 0,729 0 2,282 2,059
5 0,577 0 2,114 2,326
6 0,483 0 2,004 2,534
7 0,419 0,076 1,924 2,704
8 0,373 0,136 1,864 2,847
9 0,337 0,184 1,816 2,970
10 0,308 0,2223 1,777 3,078
11 0,905 0,256 1,744 3,173
12 0,866 0,283 1,717 3,258
5. Se grafica, ubicando los puntos de la tabla en la respectiva grafica.
6. Si algún punto cae por fuera de los límites de control, se buscan causas asignables de variación,
y se procede a recalcular los límites de control eliminando dichos puntos.
7. Se vuelve a hacer el grafico con los límites de control recalculados y se dejan como limites
permanentes.
NOTA: los pasos 6 y 7 se hacen solo cuando se esta haciendo los gráficos por primera vez
8. Se analiza la información dividiendo el gráfico en 3 zonas, aplicando los ocho pasos así:
Dic 2012
Versión: 4
Prueba 1. Prueba 2.
Un punto fuera de la zona A (por arriba o por abajo). Nueve puntos seguidos en la zona C por debajo o
por arriba de la línea central
Prueba 3. Prueba 4.
Seis puntos seguidos (tendencia) con aumento o disminución Catorce puntos seguidos alternando arriba y
estables. debajo de la línea central.
Prueba 5. Prueba 6.
Dos de cada tres puntos seguidos en la zona A o más allá. Cuatro de cada cinco puntos seguidos en la zona
B + A.
Dic 2012
Versión: 4
Prueba 7. Prueba 8.
Catorce puntos seguidos en la zona C (arriba y debajo de la Ocho puntos seguidos a ambos lados de la recta
línea central). central y ninguno en C.
Dic 2012
Versión: 4
GRAFICO DE CONTROL
Operación Tamaño de la muestra Caracteristicas
Especificaciones LSE Fecha Depto Gerente de calidad

LIE
PROMEDIOS
RANGOS
Núm eros de
Subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1
2
3
4
5
SUMA
PROMEDIO X
RANGO R
TALLER # 3: GRAFICO DE CONTROL DE MEDIAS Y RANGOS
1. En una línea de llenado de leche liquida presenta problemas con las diferencias del volumen,
parece que el problema radica en la distancia de la marca de fotocelda cuyo (V.N.) es 180 mm se
desea hacer un seguimiento a esta variable para determinar si afecta o no el proceso. De acuerdo
a la producción se toma una muestra de tamaño n=4 unidades cada hora, presentando los
siguientes datos:
Dic 2012
Versión: 4
1 178 180 181 180 179 180 183 180 179 180 179 181 178 181 182 178 183 180 181 177
2 179 182 179 180 181 182 178 182 182 179 182 180 179 179 178 182 177 182 179 182
3 178 182 182 179 179 183 180 181 181 183 181 180 180 181 180 183 180 180 180 182
4 180 179 177 183 182 182 179 178 182 179 181 179 183 180 178 183 179 177 178 180
X
R
a. Elaborar el grafico de control correspondiente

b. Si se tienen puntos por fuera de control, asumir que son de carácter asignable y recalcular
los limites.
c. Calcular la capacidad de proceso Cp y Cpk si las especificaciones son V.N. ± 2%
Capacidad de Proceso Cp y Cpk:
La función de un sistema de control del proceso es suministrar una señal estadística cuando
existen causas asignables de variación. La eliminación sistemática de causas asignables de
variación excesiva, a través de esfuerzos determinados continuos, sitúa el proceso en un estado de
control estadístico. Una vez que el proceso está operando en condiciones de control estadístico, su
desempeño es predecible y se puede evaluar su capacidad para cumplir las especificaciones.
La capacidad del proceso se determina mediante la variación total que se debe a causas comunes
la variación mínima que se puede lograr después de haber eliminado todas las causas asignables.
La capacidad del proceso representa el desempeño del proceso mismo, según se demuestra
cuando el proceso opera en un estado de control estadístico. Como tal, el proceso primero tiene
que ser puesto bajo control estadístico antes de que se pueda evaluar su capacidad. Así pues, la
evaluación de la capacidad del proceso comienza después de que se han resuelto los asuntos del
control en los gráficos de x y en los de R; esto es, las causas especiales han sido identificadas,
analizadas, corregidas y se ha evitado que ocurran de nuevo; además, los gráficos de control
progresivos reflejan un proceso que ha permanecido bajo control estadístico en forma
predominante para al menos los 25 subgrupos anteriores. En general, se compara la distribución
de la salida del proceso con las especificaciones de ingeniería, para ver si estas especificaciones
se pueden cumplir de manera constante.
Estudio del potencial del proceso. En este estudio se obtiene una estimación de lo que puede hacer
un proceso bajo ciertas condiciones, es decir, la variabilidad en condiciones definidas a corto plazo
para un proceso en estado de control estadístico.
Tolerancia.especificada LES  LEI

