CursoCEP Capooo

Dr.
Primitivo Reyes Aguilar

Tel. Cel. 044 55 52 17 49 12
E-mail primitivo_reyes@yahoo.com
Enero, 2006
1
Control Estadístico del Proceso
(CEP)
OBJETIVOS: Al finalizar el curso, el participante será capaz
de:
• Comprender los conceptos estadísticos para implantar

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

de medición, identificando acciones de mejora.
• Comprender los métodos de muestreo y su aplicación.

2
Contenido
1. Introducción
2. Las 7 herramientas estadísticas
3. La Distribución normal
4. Control Estadístico del Proceso
5. Cartas de control por variables

6. Cartas de control por atributos
7. Técnicas Lean para control del proceso

8. Análisis de Capacidad del proceso
9. Capacidad de los equipos de medición R&R

10. Muestreo por atributos y por variables
3
1. Introducción
4
¿Qué causa los defecto?
La variación en:
Materiales, Máquinas, Métodos,

Personal, Mediciones, Medio ambiente
5
¿Cómo hacer un diagnóstico?
• Método intuitivo
• En base a la experiencia
• En base a Métodos estadísticos
6
Etapas de la calidad
 INSPECCIÓN: Aparecen los inspectores, inspección

final al 100%
 CONTROL ESTADÍSTICO DEL PROCESO: Shewhart,

Deming, Juran. Se usa en Japón en los 1950’s y en
occidente en los 1980’s
 ASEGURAMIENTO DE LA CALIDAD (ISO 9001:1994)

Sistemas aislados EUA (1940’s)
 GESTIÓN DE LA CALIDAD (ISO 9001:2000, PNC)

Feigenbaum, Deming, Juran, Crosby, Ishikawa,
Taguchi
7
Historia del CEP
 1924: WALTER SHEWHART realizó experimentos y

desarrolló las Cartas de Control en los Bell Labs
 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
8
Historia del CEP
 1950’s: EDWARD DEMING / JOSEPH JURAN:

Entrenaron a líderes industriales en técnicas del CEP
 1950’s: KAOURU ISHIKAWA: seguidor de Deming,

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.
9
El CEP en México
 En México el programa Ford ITESM de los 1990’s

impulsó al CEP con sus proveedores con poco éxito
en otras empresas, hoy se retoma con el ISO
9001:2000 e ISO TS 16949.
 Las técnicas estadísticas han evolucionado a lo que

se conoce como Seis Sigma, aplicada en EUA y
México por Motorola, GE, Sony, etc.
10
Los diferentes métodos estadísticos
LAS CARTAS DE CONTROL

 Técnica útil para el monitoreo de procesos
 Permiten identificar situaciones anormales en
6Ms
 Sirven para prevenir la generación de defectivos
Carta X
15
LCS
10
Promedio
5 LCI
Perfil
0
11
DISEÑO DE EXPERIMENTOS
 Técnica útil 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
Entradas Salidas (Y)
Proceso
12
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
13
EL CEP ES PARTE DEL SISTEMA DE CALIDAD
ISO TS 16949 ISO 9001:2000
MEJORA CONTINUA
Información
Responsabilidad
de la Dirección
C R
e
l q
S
a
i u
e Administración
Medición, t
e r análisis, i
i de Recursos mejora s
n m
Información f
t i
e
a
c
e n
t Realización c
Producto
o i
del Producto /
o
s
(y/o servicio) Servicio
Salida n
Entrada
14
2. Las 7 Herramientas
estadísticas
15
P. REYES
16
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 Pareto – para identificar prioridades
 Diagrama de Dispersión – para analizar la correlación

entre dos variables, se puede encontrar:
 Correlación positiva o negativa, fuerte o débil o sin correlación
17
 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 Shewhart – para monitorear el

proceso, prevenir defectivos y facilitar la mejora
 Cartas de control por atributos y por variables
18
 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..
19
Estratificación
DEFINICION
 Clasificación de los datos o factores sujetos a estudio
en una serie de grupos con características similares.
20
Diagrama de Causa Efecto, de
relaciones y de Pareto
21
Lluvia de ideas
Técnica para generar ideas creativas cuando la mejor
solución no es obvia.
Reunir a un equipo de trabajo (4 a 10 miembros) en

un lugar adecuado
 El problema a analizar debe estar siempre visible
 Generar y registrar en el diagrama de Ishikawa un

gran número de ideas, sin juzgarlas, ni criticarlas
Motivar a que todos participen con la misma

oportunidad 22
Diagrama de Ishikawa
 Anotar el problema en el cuadro de la derecha
 Anotar en rotafolio las ideas sobre las posibles causas

asignándolas a las ramas correspondientes a:
 Medio ambiente
 Mediciones
 Materia Prima
 Maquinaria
 Personal y
 Métodos
o
 Las diferentes etapas del proceso de manufactura o
servicio 23
Diagrama de Causa Efecto
DEFINICIÓN
 Técnica de análisis para la solución de problemas, que
muestra la relación entre una característica de calidad y
los factores de influencia, ayudándonos a encontrar las
causas posibles que nos afectan y encontrar su solución.
24
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
Maquinaría Medición Materiales

25
Diagrama de relaciones Perdida de mercado
debido a la
competencia
No hay flujo
efectivo de mat. Influencia de la Compra de material
Por falta de situación econ del para el desarrollo de
programación país nuevos productos por
de acuerdo parte inv..... Y desarrollo’’’
No hay coordinación
a pedidos entre marketing
Falta de operaciones
No hay control coordinación al fincar
de inv..... En proc. pedidos entre
Constantes
Falta de prog. De marketing y la op.
cancelaciones
la op. En base a No hay coordinación
de pedidos
los pedidos entre la operación y las unidades
de marketing
Programación del negocio
Las un. Reciben
deficiente
ordenes de dos
deptos diferentes
Capacidad
instalada Falta de coordinación
desconocida entre el enlace de compras
Altos Duplicidad Demasiados deptos
de cada unidad con compras
Falta de control de inventarios de funciones de inv..... Y desarrollo
corporativo
inventarios en
Compras
compras
aprovecha
Falta de com..... Entre
ofertas No hay com..... Entre
las dif. áreas de
las UN y la oper.
la empresa
Marketing no
Mala prog. De tiene en cuenta
ordenes de compra cap de p.
No hay com..... Entre compras

con la op. general
Influencia directa de
marketing sobre
compras
Falta de comunicación
entre las unidades
del negocio 26
Diagrama de árbol o sistemático
Meta Medio
Meta Medio
Meta Medio
Segundo Tercer Cuarto
Primer nivel nivel nivel
nivel
Medios
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
27
Identificación y verificación de causas raíz
Determinar y atacar las causas raíz.
1. Análisis de posibles causas.
2. Relación causa-efecto.
3. Selección de posibles causas
5. Experimentación y verificación de
causas probables.
7. Determinación de causas reales.
8. Selección de contramedidas de
solución e implantación
9. Verificación de soluciones
28
Análisis del Modo y
Efecto de Falla (AMEF)
29
¿ Qué es el AMEF?
 El Análisis del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
 Reconocer y evaluar fallas potenciales y sus efectos.
 Identificar acciones que reduzcan o eliminen las

probabilidades de falla.
 Documentar los hallazgos del análisis.
30
Definiciones
Modo de Falla
- La forma en que un producto o proceso puede fallar para cumplir

con las especificaciones o requerimientos.
- Normalmente se asocia con un Defecto, falla o error.
Diseño Proceso
Alcance insuficiente Omisiones
Recursos inadecuados Monto equivocado
Servicio no adecuado Tiempo de respuesta excesivo
31
Definiciones
Efecto
- El impacto en el Cliente cuando el Modo de Falla no se previene
ni corrige.
- El cliente o el siguiente proceso puede ser afectado.
Ejemplos: Diseño Proceso

