Control Estadístico Proceso

UNIVERSIDAD PRIVADA DEL NORTE
PROGRAMA WORKING ADULT

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL
CONTROL ESTADÍSTICO DE LA CALIDAD

Ciclo 2018 – 4
26 marzo – 02 marzo
PROGRAMA WORKING ADULT MSc. Jorge Luis Chiroque Calderón

SEDE LIMA CENTRO [email protected]
UNIVERSIDAD PRIVADA DEL NORTE
PROGRAMA WORKING ADULT

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL
CONTROL ESTADÍSTICO DE LA CALIDAD

Ciclo 2018 – 4
26 marzo – 02 marzo
PROGRAMA WORKING ADULT MSc. Jorge Luis Chiroque Calderón

SEDE LIMA CENTRO [email protected]
Sumilla
 Unidad I: Introducción al Control Estadístico de la Calidad. (1)
 Tema 1: Conceptos básicos de la calidad y la productividad.
 Unidad II: Control Estadístico de Procesos (CEP, SPC) y Capacidad de procesos I. (3)
 Tema 2: Control Estadístico de Procesos (CEP, SPC).
 Tema 3: Capacidad de procesos I.
 Tema 4: Índices de capacidad, métricas Seis Sigma y análisis de tolerancias.
 Unidad III: Herramientas básicas para Seis Sigma y Enfoques para la mejora de la Calidad. (3)
 Tema 5: Herramientas básicas para Seis Sigma.
 Tema 6: Enfoques para la mejora de la Calidad.
Unidad II:
Control Estadístico de Procesos y Capacidad de
procesos I
MSc. Jorge Luis Chiroque Calderón [email protected]

Contenido:
• Primera sesión:
 Tema 2: Control Estadístico de Procesos (CEP, SPC).
• Segunda sesión:
 Tema 2: Control Estadístico de Procesos (CEP, SPC) (Continuación).
Logro de Aprendizaje:
Al término de las sesiones, el participante será capaz de:
 Identificar los conceptos básicos para la aplicación e interpretación de herramientas estadísticas para el control
de procesos.
 Identificar, interpretar y analizar las diversas herramientas que facilitan la medición y control de los procesos
en una organización.
 Valorar la importancia del uso de herramientas estadísticas para el control de los procesos.
 Adquirir las competencias necesarias para conocer el concepto de Control Estadístico de Procesos y
comprender su uso.

Tema 2: Control Estadístico de Procesos (CEP, SPC) . Unidad II: Control Estadístico de Procesos y Capacidad de procesos I. (3)
Introducción
¿Qué es el Control Estadístico de Procesos (CEP, SPC)?

Tema 2: Control Estadístico de Procesos (CEP, SPC). Unidad II: Control Estadístico de Procesos y Capacidad de procesos I. (3)
Control Estadístico de Procesos (CEP, SPC)
Control Estadístico de Procesos (CEP)… [Statistical Process Control, SPC]
El Control Estadístico de Procesos, CEP, es un instrumento de gestión que, comparando el funcionamiento del proceso con unos límites
establecidos estadísticamente, permite implantar y garantizar los objetivos deseados bajo la filosofía de la prevención.
Objetivos del Control Estadístico de Procesos (CEP, SPC)
El Control Estadístico de Procesos produce el efecto de:
 Conocer la variación de los factores que integran un proceso.
 Prevenir los defectos.
 Reducir los costos.
 Cumplir los requisitos (de calidad del producto/servicio, de medio ambiente, de seguridad y salud en el trabajo, de responsabilidad social).
El control estadístico de procesos (CEP, SPC), es una metodología para el seguimiento de un proceso para identificar las causas de la variación
y señalar la necesidad de emprender una acción correctiva en el momento apropiado.
Video 1

No conformidad (ISO 9000:2015) 3.6.9
Incumplimiento de un requisito (3.6.4)
Nota 1 a la entrada: Este es uno de los términos comunes y definiciones esenciales para las normas de sistemas de gestión que se proporcionan
en el Anexo SL del Suplemento ISO consolidado de la Parte 1 de las Directivas ISO/IEC.
Defecto (ISO 9000:2015) 3.6.10
No conformidad (3.6.9) relativa a un uso previsto o especificado
Nota 1 a la entrada: La distinción entre los conceptos defecto y no conformidad es importante por sus connotaciones legales, particularmente
aquellas asociadas a la responsabilidad legal de los productos (3.7.6) y servicios (3.7.7).
Nota 2 a la entrada: El uso previsto tal y como lo prevé el cliente (3.2.4) podría estar afectado por la naturaleza de la información (3.8.2), tal
como las instrucciones de funcionamiento o de mantenimiento, proporcionadas por el proveedor (3.2.5).
Conformidad (ISO 9000:2015) 3.6.11
Cumplimiento de un requisito (3.6.4)
Nota 1 a la entrada: Esta nota no se aplica a la versión española de la Norma.
Nota 2 a la entrada: Este término es uno de los términos comunes y definiciones esenciales para las normas de sistemas de gestión que se
proporcionan en el Anexo SL del Suplemento ISO consolidado de la Parte 1 de las Directivas ISO/IEC. La definición original se ha modificado
añadiendo la nota 1 a la entrada.

Tema 2: Control Estadístico de Procesos (CEP, SPC) . Unidad II: Control Estadístico de Procesos y Capacidad de procesos I. (3)
Todo proceso produce variaciones, pero…¿Qué causa

dichas variaciones?
Nunca dos objetos pueden fabricarse exactamente

iguales.

Clasificación de las Causas de la Variabilidad de la Calidad
Variación por causas comunes… [Causas no Asignables, Naturales o Aleatorias]
Es aquella que permanece día a día, lote a lote y es aportada en forma natural por las condiciones de las 6 M.
Variación por causas especiales…[Causas Asignables o Especiales]
Es causada por situaciones o circunstancias especiales que no están de manera permanente en el proceso.
 La variación por causas comunes (o por azar) es inherente a las actuales características del proceso y es resultado de la acumulación y
combinación de diferentes causas que son difíciles de identificar y eliminar, ya que son inherentes al sistema y la contribución individual
de cada causa es pequeña; no obstante, a largo plazo representan la mayor oportunidad de mejora.
 La variación por causas especiales (o atribuibles) pueden ser identificadas y eliminadas si se cuenta con los conocimientos y condiciones
para ello. Por ejemplo, la falla ocasionada por el mal funcionamiento de una pieza de la máquina, el empleo de materiales no habituales o
el descuido no frecuente de un operario.
Nota:
 Cuando están presentes causas especiales, el proceso está fuera de control.
 Si la variación en un proceso se debe sólo a causas comunes, se dice que el proceso está en control estadístico.

