HERRAMIENTAS ESTADÍSTICAS PARA

EL CONTROL DE LA CALIDAD

MÓDULO PREPARADO PARA LA ESPECIALIZACIÓN EN

ADMINISTRACIÓN TOTAL DE LA CALIDAD

Ing. Lina María Tapia B, MSc

[email protected]
cel: 312 684 32 46
Estimación por intervalo
 INFERENCIA ESTADÍSTICA
 La inferencia estadística tiene como objetivo establecer las características
de una población o proceso con base en la información contenida en una
muestra. Por lo general, la inferencia se divide en estimación y prueba
de hipótesis, y se apoya en cantidades o estadísticos calculados de las
observaciones de la muestra.
 Un aspecto clave en la interpretación y uso de cualquier estadístico es
que es una variable aleatoria, ya que su valor depende de los elementos
que son seleccionados en la muestra y, por lo tanto, varia de una muestra
a otra. La forma de tomar en cuenta este hecho es conocer la distribución
de probabilidad de cada estadístico.

Page  3
 INFERENCIA ESTADÍSTICA
 Por ejemplo, en el caso de la variable aleatoria dada por el estadístico
media muestral, 𝑥, al conocer su distribución de probabilidad podremos
saber en qué intervalo se esperan los valores de 𝑥 y cuales son mas
probables.

Page  4
 ESTIMACIÓN POR INTERVALO

Por ejemplo, con frecuencia es necesario estimar el valor de:

 La media μ del proceso (población).
 La varianza σ 2 o la desviación estándar σ del proceso.
 La proporción p de artículos defectuosos.

 Los estimadores puntuales (estadísticos) mas recomendados para

estimar estos parámetros son, respectivamente:
 La media muestral =𝑥
 La varianza muestral 𝜎 2 = 𝑆 2
𝑋
 La proporción de defectuosos en la muestra, 𝑝 = donde X es el número
𝑛
de artículos defectuosos en una muestra de tamaño n.

Page  5
Page  6
 ESTIMACIÓN POR INTERVALO

 Cuando se quiere tener mayor certidumbre sobre el valor verdadero del

parámetro poblacional será necesario obtener la información sobre qué
tan precisa es la estimación puntual.
 Una forma operativa de conocer qué tan precisa es la estimación es
calcular un intervalo de confianza que indique un rango “donde puede
estar el parámetro” con cierto nivel de seguridad o confianza.
 Construir un intervalo al 100 (1-𝛼)% de confianza para un parámetro
desconocido Ө, consiste en estimar 2 estadísticos LI, LS tales que la
probabilidad de que Ө se encuentre entre ellos sea (1-𝛼)% , es decir,
P(LI ≤ Ө ≤ LS)
 Donde LI y LS son precisamente el intervalo de confianza buscado
[LI , LS]

Page  7
 ESTIMACIÓN POR INTERVALO

Cómo interpretarlos
 La correcta interpretación de un intervalo de confianza es como sigue: si
se obtuvieran 100 muestras independientes de la misma población o
proceso, cada una de tamaño n y para cada muestra se calculara el
intervalo de confianza al 95% para el mismo parámetro, entonces se
espera que 95 de 100 intervalos contengan el verdadero valor de dicho
parámetro.
 En la práctica se obtiene solamente un intervalo y aunque sea al 95% de
confianza, existe la posibilidad de que no contenga al verdadero
parámetro.
 No se debe decir que el parámetro está contenido en [LI , LS] con 95% de
probabilidad, sino que el intervalo [LI , LS] tiene una confianza del 95% de
contener el parámetro Ө.

Page  8
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS PEQUEÑAS

El procedimiento general para deducir el intervalo consiste en partir de un
estadístico que involucra al parámetro de interés y que tiene una
distribución conocida (t-student con n-1 gl).
Tal estadístico es:

Sea 𝑥 y 𝑆 2 , la media y la varianza de una muestra aleatoria de tamaño

n<30, tomadas de una población normal con media  y varianza 𝜎 2
desconocida. Entonces, el intervalo de confianza de (1-𝛼)% para  es:

*gl= Grados de Libertad

Page  9
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS PEQUEÑAS

Este intervalo está definido por:

Ejemplo: Encuentre el intervalo de confianza del 99% para el diámetro de

los remaches basados en los siguientes datos:

Page  10
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS PEQUEÑAS

Con Statgraphics…
Intervalos de Confianza para Diámetro
Intervalos de confianza del 99,0% para la media: 6,72103 +/- 0,0317305
[6,6893, 6,75276]
Intervalos de confianza del 99,0% para la desviación estándar: [0,0458221,
0,0926935]

Análisis
 Puede establecerse con 99,0% de confianza que la media verdadera de
la variable Diámetro se encuentra entre 6,6893 y 6,75276.
 El intervalo de confianza muestra que la media poblacional del
Diámetro soportada por los datos de la muestra cae en el intervalo
comprendido por 6,6893 y 6,75276 con un 99% de confianza.
Page  11
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS GRANDES n≥30

Ejemplo:
En un proceso de inyección de plástico una característica de calidad del
producto (disco) es su grosor, el cual debe ser de 1.20 mm con una
tolerancia de ±0.10 mm. Así, el grosor del disco debe estar dentro de la
especificación inferior, EI = 1.10, y la superior, ES = 1.30, para considerar
que el proceso de inyección fue satisfactorio.
Para evaluar esta característica de calidad, durante una semana se hace
un muestreo sistemático en una línea de producción, y se obtienen 25
muestras de tamaño 5 cada una. Por lo tanto, al final se tiene una muestra
de n = 125 y se obtiene la media muestral 𝑥= 1.179 mm y la varianza, S2 =
0.00071.
Encuentre el intervalo de confianza del 95% para el grosor.