Serv. incompleto Servicio deficiente
Operación errática Claridad insuficiente
Causa
- Una deficiencia que genera el Modo de Falla.
- Las causas son fuentes de Variabilidad asociada con variables de
Entrada Claves
Ejemplos: Diseño Proceso

Material incorrecto Error en servicio
Demasiado esfuerzo No cumple requerimientos
32
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseño / Proceso
Componente ______________________ Responsable del Diseño ____________AMEF Número _________________
Ensamble ________________ Preparó _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Resultados de Acción
O Controles de D
Función S Causa(s)
Efecto (s) c Diseño o e R Responsable S O D R
del Producto/ Modos de Falla e Potencial(es) Acción Acción
Potencial (es) c Proceso t P y fecha límite e c e P
Paso del Potenciales v o Mecanismos Sugerida Adoptada
de falla u Actuales e N de Terminación v c t N
proceso . de falla
r c
33
AMEF de Diseño
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
O Controles de D
Función Causa(s)
Efecto (s) D c Diseño / e R Responsable S O D R
del componente Modos de Falla Potencial(es) Acción Acción
Potencial (es) i c Proceso t P y fecha límite e c e P
/ Paso del Potenciales oMecanismos Sugerida Adoptada
de falla v u Actuales e N de Terminación v c t N
proceso de falla
r c
Factura correcta Datos incorrectosLOCAL:

Rehacer
la factura
Describir los efectos de

MAXIMO PROXIMO modo de falla en:
Contabilidad LOCAL
equivocada El mayor subsecuente
Y Usuario final
CON CLIENTE
Molestia
Insatisfacción
CTQs del QFD o

Matriz de Causa Efecto 34
CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA AMEFP
Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura
/ ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor de las dos severidades
Efecto en el cliente Efecto en Manufactura /Ensamble

Efecto
Calif.
Peligroso
sin aviso
Calificación de severidad muy alta cuando un modo potencial de
falla afecta la operación segura del producto y/o involucra un no
Puede exponer al peligro al operador (máquina o ensamble)
sin aviso 10
cumplimiento con alguna regulación gubernamental, sin aviso
Peligroso
con aviso
Calificación de severidad muy alta cuando un modo potencial de
falla afecta la operación segura del producto y/o involucra un no
Puede exponer al peligro al operador (máquina o ensamble)
sin aviso 9
cumplimiento con alguna regulación gubernamental, con aviso
Muy alto El producto / item es inoperable ( pérdida de la función

primaria)
El 100% del producto puede tener que ser desechado op
reparado con un tiempo o costo infinitamente mayor 8
Alto El producto / item es operable pero con un reducido nivel de
desempeño. Cliente muy insatisfecho
El producto tiene que ser seleccionado y un parte
desechada o reparada en un tiempo y costo muy alto 7
Modera
do
Producto / item operable, pero un item de confort/conveniencia
es inoperable. Cliente insatisfecho
Una parte del producto puede tener que ser desechado sin
selección o reparado con un tiempo y costo alto 6
Bajo Producto / item operable, pero un item de confort/conveniencia
son operables a niveles de desempeño bajos
El 100% del producto puede tener que ser retrabajado o
reparado fuera de línea pero no necesariamente va al àrea 5
de retrabajo .
Muy bajo No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 75% de los clientes
El producto puede tener que ser seleccionado, sin desecho,
y una parte retrabajada 4
Menor No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 50% de los clientes
El producto puede tener que ser retrabajada, sin desecho,
en línea, pero fuera de la estación 3
Muy
menor
No se cumple con el ajuste, acabado o presenta ruidos, y
rechinidos. Defecto notado por clientes muy críticos (menos del
El producto puede tener que ser retrabajado, sin desecho
en la línea, en la estación 2
25%)
Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador, o sin
1
efecto
35
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Proceso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
La abertura del
engrane propor La abertura no LOCAL:
ciona una aber- es suficiente Daño a sensor
tura de aire entre de velocidad y
diente y diente engrane
Usar tabla para
MAXIMO PROXIMO
Falla en eje 7 determinar severidad o
gravedad
CON CLIENTE
Equipo
parado
36
AMEF de Diseño
O D
S Causa(s) Controles de
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/Proces Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos o Actuales Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c

Rehacer la Identificar causas
factura
de diseño, y
mecanismos de
MAXIMO PROXIMO falla que pueden
Contabilidad 7
erronea ser señalados para
los modos de falla
CON CLIENTE
Molestia
identificada.
Causas potenciales
Insatisfacción
De Diagrama de Ishikawa
Diagrama de árbol o
Diagrama de relaciones
37
CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA AMEFP
Probabilidad Indices Posibles de ppk Calif.
falla
Muy alta: Fallas 100 por mil piezas < 0.55 10
persistentes
50 por mil piezas > 0.55 9
Alta: Fallas frecuentes 20 por mil piezas > 0.78 8
Moderada: Fallas 5 por mil piezas > 0.94 6

ocasionales
Baja : Relativamente pocas 0.5 por mil piezas > 1.20 3

fallas
0.1 por mil piezas > 1.30 2
Remota: La falla es < 0.01 por mil piezas > 1.67 1

improbable
38
Función O D
del Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Diseño/ Acción Acción
Componente / Potencial (es) c t P y fecha límite e c e P
Potenciales v o Mecanismos Proceso Sugerida Adoptada
Paso del de falla u e N de Terminación v c t N
. de falla Actuales
proceso r c
Factura correcta Datos LOCAL:

equivocadso Rehacer la
factura
Rango de
probabilidades en que
MAXIMO PROXIMO la causa identificada
Contabilidad 7 3 ocurra
erronea
CON CLIENTE
Molestia
Insatisfacción
39
AMEF de Diseño
Función O D
Modos de Falla e Potencial(es) Diseño / Acción Acción
. de falla Actuales
proceso r c
Factura correcta Datos correctos LOCAL:

Rehacer la
factura
¿Cuál es el método de
control actual que usa
MAXIMO PROXIMO ingeniería para evitar el
Contabilidad 7 3 modo de falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
40
CRITERIO DE EVALUACIÓN DE DETECCION SUGERIDO PARA AMEFP
Detecciòn Criterio Tipos de Métodos de seguridad de Rangos de Calif
Inspección Detección
A B C
Casi Certeza absoluta de no detección X No se puede detectar o no es verificada

imposible
10
Muy Los controles probablemente no X El control es logrado solamente con 9
remota detectarán verificaciones indirectas o al azar
Remota Los controles tienen poca X El control es logrado solamente con
oportunidad de detección
8
inspección visual
Muy baja Los controles tienen poca X El control es logrado solamente con
oportunidad de detección
7
doble inspección visual
Baja Los controles pueden detectar X X El control es logrado con métodos gráficos con
el CEP
6
Moderada Los controles pueden detectar X El control se basa en mediciones por variables después de que las
partes dejan la estación, o en dispositivos Pasa NO pasa realizado en 5
el 100% de las partes después de que las partes han dejado la
estación
Moderada Los controles tienen una buena X X Detección de error en operaciones subsiguientes, o medición
mente oportunidad para detectar

realizada en el ajuste y verificación de primera pieza ( solo para 4
causas de ajuste)
Alta
Alta Los controles tienen una buena X X Detección del error en la estación o detección del error en
oportunidad para detectar

operaciones subsiguientes por filtros multiples de aceptación: 3
suministro, instalación, verificación. No puede aceptar parte
discrepante
Muy Alta Controles casi seguros para X X

detectar
Detección del error en la estación (medición automática
con dispositivo de paro automático). No puede pasar la 2
parte discrepante
Muy Alta Controles seguros para detectar X No se pueden hacer partes discrepantes porque el item ha
pasado a prueba de errores dado el diseño del 1
Tipos de inspección: A) A prueba de error
proceso/producto
B) Medición automatizada C) Inspección visual/manual