Variación por causas comunes… [Causas no Asignables o Aleatorias]
Es aquella que permanece día a día, lote a lote y es aportada en forma natural por las condiciones de las 6 M.
Ejemplos de variación por causas comunes (Causas no Asignables o Aleatorias):
 Variaciones debidas a la materia prima.
 Las diferencias de habilidad entre el personal.
 Variaciones debidas a factores ambientales.
 Otros.
Causas comunes
 Procedimientos inapropiados.
 Pobre diseño.
 Pobre mantenimiento de máquinas.
 Carencia de procedimientos estándares de operación claramente definidos.
 Pobres condiciones de trabajo, por ejemplo, iluminación, ruido, polvo, temperatura, ventilación.
 Materia prima subestándar.
 Aseguramiento del error.
 Error en el control de calidad.
 Vibración en procesos industriales.
 Temperatura y humedad ambiental.
 Desgaste y roturas normales.
 Variabilidad en los ajustes.
 Tiempo de respuesta de los computadores.

Variación por causas especiales…[Causas Asignables o Especiales]
Es causada por situaciones o circunstancias especiales que no están de manera permanente en el proceso.
Ejemplos de variación por causas especiales (Causas Asignables o Especiales):
 Desajustes de maquinaria.
 Lotes defectuosos.
 Fallos de controles.
 Errores humanos.
 Fallas en la seguridad, salud en el trabajo y medio ambiente (contaminación, entre otros).
 Otros.
Causas especiales
 Pobre ajuste del equipo.
 Operador se queda dormido.
 Controladores defectuosos.
 Malfuncionamiento de las máquinas.
 Malfuncionamiento de los computadores.
 Lote de materia prima de mala calidad.
 Variaciones de energía.
 Alta demanda de cuidados médicos por los ancianos.
 Tráfico anormal (fraude de clicks) en los avisos de internet.
 Tiempo de duración de las pruebas de laboratorio extremadamente grandes debido al cambio a un nuevo sistema de computadores.
 Ausencia del operador.
El control estadístico de procesos (CEP, SPC), es una metodología con la que es posible dar seguimiento a un proceso a fin de identificar las
causas especiales de variación y señalar la necesidad de emprender una acción correctiva.
 El SPC depende de las gráficas de control (diagramas de control), una de las herramientas básicas de mejora de la calidad.
 El SPC es una técnica probada para mejorar la calidad y la productividad. Existen clientes piden a sus proveedores que proporcionen
evidencias de un control estadístico de sus procesos. De modo que el SPC ofrece un medio para que la organización demuestre su
capacidad para la calidad, actividad necesaria para sobrevivir en los mercados actuales altamente competitivos.
 El SPC requiere que los procesos muestren una variación que sea posible medir, no es eficaz para los niveles de calidad que se aproximan a
Six Sigma. Sin embargo, es muy eficaz para las organizaciones que se encuentran en las primeras etapas de los esfuerzos de calidad.
 Aunque las gráficas de control se desarrollaron y utilizaron por primera vez en un contexto de manufactura, se aplican con facilidad a las
organizaciones de servicio.
Gráfico de Control [Diagrama de Control]
Un diagrama de control es simplemente un diagrama de corrida al que se agregan dos líneas horizontales, llamadas límites de control: el límite
de control superior (LCS) y el límite de control inferior (LCI).

Gráficos de Control
Gráfico de Control [Diagrama de Control]
Un diagrama de control es simplemente un diagrama de corrida al que se agregan dos líneas horizontales, llamadas límites de control: el límite
de control superior (LCS) y el límite de control inferior (LCI).
Estructura de un Diagrama de Control

Indicadores de Control de Calidad
(Categorías)
Atributo Variable
Métodos Estadísticos de Control de Calidad
Control Estadístico Muestreo de

de Procesos Aceptación
(Gráficos de control) (Planes de muestreo)
Atributo Variable Atributo Variable

(Categorías)
Atributo Variable
Atributo
Característica del desempeño que está presente o ausente del producto o servicio por considerar.
Características de un Atributo:
 Los datos de atributos son discretos e indican si la característica es conforme.
 Los atributos se pueden medir con la inspección visual.
 Por lo regular, los indicadores del atributo se expresan como proporciones o tasas (fracción de no conformidades en un grupo de artículos,
el número de defectos por unidad o el índice de errores por oportunidad).
Ejemplos:
1. Una dimensión está dentro de la tolerancia o fuera de ésta, o comparar una dimensión con las especificaciones, es decir, si el diámetro de
una palanca está dentro de los límites de una especificación de 4 ± 0.025 centímetros.
2. Un pedido está completo o incompleto.
3. Una factura tiene uno, dos, tres o cualquier cantidad de errores.
4. Evaluar si se utilizó el código de operación correcto al enviar un pedido, ingreso correcto de claves dinámicas para operaciones bancarias.

Atributo
 Característica de calidad de un producto que no implica necesariamente
medirla.
 Puede ser identificada mediante la inspección o comparación visual.
 Referencia las características de calidad cualitativas tales como los defectos de
un metal el mal funcionamiento o no de un aparato, etc.
Ejemplos:
1. El acabado de una pieza puede ser identificado mediante su apariencia
(forma, aspereza, brillo, color, etc.).
2. Los calibradores tipo “pasa” “no pasa” para evaluar diámetros, grosores de
tornillos, pernos, washers, pistón- cilindro.

(Categorías)
Atributo Variable
Variable
Tipo de característica del desempeño. Los datos de las variables son continuos (longitud o peso).
Características de una Variable:
 Los indicadores de la variable se ocupan del grado de conformidad con las especificaciones.
 Los indicadores de la variable se expresan con valores estadísticos como promedios y desviaciones estándar.
Ejemplos:
 Los indicadores de la variable se ocupan del grado de conformidad con las especificaciones.
En lugar de determinar si el diámetro de una palanca simplemente cumple con una especificación de 4 ± 0.025 centímetros, se registra un
valor real de la medición del diámetro.