Page  12
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS GRANDES n≥30

Sea la media de una muestra aleatoria de tamaño n, tomada de una

población con media 𝜇y >0. Supongamos que se cumple alguna de las
siguientes condiciones:
a) La población es normal y 𝜎 2 conocida
b) La población es normal, 𝜎 2 es desconocida
El procedimiento general para deducir el intervalo consiste en partir de un
estadístico que involucra al parámetro de interés y que tiene una
distribución conocida. Tal estadístico es:

Page  13
 INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL

CASO PARA MUESTRAS GRANDES n≥30

Entonces, el intervalo de confianza de (1- 𝛼 )% para  cuando 𝜎 es

conocida:

El intervalo de confianza de (1-𝛼)% para  cuando 𝜎 es desconocida:

Page  14
 INTERVALOS DE CONFIANZA PARA VARIANZA

 De manera similar a como se obtiene el intervalo para la media, es

posible deducir intervalos de confianza para cualquier parámetro. En
particular, para construir un intervalo de confianza para la varianza 𝜎 2 , la
distribución de referencia es una ji-cuadrada con n – 1 grados de libertad,
ya que bajo el supuesto de que la variable de interés tiene una
distribución normal con media y varianza desconocidas, el estadístico
(n – 1)𝑆 2 / 𝜎 2 sigue la distribución ji-cuadrada con n – 1 grados de libertad.
De esta manera, con un poco de álgebra, se llega a que el intervalo de
confianza para la varianza está dado por:

Page  15
 INTERVALOS DE CONFIANZA PARA VARIANZA

Donde son puntos críticos de la distribución ji-cuadrada

con n – 1 grados de libertad y se leen en la tabla de esta distribución para
el valor de 𝛼 dado. Es decir,

Ejemplo:
En el proceso de fabricación de discos para computadoras, una de las
variables críticas es el rendimiento de formato. Se toma una muestra
aleatoria de n = 10 discos de la producción del turno de la mañana. Se
formatean y se reporta el rendimiento de cada disco. Los datos obtenidos
son: 96.11, 91.06, 93.38, 88.52, 89.57, 92.63, 85.20, 91.41, 89.79, 92.62.
Con base en estos datos interesa estimar puntualmente y por intervalo la
media y la desviación estándar para la población de discos de dicho turno.
Asigne una confianza del 95%.

Page  16
 INTERVALOS DE CONFIANZA PARA VARIANZA

Con Statgraphics…
Intervalos de Confianza para Rendimiento:
Intervalos de confianza del 95,0% para la media: 91,029 +/- 2,13971
[88,8893, 93,1687]
Intervalos de confianza del 95,0% para la desviación estándar: [2,05739,
5,4606]

Page  17
INTERVALOS DE CONFIANZA PARA PROPORCIÓN DE DEFECTOS

Bajo el supuesto de que el número de artículos defectuosos en una

muestra sigue una distribución binomial, y suponiendo que se inspecciona
una cantidad grande de n artículos y se encuentra una proporción 𝑝 de
defectuosos, se puede construir un intervalo de confianza para la
proporción poblacional p, apoyándose en la aproximación de la distribución
binomial por la normal. En estas condiciones se puede afirmar que la
proporción muestral 𝑝 sigue una distribución normal con media p y varianza

Con el uso de la misma argumentación que en el intervalo para la media,

se deduce que el intervalo de confianza para la proporción es de la forma:

Page  18
INTERVALOS DE CONFIANZA PARA PROPORCIÓN DE DEFECTOS

Ejemplo:
En un lote de 2000 (población) se toma una muestra aleatoria de n = 100
artículos y se encuentra que de éstos, x = 5, son defectuosos. Por lo tanto,
un estimador puntual de p es 𝑝 = 5/100 = 0.05. Se quiere estimar p por
intervalo al 95% de confianza.

Page  19
 RESUMEN DE FÓRMULAS PARA INTERVALOS DE CONFIANZA

Page  20
Prueba de hipótesis
 Creencias a priori
En un estudio un experimentador puede tener ciertas creencias o
hipótesis a priori que desea comprobar.

 Los 3 proveedores del material x tienen el mismo nivel de calidad

 El porcentaje de este ingrediente afecta el resultado de la mezcla
 El tiempo de espera de esta operación es de 3 horas en promedio
 Si aumentamos la cantidad de reactivo se elimina el problema

Page  22
 PASOS DE LA PRUBA DE HIPÓTESIS

1) Planteamiento de la hipótesis
2) Estadístico de prueba
3) Criterio de rechazo

Page  23
 HIPÓTESIS ESTADÍSTICA

 Una hipótesis estadística es una afirmación sobre los valores de los

parámetros de una población o proceso, que es susceptible de probarse
a partir de la información contenida en una muestra representativa que es
obtenida de la población.
 La afirmación “este proceso produce menos de 8% de defectuosos” se
puede plantear estadísticamente, en términos de la proporción p
desconocida de artículos defectuosos que genera el proceso, como se
hace a continuación.
𝐻𝑂 : p = 0.08 (la proporción de defectuosos es 0.08)
𝐻𝐴 : p < 0.08 (la proporción es menor a 0.08)

Page  24
 HIPÓTESIS ESTADÍSTICA

En la hipótesis alternativa de un solo lado (unilateral), la única manera de

rechazar 𝐻𝑂 es teniendo valores de la proporción muestral 𝑝
significativamente más pequeños que 0.08.

Page  25
 HIPÓTESIS ESTADÍSTICA

Si la afirmación a probar es “este proceso produce 8% de defectuosos”.

𝐻𝑂 : p = 0.08 (la proporción de defectuosos es 0.08)
𝐻𝐴 : p ≠ 0.08 (la proporción es diferente a 0.08)

En la hipótesis alternativa de dos lados (bilateral), la evidencia en contra de

𝐻𝑂 se obtiene con valores pequeños o grandes de la proporción muestral
𝑝.
Page  26
 ESTADÍSTICO DE PRUEBA

 El estadístico de prueba es un número calculado a partir de los datos y la

hipótesis nula, cuya magnitud permite discernir si se rechaza o no 𝐻𝑂 .
 Al conjunto de posibles valores del estadístico de prueba que llevan a
rechazar 𝐻𝑂 , se le llama región o intervalo de rechazo para la prueba, y a
los posibles valores donde no se rechaza 𝐻𝑂 se les llama región o
intervalo de aceptación.