Cp  
Dispersión..del. proceso 6
Donde
LES = Límite de especificación superior.
LEI= Límite de especificación inferior.
 = Desviación estandar, se estima a partir de la variación promedio dentro del subgrupo y esta
dada por R / d 2 .
Dic 2012
Versión: 4
LES
LCS
LCS LCS=LES
LES
LEI
LCI LCI LCI= LEI
LEI
Un valor de CP menor que 1 indica que el proceso no tiene capacidad, mientras que CP = 1 implica
que el proceso apenas tiene capacidad. En la práctica, un valor de CP de 1,33 generalmente se
toma como el valor mínimo aceptable porque siempre hay alguna variación de muestreo y ningún
proceso está siempre completamente bajo control estadístico.
Sin embargo, se debe observar que el índice CP mide únicamente la relación de los límites con la
dispersión del proceso; no se considera la localización o el centrado del proceso. Sería posible que
cualquier porcentaje de valores estuviera por fuera de los límites de la especificación y que hubiera
un alto valor de CP.
Estudio del desempeño del proceso. En este estudio, una estimación de la habilidad del proceso
proporciona un panorama de lo que el proceso está haciendo durante un periodo largo. También se
supone un estado de control estadístico. El índice Cpk estima la capacidad.
Por esta razón, es importante considerar la distancia a escala entre el promedio del proceso y el
límite de especificación más próximo. Para la cual se debe medir con el índice Cpk que viene dado
por el menor valor entre Cpk1 y Cpk2 así:
LES  X
Cpk1 
3
X  LEI
Cpk 2 
3
Taller #4: Calcular la capacidad (Cp y Cpk )de proceso del taller anterior si las especificaciones son
V.N. ± 10%
4.2.2 GRÁFICOS DE CONTROL POR ATRIBUTOS:
Los datos de atributos representan observaciones obtenidas notando la presencia o ausencia de

alguna característica (o atributo) en cada una de las unidades del subgrupo considerado, contando
después cuántas unidades tienen o no tienen el atributo, o cuántos de tales eventos ocurren en la
unidad, en el grupo o en el área. Los datos de atributos generalmente se obtienen en forma rápida
y económica, y a menudo no se requieren habilidades especializadas para la recolección de dichos
datos.
Dic 2012
Versión: 4
En el caso de los gráficos de control de variables, se acostumbra mantener un par de gráficos de

control; uno para el control del promedio y el otro para el control de la dispersión. Esto es necesario
porque la distribución subyacente en los gráficos de control para variables es la distribución normal,
que depende de estos dos parámetros. Sin embargo, en el caso de los gráficos de control de
atributos, será suficiente un sólo gráfico porque la distribución supuesta tiene únicamente un
parámetro independiente.
4.2.2.1 Grafico np:

Cantidad de productos defectuosos o no conformes por muestra, es condición que el tamaño (n)
de muestra sea constante.
Línea Central: np  
np
m
LCS= np  3 np(1  p)
LCI= np  3 np(1  p)
Ejemplo #5:
En un proceso de impresión flexográfica, se considera como producto defectuoso, todo rollo de
material impreso con problemas en la lectura del código de barras, haciendo un muestreo cada
turno tenemos:
No. Muestra Tamaño del grupo Cantidad de