Variable
Característica de calidad que puede ser medible y corresponde a la lectura de una escala.
Tiene como resultado números específicos y descriptivos.
Referencia las características de calidad cuantitativas tales como longitud, peso voltaje, etc.
Ejemplos:
1. La longitud y diámetro de una troza.
2. Los espesores de láminas y tableros.
3. El contenido de humedad de la madera.
4. Las propiedades físicas y mecánicas de la madera.
5. Diámetro interno y externo de un tubo.
6. La resistencia eléctrica de un circuito.

Control Estadístico del Proceso (SPC, Statistical Process Control)
Procedimiento empleado para supervisar estándares, tomar medidas y acciones correctivas mientras el producto o servicio se está
produciendo.
Walter Shewhart de Laboratorios Bell hizo una distinción entre las causas comunes y especiales de la variación de un
proceso, dichas variaciones son causas naturales y causas asignables. Walter Shewhart también desarrolló una
herramienta simple pero poderosa para separarlas: la gráfica de control.
Presentación gráfica de los datos del proceso en el tiempo.
Empleamos el control estadístico del proceso para medir el desempeño de

un proceso.
El objetivo de un sistema de control es proporcionar una señal estadística

cuando están presentes causas de variación asignables.

Tipos de Gráficos de Control
Gráfico de Control (Carta de Control)
Diagrama ordenado cronológicamente que se usa para determinar si las variaciones observadas son anormales.
Gráfico de Control (Carta de Control)

Por Variables Por Atributos Es una gráfica que sirve para observar y analizar la
variabilidad y el comportamiento de un proceso a través del
Monitoreo de Clases: tiempo.
características de tipo p: Proporción de
continuo (peso, volumen). defectuosos.
np: Número de unidades
Instrumento de medición. defectosas.
c: Número de defectos.
Clases:
u: Defectos presentes en
X: Medias.
la unidad.
R: Rango.
S: Desviación estándar.
X: Medidas individuales.

Gráficos de control por Atributos
Gráfica de Control de
Atributos
Cantidad de Productos o Servicios Cantidad de Defectos o No

Defectuosos o No Conformes Conformidades por Producto o
(Piezas Defectuosas) Servicio (Defectos por pieza)
Gráfica p Gráfica np Gráfica u Gráfica c
Artículo defectuoso
Es un producto que no reúne ciertos atributos, por lo que
no se permite que pase a la siguiente etapa del proceso;
puede ser reprocesado o de plano desechado.

Recuerde que…

Reglas de Proceso bajo Control

GRÁFICOS DE CONTROL PARA ATRIBUTOS
Gráficos p
Gráfico que se usa para controlar la proporción de servicios o productos defectuosos generados por el proceso.
La desviación estándar de la distribución de la proporción defectuosa, 𝜎𝑝 , es entonces:
𝑝(1 − 𝑝)
𝜎𝑝 =
𝑛
donde
𝑛 es el tamaño de la muestra
𝑝 es la línea central del gráfico, que puede ser la proporción defectuosa de la población histórica promedio, o un valor objetivo.
Se puede usar 𝜎𝑝 para obtener los límites de control superior e inferior para un gráfico p:
𝑈𝐶𝐿𝑝 = 𝑝 + 𝑧𝜎𝑝 … [Límite de Control Superior para un gráfico p]
𝐿𝐶𝐿𝑝 = 𝑝 − 𝑧𝜎𝑝 … [Límite de Control Inferior para un gráfico p]
donde
𝑧 es el desvío normal (número de desviaciones estándar con respecto al promedio)

Procedimiento para determinar el Gráfico p
El gráfico se determina de la siguiente forma:
1. Periódicamente se toma una muestra aleatoria de tamaño n y se cuenta el número de productos o servicios defectuosos.
2. Cálculo de una proporción de muestra defectuosa 𝑝:
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝=
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
3. Cálculo de la desviación estándar de la distribución de la proporción defectuosa 𝜎𝑝 :
𝑝(1 − 𝑝)
𝜎𝑝 =
𝑛
donde
𝑛 es el tamaño de la muestra
𝑝 es la línea central del gráfico, que puede ser la proporción defectuosa de la población histórica promedio, o un valor objetivo.
4. Cuando los límites de control superior e inferior para un gráfico 𝑝 :

𝑈𝐶𝐿𝑝 = 𝑝 + 𝑧𝜎𝑝 … [Límite de Control Superior para un gráfico p]
𝐿𝐶𝐿𝑝 = 𝑝 − 𝑧𝜎𝑝 … [Límite de Control Inferior para un gráfico p]
donde
𝑧 es el desvío normal (número de desviaciones estándar con respecto al promedio).

Uso de un gráfico p para monitorear un proceso
Ejemplo 1:
Al gerente de operaciones del departamento de servicios de registro de una entidad bancaria le preocupa la gran cantidad de errores que
comete el personal del banco al registrar los números de cuenta de los clientes. Cada semana se toma una muestra aleatoria de 2500 depósitos
y se anota la cantidad de números de cuenta registrados incorrectamente. Los resultados de las doce últimas semanas se presentan en la
siguiente tabla. ¿El proceso de registro está fuera de control estadístico? Use límites de control tres sigma.
Solución Número de Números de cuenta
Depósito – Registro de Números de Cuentas de Clientes Números de Cuentas registrados incorrectamente Muestra equivocados
(SERVICIO – Operación) (SERVICIO DEFECTUOSO) 1 15
2 12
3 19
4 2
5 19
6 4
7 24
8 7
9 10
10 17
11 15
12 3
Total 147

Ejemplo 1:
Al gerente de operaciones del departamento de servicios de registro de una entidad bancaria le preocupa la gran cantidad de errores que
comete el personal del banco al registrar los números de cuenta de los clientes. Cada semana se toma una muestra aleatoria de 2500 depósitos
y se anota la cantidad de números de cuenta registrados incorrectamente. Los resultados de las doce últimas semanas se presentan en la
siguiente tabla. ¿El proceso de registro está fuera de control estadístico? Use límites de control tres sigma.
Solución Número de Números de cuenta
Muestra equivocados
1 15
2 12
3 19
4 2
5 19
6 4
7 24
8 7
9 10
10 17
11 15
12 3
Total 147