41
Función O D
Modos de Falla e Potencial(es) Diseño / Acción Acción
. de falla Actuales
proceso r c

Rehacer la
factura
¿Cuál es la probabilidad
MAXIMO PROXIMO
de detectar la causa de
Contabilidad 7 3 5
falla?
erronea
CON CLIENTE
Molestia
Insatisfacción
42
Calcular RPN (Número
de Prioridad de Riesgo)
Producto de Severidad, Ocurrencia, y Detección
RPN / Gravedad usada para identificar principales CTQs
Severidad mayor o igual a 8

RPN mayor a 150
43
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
O D
S Causa(s)
Función Efecto (s) c e R Responsable S O D R
Modos de Falla e Potencial(es) Controles de Acción Acción
de Potencial (es) c t P y fecha límite e c e P
Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada
Artículo de falla u e N de Terminación v c t N
. de falla
r c
Factura Datos LOCAL:

incorrecta incorrectos Rehacer
la factura
Riesgo = Severidad x
MAXIMO PROXIMO Ocurrencia x Detección
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Causas probables a
Insatisfacción
atacar primero
44
Planear Acciones
Requeridas para todos los CTQs
 Listar todas las acciones sugeridas, qué persona

es la responsable y fecha de terminación.
 Describir la acción adoptada y sus resultados.
 Recalcular número de prioridad de riesgo .
Reducir el riesgo general del proceso

45
Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________
O D
Función S Causa(s) Controles de
Efecto (s) c e R Responsable S O D R
del componente Modos de Falla e Potencial(es) Diseño / Acción Acción
Potencial (es) c t P y fecha límite e c e P
/ Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada
de falla u e N de Terminación v c t N
proceso . de falla Actuales
r c
Factura correcta Datos LOCAL:

erroneos Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105
erronea
CON CLIENTE
Molestia
Insatisfacción Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la acción,
recalcular el RPN.
46
Prototype
Control Plan Number
Part Number/Latest Change Level

Pre- launc h Produc tion
CONTROL PLAN
Key Contac /Phone
Core Team
Date (Orig.)
Customer Engineering Approval/Date (if Req'd.)

Page
Date (Rev.)
of
Plan de control
Part Name/Desc ription Supplier/Plant Approval/Date Customer Quality Approval/Date (if Req'd.)
Supplier/Plant Supplier Code Other Approval/Date (if Req'd.) Other Approval/Date (if Req'd.)
Part / Proc ess Name / Mac hine, Devic e, Charac teristic s Spec ial Methods
Proc ess Operation Jig, Tools Char.
Number Desc ription For Mfg. No. Produc t Proc ess Class. Produc t/Proc ess Evaluation/ Sample Control Method Reac tion Plan
- Todos los procesos

Spec ific ation/ Measurement Size Freq.
Toleranc e Tec hnique
- Todas las Operaciones

- Todas las actividades
Hoja de Instrucción calidad

No de Producto Dibujo No. Operación No. Maquína Elaboró Aprobó
Nombre del producto Nivel
Caracteristica Especificación Criterio Instrumento Tamaño Frecuenc. Método de Plan de Reacción
Descripción & Tolerancia d´muestra Registro
- Un proceso
- Una actividad
- Operaciones Limitadas Operador
Ayuda Visual
Instrucciones:
Distribución
47
Diagrama de Pareto
Lo primero es lo primero” es el pensamiento detrás del diagrama de
Pareto. Enfocar los recursos al problema principal desde la izquierda y
continuar hacia la derecha.
La línea acumulativa contesta la pregunta ¿Qué clases de defectos

constituyen el 80%?
100
90
80
70
60
50
40
30
20
10
0
a b c d e
48
Diagrama de Pareto
EJEMPLO: Se tienen los defectos siguientes:
A. Emulsión 20
B. Grasa 60
C. Derrame 80
D. Tapa barrida 30
E. Mal impresa 10
Construir un diagrama de Pareto y su línea

acumulativa 49
Hojas de verificación, diagrama de
dispersión y diagramas de flujo
50
Hojas de Verificación o registro
• Facilita la recolección de datos.
• Organiza automáticamente los datos.
• Examinan la distribución de un proceso.
• Checa o examina artículos y servicios

defectuosos.
DEFINICION
Formato preimpreso en el cual aparecen las
características que se van a registrar, de tal manera
que los datos puedan registrarse fácilmente.
51
Hoja de verificación
 Se utiliza para reunir datos basados en la observación
del comportamiento de un proceso con el fin de
detectar tendencias, por medio de la captura, análisis
y control de información relativa al proceso
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneoIIIII I IIIII IIIII III IIIII II 26
Forma errónea I III III II 9
Depto. Equivocado
IIIII I I I 8
Peso erróneo IIIII IIIII IIIII
I III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
52
Diagrama de Dispersíón / Regresión
DEFINICION
Es una herramienta que nos permite estudiar la relación

de dependencia entre dos o más variables.
Y=a+bX
Coeficiente de correlación r con valor entre -1 y 1

Coeficiente de determinación r2 con valor entre 0 y 1
53
Análisis de Regresión
El análisis de regresión es un método
estandarizado para localizar la correlación entre dos
grupos de datos, y, quizá más importante, crear un
modelo de predicción.
Puede ser usado para analizar las relaciones entre:

• Una sola “X” predictora y una sola “Y”
• Múltiples predictores “X” y una sola “Y”
• Varios predictores “X” entre sí

54
Definiciones
Correlación
Establece si existe una relación entre las variables y
responde a la pregunta, ”¿Qué tan evidente es esta
relación?"
Regresión
Describe con más detalle la relación entre las variables.
Construye modelos de predicción a partir de información

experimental u otra fuente disponible.
Regresión lineal simple

Regresión lineal múltiple
Regresión no lineal cuadrática o cúbica
55
Correlación entre las variables Y y X
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación Y 10
Correlación
5
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
56
Ejemplo
Considere el problema de predecir las ventas mensuales en
función del costo de publicidad. Calcular el coeficiente de
correlación, el de determinación y la recta.
MES Publicidad Ventas
1 1.2 101
2 0.8 92
3 1.0 110
4 1.3 120
5 0.7 90
6 0.8 82
7 1.0 93
8 0.6 75
9 0.9 91
57
10 1.1 105
Gráfica de la Línea de Ajuste
Recta de regresión
Y=-.600.858+5738.89X
R2 = .895
600
Retención
500 Regresión
95% Intervalo
de confianza
95% Intervalo
400 de predicción
0.18 0.19 0.20