(m) (n) Defectuosos (np)
1 20 1
2 20 0
3 20 3
4 20 1
5 20 2
6 20 5
7 20 6
8 20 5
9 20 6
10 20 3
11 20 2
12 20 2
13 20 5
14 20 0
15 20 9
16 20 1
17 20 3
18 20 4
19 20 7
20 20 7
Dic 2012
Versión: 4
GRAFICO DE CONTROL DE ATRIBUTOS
Operación Tamaño de la muestra Caracteristicas
Especificaciones LSE Fecha Depto Gerente de calidad

LIE
PROMEDIOS
Núm eros de
Subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Taller #5: En una empresa de extrusión de película se desea controlar la calidad del tratamiento
corona, en cada rollo de 50 Kg. Todo rollo que tenga un tratamiento menor a 38 dinas/cm. se
considera defectuoso. Hacer el diagrama de control correspondiente si se toman 15 rollos por cada
turno:
Cant. Rollos con

No muestra
mal tratamiento( )
1 2
2 1
3 2
4 3
5 0
6 2
7 1
8 0
9 2
10 1
11 2
12 3
13 2
14 4
15 1
Dic 2012
Versión: 4
16 0
17 2
18 1
19 3
20 0
4.2.2.2 Grafico p:
Fracción de productos defectuosos por muestra, se permite que el tamaño de muestra sea
constante o variable.
np
Fracción de producto defectuoso: p 
n
Línea Central: p  
p
m
Promedio del tamaño de grupo: n  

n
m
LCS= p  3 p(1  p) / n
LCI= p  3 p(1  p) / n
Ejemplo # 6: En una empresa de producción de sobres plásticos tipo manila para manipular
documentos, se considera como sobre defectuoso, todo aquel que no cierre herméticamente (1),
que tenga defectos en la impresión (2) que tenga defectos en el sellado (3), y sobres con tinta
corrida (4). Haciendo un muestreo cada 1.000 unidades tenemos:
No. Muestra Tamaño de la Cantidad de Fracción de

(m) muestra (n) Defectuosos (np) Defectuosos (p)
1 2 3 4 total
1 50 x xx xx 5 0,1
2 55 x 1 0,018
3 60 xx 2 0,03
4 60 x 1 0,015
5 55 x
6 50 xx
7 52 x x
8 53 x
9 65 x
10 60 x
11 58 x
12 59 x xx
13 50 x x
14 62
15 51 xxx
16 55 x
17 50
18 60 x xx
19 55 x
20 55 x
Dic 2012
Versión: 4
Taller #6: Los resultados de una inspección de muestras de tamaño variable de bolsas de PEAD
para empacar pollos, nos muestra la siguiente cantidad de productos defectuoso (impresión
defectuosa, selle torcido, troquelado insuficiente) por muestra:
No Tamaño Cantidad de Fracción de
muestra muestra defectuosos defectuosos
( ) ( )
1 25 5
2 25 4
3 26 5
4 25 5
5 28 3
6 25 5
7 25 6
8 25 5
9 27 2
10 30 5
11 29 7
12 28 8
13 27 3
14 28 6
15 28 2
16 26 5
17 27 2
18 25 5
19 27 1
20 26 7
21 25 4
4.2.2.3 Gráfico C:
Muestra la cantidad de defectos por muestra, es condición que el tamaño de muestra sea
constante.
Línea Central: c  
c
m
LCS= c  3 c
LCI= c  3 c
Ejemplo # 7: En un proceso de impresión flexográfica a 3 colores por ambas caras de un sustrato