Page  27
 ESTADÍSTICO DE PRUEBA Y CRITERIO DE RECHAZO

Page  28
 EL ERROR EN LA PRUEBA DE HIPÓTESIS

Probar una hipótesis estadística es una decisión probabilística, por lo que

existe el riesgo de cometer un error tipo I o un error tipo II. En toda prueba
de hipótesis cada tipo de error tiene una probabilidad de ocurrir.
 𝛼 = P {error tipo I} = probabilidad de rechazar 𝐻𝑂 siendo verdadera
 𝛽 = P {error tipo II} = probabilidad de aceptar 𝐻𝑂 siendo falsa
A 𝜶 también se le conoce como la significancia dada de la prueba y es la
probabilidad de la región o intervalo de rechazo; su valor se especifica por
parte del investigador desde que planea el estudio. Por lo general se
utilizan los valores 𝜶 = 0.05 o 0.01, dependiendo del riesgo que se quiera
admitir en la conclusión.
Utilizar 𝛼 = 0.05 significa que por cada 100 veces independientes que se
aplica el procedimiento y se rechaza 𝐻𝑂 , se espera que en un promedio de
95 veces, tal decisión sea la correcta.

Page  29
 CRITERIO DE RECHAZO

Ejemplo prueba hipótesis con proporción de defectos:

Suponga que se toma una muestra de n = 150 piezas y de ellas x = 20 son
defectuosas, entonces el valor de la proporción es 𝑝 = x/n = 0.13.
Compruebe si esto implica una diferencia suficiente para rechazar que
p=0.08 “este proceso produce 8% de defectuosos” , con una confianza del
95%.
Solución:
1) Planteamiento de hipótesis:
𝐻𝑂 : p = 0.08 (la proporción de defectuosos es 0.08)
𝐻𝐴 : p ≠ 0.08 (la proporción es diferente a 0.08)

Page  30
 CRITERIO DE RECHAZO

2) Cálculo del estadístico de prueba:

3) Criterio de rechazo:

 Como 2,41 > −1,96, entonces se rechaza la hipótesis nula con una
confianza del 95%.
 Se rechaza la afirmación de que el % de pto defectuoso es igual al 8%
con una significancia del 5%.

Page  31
 MAS EJEMPLOS

Un fabricante de dulces compra costales de azúcar a cierto ingenio. Según

los vendedores, los costales tienen un peso medio de 50.1 kg, con una
varianza de (𝜎 2 = 0.5). El comprador sospecha que el peso medio es
menor. Para confirmar su sospecha decide hacer una prueba de hipótesis
con un nivel de significancia de 5%, seleccionando de manera aleatoria 3
bultos de cada uno de los siguientes 5 pedidos. Pesa los 15 bultos y
obtiene que 𝑋 = 49.4 𝑦 𝑆 2 = 1.2. ¿Se puede rechazar la hipótesis del
comprador?
Solución:
1) Formulación hipótesis
2) Estadístico de prueba
3) Criterio de rechazo

Page  32
 TRES CRITERIOS DE RECHAZO O ACEPTACIÓN

Al menos en las hipótesis más usuales, existen tres criterios equivalentes

para decidir cuándo rechazar la hipótesis nula y, en consecuencia, aceptar
la hipótesis alternativa.
1) Estadístico de prueba Vs valor crítico
2) Significancia observada frente a significancia predefinida
3) Intervalo de confianza

Page  33
 SIGNIFICANCIA OBSERVADA FRENTE A SIGNIFICANCIA
PREDEFINIDA
La significancia predefinida que se denota con 𝛼, es el riesgo máximo que
el experimentador está dispuesto a correr por rechazar 𝐻𝑂 indebidamente
(error tipo I).
Mientras que la significancia observada o calculada, también conocida
como p-value o valor-p, es el área bajo la distribución de referencia más
allá del valor del estadístico de prueba. La expresión “más allá del
estadístico de prueba” significa, por ejemplo en la prueba T bilateral, el
área bajo la curva fuera del intervalo [–to, to], es decir:

𝐻𝑂 se rechaza si la significancia
observada es menor que
la significancia dada, o sea, si
valor-p < 𝛼.

Page  34
 INTERVALO DE CONFIANZA

 En este método se rechaza 𝐻𝑂 si el valor del parámetro declarado en la

hipótesis nula se encuentra fuera del intervalo de confianza para el
mismo parámetro.
 Cuando la hipótesis planteada es de tipo bilateral, se utiliza directamente
el intervalo al 100 (1–𝛼)% de confianza.
 Si la hipótesis es unilateral, se requiere el intervalo al 100 (1–2𝛼)% para
que el área bajo la curva, fuera de cada extremo del intervalo, sea igual a
𝛼.
 En el caso de la hipótesis unilateral sobre la media del peso de costales
se debe construir el intervalo al 100(1–(2 × 0.05))% = 90% de confianza
para aplicar este criterio con una significancia 𝛼=0.05.

Page  35
 EJERCICIOS

1) El tiempo para reparar un instrumento electrónico es una variable

aleatoria medida en horas que sigue una distribución normal. El tiempo de
reparación de 16 de estos instrumentos elegidos al azar es el siguiente:
Horas
159 280 101 212
224 379 179 264
222 362 168 250
149 260 485 170
a) Quiere conocerse un intervalo de confianza del 98% para el tiempo de
reparación promedio.
b) ¿A qué conclusión se llega cuando se estima el promedio para α=0.05?

Page  36
 EJERCICIOS

2) Un inspector de calidad investiga las acusaciones contra una

embotelladora por su deficiente llenado que debe ser en promedio de 32,5
onzas. Para ello toma una muestra de 60 botellas, encontrando que el
contenido medio es de 31,9 onzas de líquido. Se sabe que la máquina
embotelladora debe producir un llenado con una desviación típica de 3,6
onzas ¿Puede el inspector llegar a la conclusión que se están llenando las
botellas en la especificación promedio, a un nivel de significación del 5%?

Page  37
Análisis de capacidad
 LA DISTRIBUCIÓN NORMAL
 Si X es una variable aleatoria normal, entonces su función de densidad
de probabilidades está dada por:

 Al graficar la función f (x) se obtiene una gráfica simétrica y unimodal,

cuya forma es similar a una campana. El centro de ésta coincide con μ, y
la amplitud está determinada por σ.