Altura del muelle
58
Interpretación de los Resultados
La ecuación de regresión (Y = -600.858 + 5738.89X) describe la

relación entre la variable predictora X y la respuesta de
predicción Y.
R2 (coef. de determinación) es el porcentaje de variación
explicado por la ecuación de regresión respecto a la variación total
en el modelo
El intervalo de confianza es una banda con un 95% de

confianza de encontrar la Y media estimada para cada valor de
X [Líneas rojas]
El intervalo de predicción es el grado de certidumbre de la

difusión de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la población sobre
la que se basa la línea de regresión), se encontrarán dentro de la
banda [Líneas azules]
59
Símbolos para Diagramas de Flujo
Iniciar/Detener Transmisión
Operaciones Almacenar
(Valor agregado)
Decisión Entrada/Salida
Inspección /Medición
Retraso
Transportación Líneas de Flujo

60
Diagrama de flujo / Análisis del valor
Actividades con valor agregado
Actividades sin valor agregado
61
Histogramas
62
Histograma de Frecuencia
• 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 , ± 3 cubre el 99.73%.
LIE LSE
DEFINICION
 Un Histograma es la organización de un número de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
63
Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAÑO TAMAÑO TAMAÑO E
S
En un proceso estable las mediciones se distribuyen normalmente, a la

derecha y a la izquierda de la media adoptando la forma de una
campana.
M
E
D
I
C
I
O
N
E
S TAMAÑO TAMAÑO 64
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
65
26-30 4
Definiciones - datos agrupados
Límite inferior y superior de clase
Son los numeros más pequeños y más grandes de 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). 66
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
67
Ejemplo: Datos para histograma
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
68
Ejemplo: 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

69
Construcción del histograma
18
16
14
12
10
8 Frec.
6
4
2
0
15-24 25-34 35-44 45-54 55-64 65-75
70
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 71
3. La Distribución Normal
72
Distribución gráfica de la
variación – Curva normal
LAS PIEZAS VARÍAN DE UNA A OTRA:
TAMAÑO TAMAÑO TAMAÑO TAMAÑO
Pero ellas forman un patrón, tal que si es estable, se denomina distr. Normal
SIZE TAMAÑO TAMAÑO
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIÓN DISPERSIÓN FORMA
TAMAÑO TAMAÑO TAMAÑO

. . . O TODA COMBINACIÓN DE ÉSTAS
73
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 probailidad o área bajo la curva

mostrada en la Tabla de distribución normal 74
La Distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
75
Características de la Distribución Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 76
Procesos normales y medias
muestrales
 Un proceso normal es el que su salida sigue una
distribución normal, se puede probar con el criterio
de Anderson Darling o de Ryan para P value > 0.05
 Para el caso de las medias muestrales, el area bajo la

curva normal se determina con la siguiente fórmula
 Z = (X – Media ) / (Sigma / raiz(n))
77
El valor de Z
Determina el número de desviaciones estándar
entre algún valor x y la media de la población, mu
Donde sigma es la desviación estándar de la
población.
En Excel usar Fx, ESTADISTICAS, NORMALIZACIÓN,

para calcular el valor de Z
z= x-m

78
Área bajo la curva normal
¿Que porcentaje de las baterías se espera que duren
80 horas o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36
-1.42 0
79
Área bajo la curva normal
¿Cuál es la probabilidad de que una batería dure
entre 86.0 y 87.0 horas?
85.36 86 87
0 1
80
Ejercicios
Considere una media de peso de estudiantes de 75 Kgs.
con una desviación estándar de 10Kgs. Contestar lo
siguiente:
¿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
81
100Kgs.?
4. Control estadístico del
proceso
82
CEP objetivos y beneficios
 El CEP es una técnica que permite aplicar el análisis
estadístico para medir, monitorear y controlar
procesos por medio de cartas de control
 Se basa en que los procesos presentan variación,

aleatoria y asignable
 Entre los beneficios se encuentran:

 Monitorear procesos estables e identificar si han
ocurrido cambios debido a causas asignables para
eliminar sus fuentes
83
Factores de éxito para
Implantación del CEP
 Liderazgo gerencial, ser parte de un programa
mayor de calidad
 Enfoque de grupo de trabajo
 Educación y entrenamiento en todos los niveles

 Énfasis en la mejora continua
 Sistema de reconocimiento
 Apoyo técnico de Ingeniería o Calidad 84

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
85
¿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.” 86
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFINICION
Es una ayuda gráfica para el control de las variaciones
de los procesos administrativos y de manufactura.
87
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, diferentes a los límites de especificación.
 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.
88
Cartas de Control
Detección
Prevención
No Si
VARIACIÓN
Causas especiales
Causas comunes Personal

de piso
Administración 89
Variación – Causas comunes
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
90
Variación – Causas especiales
Límite
inf. de
especs.
Límite
sup. de
especs.
Objetivo
91
Patrones de anormalidad
en la carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
92
Patrones Fuera de Control
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 93
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  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.
94
Teorema 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:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
95
Población con media m y desviación estándar  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 m y desviación estándar
de las medias de las muestras  / n. También
se denomina Error estándar de la media.
96
 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:
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
97
CEP por variables y atributos
 El CEP por variables implica realizar mediciones en la
característica de calidad de interés, tal como:
 Tiempos
 Velocidad
 El CEP por atributos califica a los productos como

buenos / defectivos o por cuantos defectos tienen:
 Color, funcionalidad, apariencia, etc.
98
5. Cartas de Control para
variables
99
Cartas de Control por Variables
 Medias Rangos (subgrupos de 5 - 9 partes cada x

horas, para estabilizar procesos)
 Valores Individuales (partes individuales cada x

horas, para monitoreo de procesos muy lentos o
químicos)
 Medias desviaciones estándar para monitoreo de

proveedores
100
Implantación de cartas
de control por variables
• Identificar la característica a controlar en base
a un AMEF (análisis del modo y efecto de falla)
y plan de control
• Establecer métodos, muestras y frecuencia
• Validar la habilidad del sistema de medición

R&R
101
Implantación de cartas
de control por variables
• Centrar el proceso, correrlo y medir al menos
25 subgrupos de 5 partes cada uno, calcular
límites
• Identificar causas especiales, prevenir su

recurrencia, recalcular límites y continuar
control para reducir causas comunes
102
Carta X, R
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
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R NOTA: Los factores a considerar
LICX = x - A2 R para n = 5
LSCR = D4 R Son A2 = 0.577 D3 = 0 D4 = 2.114
LICR = D3 R 103
Ejemplo de carta de control X-R
Xbar-R Chart of Pulse1
90
U C L=86.84
Sample Mean
80
_
_
X=72.69
70
60
LC L=58.53
2 4 6 8 10 12 14 16 18
Sample
U C L=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LC L=0
2 4 6 8 10 12 14 16 18
104
Sample
Carta X, S
 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.
105
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
x1 + x2 + x3 + ...+ xN
x = n 5 6 7 8 9 10
n
x1 + x2 + x3 + ...+ xN B4 2.09 1.97 1.88 1.82 1.76 1.72
x =
k B3 0.00 0.03 0.12 0.18 0.24 0.28
LSCX = x + A3 S A3 1.43 1.29 1.18 1.10 1.03 0.98
LICX = x - A3 S C4 .940 .952 .959 .965 .969 .973
LSCS = B4 S
LICs = B3 S
106
(usar estos factores para calcular Límites de Control
Carta de Individuales (I-MR)
 Esta Carta monitorea la tendencia de un proceso con

datos variables que no pueden ser muestreados en lotes o
grupos.
 Este es el caso cuando la capacidad de corto plazo se

basa en subgrupos racionales de una unidad
 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)
107
Carta I-MR (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
x1 + x2 + x3 + ...+ xN
x =
n
n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R D3 0
LSCR = D4 R E2 2.66
LICR = D3 R
(usar estos factores para calcular Límites de Control n = 2) 108
Ejemplo: Carta I-MR
I-MR Chart of Pulse2
150
1
1
Individual Value
125 1 11
1
U C L=113.2
100
_
X=80
75
50 LC L=46.8
1 9 18 27 36 45 54 63 72 81 90
O bser vation
60
Moving Range
1
45 1
U C L=40.75
30
15 __
M R=12.47
0 LC L=0
1 9 18 27 36 45 54 63 72 81 90
O bser vation
Observar las situaciones fuera de control 109

6. Cartas de Control
para atributos
110
Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de servicios erroneos, Constante o variable > 30

defectivos o no conformes
np Número de servicios erroneos Constante > 30
c Número de defectos, errores o Constante = 1 Unidad de

no conformidades inspección
u Número de defectos por unidad Constante o variable en

unidades de inspección
111
Cartas de Control tipo p
 p - CON LÍMITES DE CONTROL VARIABLES
 p - CON n PROMEDIO
 p - ESTANDARIZADA
112
Carta p
Ejemplo:
Gráfica P para Fracción Defectiva
0.5
0.4
3.0SL= 0.4484 LSC
Proporci
0.3
ón
0.2
0.1 P= 0.1128 p
0.0 -3.0SL= 0.000
LIC
0 5 10
Número de muestra
 Observe como el LSC varía conforme el tamaño (n) de cada

muestra varía.
 Los límites de control se pueden estabilizar con n promedio o

estandarizando pi con Zi.
113
Carta np
 Se usa cuando se califica al servicio como bueno/malo,
pasa/no pasa.
 Monitorea el número de servicios erróneos 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: servicios diarios)
np = número de servicios erroneos en cada muestra
k = número de muestras
114
Carta np (Cont...)
Ejemplo 1:
Carta np de número de servicios erroneos
10 3.0 LSC=10.03
No. De fecetivos
5
Np =4.018 np
0 - 3.0S LIC=0.0 LIC

0 5 10 15
Número de muestras
 El tamaño de la muestra (n) es constante
 Los límites de control LSC y LIC son constantes
 Evita hacer cálculos al presatdor del servicio

115
Cartas de Control para
defectos o errores
c – Número de defectos
Se cuentan los defectos que tienen cada
unidad de inspección de tamaño n
constante en productos como facturas
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 – Facturas
116
Carta c
 El tamaño de la muestra (n unidades de inspección)

debe ser constante
 Ejemplos:
- Número de errores en cada lote de facturas
- 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
117
Carta c
Ejemplo:
Carta C
15 1
Número de defectos
3.0L SC=12.76 LSC

10
5 C = 5.640 C
0 -3.0L IC=0.000
0 5 10 15 20 25
Número de Muestras
 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?
118
Carta u
 El tamaño de la muestra (n) puede variar
 Los defectos o errores 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 facturas por semana, identificando
los errores en estas.
• Se inspeccionan servicios prestados por día, se determinan

los errores promedio por día.
119
Carta u (cont..)
Ejemplo 2:
Gráfica U para Defectos
Número de efectos
7 3.0L SC
=6.768
LSC
6
5 U=4.979 u
4
-3.0L IC=3.190
3 LIC
2
0 10 20
Número de Muestras
 Observe que ambos límites de control varían

cuando el tamaño de muestra (n) cambia.
 ¿En que momentos estuvo el proceso fuera de

control? 120
Cartas de Precontrol
121
Cartas de precontrol (Shainin)
 Es más exitosa con procesos estables no sujetos a
corridas rápidas una vez que se ajustan
 Sirven como referencia de ajuste y de monitoreo
 La distancia entre los límites de especificaciones se

divide entre cuatro quedando los límites de control
entre el primer y tercer cuarto
122
Pre- Control
Bajo Alto
Línea Línea
P-C P-C
Rojo Amarillo Verde Amarillo Rojo
1/4 1/2 1/4
Tolerancia Completa
123
Reglas de Precontrol
1. Ajustes: Iniciar producción sólo cuando 5 piezas consecutivas
caen en verde.
a Sí hay una amarilla reinicie el conteo
b Sí hay dos amarillas consecutivas, ajuste
c Re - inicie control, cuando suceda algún cambio en
herramienta, operador, material o después de cualquier
paro de maquinaria.
2. Durante la producción: Tomar una muestra de dos piezas
consecutivas A y B (cada 1/6 del tiempo prom. transc.entre 2 paros):
a Sí A y B caen en verde, continuar el proceso
b Sí A es amarilla y B cae en verde continuar proceso.
c Sí A y B son amarillas parar proceso e investigar causas
d Sí A o B son rojas, parar proceso e investigar causas
124
Acciones a tomar
Ultima pieza Pieza actual
Verde Continuar
Amarillo Primera: Continuar

Segunda: Detener
Rojo Detener
125
Distribución de probabilidad
LIEsp. Línea Línea LSEspecif.
P-C P-C
1/14 12/14 1/14
7% 86% 7%
Rojo Amarillo Verde Amarillo Rojo
Area Objetivo
1/4 1/2 1/4

Tolerancia Completa
126
7. Capacidad de Proceso
127
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 de equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de producción cuando hay un efecto

interactivo de los procesos en las tolerancias
128
LIE LSE
Especificación Especificación
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones 129

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

asegurarse que se mantenga
130
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 131

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.
Tolerancia LSE - LIE

Cp = =
Variación del proceso 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 los límites de especificación.
Con límites bilaterales da una indicación del centrado. Es el

menor de:
LSE - media del proceso media del proceso - LIE

Cpk =
3 desviaciones STD y 3 desviaciones STD
132
Cálculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 
Debe ser  1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor | ZI - ZS | / 3

El Cpk debe ser  1 para que el
proceso cumpla especificaciones
133
Capacidad de procesos no normales
y transformaciones de datos
 Para procesos no normales, utilizar la distribución
de Weibull
 Para transformaciones de datos no normales en

normales utilizar la transformación de Box Cox
134
Capacidad y Desempeño de
procesos
 Capacidad de procesos en base a sigma de R / d2
R S MR
ˆ ST  , ,
d 2 c4 d 2
LSE  LIE
ˆ ST  n
6
 Desempeño del proceso en base a sigma de la

población estimada
kn
  X i  mˆ 
2
4(n  1) ˆ LT 
S TOT
c4 
STOT 
3n  1 c 4 kn
i 1
kn  1
135
Inerpretación de salida Minitab
 Desviación estándar “Within” determinada con R/d2,
se usa para determinar los índices de capacidad Cp,
Cpk y PPM “Within” con el proceso en control
 Desviación estándar “Overall” det. Con la desviación

estándar de los datos 4(n – 1)/ (3n -1)), se usa para
determinar los índices de Desempeño Pp, Ppk y PPM
“Overall” no importa que el proceso este fuera de
control
 El “Observed Perfomance” se determina comparando

los datos de la muestra con las especificaciones
136
Ejemplo de capacidad de proceso
Process Capability of Viscosidad
LSL USL
P rocess Data Within
LS L 9.00000 Overall
Target *
USL 14.00000 P otential (Within) C apability
S ample M ean 11.74400 Cp 0.97
S ample N 50 C PL 1.07
C PU 0.88
S tDev (Within) 0.85577
S tDev (O v erall) 0.80259 C pk 0.88
C C pk 0.97
O v erall C apability
Pp 1.04
PPL 1.14
PPU 0.94
P pk 0.94
C pm *
9.6 10.4 11.2 12.0 12.8 13.6