Ejemplo 1: Número de Números de cuenta Proporción de elementos
Muestra equivocados defectuosos
Solución 1 15 0.006
Paso 2: Calcule la proporción defectuosa de la muestra. 2 12 0.0048
En el caso de la muestra 1, la proporción de elementos 3 19 0.0076
defectuosos es de 15/2,500 = 0.0060. 4 2 0.0008
5 19 0.0076
6 4 0.0016
Valores Comunes para la Desviación 7 24 0.0096
Estándar Z 8 7 0.0028
Nivel de 9 10 0.004
Valor Z
Confianza 10 17 0.0068
90 1.645 11 15 0.006
12 3 0.0012
95 1.96 Total 147
95.45 2
99 2.575
99.73 3

Límite de Límite de
Número de Números de cuenta Proporción de elementos
Ejemplo 1: Muestra equivocados defectuosos
Control Control
Inferior LCL Superior UCL
1 15 0.006 0.000710303 0.009089697
Solución 2 12 0.0048 0.000710303 0.009089697
3 19 0.0076 0.000710303 0.009089697
Paso 3: Trace en el gráfico cada una de las proporciones 4 2 0.0008 0.000710303 0.009089697
defectuosas de la muestra. 5 19 0.0076 0.000710303 0.009089697
6 4 0.0016 0.000710303 0.009089697
7 24 0.0096 0.000710303 0.009089697
8 7 0.0028 0.000710303 0.009089697
9 10 0.004 0.000710303 0.009089697
10 17 0.0068 0.000710303 0.009089697
Gráfico de Control del registro de números de cuenta de los 11 15 0.006 0.000710303 0.009089697
clientes 12 3 0.0012 0.000710303 0.009089697
Total 147
0.012
Proporción de elementos defectuosos
0.01
0.008
Proporción de elementos
defectuosos
0.006 Límite de Control Inferior LCL
Límite de Control Superior

0.004
UCL
0.002
0
1 2 3 4 5 6 7 8 9 10 11 12

Gráfico de Control del registro de números de cuenta de los clientes
Ejemplo 1: 0.012
Solución
0.01
Conclusión

La gerencia investigó las circunstancias en que se tomó la
muestra 7: 0.008
 La máquina codificadora que se utiliza para imprimir

los números de cuenta en los cheques tuvo una falla 0.006
Límite de Control Inferior LCL
esa semana. Límite de Control Superior UCL
 La máquina se reparó en la semana siguiente; sin 0.004
embargo, el mantenimiento preventivo recomendado
para la máquina no se realizó durante meses antes de
0.002
la falla.
La gerencia revisó el desempeño del departamento de
mantenimiento e instituyó cambios en los procedimientos 0
1 2 3 4 5 6 7 8 9 10 11 12
de mantenimiento de la máquina codificadora. Después
de que se corrigió el problema, se volvió a calcular los
límites de control usando lo datos sin la muestra 7. Se
tomaron varias muestras en las semanas posteriores, y se Recuerda que:
determinó que el proceso de registro estaba bajo control El gráfico p proporciona una herramienta que sirve para indicar cuándo
estadístico. requiere ajustes un proceso.

Día (Núme ro Números de Habitaciones
Uso de un gráfico p para monitorear un proceso de Mue stra) No Preparadas
1 16
Ejemplo 2: 2 7
Durante la fase de análisis del modelo Seis Sigma DMAIC, se recolectaron los datos de las disconformidades 3 21
diariamente de una muestra de 200 habitantes de un hotel. La siguiente tabla lista el número y proporción de 4 17
5 25
habitaciones disconformes para cada día durante un periodo de 4 semanas. 6 19
7 16
Solución 8 15
9 11
10 12
11 22
12 20
13 17
14 26
15 18
16 13
17 15
18 10
19 14
20 25
21 19
22 12
23 6
24 12
25 18
26 15
27 20
28 22
Total 463

Día (Núme ro Números de Habitaciones
Uso de un gráfico p para monitorear un proceso de Mue stra) No Preparadas
1 16
Ejemplo 2: 2 7
Durante la fase de análisis del modelo Seis Sigma DMAIC, se recolectaron los datos de las disconformidades 3 21
diariamente de una muestra de 200 habitantes de un hotel. La siguiente tabla lista el número y proporción de 4 17
5 25
habitaciones disconformes para cada día durante un periodo de 4 semanas. 6 19
7 16
Solución 8 15
9 11
10 12
11 22
12 20
13 17
14 26
15 18
16 13
17 15
18 10
19 14
20 25
21 19
22 12
23 6
24 12
25 18
26 15
27 20
28 22
Total 463

Día (Número Números de Habitaciones Proporción de Habitaciones
Uso de un gráfico p para monitorear un proceso de Muestra) No Preparadas No Preparadas
1 16 0.08
Ejemplo 2: 2 7 0.035
Durante la fase de análisis del modelo Seis Sigma DMAIC, se recolectaron los datos de las 3 21 0.105
disconformidades diariamente de una muestra de 200 habitantes de un hotel. La siguiente 4 17 0.085
5 25 0.125
tabla lista el número y proporción de habitaciones disconformes para cada día durante un 6 19 0.095
periodo de 4 semanas. 7 16 0.08
8 15 0.075
Solución 9 11 0.055
10 12 0.06
Paso 2: Calcule la proporción defectuosa de la muestra. En el caso de la muestra 1, la 11 22 0.11
proporción de elementos defectuosos es de 16/200 = 0.08. 12 20 0.1
13 17 0.085
14 26 0.13
15 18 0.09
16 13 0.065
17 15 0.075
18 10 0.05
19 14 0.07
20 25 0.125
21 19 0.095
22 12 0.06
23 6 0.03
24 12 0.06
25 18 0.09
26 15 0.075
27 20 0.1
28 22 0.11
Total 463