Page  39
Page  40
Propiedades de la distribución normal

 Si X es una variable aleatoria con distribución normal con media μ y

varianza 𝜎 2 , N( μ, 𝜎 2 ), entonces se cumple que:
1. P(μ − σ < X < μ + σ) = 0.6827
2. P(μ − 2σ < X < μ + 2σ) = 0.9545
3. P(μ − 3σ < X < μ + 3σ) = 0.9973

 Estas propiedades señalan la proporción de la distribución normal que se

localiza en torno a la media μ. Por ejemplo, entre más o menos una
desviación estándar de la media se ubica en 68.27% del área; y en la
media más menos tres veces σ se encuentra 99.73% de la distribución.
Esta última es la razón de cómo se obtienen los límites reales de un
proceso.

Page  41
Cálculo de probabilidades

 Si una variable aleatoria X se distribuye normal con media μ

y varianza σ2, y se quiere encontrar la probabilidad de
que esta variable tome valores entre dos números
cualesquiera, a y b por ejemplo, entonces lo que se tiene
que hacer es calcular el área bajo la curva entre a y b, y
esto se realiza mediante métodos numéricos, ya que la
integral de la función de distribución no tiene solución
analítica.

Page  42
 Cálculo de probabilidades

Page  43
Cálculo de probabilidades

 Por tal motivo se recurre a un proceso denominado estandarización

basándose en un variable aleatoria Z que tiene μ = 0 y 𝜎 2 = 1.
 A la distribución se le conoce como distribución normal estándar ó
N (0, 1).
 La ventaja de estandarizar es que cualquier probabilidad de interés, por
ejemplo P(X≤x), se puede escribir en términos de la variable
estandarizada Z como:

 Como los valores de la variable aleatoria Z están tabulados, es posible

calcular cualquier probabilidad usando la distribución normal.

Page  44
Page  45
Ejemplos:

1) P (z>1,84)
2) P(-1,97< z < 0,86)
3) P (Z < -1,27)
4) P(Z > Zo)= 0,7486
5) P(-0,93 < Z < Z1)=0,7235
6) Sea X una v.a normal con μ = 40 y 𝜎 = 6 determine:
a) 𝑃 (𝑋 ≤ x) = 0,45
b) P(X>x) = 0,14

Page  46
 Aplicaciones

1) Una cierta máquina produce resistencias eléctricas que tienen un valor medio de
40 ohms y una desviación estándar de 2 ohms. Suponiendo que los valores de las
resistencias siguen una distribución normal y que pueden medirse con cualquier
grado de precisión. ¿Qué porcentaje de las resistencias tendrá un valor que exceda
a 43 ohms?
2) Una compañía fabrica focos cuya duración es normalmente distribuida con una
media de 800 horas y una desviación estándar de 40 horas. Encuentre la
probabilidad de que un foco dure entre las 778 y 834 horas de uso.
3) El espesor de un lote de 10.000 arandelas de bronce de un cierto tipo fabricadas
por una gran compañía tiene una distribución normal con media 0,0191 pulgadas y
desviación estándar 0,000425 pulgadas. Cual es el espesor al que podría llegar el
99,00 % de estas arandelas.
4) La dimensión de una pieza se distribuye normal con μ =82,0 mm, y σ = 0,5. Se
desea calcular el porcentaje de piezas que cumplen con especificaciones 82+/- 1.

Page  47
 INDICES DE CAPACIDAD DE PROCESOS CON DOBLE Y UNA
ESPECIFICACIÓN (VARIABLES)

 Los índices de capacidad son mediciones especializadas que sirven para

evaluar de manera práctica la habilidad de los procesos para cumplir con
las especificaciones.
 Evaluar la habilidad o capacidad de un proceso consiste en conocer la
amplitud de la variación natural de este para una característica de calidad
dada, la cual permitirá saber en qué medida tal característica es
satisfactoria (cumple especificaciones)

Page  48
 Ejemplo variable:
En un proceso de elaboración de circuitos impresos el voltaje de salida es
una de las características de calidad y sus especificaciones son 12,5 + 0,4
voltios. En la siguiente tabla se recogen los voltajes de un lote de 200
circuitos:

Se quiere saber en qué medida el proceso ha estado cumpliendo con

especificaciones.
Page  49
 Índice Cp (Capacidad potencial)

 Decimos que 6σ es la variación real, debido a la regla empírica de la

distribución normal (entre μ +/- 3σ se encuentra el 99,73% de los valores
de la variable)

Page  50
 Índice Cp

Las anteriores interpretaciones y el % de DPM (Defectos por Millón) que

proporciona statgraphics, están fundamentadas en 4 supuestos:
1. Qué la característica de calidad se distribuye de manera normal
2. Que el proceso está centrado
3. Qué está en control estadístico
4. Qué se conoce la desviación estándar del proceso (σ)
 Si la capacidad para cumplir especificaciones es mala, entonces se
puede recomendar mejorar el proceso (centrar y reducir variación),
mejorar su control y sistema de medición.
 Si hay capacidad excesiva, esta se puede aprovechar reduciendo la
cantidad de inspección.

Page  51
Page  52
Índice Cr (Razón de capacidad potencial)

 Representa la proporción de la banda de especificaciones que es

ocupada por el proceso

 Índice Cpk (Capacidad real del proceso)

 Cpi y Cps toman en cuentan el centrado del proceso, al calcular la media

del proceso a una de las especificaciones
Page  53
Índice Cp (Capacidad real de proceso)

 Cpk siempre será menor o igual que Cp

 Si Cpk es mucho menor que Cp, entonces la media del proceso está
alejada del centro de las especificaciones. Así si se corrige el centrado se
alcanzará la capacidad potencial indicada por Cp.
 Es posible tener valores de Cpk iguales a cero o negativos, e indican que
la media del proceso está fuera de las especificaciones.
Page  54
 Índice K (Centrado del proceso)

 Evalúa si la distribución de la característica de calidad está centrada con

respecto a las especificaciones
 Valores de k menores a 20% en términos absolutos se consideran
aceptables

Page  55
  El Cp es de 0,42 porque la variación tolerada es
mucho menor que la variación real y el Cr indica
que la variación del proceso cubre el 240,9% de
la banda de especificaciones, por lo que su
capacidad potencial es inadecuada.
 El proceso no tiene capacidad real de producir
circuitos que cumplan las especificaciones de
voltaje, debido a que el Cpk tiene un valor de
0,39.
 En condiciones actuales de proceso se
esperaría que el 22,3192% de la producción sea
defectuosa. Es decir que por cada millón de
circuitos, aproximadamente 223.191 no
cumplirán las especificaciones.
 Entre tanto el índice de centrado del proceso k
es bueno y corresponde al 7%, lo cual
demuestra que la gerencia del proceso debe
concentrar esfuerzos en reducir la variabilidad
en vez del centrado.

Page  56
 ESTIMACIÓN POR INTERVALO DE LOS INDICES DE
CAPACIDAD

Los intervalos para Cp y Cpk están dados por:

Donde:

Page  57
Otros índices de Capacidad de Proceso
 CORTO PLAZO:
La capacidad de corto plazo se calcula a partir de datos tomados en un
periodo corto

Para datos agrupados Para datos individuales

Se estima  a partir de rangos

móviles

Estos son: Cp, Cpk, Cr, K (que ya vimos)

 LARGO PLAZO:
Se calcula con muchos datos tomados de un periodo largo para que los
factores externos influyan en el proceso, y  se estima mediante la
desviación estándar de todos los datos. Los siguientes son los índices de
Page  59
largo plazo.
 Tablas Gráficos de Control

Page  60
Índice Pp (Desempeño potencial del proceso o process
performance)

Índice Ppk (Desempeño real del proceso)

Donde es la desviación estándar de largo plazo

¿Qué se puede afirmar sobre la capacidad que tiene el proceso de cumplir

las especificaciones de voltaje al comparar los índices de corto y largo
plazo?
Page  61
 MÉTRICAS SEIS SIGMA

Calidad Seis Sigma se refiere a un concepto que plantea una meta común
en calidad para todos los procesos de una organización. El término se
acuñó en el decenio de 1980-1989, y le dio su nombre al programa de
mejora Seis Sigma. Por medio de los conceptos vistos antes es fácil
analizar y entender el nivel de calidad en términos del número de sigmas.

Índice Z
Consiste en calcular la distancia entre las especificaciones y la media μ del
proceso en unidades de la desviación estándar, σ. De esta manera, para
un proceso con doble especificación se tiene Z superior, Zs, y Z inferior, Zi,
que se definen de la siguiente manera:

Page  62
 CALIDAD SEIS SIGMA
Tener esta calidad significa diseñar productos y procesos que logren que la
variación de las características de calidad sea tan pequeña que el índice Z
de corto plazo sea igual a seis (6), lo cual implica que la campana de la
distribución quepa dos veces dentro de las especificaciones.

Page  63 Gutierrez & De la Vara (2009)

Page  64
  En el ejemplo de análisis de capacidad de una variable:

CALIDAD TRES SIGMA:

Tener un proceso Tres Sigma significa que el índice Z correspondiente es
igual a tres (3).
Por lo tanto, en el caso del proceso ejemplo prácticamente NO se tiene
una calidad Tres Sigma porque Z = -1,14

Page  65
 Procesos con una sola especificación

En las plantas de tratamiento de aguas residuales, una forma de medir la

eficacia del tratamiento biológico aerobio de la clarificación secundaria y de
la filtración, es mediante los solidos suspendidos totales (SST), ya que la
alta concentración impedirá volver a usarla. En una planta, en particular, se
tiene que los SST no deben ser mayores a ES = 30 para considerar que el
proceso fue satisfactorio. De acuerdo con datos históricos, se tiene que la
media y la desviación estándar de SST son μ =10.2 y σ =5.1.

Solución
En este caso no es posible calcular el índice Cp, ya que sólo se cuenta con
la especificación superior. Mas bien, dado el tipo de variable, lo que se
debe calcular es el índice para la especificación superior Cps.

Page  66
 ANÁLISIS DE CAPACIDAD PARA ATRIBUTOS

En una fabrica de muebles, durante la etapa de ensamble del producto se

quiere evaluar el desempeño del proceso. En particular, se pretende
evaluar la calidad del ensamble de una silla. El producto tiene 24 puntos de
ensamble; por lo tanto, en la inspección final se evalúa cada uno de los
puntos de ensamble. De los resultados del último mes se tiene que de
2000 sillas revisadas, se encontraron 120 puntos de ensamble
insatisfactorios. Cómo evaluar esta situación en termino de las métricas
Seis Sigma?

Page  67
 Oportunidad de Error: Cualquier parte de la unidad que es posible
medirse o probarse si es adecuada.
 Defectos Por Unidad (DPU): Determina el nivel de no calidad de un
proceso que no toma en cuenta las oportunidades de error.

d= Defectos
U= Número de unidades inspeccionadas
 Defectos Por Oportunidad (DPO): Mide la no calidad de un proceso.

Page  68
 Defectos Por Oportunidad (DPO): Cuantifica los defectos por millón de
oportunidades de error.
DPMO= 1000000 x DPO

Page  69
 TALLER 1
Aplicaciones análisis de capacidad

1) En la elaboración de envases de plástico primero se elabora la preforma,

para la cual se tienen varios criterios de calidad, uno de ellos es el peso de
esta. Para cierto envase se tiene que el peso debe estar entre 28.00 +/-
0,5. A continuación se muestran los últimos 112 datos obtenidos mediante
una carta de control para esta variable.

Page  70
Con ayuda de statgraphics, realice un análisis de capacidad para ver si se
cumple con la calidad exigida (límites reales, Cp, Cr, Cpk, K Pp, Ppk, Z),
represente de manera gráfica sus resultados y coméntelos.
2) En una armadora de autos, en el área de pintado, una característica de
calidad es el espesor de la capa antipiedra en la zona trasera de los arcos
de rueda, que debe tener un espesor mínimo de 100 micras (EI = 100). A
partir de la carta de control de medias y rango que se lleva normalmente
para monitorear el espesor, se sabe que μ=105 y σ=6.5. Evaluar la
capacidad del proceso.
3) Se examinaron cuatro características criticas en una muestra de 500
ordenes de compra. En 25 de las ordenes fueron encontrados 50 errores
de diferentes tipos.
a) Obtenga el DPU y el DPMO.
b) Estime el nivel de sigmas de este proceso.

Page  71
Gráficos de control
 El producto deseado resulta de la concurrencia de varios factores y
condiciones que caracterizan al proceso.

Maquinaria Métodos

Materias
Primas Proceso

Mano de Condiciones
Obra Ambientales

Cada uno de estos factores está sujeto a variaciones

que realizan aportes más o menos significativos a la
fluctuación de las características del producto,
Page  73
durante el proceso de fabricación
 Qué Medir?

Características

VARIABLES ATRIBUTOS
Continuas Discretas
Medibles Contables
Cuantitativas Cualitativas

Page  74
 Tipos de Gráficos de Control

Para Variables Para Atributos

• Promedios y Rangos (X – R) • Proporción de defectuosos (carta p)

• Valores Individuales y • Número de defectuosos (carta np)

Rangos Móviles (X )
• Número de defectos (carta c)
• Promedios y Desviación
estándar (X – S) • Defectos por unidad (carta u)

• Normal • Binomial
Page  75 • Poisson
 GRAFICOS DE CONTROL

Herramienta para:
• Controlar, mejorar e innovar procesos
• Detección oportuna de tendencias y cambios
importantes en procesos
• Analizar evolución en el tiempo de variables de
procesos.
• Evitar sobreajustes en el proceso
• Son una herramienta especializada en el estudio de la
variabilidad, el principal enemigo de la calidad

Page  76
 GRAFICOS DE CONTROL

Bajo condiciones de control estadístico, los datos que se grafican en una

CARTA DE CONTROL tienen una alta probabilidad de caer dentro de los
LÍMITES DE CONTROL.
Los LÍMITES DE CONTROL se calculan a partir de la variación del
estadístico W que se representa en la carta.
Por tanto, una forma de proceder es encontrar la distribución de
probabilidades de la variable, estimar sus parámetros y ubicar los límites
de manera que un alto porcentaje (99.73%) de la distribución esté dentro
de ellos.
En particular, si W tiene distribución normal, tal probabilidad será de
0.9973, con lo que se espera que bajo condiciones de control sólo 27
puntos de 10 000 caigan fuera de los límites. Este tipo de cartas de control
fueron propuestas originalmente por el doctor Walter A. Shewhart, y por
eso se les conoce como cartas de control Shewhart.

Page  77
 GRAFICOS DE CONTROL

Sea W el estadístico que se va a graficar en la carta, supongamos que su

media es μw y su desviación estándar σw, entonces el límite de control
inferior (LCI), la línea central y el límite de control superior (LCS) están
dados por:

Page  78
 Supongamos que tenemos
una máquina inyectora que
produce piezas de plástico.

Una característica de calidad

importante es el peso de la pieza
de plástico, porque indica la
cantidad de materia prima que la
máquina inyectó en la matriz.

Page  79
 Si la cantidad de materia prima
es poca la pieza de plástico será
deficiente; si la cantidad es Entonces, cada 60 minutos se
excesiva, la producción se toma una muestra, se pesa y se
encarece, porque consume mas registra el valor.
materia prima.

1 2 3 4 n

55,1 g. 57,1 g. 53,3 g. 53,9 g. 55,9 g.

Page  80
 Gráfico X - R

OBSERVACIONES
No. Identific. 1 2 3 ..... n Promedios Rangos
1 mm/dd/aa
2 mm/dd/aa
3 mm/dd/aa
4 mm/dd/aa
5 mm/dd/aa
*
*
M mm/dd/aa

Page  81
Carta X

Analiza la variación entre las medias de los subgrupos y sirve para detectar
cambios en la media del proceso.
En el caso de la carta de medias, el estadístico W es la media de los
subgrupos, X, por lo que los límites están dados por:

Donde es la media de las medias, y la desviación estándar de

las medias, que en un estudio inicial se estiman:

Page  82
Carta X

Recordemos que una forma de estimar σ es considerar la variabilidad

dentro de muestras (σ de corto plazo) a través de los rangos de los
subgrupos, y la estimación está dada por:

Donde R es la media de los rangos de los subgrupos y d2 es una constante

que depende de n, el tamaño de subgrupo o muestra.
De esta manera, tres veces la desviación estándar de las medias se estima
con:

Page  83
Carta X

 Con base en lo anterior, los límites de control para una carta de control X,
en un estudio inicial, se obtienen de la siguiente manera:

Page  84
Carta R

Con esta carta se analiza la variación entre los rangos de los subgrupos
para detectar cambios en la amplitud o magnitud de la variación del
proceso
Sus límites se determinan a partir de la media y la desviación estándar de
los rangos de los subgrupos, ya que en este caso es el estadístico W que
se grafica en esta carta:

Donde μR representa la media de los rangos, y σR la desviación estándar

de los rangos, que en un estudio inicial se estiman de la siguiente manera:

Page  85
Carta R

Donde R es la media de los rangos de los subgrupos, σ la desviación

estándar del proceso y d3 es una constante que depende del tamaño de
subgrupo, que ya está tabulada.
Como por lo general en un estudio inicial no se conoce σ, ésta puede
estimarse a través de como ya se explicó antes. En forma explícita,
los límites de control para la carta R se calculan con:

Page  86
 Característica: Peso de vaso plástico
Tamaño de la muestra: Cinco unidades
Frecuencia: Cada 60 minutos
Unidad de medida: Gramos
Tipo de gráfico: PROMEDIOS y RANGOS

Gráfico de Promedios:

Límite Superior de Control (LSC)= X + A2*R

Línea Central (LC)= X

Límite Inferior de Control (LIC)= X – A2*R

Promedios
LSC 41.5
LC 32.9
LIC 24.3

Gráfico de Rangos:

Límite Superior de Control (LSC)= D4*R

Línea Central (LC)= R

Límite Inferior de Control (LIC)= D3*R

Rangos
LSC 31.5
LC 14.9
LIC 0.0

Page  87
 Tablas Gráficos de Control

Page  88
 Gráfico de medias
LIE = 30,0, Nominal = 35,0, LSE = 40,0

42 41,5108

39

36
X-bar

33 32,928

30

27

24 24,3452
0 5 10 15 20 25
Subgrupo

En la gráfica de medias se observa que no hay puntos fuera de los límites de

control. El comportamiento de los puntos no sigue ningún patrón especial y
se espera que las medias de la variable peso varíen de 24,34 a 41,51 g, por
los que el proceso responsable del peso de los vasos ha estado funcionando
de manera estable en cuanto a la tendencia central..
Page  89
 Gráfico de Rangos para X1-X5
LIE = 30,0, Nominal = 35,0, LSE = 40,0

40

31,4636
30
Rango

20

14,88

10

0 0,0
0 5 10 15 20 25
Subgrupo

En la carta R de la variable peso estudiada no se observa puntos por fuera

de los límites, ni patrones especiales en el comportamientos de los puntos,
por tanto, el proceso responsable del peso de los vasos ha estado
funcionando de manera estable en cuanto a la amplitud (variación). En
estas condiciones se espera que los rangos varíen desde 0 hasta 31,46 g.
Page  90
 ¿ES CAPAZ ESTE PROCESO?

 En el caso de la variable peso se

Capacidad de Proceso para X1-X5
concluye que el proceso es LIE = 30,0, Nominal = 35,0, LSE = 40,0

estable (o que está en control 20 Normal

estadístico). Sin embargo, los Media=32,928
Desv. Est.=6,35404
16
índices de capacidad indican que Cp = 0,26
Pp = 0,26
el proceso es incapaz de cumplir

frecuencia
12 Cpk = 0,15
Ppk = 0,15
especificaciones. Por tanto el K = -0,41
8
proceso se califica como
establemente incapaz (es decir 4

establemente malo), por lo que se

0
debe hacer análisis en busca de 0 10 20 30 40 50 60
X1-X5
las fuentes de variación que de
manera permanente estén en el
proceso.

Page  91
 INTERPRETACIÓN DE LOS GRÁFICOS DE CONTROL

A la hora de interpretar un gráfico de control hay que tener en cuenta

más factores que los puntos fuera de los límites de control:
 Tendencias o rachas. Rachas crecientes decrecientes o bien por
encima o debajo de la línea central.
 Patrones no aleatorios. Periodicidades, inestabilidad, sobre
estabilidad.

Page  92
 Indicadores: Causas Especiales

Puntos fuera de los límites de control.

LSC

LC

LIC

Page  93
 Indicadores: Causas Especiales

Tendencias Ascendentes o Descendentes.

LSC

LC

LIC

Page  94
 Indicadores: Causas Especiales

Rachas por encima o por debajo de LC.

LSC

LC

LIC

Page  95
 Indicadores: Causas Especiales

Dos de Tres en la Región de Advertencia.

LSC
LSA

LC

LIA
LIC

Page  96
 Indicadores: Causas Especiales

Adhesión a la línea central.

LSC

LC

LIC

Page  97
 Indicadores: Causas Especiales

Adhesión a los límites de control.

LSC

LC

LIC

Page  98
Page  99
 LÍMITES DE CONTROL, ESPECIFICACIONES Y LÍMITES
NATURALES DE FLUCTUACIÓN

VN: 50 Kg
LIE: 49 Kg
LSE: 51 Kg

Page  100
 ETAPAS EN EL ESTUDIO INICIAL EN UNA CARTA X-R

• Seleccionar característica de Calidad

• Definir muestra
• Recopilar datos
• Determinar límites de control y controlar

Page  101
 ETAPAS EN EL ESTUDIO INICIAL EN UNA CARTA X-R

Tamaño de Lote n
60 a 300 10%

301 a 1000 5%

1001 a 5000 2%

Más de 5000 1%

Ref. Military Standard 414.

Si la producción no es por lotes, entonces se toma la

producción de un día o una semana.
Page  102
 Gráfico X

Es un diagrama para variables de tipo continuo, pero en lugar de aplicarse

a procesos semi masivos o masivos como es el caso de la carta X-R, se
emplea en procesos lentos, en los cuales para obtener una medición o una
muestra de la producción se requieren periodos relativamente largos.
Ejemplos de este tipo de procesos son:
 Industria de bebidas alcohólicas, en las que deben pasar desde una
hasta más de 100 horas para obtener resultados de los procesos de
fermentación y destilación.
 Procesos en los que las mediciones cercanas sólo difieren por el error de
medición. Por ejemplo, temperaturas en procesos, humedad relativa en el
medio ambiente, etcétera.
 Algunas variables administrativas cuyas mediciones se obtienen cada
día, cada semana o más. Por ejemplo, mediciones de productividad, de
desperdicio, de consumo de agua, electricidad, combustibles, etcétera.

Page  103
Carta X

Por ello, los límites se obtienen con la expresión

donde μX y σX son la media y la desviación estándar del proceso,
respectivamente. Es decir, los límites de control, es este caso, coinciden
por definición con los límites reales. En un estudio inicial estos parámetros
se estiman de la siguiente manera:

Donde X es la media de las mediciones, y R es la media de los rangos

móviles para n=2. Al dividir el rango promedio entre la constante d2 se
obtiene una estimación de la desviación estándar del proceso, σ .
Cuando n= 2, d2 = 1.128). Así los límites de control para una carta de
individuales están dados por:

Page  104
 Taller 2
Cartas de Control

1) En la producción de tequila para medir la eficacia del proceso de

molienda se mide el grado brix residual después de la molienda (cantidad
de azúcar que queda en el bagazo del agave). Ésta es una variable del tipo
entre más pequeña mejor, y el valor máximo tolerado que se ha fijado en
una empresa en particular es ES = 3.5%. Después de moler cada lote se
determina el grado brix residual, por lo que se considera un proceso lento
que es más apropiado analizar con una carta de individuales. En la
siguiente tabla se muestran los datos para los últimos 40 lotes molidos, y
se agregó la columna para el rango móvil de orden 2, que se obtiene del
rango entre los dos datos consecutivos más recientes.
Calcule los límites de control y concluya.

Page  105
 Brix Rango Brix Rango
Lote Lote
Residual Movil Residual Movil
1 2,0 21 1,2 0.9
2 2,4 0.4 22 1,8 0.6
3 2,2 0.2 23 2,0 0.2
4 1,4 0.8 24 2,4 0.4
5 2,3 0.9 25 1,9 0.5
6 1,8 0.5 26 2,4 0.5
7 1,5 0.3 27 2,4 0.0
8 1,5 0.0 28 1,7 0.7
9 2,1 0.6 29 1,8 0.1
10 2,0 0.1 30 2,1 0.3
11 1,6 0.4 31 1,7 0.4
12 2,2 0.6 32 2,1 0.4
13 1,9 0.3 33 1,6 0.5
14 2,4 0.5 34 2,4 0.8
15 3,3 0.9 35 2,1 0.3
16 2,1 1.2 36 1,8 0.3
17 2,1 0.0 37 1,3 0.5
18 1,8 0.3 38 1,8 0.5
19 1,6 0.2 39 1,7 0.1
Page  106 20 2,1 0.5 40 1,6 0.1
 Gráfico NP o P
No. Identific. Muestra Ocurrencias %P
1 mm/dd/aa
2 mm/dd/aa
3 mm/dd/aa
4 mm/dd/aa
5 mm/dd/aa
*
*
M mm/dd/aa

Page  107
Carta p

En el caso que nos ocupa W = pi. Así, de acuerdo con la distribución

binomial se sabe que la media y la desviación estándar de una proporción
están dadas, respectivamente, por:

donde n es el tamaño de subgrupo y 𝑝 es la proporción promedio de

artículos defectuosos en el proceso. De acuerdo con esto, los límites de
control de la carta p con tamaño de subgrupo constante, están dados por:

Page  108
Carta p

Donde:
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠
𝑛=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠
Page  109
 Gráficos de Control
LSC= %p + 3*((%p*(100 - %p)) / n)

Línea Central (LC)= %p

Característica: Quejas resueltas
Tamaño de la muestra: Total quejas recibidas LIC= %p - 3*((%p*(100 - %p)) / n)

Frecuencia: Mensual Donde

Unidad de medida: No Aplica %p = (Total Ocurrencias / Total Tamaño de Muestra)*100
Tipo de gráfico: %P n = (Total Tamaño de Muestra / M)

QUEJAS QUEJAS
No. MES RECIBIDAS RESUELTAS
%P
1 Enero 216 190 88.0%
2 Febrero 191 86 45.0%
3 Marzo 230 205 89.1%
4 Abril 197 180 91.4%
5 Mayo 219 165 75.3%
2477
6 Junio 190 173 91.1% n = = 206.4
12
7 Julio 201 192 95.5%
8 Agosto 224 130 58.0%
1881
9 Septeiembre 182 155 85.2% %P = *100 = 75.9%
2477
10 Octubre 230 191 83.0%
11 Noviembre 197 142 72.1%
12 Diciembre 200 72 36.0%
LSC = 84.9%
LC = 75.9%
Total 2477 1881
LIC = 67.0%
Page  110
 GRÁFICO DE CONTROL BINOMIAL - TIPO %P
% Quejas Resueltas
100.0%

95.5% 2477
n=
12
91.4% 91.1%
90.0% 89.1%
88.0%
1881
85.2% %P =
83.0% 2477
80.0%

75.3% LSCLSC = 84.9%

72.1% LCLC= 75.9%
70.0% LICLIC= 67.0%
%P

60.0%
58.0%

50.0%

45.0%

40.0%

36.0%

30.0%
lio
o

e
zo

il

o
ro

e
re
o

ay

br
ni

br
st

br
er

Ab

Ju
e

ar

ub
Ju

m
o

m
En

M
br

Ag

ct

ie
ie

ie
Fe

ov
te

ic
Page  111
D
p

N
Se
 Gráfico C ó U

No. Identific. Muestra Ocurrencias U

1 mm/dd/aa
2 mm/dd/aa
3 mm/dd/aa
4 mm/dd/aa
5 mm/dd/aa
*
*
M mm/dd/aa

Page  112
 Gráficos de Control Característica: Errores en un documento
Tamaño de la muestra: 20 documentos
Mes No. Errores
Ene 8 Frecuencia: Mensual
Feb 5
Mar 8 Unidad de medida: No Aplica
Abr 12 Tipo de distribución: POISSON
May 7
Jun 6 Tipo de gráfico: C
Jul 7
Ago 14
Sep 9
Oct 6

Límite Superior de Control (LSC) = C + 3*C

Nov 11
Dic 7
Ene 14
Línea Central (LC)= C
Feb 9

Límite Inferior de Control (LIC)= C - 3*C

Mar 18
Abr 8
May 10
Jun 8
LSC= 18.5
Jul 15
Ago 7
LC= 9.3
Sep 10 LIC= 0.2
Oct 8
Nov 5
Dic 12

Suma 224
Prom. C 9.3
Page  113
 GRÁFICO DE CONTROL POISSON - TIPO C
No. De Errores
20.0

18.0 18.0

16.0
15.0

14.0 14.0 14.0 LSC (18.5)

LC (9.3)
LIC (0.2)
12.0 12.0 12.0
X
11.0

10.0 10.0 10.0

9.0 9.0

8.0 8.0 8.0 8.0 8.0 8.0

7.0 7.0 7.0 7.0

6.0 6.0 6.0

5.0 5.0

4.0

2.0

0.0
Jun

Jun
Jul

Jul
Nov

Nov
May

May
Ene

Ene
Oct

Oct
Abr

Abr
Mar

Mar
Dic

Dic
Feb

Feb
Ago
Sep

Ago

Page  114
Sep
 Beneficios: Gráficos de Control

Pueden ser utilizados por personal cercano al

proceso.
Ayudan al desarrollo consistente/predecible de los
procesos por calidad y costos.
Permiten el aumento de la calidad, disminución de
costos y aumento de la productividad.
Brindan un lenguaje sencillo de comunicación.
Diferencian entre causas comunes y especiales de
variación.

Page  115
Page  116