de PEBD se desea controlar la cantidad de defectos superficiales como fallas de registro, muare,
piel de naranja, anclaje deficiente de las tintas, película lavada, color fuera de rango y ganancia de
punto por muestras de 2 metros así:
Dic 2012
Versión: 4
No. Muestra Tamaño
Ganancia de
Piel naranja
Mal registro
Mal anclaje
Color fuera
de patron
Película
(m) muestra
de tinta
Total de
lavada
Muare
punto
defectos
(metros) (C)
(n)
1 2 xx x x 4
2 2 x x 2
3 2 x xx 3
4 2 x x x 3
5 2 x x 2
6 2 x xx 3
7 2 x 1
8 2 x x 2
9 2 x 1
10 2 x 1
11 2 x 1
12 2 x x 2
13 2 X 1
14 2 x 1
15 2 x 1
16 2 x X 2
17 2 x 1
18 2 x 1
19 2 x x 2
20 2 xxx x 4
Taller # 7: En una fábrica de extrusion de película de PEBD se desea controlar la cantidad de

defectos por bobinas de 100 Kg, buscando geles, puntos negros, puntos débiles, mala
pigmentación, etc. Elaborar el diagrama de control correspondiente.
No muestra Tamaño de Cantidad de

muestra defectos ( )
1 1 rollo 5
2 1 rollo 7
3 1 rollo 3
4 1 rollo 2
5 1 rollo 4
6 1 rollo 5
7 1 rollo 5
8 1 rollo 2
9 1 rollo 3
10 1 rollo 2
11 1 rollo 1
12 1 rollo 2
13 1 rollo 5
14 1 rollo 2
15 1 rollo 4
16 1 rollo 2
17 1 rollo 3
18 1 rollo 2
19 1 rollo 5
20 1 rollo 4
Dic 2012
Versión: 4
4.2.2.4 Grafico u: Muestra la cantidad de defectos por unidad de inspección, se permite que el
tamaño de muestra sea constante o variable.
c
Defectos por unidad de inspección = u 
n
Linea central= u  
u
m
Promedio del tamaño de grupo= n  

n
m
LCS= u  3 u / n
LCI= u  3 u / n
Ejemplo # 8: En una fábrica de impresión de sustratos plásticos , se desea controlar la calidad de la

materia prima especialmente el sustrato objeto de impresión, se requiere controlar: a. puntos
negros, b. puntos sin plastificar(geles), c. zonas decoloradas, d. mal acabado superficial, e.
arrugas, f. piel de naranja g. otros. por rollos de 25 kg cada uno:
No. Muestra No. rollos Cantidad de No. Defectos

(m) (n) Defectos (c) por Kg
a b c d e f g
1 3 x x x x
2 2 x x
3 3 x x
4 2 x
5 2 x x
6 3 x
7 2 x x
8 3 x
9 2 x x x
10 3 x x
11 2 x
12 3 x x
13 3 x
14 3 x x
15 3 xx
16 2 x xx
17 3 x
18 2 x x
19 3 x x
20 3 x x x
Taller #8: En una empresa de extrusión de películas plásticas se desea conocer cual de sus dos
líneas de producción genera menor cantidad de defectos superficiales en las bolsas, especialmente
geles y puntos negros (quemados) cada línea saca un producto con determinadas dimensiones y
se tienen gráficos de control de cantidad de defectos (geles y quemados) por muestras así:
Dic 2012
Versión: 4
Línea 1: Muestra de 20 cm de ancho por Línea 2: Muestra de 35 cm de ancho por

1m de largo 1.5m de largo
No de Tamaño Defectos No de Tamaño Defectos
muestra de muestra ( muestra de muestra( C
muestra C) muestra )
1 1 3 1 1 1
2 1 1 2 1 2
3 1 4 3 1 0
4 1 2 4 1 3
5 1 3 5 1 5
6 1 6 6 1 2
7 1 1 7 1 3
8 1 3 8 1 1
9 1 7 9 1 5
10 1 2 10 1 3
En resumen para utilizar una grafico de control podemos ayudarnos del siguiente diagrama
4.3 GRAFICO CAUSA EFECTO – DIAGRAMA DE ARBOL
El diagrama de causa-efecto o Gráfico de Ishikawa, también llamado comúnmente “espina de

pescado”, tiene como propósito representar gráficamente las relaciones entre un “efecto” (problema
o característica de calidad), y todas las posibles “causas” (factores) que la producen. Se elabora
para elevar el nivel compresión de un problema u oportunidad. El diagrama de Causa-Efecto,
proporciona una descripción de las causas probables de un problema, lo cual facilita su análisis y
discusión. También puede utilizarse como herramienta para representar propuestas de resolución
de problemas.
Para hacer un Diagrama de Causa-Efecto seguimos estos pasos:
1. Identificar la característica de calidad o el problema que se va a analizar:

Dic 2012
Versión: 4
2. Realizar sesión de “Lluvia de Ideas”, para enumerar todas las posibles causas.
El grupo se reúne y las personas expresan por turnos rigurosos, dando una idea cada vez.
La función del líder de grupo o moderador es promover la libre discusión y no de dirigir la
sesión. Se debe evitar hacer evaluaciones de lo expuesto por los miembros del grupo y
mantener un tono neutro: “ni bueno”, “ni malo”.
Es necesario elaborar una lista de los puntos expuestos por cada miembro en un lugar
visible. Se debe dar varias oportunidades a las personas para exponer sus ideas, hasta
agotarlas. En el grupo de trabajo se discuten y se amplían las ideas sugeridas.
Se utilizan mecanismos del consenso para tomar decisiones, por ejemplo: ¿Cuáles causas
son las mayores?, ¿Cuál es el camino a seguir?, etc.
3. Clasificar las causas en categorías.

Conocido como las 4 M
4. Elaborar el diagrama así:

 Trazar una flecha de izquierda a derecha hacia el efecto.
 Ubicar las causas en categorías o grupos, trazando flechas secundarias en dirección a la

principal.
 Incorporar a cada una de estas flechas, secundarias, los factores detallados que pueden ser
considerados como actuantes en cada categoría.
5. Desarrollo del plan de acción.

 Jerarquizar causas.
 Asignar responsabilidades individuales para eliminar cada causa
 Indicar el tiempo proyectado para atacar cada causa, desde el inicio hasta el final.
 Recolectar datos que sirvan para apoyar el análisis de dicha causa y su eliminación.
Ejemplo:
Dic 2012
Versión: 4
Mezcladora Medición
Calibración
Picnómetro
Refrigeración Equipo de
Ajuste medición
Motor Capacitación
Balanza
Mantenimiento Operador
Agitación
Limpieza Habilidad
CARACTERÍSTICAS
DE CALIDAD
Proveedor A
Intensivos
Capacitación Composición
Cantidad Aceite
Huevos
Personas Balanza
Materias Mantenimiento
Primas Cantidad
4.4 DIAGRAMAS DE PARETO
4.4.1 DIAGRAMA DE PARETO DE FRECUENCIA
Los diagramas de Pareto fueron desarrollados por el Italiano Wilfredo Pareto (1879) son muy útiles
para determinar que problemas debemos resolver y en que orden de importancia.
Su filosofía es:
Pocos casos vitales 20% causas 80% del Problema
Muchos casos triviales 80% causas 20% de problemas
Pasos para elaborar un diagrama de Pareto de frecuencia:

1. Identificar el problema.
2. Seleccionar un periodo de tiempo:6 meses, 1 mes , etc.
3. Organizar en orden decreciente de acuerdo a la frecuencia absoluta Fi
4. Calcular la frecuencia acumulada FA:
5. Diagramar
4.4.2 DIAGRAMA DE PARETO PARA COSTOS
Su uso es igual que el anterior, a diferencia que en este diagrama se hace la clasificación
decreciente de acuerdo al valor o al costo que tiene el problema para la empresa. Generalmente el
estudio de problemas van acompañados de ambos diagramas, para hacer una evaluación mas
apropiada. Al hacer el ejercicio veremos cual es el problema mas frecuente y mas costoso,
entonces se aconseja hacer otro diagrama de Pareto para dicho problema.
Ejemplo No. 10: En el departamento de servicio al cliente de una empresa de fabricación de

neveras, se han tomado los datos de los últimos 6 meses de reclamaciones por parte de los
clientes así:
Dic 2012
Versión: 4
Defecto Frecuencia Frecuencia