Números de Habitaciones Proporción de Habitaciones
Uso de un gráfico p para monitorear un proceso Día (Número
de Muestra) No Preparadas No Preparadas
Control Control
Ejemplo 2: 1 16 0.08 0.024258308 0.141098834
2 7 0.035 0.024258308 0.141098834
Durante la fase de análisis del modelo Seis Sigma 3 21 0.105 0.024258308 0.141098834
DMAIC, se recolectaron los datos de las 4 17 0.085 0.024258308 0.141098834
5 25 0.125 0.024258308 0.141098834
disconformidades diariamente de una muestra de 200 6 19 0.095 0.024258308 0.141098834
habitantes de un hotel. La siguiente tabla lista el número y 7 16 0.08 0.024258308 0.141098834
proporción de habitaciones disconformes para cada día 8 15 0.075 0.024258308 0.141098834
9 11 0.055 0.024258308 0.141098834
durante un periodo de 4 semanas. 10 12 0.06 0.024258308 0.141098834
11 22 0.11 0.024258308 0.141098834
Solución 12 20 0.1 0.024258308 0.141098834
13 17 0.085 0.024258308 0.141098834
Paso 3: Trace en el gráfico cada una de las proporciones 26
14 0.13 0.024258308 0.141098834
defectuosas de la muestra. 15 18 0.09 0.024258308 0.141098834
16 13 0.065 0.024258308 0.141098834
17 15 0.075 0.024258308 0.141098834
18 10 0.05 0.024258308 0.141098834
19 14 0.07 0.024258308 0.141098834
20 25 0.125 0.024258308 0.141098834
21 19 0.095 0.024258308 0.141098834
22 12 0.06 0.024258308 0.141098834
23 6 0.03 0.024258308 0.141098834
24 12 0.06 0.024258308 0.141098834
25 18 0.09 0.024258308 0.141098834
26 15 0.075 0.024258308 0.141098834
27 20 0.1 0.024258308 0.141098834
28 22 0.11 0.024258308 0.141098834
Total 463

Ejemplo 2: Gráfico de Control del registro de números de cuenta de los clientes
Durante la fase de análisis del modelo Seis Sigma 0.16
DMAIC, se recolectaron los datos de las

0.14
disconformidades diariamente de una muestra de 200
Proporción de habitaciones no preparadas

habitantes de un hotel. La siguiente tabla lista el número y 0.12
proporción de habitaciones disconformes para cada día
durante un periodo de 4 semanas. 0.1
Proporción de Habitaciones no
preparadas
Solución 0.08 Límite de Control Inferior LCL
Paso 3: Trace en el gráfico cada una de las proporciones Límite de Control Superior UCL
0.06
defectuosas de la muestra.
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728

Ejemplo 2: Gráfico de Control del registro de números de cuenta de los clientes
0.16
Solución
0.14
Conclusión
Se observa que la proporción de disconformidades es
Proporción de habitaciones no preparadas

0.12
mayor en el día Nº 14 y menor en el día Nº 23. No hay
causas especiales de variación, ya que las proporciones 0.1
Proporción de Habitaciones no
están dentro de los límites de control. preparadas
0.08 Límite de Control Inferior LCL
Límite de Control Superior UCL

0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728

Ejemplo 3: Número de
Disconformidades
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 10 días con una muestra Muestra
de 100 datos. 1 10
¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? Día 6, Día 7 2 11
¿Cuáles son los límites de control inferior y superior? 0,0278 y 0,2282 3 13
¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de control 4 14
5 15
Solución 6 17
7 9
8 14
9 13
10 12
Total 128

Disconformidades
de 100 datos. 1 10
¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? Día 6, Día 7 2 11
¿Cuáles son los límites de control inferior y superior? 0,0278 y 0,2282 3 13
¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de control 4 14
5 15
Solución 6 17
7 9
8 14
9 13
10 12
Total 128

Número de Proporción de
Ejemplo 3: Disconformidades Disconformidade s
Muestra
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 10 días con 1 10 0.1
una muestra de 100 datos. 2 11 0.11
¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? Día 6, Día 7 3 13 0.13
4 14 0.14
¿Cuáles son los límites de control inferior y superior? 0,0278 y 0,2282
5 15 0.15
¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de 6 17 0.17
control. 7 9 0.09
Solución 8 14 0.14
9 13 0.13
Paso 2: Calcule la proporción defectuosa de la muestra. En el caso de la muestra 1, la proporción de 10 12 0.12
elementos defectuosos es de 10/100 = 0.1. Total 128

Ejemplo 3: Muestra
Disconformidades Disconformidades Control Control
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 1 10 0.1 0.027773058 0.228226942
2 11 0.11 0.027773058 0.228226942
10 días con una muestra de 100 datos.
3 13 0.13 0.027773058 0.228226942
¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? Día 6, Día 7 4 14 0.14 0.027773058 0.228226942
¿Cuáles son los límites de control inferior y superior? 0,0278 y 0,2282 5 15 0.15 0.027773058 0.228226942
6 17 0.17 0.027773058 0.228226942
¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los 7 9 0.09 0.027773058 0.228226942
límites de control 8 14 0.14 0.027773058 0.228226942
9 13 0.13 0.027773058 0.228226942
Solución 10 12 0.12 0.027773058 0.228226942
Total 128
Paso 2: Calcule la proporción defectuosa de la muestra. En el caso de la muestra 1,
la proporción de elementos defectuosos es de 10/100 = 0.1.

Ejemplo 3:
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 10 días con una muestra de 100 datos.
¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? Día 6, Día 7
¿Cuáles son los límites de control inferior y superior? 0,0278 y 0,2282
¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de control
Solución Gráfico de Control de disconformidades
0.25
Paso 2: Calcule la proporción defectuosa de la
muestra. En el caso de la muestra 1, la proporción
de elementos defectuosos es de 10/100 = 0.1. 0.2
Proporción de disconformidades
0.15
Proporción de Disconformidades
0.1 Límite de Control Superior UCL
0.05
0
1 2 3 4 5 6 7 8 9 10

Disconformidades
de 230 datos. 1 20
a) ¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? 2 17
b) ¿Cuáles son los límites de control inferior y superior? 3 15
c) ¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de control 4 12
5 16
Solución 6 8
7 9
8 19
9 13
10 18
Total 147

Ejemplo 4: Disconformidades Disconformidade s
Muestra
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 10 días con 1 20 0.086956522
una muestra de 230 datos. 2 17 0.073913043
a) ¿En qué día la proporción de disconformidades es mayor?. ¿Y menor? 3 15 0.065217391
4 12 0.052173913
b) ¿Cuáles son los límites de control inferior y superior?
5 16 0.069565217
c) ¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites 6 8 0.034782609
de control 7 9 0.039130435
Solución 8 19 0.082608696
9 13 0.056521739
10 18 0.07826087
Total 147

Ejemplo 5:
Los siguientes datos fueron recolectados de disconformidades durante un periodo de 10 días con una muestra de 230 datos.
a) ¿En qué día la proporción de disconformidades es mayor?. ¿Y menor?
b) ¿Cuáles son los límites de control inferior y superior?
c) ¿Hay algunas causas especiales de variación? No, las proporciones están dentro de los límites de control.
Solución