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 671.85 P P M < LS L 314.35
P P M > U S L 0.00 P P M > U S L 4191.66 P P M > U S L 2470.24
137
P P M Total 0.00 P P M Total 4863.51 P P M Total 2784.59
Rendimiento de la capacidad real
Recibo de partes
del proveedor
1,000,000 unidades 95.5% de rendimiento

Después de la
inspección de recepción
45,000 97% de rendimiento

De las operaciones
Unidades de Maquinado
desperdiciadas
28,650 94.4% de
Unidades En los puestos
desperdiciadas
51,876
rendimiento
de prueba -
1er intento
Unidades
YRT = .955*.97*.944 = desperdiciadas
87.4% Correcto la
125,526 unidades desperdiciadas primera
por millón de oportunidades vez
138
Capacidad de proceso a partir
de cartas de control por variables
139
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOS UN PROCESO INESTABLE o “IMPREDECIBLE”.
?
? ?
? ?
? ?
140
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
141
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.
142
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?
x Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribución
del Proceso
_
x = media
34% 34% s= sigma; es la
desviación
estándar; medida
de la variación
14 % 14 % del proceso.
2% 2%
-3s -2s -1s x +1s +2s 3s 143
99.73%
Desviación Estándar del proceso 
 =R o  =S
d2 c4
Donde,
= Desviación estándar de la población
d2 = Factor que depende del tamaño del subgrupo en la carta de
control X - R
C4 = 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) 144
Capacidad del proceso
Cuando las causas comunes son la única variación:
Cp El índice de capacidad potencial del proceso compara

la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6 
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 |Z1 , Z2| / 3
3
145
Capacidad con 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:
m = X media de medias  = 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
146
Capacidad con carta X - S
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parámetros del proceso se tiene:
m = X media de medias  = Smedio / C4 = 1.05 / 0.94 = 1.

[ C4 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
147
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo

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

causas comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5
148
8. Capacidad de los
sistemas de medición
149
Metrología
 Metrología es la ciencia de las mediciones
 Apoya al CEP en la evaluación cuantitativa de las

variables del proceso (longitudes, dimensiones,
pesos, presiones, etc.)
 Factores considerados para determinar el periodo de

calibración de los equipos de medición
 Intensidad de uso del equipo
 Posibles desgastes por el uso o degradación
 Errores identificados durante las calibraciones

periódicas 150
Posibles Fuentes de la
Variación del Proceso
Variación del proceso, observado
Variación del proceso, real Variación de la medición
Variación dentro de
la muestra Variación originada
Reproducibilidad
por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibración
La “Repetibilidad” y “reproducibilidad” (R&R), son los errores más relevantes en la medición.

151
Definición del Sesgo
Valor
Verdadero
Sesgo es la diferencia entre el Sesgo

promedio observado de las
mediciones y el valor
verdadero.
152
Definición de la Repetibilidad
Repetibilidad: Es la variación de las mediciones
obtenidas con un instrumento de medición, cuando es
utilizado varias veces por un operador, al mismo tiempo
que mide las mismas características en una misma parte
REPETIBILIDAD
153
Definición de la Reproducibilidad
Reproducibilidad: Es la Operador-B
variación, entre promedios
de las mediciones hechas
por diferentes operadores
que utilizan un mismo
instrumento de medición Operador-C
cuando miden las mismas
características en una
misma parte
Operador-A
Reproducibilidad 154
Definición de la Estabilidad
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 Tiempo 2
mide una sola de sus características, durante Noche
un período de tiempo prolongado.
Tiempo 1
Mañana
155
Definición de la Linealidad
Max
Min
Valor Valor
Linealidad es la diferenciaverdadero verdadero
en los valores real y Sesgo Sesgo
observado, Menor mayor
a través del rango de
operación (rango inferior)
esperado del equipo.
Rango de Operación del equipo
(rango superior)
156
Estudio de R&R
 Generalmente intervienen de dos a tres operadores

 Se escogen 10 unidades que cubran el 80% de la
variación del proceso
 Cada unidad es medida por cada operador, 2 ó 3
veces.
157
EL VALOR DEL R&R COMO % DE LA VARIACION TOTAL
DEL PROCESO:
VARIACIÓN DE PARTE A
PARTE
Lo que
fue
medido
LSL OBJETIVO USL
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo
qué tan crítico es el grado de la medición.
>30%. ¡Inaceptable
158
Realizando el estudio R&R
 Las 10 partes deben seleccionarse, cubriendo el

RANGO TOTAL DEL PROCESO .
 Es importante que dichas partes sean representativas

del proceso total (80% DE LA VARIACION)
159
Procedimiento 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.
5. Continúe hasta que todos los operadores hayan medido las

muestras una sola vez (Este es el ensayo 1).
160
Procedimiento para
realizar un estudio de R&R
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 tolerancia
8. Analice los resultados y determine los pasos a seguir, si los hay.

161
Métodos de estudio del error R&R:
I. Método de Promedios- Rango

• Separa en el sistema de medición la reproducibilidad y la
Repetibilidad.
• Los cálculos son más fáciles de realizar.
II. Método ANOVA

• Separa en el sistema de medición la reproducibilidad y 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 162

Ejemplo:
Planteamiento del problema:
Las partes producidas en el área de producción, fallaron por
errores dimensionales 3% del tiempo.
CTQ: Mantener una tolerancia ± 0.125 pulgadas
Sistema de Medición: Se miden las partes con calibradores de 2”.
Estudio R&R del La dimensión A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
163
Método X-media y Rango:
Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porción Xbar
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
X-barA X-barB
R-barA R-barB
Porción R
164
1. Cálculo de las X-medias
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
X-barA 9.3689 X-barB 9.3584
R-barA R-barB
Porción R
165
2. Cálculo de los Rangos
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
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porción R 0.0630166
Identificación de Parámetros del Estudio
y Cálculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porción R 0.0630
Ancho de tolerancia====> 0.25 X-media máx.=> 9.3689

Número de intentos (m)=> 2 X-media mín. => 9.3584
Número de partes (n)==> Diferencia X-dif 0.0105
10
Número de operadores 2
alfa  ========> 4.56 R-media doble =>0.0113
(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
Beta  =========> 3.65 K3 ======> 1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)
167
3. Cálculo de R&R
Repetibilidad: La variación del dispositivo de medición (VD) se calcula
sobre cada grupo de mediciones tomadas por un operador, en una
sola parte.
DV = R x K1 = 0.0515
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 (vale si la raíz es negativa)
AV = (Xdif * K2)2 - (DV2/(r*n)) = 0.03655
168
3. Cálculo de R&R
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
R&R = DV2 + AV2 = 0.05277
El componente de varianza para las partes (PV), se calcula sobre el

rango de los promedios de todas las mediciones, para cada parte.
PV = Rpart x K3 = 0.1021
La variación total (TV) se calcula combinando la varianza de repetibilidad y

reproducibilidad y la variación de la parte.
TV = R&R2 + PV2 = 0.1142 169

Gage R&R (Xbar/R) for Response
Reported by :
G age name: Tolerance:
Date of study : M isc:
Components of Variation Response by Part

100 % Contribution 1.00
% Study Var
Percent
% Tolerance
0.75
50
0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Part
R Chart by Operator
1 2 3
Response by Operator
UCL=0.1252 1.00
Sample Range
0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
1 2 3
Operator
Xbar Chart by Operator
1 2 3 Operator * Part Interaction
1.00 1.00 Operator
Sample Mean
_
_
UCL=0.8796
1
Average
2
X=0.8075
0.75 LCL=0.7354 0.75 3
0.50
0.50
1 2 3 4 5 6 7 8 9 10
Part
La carta R debe estar en control, de otra forma repetir las

Mediciones de los puntos que salgan de límites de control
La carta X debe tener al menos 20% de los puntos fuera
De control indicando que distingue las 10 partes diferentes 170
Criterios del R&R
 Equipo usado para control del proceso
 El porcentaje de error de R&R respecto a la
variación total del proceso debe ser menor al

10% o entre 10 – 30% si la característica no es
crítica
 Equipo usado para liberar producto al cliente

 El porcentaje de error de R&R respecto a la
tolerancia de las especificaciones del cliente

(LSE – LIE) debe ser menor al 10% o entre 10 –
30% si la característica no es crítica
171
3. Cálculo de R&R
Basado en la tolerancia:
%DV = 100*DV/Ancho de tolerancia= 20.61
%AV = 100*AV/Ancho de tolerancia= 14.62
%R&R = 100*R&R/Ancho de tolerancia = 21.108 DV=Repetibilidad
Basado en la variación Total de las Partes:

AV=Reproducibilidad
45.09 PV=Variación de
%DV = 100*DV/Variación total=
Las partes
32.00
%AV = 100*AV/ Variación total =
%R&R = 100*R&R/ Variación total = 46.20
89.40 172
%PV = 100*PV /Variación total =
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 48 173
9. Técnicas Lean para
control
174
Muda, los 7 desperdicios
 El Muda son actividades que no agregan valor en el
lugar de trabajo. Su eliminación es esencial para
reducir costos y tener calidad en producto:
 Sobreproducción
 Inventarios
 Reparaciones / Retrabajos
 Movimientos
 Esperas
 Transportes 175
5S’s
 Seiko (arreglo adecuado)
 Seiton (orden)
 Seiketso (limpieza personal)
 Seiso (limpieza)
 Shitsuke (disciplina personal)
 En Inglés:
 Sort (eliminar lo innecesario)
 Straighten (poner cada cosa en su lugar)
 Scrub / Shine (limpiar todo
 Systematize (hacer de la limpieza una rutina)
 Standardize (mantener lo anterior y mejorarlo)
176
Administración visual
 Tiene como propósito mostrar a la administración y
empleados lo que está sucediendo en cualquier
momento de un vistazo
 Uso de pizarrones o pantallas para mostrar el estado

de:
 La prestación de servicios
 Los programas
 La calidad del servicio
 Los tiempos de entrega
 Requerimientos del cliente y costos
177
Kaizen Blitz (evento o taller)
 Involucra una actividad Kaizen (proyecto de mejora)
en un área específica por medio de un equipo de
trabajo durante 3 a 5 días:
 2 días de entrenamiento
 3 días para colección de datos, análisis e
implementación de la solución
 Es necesario el apoyo de la administración

 Al final el equipo hace una presentación del
proyecto 178
Kaizen Blitz (evento o taller)
 Resultados:
 Ahorro de espacio
 Flexibilidad de atención al cliente
 Flujo de trabajo mejorado
 Ideas de mejora
 Mejoras en calidad
 Ambiente de trabajo seguro
 Reducción de actividades que no agregan valor
179
Kanban
 Kanban = signo. Es una señal a los procesos internos
para proporcionar servicios (tarjetas, banderas,
espacio en el piso, etc.). Da indicación visual de:
 Números, código de barras

 Cantidad
 Localización
 Tiempo de entrega
 Colores en función del destino
180
Poka Yoke
 Con dispositivos sencillos a Prueba de error se
pueden evitar los errores humanos por:
 Olvidos
 Malos entendidos
 Identificación errónea
 Falta de entrenamiento
 Distracciones
 Omisión de las reglas
 Falta de estándares escritos o visuales
181
POKA YOKEs
DISPOSITIVOS A PRUEBA DE ERROR ( Poka - Yokes ).

182
22 GUOQCSTORY.PPT
Método del Contacto Eléctrico
Contactos eléctricos a prueba de errores,

para asegurar una polaridad apropiada.
Pasadores Guía
Cada guía tiene su propio pasador guía único.

183
Funciones básicas de un Poka Yoke
Paro (Tipo A):

Cuando ocurren anormalidades mayores, evitan
cierre de la máquina, interrumpen la operación.
En algunos casos el operador tiene disponibles

interruptores que paran el proceso total, si detecta
errores mayores
184
Funciones básicas de un Poka Yoke
Advertencia (Tipo B):

Cuando ocurren anormalidades menores. Indican
con luces o alarmas para llamar la atención del
personal.
Es necesario regular intensidad, tono y volumen.
Los defectos continúan ocurriendo hasta que se

atienden. Algunos separan el producto defectuoso.
185
Metodología de desarrollo de Poka Yokes
1.Describir el defecto
Mostrar la tasa de defectos; Formar un equipo de
trabajo
2. Identificar el lugar donde:
Se descubren los defectos; Se producen los
defectos
3. Detalle de los procedimientos y estándares de la
operación donde se producen los defectos
186
Metodología de desarrollo de Poka Yokes
4. Identificar los errores o desviaciones de los

estándares en la operación donde se producen los
defectos
5. Identificar las condiciones donde se ocurren los
defectos (investigar)
6. Identificar el tipo de dispositivo Poka Yoke requerido

para prevenir el error o defecto
7. Desarrollar un dispositivo Poka Yoke
187
Proceso de A Prueba de Error
Identificar
Hacer un AMEF de
Identificar todos los características de
proceso para
errores potenciales diseño que pueden
Manufactura
eliminar el error
1
Rediseñar para
eliminar la posibilidad
de error
o
2 Revisar el diseño para
Rediseñar para hacer
obvio que ocurrirá un detectar errores potenciales
error en Manufactura y Ensamble
o
3
Rediseñar para hacer
obvio que ha ocurrido
un error
188
TPM
 El mantenimiento productivo total incluye la participación
de todos para asegurar la disponibilidad del equipo de
producción y combina los mantenimientos preventivo,
predictivo, mejoras en la mantenabilidad, facilidad de
mantenimiento y confiabilidad
 Hay 6 grandes pérdidas que contribuyen en forma

negativa a la efectividad del equipo:
 Falla del equipo Preparación y ajustes
 Arranques y paros menores Velocidad reducida
 Defectos de proceso Pérdidas de producto
189
Estándares de Trabajo
 Documentan la mejor manera de hacer el trabajo, en
forma más fácil y segura.
 Preservan el Know How y experiencia para hacer el
trabajo que puede perderse al irse los empleados
 Proporcionar un método de evaluar el desempeño

 Proporcionan una base para mantenimiento y mejora
 Son la base de la capacitación y auditoria
 Método para prevenir la recurrencia de errores

 Minimizan la variabilidad 190
Otros Estándares de Trabajo
 Líneas amarillas en el piso
 Códigos de colores
 Pizarrón de control para producción
 Indicadores de nivel mínimo y máximo de inventarios
 Matrices de capacitación cruzada

 Lámparas de falla
191
10. Muestreo por atributos
y por variables
192
Muestreo aleatorio estadístico
Muestra n
Lote N
193
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
 Desventajas de la aceptación por muestreo

 Riesgo de aceptar lotes malos o rechazar buenos
 Poca información sobre el producto o proceso
 Requiere planeación 194

Tipos de muestreo de aceptación
 Muestreo por atributos

 Calificación por atributos
 Muestreo simple, doble y múltiple
 Muestreo por variables

 Calificación por variables (un plan por cada
característica)
 Plan en base a la posición de la media
195
Muestreo simple por atributos
 Se define por su tamaño de muestra n y el número de
aceptación c máxima de partes defectivas
 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)
Pa
1 Curva característica de
0.8 Operación dado una
0.5 Tamaño de muestra n
0.3 y un criterio de aceptación c
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov. 196
Muestreo simple por atributos
 Conforme se disminuye c o se aumenta n la probailidad de
aceptar lotes defectivos se reduce
 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%
AOQ = p*Pa Planta

Almacén Curva AOQ dado una
0.3
Tamaño de muestra n
0.25
y un criterio de aceptación c
0.20 AOQL
0.15
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.197
Tablas de muestreo por atributos
MIL-STD 105E o ANSI Z1.4
 Requiere información de:
 Tamaño del lote
 Nivel de inspección (especial o normal II)
 Magnitud del AQL (fracción defectiva aceptable en lotes)
 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
198
 Iniciando con Inspección normal, proporciona información
de:
 Tamaño de muestra n
 Criterio de aceptación Aceptar con
 Criterio de rechazo Rechazar con
 Contempla cambiar de Inspección Normal a Estricta si:

 Se rechazan 2 de 5 lotes consecutivos
 Regresa a la Normal si se aceptan 5 lotes consecutivos
 Contempla cambiar a Inspección Reducida si:

 Se han aceptado 10 lotes consecutivos
 Regresa a Normal si se rechaza un lote

199
 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
 Las flechas ascendentes y descendentes indican cambio de

letra y plan (n-c) dentro del mismo plan de inspección
200
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
aceptación k distancia mínima de la media de la muestra a
al límite de especificaciones
 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 abs(Z) >= k
LIE Posición de la media en
Z Reláción con el límite de
Especificación inferior LIE
Z = (LIE-Xm)/s
1.05 1.1 1.15 1.2 1.25 1.3 Dimensión201
X
Muestreo simple por variables
Método I – Distancia k de X a Lim. Esp.
aceptación k distancia mínima de la media de la muestra a
al límite de especificaciones
 Pa es la probabilidad de aceptar un lote con fracción

defectiva p con base en el plan de inspección n-k
Pa
0.3 y un criterio de aceptación k
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov. 202
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 Lim. Sup. de espec. 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.

Estandar s = 8.81, por tanto Z = 1.59
Conclusión: Como Z es mayor que K, se acepta el lote 203

Determinación de la fracción
defectiva en la muestra para el Método II
Pasos:
1.Se toma una muestra de tamaño n
2. Se mide la característica de interés
3. Se calcula la Media y la desv. Estandar de la muestra
4. Determinar valor de Zi y Zs en base a especs. LIE, LSE
5. Se determina el valor de P(Zt) = P(Zi) + P(Zs)
LIE X LSE
Aceptar el lote
Si P(Zt) <= M
Zi Zs
s
P(Zi) P(Zs)
204
Muestreo simple por variables –Método
II de M = fracc. Def. máx.
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
Pa
0.3 y un criterio de aceptación M
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov. 205
 Requiere información de (por cada característica variable):
 Tamaño del lote
 Nivel de inspección (especial o normal 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
206
 Iniciando con Inspección normal, proporciona información de:
 Tamaño de muestra n
 Criterio de aceptación K (máximo) o M (mínimo)
 Contempla cambiar de Inspección Normal a Estricta si:

 Se rechazan 2 de 5 lotes consecutivos
 Regresa a la Normal si se aceptan 5 lotes consecutivos
 Contempla cambiar a Inspección Reducida si:

 Se han aceptado 10 lotes consecutivos
 Regresa a Normal si se rechaza un lote
207
Método II con el valor de M
 Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II teniendo
Lim. 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 Zs = 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
208
!!! MUCHAS GRACIAS !!!
Sesión de preguntas y
respuestas
209

CursoCEP Capooo

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

CursoCEP Capooo

Diunggah oleh

Hak Cipta:

Format Tersedia

Dr.

Primitivo Reyes Aguilar

• Comprender los conceptos estadísticos para implantar

• Evaluar la capacidad de un proceso y de los equipos

• Comprender los métodos de muestreo y su aplicación.

5. Cartas de control por variables

7. Técnicas Lean para control del proceso

9. Capacidad de los equipos de medición R&R

Materiales, Máquinas, Métodos,

• En base a Métodos estadísticos

 INSPECCIÓN: Aparecen los inspectores, inspección

 CONTROL ESTADÍSTICO DEL PROCESO: Shewhart,

 ASEGURAMIENTO DE LA CALIDAD (ISO 9001:1994)

 GESTIÓN DE LA CALIDAD (ISO 9001:2000, PNC)

 1924: WALTER SHEWHART realizó experimentos y

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

 Durante la 2a. Guerra Mundial se expande el uso

 1950’s: EDWARD DEMING / JOSEPH JURAN:

 1950’s: KAOURU ISHIKAWA: seguidor de Deming,

 Los japoneses implantaron el CEP y lograron

 En México el programa Ford ITESM de los 1990’s

 Las técnicas estadísticas han evolucionado a lo que

LAS CARTAS DE CONTROL

 Diagrama de Causa efecto – para identificar las

 Diagrama de Pareto – para identificar prioridades

 Diagrama de Dispersión – para analizar la correlación

 Hoja de verificación – para anotar frecuencia de

 Histogramas – para ver la distribución de frecuencia de

 Las cartas de control de Shewhart – para monitorear el

 Diagrama de flujo – para identificar los procesos, las

 Diagramas físicos de proceso

 Diagramas de flujo de valor

 Estratificación – para separar el problema general en

Reunir a un equipo de trabajo (4 a 10 miembros) en

 El problema a analizar debe estar siempre visible

 Generar y registrar en el diagrama de Ishikawa un

Motivar a que todos participen con la misma

 Anotar en rotafolio las ideas sobre las posibles causas

Maquinaría Medición Materiales

No hay com..... Entre compras

 Reconocer y evaluar fallas potenciales y sus efectos.

 Identificar acciones que reduzcan o eliminen las

 Documentar los hallazgos del análisis.

- La forma en que un producto o proceso puede fallar para cumplir

- Normalmente se asocia con un Defecto, falla o error.

- El cliente o el siguiente proceso puede ser afectado.

Ejemplos: Diseño Proceso

Ejemplos: Diseño Proceso

Factura correcta Datos incorrectosLOCAL:

Describir los efectos de

CTQs del QFD o

Efecto en el cliente Efecto en Manufactura /Ensamble

Muy alto El producto / item es inoperable ( pérdida de la función

Factura correcta Datos incorrectosLOCAL:

Alta: Fallas frecuentes 20 por mil piezas > 0.78 8

10 por mil piezas > 0.86 7

Moderada: Fallas 5 por mil piezas > 0.94 6

1 por mil piezas > 1.10 4

Baja : Relativamente pocas 0.5 por mil piezas > 1.20 3

Remota: La falla es < 0.01 por mil piezas > 1.67 1

Factura correcta Datos LOCAL:

Factura correcta Datos correctos LOCAL:

Casi Certeza absoluta de no detección X No se puede detectar o no es verificada