Fi acumulada FA
Empaques 100
Compresor 49
Manchas 42
Termostato 39
Condensador 26
Puerta mala 21
Rayones 20
Bandejas rotas 16
Fuga de gas 10
Otros 15
Taller # 9:La siguiente tabla representa la frecuencia y los costos de los arreglos de los defectos
observados en el cumplimiento de la garantía a el almacén “ EL EXITOSO” de triciclos plásticos en
los últimos 2 meses de la empresa “TRICIPLASTICOS S.A.”
Determine cuales causas se deben eliminar primero de acuerdo a la frecuencia y a los costos.
DEFECTO FRECUENCIA COSTO /UNIDAD
4.5 A. Partes muy débiles 30 600
B. Color fuera de patrones 9 50
C. Rebabas en las uniones 12 20
D. Uniones despegadas 50 160
E. Pedales incompletos 9 10
F. Desgaste de llantas 7 30
G. Piezas de diferente color 5 10
H. Pito faltante 6 10
Y. Ensamble incorrecto 8 10
J. Calcomanías rotas 9 20
K. Piezas deformadas 1 30
L. Tornillos flojos 2 10
M. Otros 3 50
GRÁFICO DE CORRELACIÓN O DISPERSIÓN.
En la práctica, es casi imposible encontrar actividades aisladas; es frecuente observar que la

producción de una fábrica se encuentra íntimamente ligada con sus ventas y ganancias, la
producción agrícola con el tiempo de lluvia, el tiempo requerido para el pago de una factura con
el monto de la misma, el número de servicios de taxis con el número de taxis disponibles, el
grado de satisfacción de un cliente con la calidad de servicios prestados, etc..... así, infinitos
ejemplos que ponen de manifiesto la importancia que tiene el estudio de la relación entre
variables en el análisis de procesos de trabajo.
El gráfico de correlación se construye siguiendo los siguientes pasos:

1) Se denomina a una variable (X) y a la otra (Y). Para X se toma la variable clasificada como
causa (variable independiente) y para Y aquélla que puede ser tomada como efecto
(variable dependiente).
2) Se trazan dos ejes de coordenadas, que sirven para la representación de los valores de
ambas variables. En el eje de las abscisas se representa la variable independiente (Xi); en el
de las ordenadas, la variable dependiente (Yi).
3) Cada par de valores en el plano, se representan como un punto.
Dic 2012
Versión: 4
Interpretación del gráfico de Correlación.

Si se observa el diagrama de correlación podemos tener una idea aproximada de la relación
existente entre las dos variables, en la forma siguiente:
a) Si los puntos o los valores se encuentran en línea recta y en forma

ascendente o descendente, se dice que hay correlación
directa perfecta o inversa perfecta. r= +0,96 a +1
b) Si los puntos están siguiendo una forma

ascendente o descendente y desordenada, pero se sitúan muy cercanos
a una recta, se dice que hay correlación directa o inversa pero en menor
grado. r= +0,60 a +0,95
c) Si los puntos están siguiendo una forma ascendente o

descendente y desordenada se dice que hay baja correlación r=
+0,35 a +0,59
d) Cuando los valores se encuentran esparcidos en áreas irregulares

(nube de puntos), se dice que no hay correlación. r= 0 a +0,34
El Coeficiente de Correlación “r” se utiliza para determinar el grado de asociación entre dos
variables. Su calculo se realiza a través de la siguiente expresión.
n xy   x  y
r
n X 2

 ( x ) 2 n y 2  ( y ) 2 
Ejemplo # 11: Supongamos que tenemos un grupo de personas adultas de sexo masculino. Para
cada persona se mide la altura en metros (Variable X) y el peso en kilogramos (Variable Y). Es
decir, para cada persona tendremos un par de valores X, Y que son la altura y el peso de dicha
persona:
Nº Persona Altura (m) Peso (Kg.) X.Y X2 Y2