Gráficos np (Carta np)
Diagrama que analiza el número de defectuosos por subgrupo; se aplica cuando el tamaño de subgrupo es constante.
En ocasiones, cuando el tamaño de subgrupo o muestra en las cartas p es constante, es más conveniente usar la carta np, en la que se grafica el
número de defectuosos por subgrupo 𝑑𝑖 , en lugar de la proporción. Los límites de control para la carta np se obtienen estimando la media y la
desviación estándar de 𝑑𝑖 , están dadas por:
𝜇𝑑𝑖 = 𝑛𝑝 y 𝜎𝑑𝑖 = 𝑛𝑝(1 − 𝑝)
donde
𝑛 es el tamaño de subgrupo.
𝑝 es la proporción promedio de artículos defectuosos.
Para obtener los límites de control superior e inferior para un gráfico np:
𝑈𝐶𝐿𝑛𝑝 = 𝑛𝑝 + 3𝜎𝑑𝑖 … [Límite de Control Superior para un gráfico np]
𝐿𝐶𝐿𝑛𝑝 = 𝑛𝑝 − 3𝜎𝑑𝑖 … [Límite de Control Inferior para un gráfico np]
donde
𝑧 = 3 es el desvío normal (número de desviaciones estándar con respecto al promedio)

Gráficos np (Carta np)
La gráfica np muestran el número total de unidades no conformes. Se puede utilizar una gráfica np para monitorear lo siguiente:
 El número de vuelos que despegan tarde.
 El número de vehículos para transporte que están fuera de servicio cada día.
 El número de ruedas de bicicleta que están desinfladas.
 El numero de logotipos impresos que están manchados.
Aunque una unidad pudiera tener muchas características de calidad que se pueden evaluar, siempre se considera que la unidad es conforme o
no conforme.
NOTA:
La gráfica np es similar a la gráfica p. Sin embargo, la gráfica np pudiera ser más fácil de entender porque grafica el número de unidades no
conformes en lugar de la proporción de unidades no conformes.

Uso de un gráfico np para monitorear un proceso
Ejemplo 1: (Muestra n constante) Componentes
Muestra
defectuosos
Del análisis de los datos de inspecciones y pruebas finales de un producto ensamblado se detectó a través de una
1 9
estratificación y un análisis de Pareto que la causa principal por la que los artículos salen defectuosos está relacionada 2 6
con los problemas de un componente en particular (el componente k12). Por lo tanto, se decide analizar más de cerca 3 10
el proceso que produce tal componente. Para ello, de cada lote de componentes k12 se decide inspeccionar una 4 8
muestra de n = 120. Los datos obtenidos en 20 lotes consecutivos se muestran en la tabla siguiente. Como n es 5 5
constante, la cantidad de defectuosos por muestra se puede analizar con una carta np. Elabore el gráfico np 6 5
correspondiente. 7 14
8 12
Solución 9 9
10 8
11 10
12 20
13 12
14 10
15 10
16 0
17 13
18 5
19 6
20 11
Total 183

Uso de un gráfico np para monitorear un proceso
Ejemplo 1: (Muestra n constante) Componentes
Muestra Control Control
defectuosos Infe rior LCL Supe rior UCL
Solución 1 9 0.428141683 17.87185832
2 6 0.428141683 17.87185832
Gráfico de Control del registro de componentes defectuosos de un producto 3 10 0.428141683 17.87185832
ensamblado 4 8 0.428141683 17.87185832
5 5 0.428141683 17.87185832
6 5 0.428141683 17.87185832
20 20
7 14 0.428141683 17.87185832
8 12 0.428141683 17.87185832
9 9 0.428141683 17.87185832
10 8 0.428141683 17.87185832
15
11 10 0.428141683 17.87185832
14
12 20 0.428141683 17.87185832
13
12 12 13 12 0.428141683 17.87185832
Componentes defectuosos
11 14 10 0.428141683 17.87185832
10 10 10 10 10 15 10 0.428141683 17.87185832
9 9 16 0 0.428141683 17.87185832
8 8
17 13 0.428141683 17.87185832
18 5 0.428141683 17.87185832
6 6
5 5 5 5 19 6 0.428141683 17.87185832
20 11 0.428141683 17.87185832
Total 183
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Uso de un gráfico np para monitorear un proceso Productos Número de Fracción
Muestra Producción
Defectuosos Defectos Defectuosa
Ejemplo 2: (Muestra n NO constante, muestra variable) 1 96 8 12 0.0833
En lo siguiente se tiene los datos de 24 muestras de producto producido por 2 99 12 14 0.1212
turno. La columna de Fracción Defectuosa, la fracción defectuosa de un turno 3 99 17 21 0.1717
4 100 16 21 0.1600
se calcula dividiendo el número de productos defectuosos por la producción
5 100 9 15 0.0900
de ese turno. 6 100 15 18 0.1500
7 100 18 22 0.1800
Solución
8 100 14 20 0.1400
1.- Los límites de control de un gráfico de fracción defectuosa con tamaño de 9 100 15 19 0.1500
muestra variable vienen dado por la siguiente fórmula: 10 99 14 20 0.1414
11 100 17 19 0.1700
𝑈𝐶𝐿𝑛𝑖 𝑝 = 𝑛𝑖 𝑝 + 3𝜎𝑑𝑖 = 𝑛𝑖 𝑝 + 3 𝑛𝑖 𝑝 1 − 𝑝 12 100 15 17 0.1500
13 100 15 20 0.1500
𝐿𝐶𝐿𝑛𝑖 𝑝 = 𝑛𝑖 𝑝 − 3𝜎𝑑𝑖 = 𝑛𝑖 𝑝 − 3 𝑛𝑖 𝑝 1 − 𝑝 14 94 8 9 0.0851
15 94 10 13 0.1064
Donde: 16 99 22 32 0.2222
𝑚 𝑚
𝑖=1 𝑝𝑖 𝑖=1 𝑑𝑖 17 100 15 21 0.1500
𝑝= =
𝑚 𝑚𝑛 18 97 12 19 0.1237
𝑑𝑖 19 87 9 12 0.1034
𝑝𝑖 = 20 100 12 12 0.1200
𝑛 21 100 13 18 0.1300
22 98 18 24 0.1837
23 97 14 19 0.1443
24 97 13 19 0.1340
Total 2356 331 436