1 1.94 95.8
2 1.82 80.5
3 1.79 78.2
4 1.69 77.4
5 1.80 82.6
6 1.88 87.8
7 1.57 67.6
Dic 2012
Versión: 4
8 1.81 82.5
9 1.76 82.5
10 1.63 65.8
11 1.66 74.9
12 1.96 88.1
13 1.56 65.3
14 1.55 64.5
15 1.71 75.5
Sumatorias
Taller # 10 En un proceso de transformación de plásticos por extrusión de película soplada, se

desea saber si hay algún tipo de relación entre la velocidad de extrusión y la resistencia al rasgado
de la película, para ello se tomaron los siguientes datos:
No muestra Velocidad de extrusión Resistencia mecánica

(rpm) (g/micra)
1 35 22
2 38 21
3 21 19
4 19 26
5 35 21
6 30 21
7 24 19
8 22 18
9 21 35
10 26 20
4.6 PLANILLAS DE INSPECCIÓN U HOJAS DE VERIFICACIÓN
Los datos que se obtienen al medir una característica de calidad pueden recolectarse utilizando
Planillas de Inspección. Las Planillas de Inspección sirven para anotar los resultados a medida que
se obtienen y al mismo tiempo observar cual es la tendencia central y la dispersión de los mismos.
Es decir, no es necesario esperar a recoger todos los datos para disponer de información
estadística.
¿Cómo realizamos las anotaciones? En lugar de anotar los números, hacemos una marca de algún
tipo (*, +, raya, etc.) en la columna correspondiente al resultado que obtuvimos.
Vamos a suponer que tenemos un lote de artículos y realizamos algún tipo de medición. En primer
lugar, registramos en el encabezado de la planilla la información general: Nº de Planilla, Nombre
del Producto, Fecha, Nombre del Inspector, Nº de Lote, etc. Esto es muy importante porque
permitirá identificar nuestro trabajo de medición en el futuro.
Dic 2012
Versión: 4
Producto: Fecha: No. :

Uso: Sección
Esp ecificación: In spector:
No. De Lote
1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3
30
LIE LSE
20
15
10
FRECUENCIA 1 2 6 13 11 16 9 17 18 17 19 18 16 13 8 5 6 2 1
Para cada columna contamos el total de resultados obtenidos y lo anotamos al pié. Esta es la
Frecuencia de cada resultado, que nos dice cuáles mediciones se repitieron más veces.
¿Qué información nos brinda la Planilla de Inspección? Al mismo tiempo que medimos y
registramos los resultados, nos va mostrando cual es la Tendencia Central de las mediciones. En
nuestro caso, vemos que las mismas están agrupadas alrededor de 2.3 aproximadamente, con un
pico en 2.1 y otro en 2.5 . Habría que investigar por que la distribución de los datos tiene esa forma.
Además podemos ver la Dispersión de los datos. En este caso vemos que los datos están dentro
de un rango que comienza en 1.5 y termina en 3.3 . Nos muestra entonces una información acerca
de nuestros datos que no sería fácil de ver si sólo tuviéramos una larga lista con los resultados de
las mediciones.
Y además, si marcamos en la planilla los valores mínimo y máximo especificados para la
característica de calidad que estamos midiendo (LIE y LSE) podemos ver que porcentaje de
nuestro producto cumple con las especificaciones.
6 BIBLIOGRAFÍA
 BESTERFIELD, D.H. (1995): Control de calidad, 4ª Ed. Prentice-Hall.
 CAROT ALONSO, V. (1996): Control Estadístico de Calidad. Servicio de Publicaciones de la

Universidad Politécnica de Valencia, Valencia.
 ISHIKAWA, K. (1994): Introducción al Control de Calidad. Díaz de Santos.
 LOWRY, C. A. , WOODALL, W. H. , CHAMP, C. W. & RIGDON, S. E (1992): “A Multivariate

Exponentially Weighted Moving Average Control Chart”. Technometrics, 34.
 MITRA, A. (1998): Fundamentals of Quality Control and Improvement. Prentice Hall.