Gráficos de Control Límite de Límite de
Productos Número de Fracción
Control Control
Defectuosos Defectos Defectuosa Inferior LCL Superior UCL
Uso de un gráfico np para monitorear un proceso 8 12 0.0833 3.272978628 23.70155448
Ejemplo 2: (Muestra n NO constante, muestra variable) 12 14 0.1212 3.536085211 24.28140206
17 21 0.1717 3.536085211 24.28140206
Solución Gráfico de Control del registro de un producto elaborado por turnos 16 21 0.1600 3.624322034 24.47414995
25 9 15 0.0900 3.624322034 24.47414995
15 18 0.1500 3.624322034 24.47414995
18 22 0.1800 3.624322034 24.47414995
22
14 20 0.1400 3.624322034 24.47414995
20 15 19 0.1500 3.624322034 24.47414995
14 20 0.1414 3.536085211 24.28140206
18 18 17 19 0.1700 3.624322034 24.47414995
17 17
15 17 0.1500 3.624322034 24.47414995
16
15 15 15 15 15 15 15 20 0.1500 3.624322034 24.47414995
8 9 0.0851 3.09895275 23.31361092
Título del eje
14 14 14
Productos Defectuosos
13 13 10 13 0.1064 3.09895275 23.31361092
12 12 12 Límite de Control Inferior LCL
22 32 0.2222 3.536085211 24.28140206
10 10
15 21 0.1500 3.624322034 24.47414995
9 9 12 19 0.1237 3.360409395 23.89510843
8 8 9 12 0.1034 2.499122905 21.94654772
12 12 0.1200 3.624322034 24.47414995
13 18 0.1300 3.624322034 24.47414995
5
18 24 0.1837 3.448112978 24.08838957
14 19 0.1443 3.360409395 23.89510843
13 19 0.1340 3.360409395 23.89510843
331 436
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Gráficos c
Gráfico que se usa para controlar el número de defectos cuando es posible que se presente más de un defecto en un servicio o
producto.
Dado que 𝑐 es el número medio de defectos por unidad, la fórmula de la desviación estándar es igual a 𝑐. Para calcular los límites de control
de 𝑐 con un x% de fiabilidad, utilizamos la fórmula para obtener los límites de control superior e inferior para un gráfico c:
𝑈𝐶𝐿𝑐 = 𝑐 + 𝑧 𝑐… [Límite de Control Superior para un gráfico c]
𝐿𝐶𝐿𝑐 = 𝑐 − 𝑧 𝑐… [Límite de Control Inferior para un gráfico c]
donde
𝑧 es el desvío normal (número de desviaciones estándar con respecto al número medio de defectos por unidad 𝑐).
Valores Comunes para la Desviación
Estándar Z
Nivel de
Valor Z
Confianza
90 1.645
95 1.96
95.45 2
99 2.575
99.73 3

Uso de un gráfico c para monitorear un proceso
Ejemplo 1:
Woodland Paper Company fabrica papel para la industria editorial de periódicos. En la fase final del proceso, el papel pasa por una máquina
que mide varias características de calidad del producto. Cuando el proceso de producción de papel está bajo control, el promedio es de 20
defectos por cada rollo.
a) Elabore un gráfico de control para el número de defectos por rollo. Para este ejemplo, use límites de control dos sigma.
b) Cinco rollos tuvieron el siguiente número de defectos: 16, 21, 17, 22 y 24, respectivamente. El sexto rollo, en el se usó pulpa de otro
proveedor, tuvo 5 defectos. ¿El proceso de producción de papel está bajo control?
Solución Valores Comunes para la Desviación
Estándar Z
Nivel de
Valor Z
Confianza
90 1.645
95 1.96
95.45 2
99 2.575
99.73 3

Ejemplo 1:
Woodland Paper Company fabrica papel para la industria editorial de periódicos. En la fase final del proceso, el papel pasa por una máquina
que mide varias características de calidad del producto. Cuando el proceso de producción de papel está bajo control, el promedio es de 20
defectos por cada rollo.
a) Elabore un gráfico de control para el número de defectos por rollo. Para este ejemplo, use límites de control dos sigma.
b) Cinco rollos tuvieron el siguiente número de defectos: 16, 21, 17, 22 y 24, respectivamente. El sexto rollo, en el se usó pulpa de otro
proveedor, tuvo 5 defectos. ¿El proceso de producción de papel está bajo control?
Solución
b) En virtud de que los primeros cinco rollos tenían defectos que se ubicaban dentro de los
límites de control, el proceso sigue estando bajo control. Sin embargo, cinco defectos son
menos que el valor del LCL y, por consiguiente, el proceso se encuentra técnicamente fuera
de control. El gráfico de control indica que ha sucedido algo bueno.

Ejemplo 1:
Punto de decisión Gráfico de Control de Defectos por Rollo de Papel
Woodland Paper trabaja con el proveedor de las primeras cinco 35
muestras desde hace muchos años. El proveedor de la sexta

30
muestra es nuevo en la compañía. La gerencia decidió seguir
Defectos por Rollo de Papel

trabajando con el nuevo proveedor por un tiempo y monitorear el 25
Números de defectos por rollo
número de defectos para ver si sigue siendo igual de bajo. Si el
20 Límite de Control Inferior
número continúa ubicándose por debajo del LCL en 20 muestras LCL
consecutivas, la gerencia cambiará de proveedor 15 Límite de Control Superior
UCL
permanentemente y volverá a calcular los parámetros del gráfico
Límite de Control Central ©
10
de control.
5
0
1 2 3 4 5 6

Ejemplo 2:
Red Top Cab Company es una empresa de taxis que recibe bastantes quejas diarias sobre el comportamiento de sus conductores. En un
periodo de nueve días (los días son unidades de medida) el propietario ha recibido el siguiente número de llamadas de pasajeros irritados: 3, 0,
8, 9, 6, 7, 4, 9 y 8, para un total de 54 quejas. Calcular los límites con una fiabilidad del 99,73%.
Solución
Valores Comunes para la Desviación

Estándar Z
Nivel de
Valor Z
Confianza
90 1.645
95 1.96
95.45 2
99 2.575
99.73 3

Ejemplo 2:
Punto de decisión Gráfico de Control de Quejas Diarias
Cuando el propietario dibujó estos datos en un gráfico de control 16
y colgó el gráfico de forma ostensible en el vestuario de los 14

conductores, el número de llamadas recibidas disminuyó a un
promedio de tres por día. ¿Puede explicar qué ocurrió?. 12
Número de Quejas Diarias

Números de Quejas Diarias
10
8
Límite de Control Superior
6 UCL
4
0
1 2 3 4 5 6 7 8 9

Ejemplo 3:
En una empresa que elabora productos agroquímicos se tiene el problema de intoxicación de los trabajadores debido al contacto con agentes
tóxicos. Para evaluar el número de obreros intoxicados por mes en los últimos dos años, se recurre a los registros de la enfermería de la
empresa. Los datos obtenidos se muestran en la tabla siguiente:
Números de intoxicados por
Solución Para este caso, evalúe los límites Mes
mes
de control para un nivel de 1 6
confianza del 95.45% y 99.73% 2 5
3 4
respectivamente. ¿Qué concluye?
4 4
5 1
6 3
7 3
8 7
9 5
10 7
11 5
12 12
13 5
14 4
15 7
16 2
17 4
18 2
Total 86
𝑐 4.777777778

Ejemplo 3:
Punto de decisión Gráfico de Control de Intoxicados por mes
Se aprecia que en el mes 12 hubo una situación 14
especial que causó un alto número de intoxicados,

más de los que ordinariamente se esperarían. Al 12
recurrir a los expedientes de la enfermería, se
encontró que ese punto fuera de los límites
Número de Intoxicados por mes

10
ocurrió cuando se introdujo por primera vez
cierto tóxico, y que no se les dieron las 8 Números de intoxicados por mes
instrucciones adecuadas a los trabajadores. Límite de Control Inferior LCL
6
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Ayuda para decidir qué tipo de gráfico de control hay que utilizar
DATOS DE ATRIBUTOS
Utilización de un Gráfico p
1. Las observaciones son atributos que se pueden clasificar como bueno o malo (o aprobado-suspenso; funciona-estropeado), es decir, tienen
dos estados.
2. Se utilizan defectos en porcentajes o proporciones o cocientes.
3. Hay varias muestras, con muchas observaciones cada una. Por ejemplo, 20 muestras de 𝑛 = 100 observaciones en cada muestra.
Utilización de un Gráfico c
1. Las observaciones son atributos cuyos defectos por unidad de producto pueden contarse.
2. Se utiliza el número de unidades contadas, que es un número pequeño respecto a las posibles ocurrencias.
3. Los defectos pueden ser: número de fallos en una mesa; quejas en un día; crímenes en un año; asientos rotos en un estadio; erratas en el
capítulo de un libro; o quejas.

Número de Número de
Uso de un gráfico c para monitorear un proceso Muestra
Defectos ci
Muestra
Defectos ci
1 8 26 6
Ejemplo 4:
2 4 27 11
Se han observado los defectos de 50 muestras sucesivas de 40 tarjetas electrónicas de circuitos 3 14 28 12
impresos: 4 9 29 12
5 6 30 8
Solución 6 9 31 16
7 13 32 13
a) El número promedio de defectos de tarjetas electrónicas de circuitos impresos:
515 8 15 33 12
𝑐= = 10.3 de defectos de tarjetas electrónicas de circuitos impresos 34 11
50 9 10
10 17 35 6
11 14 36 10
12 13 37 13
13 16 38 6
14 8 39 9
15 9 40 10
16 14 41 11
17 6 42 7
18 9 43 11
19 13 44 13
20 7 45 9
21 13 46 11
22 8 47 7
23 11 48 16
24 9 49 5
25 6 50 9
T otal 515

Gráfico de Control c (Número de defectos por Muestra)
25
Número de Defectos c
20
15
10
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Muestra

Número de
Uso de un gráfico c para monitorear un proceso Muestra Disconformidad
es
Ejemplo 5: 1 21
Se han observado los defectos de 26 muestras sucesivas de 100 tarjetas electrónicas de 2 24
3 16
circuitos impresos. Construir la gráfica de control para las disconformidades.
4 12
Solución 5 15
6 5
7 28
8 20
9 31
10 25
11 20
12 24
13 16
14 19
15 10
16 17
17 13
18 22
19 18
20 39
21 30
22 24
23 16
24 19
25 17
26 15
Total 516

Control Estadístico Proceso

Cargado por

Copyright:

Formatos disponibles

Control Estadístico Proceso

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Control Estadístico Proceso

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD PRIVADA DEL NORTE

PROGRAMA WORKING ADULT

CONTROL ESTADÍSTICO DE LA CALIDAD

PROGRAMA WORKING ADULT MSc. Jorge Luis Chiroque Calderón

PROGRAMA WORKING ADULT

CONTROL ESTADÍSTICO DE LA CALIDAD

PROGRAMA WORKING ADULT MSc. Jorge Luis Chiroque Calderón

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

¿Qué es el Control Estadístico de Procesos (CEP, SPC)?

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

Todo proceso produce variaciones, pero…¿Qué causa

Nunca dos objetos pueden fabricarse exactamente

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

Estructura de un Diagrama de Control

MSc. Jorge Luis Chiroque Calderón [email protected]

Métodos Estadísticos de Control de Calidad

Control Estadístico Muestreo de

Atributo Variable Atributo Variable

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

Empleamos el control estadístico del proceso para medir el desempeño de

El objetivo de un sistema de control es proporcionar una señal estadística

MSc. Jorge Luis Chiroque Calderón [email protected]

Gráfico de Control (Carta de Control)

MSc. Jorge Luis Chiroque Calderón [email protected]

Cantidad de Productos o Servicios Cantidad de Defectos o No

Gráfica p Gráfica np Gráfica u Gráfica c

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

4. Cuando los límites de control superior e inferior para un gráfico 𝑝 :

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

Límite de Control Superior

MSc. Jorge Luis Chiroque Calderón [email protected]

Proporción de elementos defectuosos

 La máquina codificadora que se utiliza para imprimir

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

MSc. Jorge Luis Chiroque Calderón [email protected]

Durante la fase de análisis del modelo Seis Sigma 0.16

DMAIC, se recolectaron los datos de las

Proporción de habitaciones no preparadas

MSc. Jorge Luis Chiroque Calderón [email protected]