Dic 2012
Versión: 4
 MONTGOMERY, D.C. (2001): Introduction to Statistical Quality Control (4th ed.). John Wiley,
New York.
 PETERS, W. S. (1987): Counting for Something. Springer-Verlag, New York.
 RYAN, T.P. (2000): Statistical Methods for Quality Improvement. Jonh Wiley, New York.
Paginas Web
http://www.monografias.com
http://www.calidad.com.ar
http://www.tqm-manager.com.ar
http://www.wikipedia.com
http://www.wikilearning.com

Procesamiento Estadístico de Datos de Producto

Загружено:

Сведения о документе

Исходное описание:

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Procesamiento Estadístico de Datos de Producto

Загружено:

Авторское право:

Доступные форматы

De clase mundial

Centro Nacional de Asistencia Técnica a la Industria ASTIN

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 2 de 38

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 3 de 38

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 4 de 38

2.1 INICIOS DE LA CALIDAD

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 5 de 38

2.2 LOS GESTORES DE LA CALIDAD

WALTER A SHEWART (1891-1967)

W. EDWARDS DEMING (1900-1993)

JOSEPH MOSES JURAN (1904-199)

KAORU ISHIKAWA (1915-)

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 6 de 38

PHILIP B. CROSBY (1926-2001)

GENICHI TAGUCHI (1924-)

SHIGEO SHINGO (1909-1990)

2.3 EL CONTROL ESTADÍSTICO DE LA CALIDAD Y LA MEJORA DE PROCESOS.

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 7 de 38

En su grupo de investigadores destacaron hombres como Walter A. Shewhart, Harry Roming y

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 8 de 38

3.0 CONTROL ESTADISTICO DE PROCESOS CEP

3.2. CICLO DEL CEP

b. Establecer especificaciones de la variable:

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 9 de 38

c. Establecer los métodos de anotación y/o recolección de la información:

d. Observar e interpretar los resultados obtenidos en los pasos anteriores:

e. Investigar las causas que originan las desviaciones de la variable:

f. Tomar una decisión o plan de acción según lo observado:

g. Comprobar la efectividad de las acciones o decisiones tomadas:

3.3.1 CONCEPTOS GENERALES

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 10 de 38

de un universo, y lo que se pretende es estimar (Conocer de manera aproximada) los parámetros

3.3.2 CONCEPTO DE VARIACIÓN:

Todo proceso productivo es un sistema formado por personas, equipos y procedimientos de

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 11 de 38

El valor de una característica de calidad es un resultado que depende de una combinación de

Causas Asignables de variación:

Causas Aleatorias de variación:

3.3.3 CURVA DE DISTRIBUCIÓN NORMAL

La importancia de esta distribución radica, en que la mayoría de los fenómenos de la naturaleza

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 12 de 38

3.3.4 CONCEPTO DE PRECISIÓN Y EXACTITUD

a. Ni preciso ni exacto b. Preciso no exacto c. Exacto no preciso d. Exacto y preciso

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 13 de 38

4.0 HERRAMIENTAS CLASICAS PARA EL CONTROL DE PROCESOS

Representa gráficamente la frecuencia de cada medición dentro de un grupo de mediciones. Es

Tipo Disparejo (o multimodal):

Tipo deslizado a la derecha o izquierda:

Tipo precipitado a la izquierda o derecha:

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 14 de 38

Tipo Pico aislado:

Para elaborar un histograma, se deben seguir los siguientes pasos:

2. Calcular el rango (R) : Distancia entre el valor máximo y el valor mínimo.

3. Número de grupos (K):

5. Limites de cada grupo:

6. Promedio del grupo (Xi): Corresponde al valor promedio de cada grupo.

Xi = (Limite superior+Limite inferior) /2

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 15 de 38

2,32 2,50 2,90 2,07 2,99

4.1.1. MEDIDAS DE TENDENCIAS CENTRAL O MEDIDAS DE CENTRALIZACIÓN EN EL

PROCESAMIENTO ESTADÍSTICO DE DATOS DE PRODUCCIÓN Página 16 de 38

4.1.2 MEDIDAS DE DISPERSIÓN EN EL HISTOGRAMA

Taller # 2: Con los datos del taller # 1: