02/10/2025
Diplomado Automotive
Quality Core Tools
Módulo 2
Control Estadístico de Proceso (SPC)
Agenda
Tema Fecha Duración
1. Introducción a la Calidad
• Historia de la Calidad
02/10/2025 4 horas
• Conceptos básicos de probabilidad
• Estadística inferencial
2. Core Tools – CEP I
• Historia de las Core Tools
07/10/2025 4 horas
• Fuentes de Variación
• Grafica X-R y X-s
3. Core Tools – CEP II
• Grafica ImR
09/10/2025 4 horas
• Grafica EWMA y CUSUM
• Grafica de Pre-Control
1
02/10/2025
Agenda
Tema Fecha Duración
4. Core Tools – CEP III
• Grafica P y NP 14/10/2025 4 horas
• Grafica U y C
5. Core Tools – Capacidad de Proceso I
• Estudios de capacidad potencia Cp, Pp
16/10/2025 4 horas
• Estudios de capacidad real Cpk, Ppk
• Índice de Taguchi Cpm
6. Core Tools – Capacidad de Proceso II
• Estudio de capacidad de Datos No
Normales 21/10/2025 4 horas
• Estudios de capacidad Tol. unilateral
• Estudio de capacidad de datos Discretos
Bibliografia
Introduction to Statistical Quality Control, 8th Statistical Process Control, 2nd Edition The ASQ Certified Six Sigma Green Belt
Edition [Link] Handbook, Third Edition
Douglas C. Montgomery Roderick A. Munro, Govind Ramu, Daniel J.
ISBN: 978-1-119-39930-8 Zrymiak [Link]
2
02/10/2025
Evaluación
Concepto Porcentage
• Asistencia 10%
• Resumen de casos de estudio* 20%
• Ejercicios individuales 40%
• Evaluación Final / Proyecto 30%
*
• Maurice Pillet (1996) A Specific SPC Chart For Small-Batch Control, Quality Engineering, 8:4, 581-586, DOI: 10.1080/08982119608904668
• STATISTICAL PROCESS CONTROL (SPC) GUIDE LINE. Vivek Singh. Quality Manager, India. International Journal of Engineering Applied
Sciences and Technology, 2022 Vol. 7, Issue 1, ISSN No. 2455-2143, Pages 84-92
• SPC Modified With Percent Tolerance Precontrol Charts A case study in supplier development by S.K. Vermani. QUALITY PROGRESS
OCTOBER 2000
Historia de la Calidad
Mediados Siglo XXI
Comienzo del Siglo • Industria 4.0
del Siglo XX • Nuevas
Siglo XIII XX • Gurús de la
dimensiones de
la Calidad
• Producción Calidad (salud u
• Gremio de
en serie • Sistema de sustentabilidad)
artesanos
• Control Producción • Inteligencia
y
Estadístico Toyota Artificial
comercian
tes de Procesos • MSA - GM • Plan de Control
Siglo XIX 2a. Guerra Finales del Siglo
• Revolución
Mundial XX
Industrial • Laboratorios • Métodos de Gestión
• El Sistema Bell y Administración de
de • AMEF la Calidad:
fabricación • Rath & Strong • ISO 9000 – 14000
de Taylor • AIAG – APQP, PPAP
• OSHA
• Metodologías de
Solución de
Problemas
3
02/10/2025
Herramientas de Calidad
Gráfico de
Control
Diagrama
de Flujo
Hoja de
Registro
Diagrama
Causa –
Gráfico de Efecto
Dispersión
Gráfico de
Pareto
Histograma
7 Herramientas Básicas:
Histograma
El histograma fue desarrollado por
William Playfair en 1781
4
02/10/2025
7 Herramientas Básicas:
Gráfico de Pareto
El gráfico de Pareto fue
inventado por Vilfredo Pareto en
1896
Pareto observó que el 80% de la
propiedad en Italia pertenecía al
20% de la población
7 Herramientas Básicas:
Gráfico de Dispersión
El diagrama de dispersión, también conocido como gráfico de
dispersión, fue creado por Sir Francis Galton en el siglo XIX
10
5
02/10/2025
7 Herramientas Básicas:
Diagrama Causa – Efecto
Fue desarrollado por K. Ishikawa en 1943
11
7 Herramientas Básicas:
Hoja de Registro
Fue popularizada por el Dr. K. Ishikawa
12
6
02/10/2025
7 Herramientas Básicas:
Diagrama de Flujo
El diagrama de flujo fue inventado en 1921 por Frank Gilbreth
13
7 Herramientas Básicas:
Gráfico de Control
Fue inventado por Walter A. Shewhart.
Es una herramienta estadística que permite monitorizar
la calidad de un proceso y detectar desviaciones de la
media. Shewhart desarrolló este concepto en 1924
14
7
02/10/2025
CONCEPTOS BASICOS
• La estadística es un conjunto de técnicas útiles
para tomar decisiones sobre un proceso o una
población, basándose en el análisis de la
información contenida en una muestra de dicha
población.
• Los métodos estadísticos desempeñan un papel
fundamental en el control y la mejora de la
calidad.
• Proporcionan el principal medio para muestrear,
probar y evaluar un producto, y la información
contenida en esos datos se utiliza para controlar
y mejorar el proceso y el producto.
• Además, la estadística es el lenguaje con el que
los ingenieros de desarrollo, fabricación,
compras, gestión y otros componentes
funcionales de la empresa se comunican sobre la
calidad.
15
En este modulo… • Utilizaremos la estadística descriptiva,
que muestra cómo se pueden utilizar
técnicas gráficas y numéricas sencillas
para resumir la información de los
datos muestrales.
• A continuación, se analizará el uso de
distribuciones de probabilidad para
modelar el comportamiento de los
parámetros del producto en un proceso
o lote.
• Aplicación de técnicas de inferencia
estadística, es decir, cómo la
información contenida en una muestra
puede utilizarse para extraer
conclusiones sobre la población de la
que se extrajo la muestra.
16
8
02/10/2025
Propósito…
• Proporcionar un resumen numérico de los datos analizados.
• Datos (n)
• Información objetiva organizada para su análisis
• Información numérica o de otro tipo representada en un
formato adecuado para su procesamiento informático
• Valores de experimentos científicos
• Sirven de base para realizar inferencias sobre el futuro
• Sirven de base para evaluar la capacidad de los procesos
• Proporcionar un lenguaje común para su uso en toda la Tranquilo... ¡no será tan malo!
organización a fin de describir y controlar los procesos.
17
Introducción a la probabilidad
• Dado un experimento aleatorio cualquiera, hay un
espacio muestral asociado cuyos elementos son todos
los resultados que se pueden obtener de la experiencia.
• Un subgrupo o subconjunto de resultados es un suceso.
• Ahora, ¿cómo podemos saber si la posibilidad de que
ocurra un suceso es grande o pequeña?
• Por ejemplo, si arrojamos un dado, ¿cómo podemos
calcular la probabilidad de que salga un 2 ?. Para esto
necesitamos un número asociado con cada suceso, al
cual se lo denomina probabilidad del suceso.
• Entonces, la probabilidad P de un suceso es un número
entre 0 y 1
Probabilidad es probablemente la palabra que se usa con más frecuencia cuando las
personas esperan que algo suceda basándose en datos, conocimiento histórico o experiencia.
18
9
02/10/2025
Introducción a la probabilidad
N elementos
• ¿Cómo podemos calcular la Probabilidad de un suceso?
• La respuesta a esta pregunta no siempre es sencilla y
depende del experimento y de su espacio muestral
asociado. m
• En primer término, supondremos que se trata de un elementos
experimento cuyo espacio muestral es finito y tiene un
número pequeño de resultados posibles.
• En segundo término, supondremos que todos los
resultados que integran el espacio muestral (sucesos
elementales) tienen la misma probabilidad de ocurrir.
• Entonces la probabilidad P de que ocurra el suceso H Espacio Muestral
es: P = m/N
19
Introducción a la probabilidad
Ejemplo 1
Suceso Éxito (m) Fracaso P Éxito = (m/N)
• Cual es la probabilidad de que
Salga: Salga: P(E) = 4 / 6
salga un numero igual o menor a
1, 2, 3, 4 5, 6 P(E) = 0.67
4 al arrojar un dado?
• Cual es la probabilidad de que Salga: Salga: P(E) = 1 / 6
salga 1 al arrojar un dado? 1 2, 3, 4, 5, 6 P(E) = 0.17
• Cual es la probabilidad de “sol” Salga: Salga: P(E) = 1 / 2
al lanzar una moneda? “sol” “cruz” P(E) = 0.50
En muchos casos, los datos de atributos se pueden convertir en
datos continuos.
20
10
02/10/2025
Introducción a la probabilidad
• Relaciones entre eventos:
• La probabilidad de que el evento A no ocurra es 1 – (la
probabilidad de que A ocurra).
• Expresado simbólicamente: P (no A) = 1 – P(A).
21
CONCEPTOS BASICOS
Universo o • Totalidad de los elementos de interés
población
Espacio • Un subconjunto identificable de la población
Experimental
• Un sub conjunto significativamente mas pequeño ,
Muestra integrada por algunos elementos representativos de la
población
22
11
02/10/2025
CONCEPTOS BASICOS
Población
Espacio experimental
Muestra 1
Muestra 3
Muestra 2
¿Cuál es el universo al cual pertenece esa muestra de datos?
23
La Distribución de Frecuencias
• Una Población o Universo de datos es
un conjunto muy grande de números.
• ¿Cómo podemos clasificar y ordenar
los números para obtener más
información acerca de ese universo de
datos?
• La representación gráfica nos permite
ver información que antes no aparecía
tan evidente.
Una extracción aleatoria es aquella en que cada miembro de la población
tiene la misma posibilidad de ser elegido.
24
12
02/10/2025
Estadística Descriptiva
• Estadísticos de Tendencia Central
• Media
• Mediana
• Moda
• Estadísticos de Dispersión
• Rango
• Varianza
• Desviación estándar
• Estadísticos de Forma
• Curtosis
• Sesgo
25
Estadística Descriptiva
Media / Promedio
Media poblacional
• La media es la medida de ubicación más común.
• Una "media" implica que se refiere a la población o que se
infiere algo sobre ella.
• Por el contrario, el promedio implica que se infiere algo
Promedio muestral
sobre todos los datos muestrales.
• Aunque el símbolo es diferente, no existe diferencia
matemática entre el promedio de una muestra y la media de
una población.
El punto de equilibrio aritmético de una distribución de datos…
26
13
02/10/2025
Estadística Descriptiva
Mediana
• La mediana es el punto medio, o percentil 50, de una
distribución de datos.
Mediana
• Ordena los datos de menor a mayor o de mayor a menor.
• Es el valor central de la lista ordenada si el número de observaciones
es impar. Mediana
• Es el promedio de los dos valores centrales de la lista ordenada si el
número de observaciones es par.
Es el centro físico de un conjunto de datos es la mediana y no se ve
afectado por valores de datos grandes, (datos atípicos).
27
Estadística Descriptiva
Moda
• La MODA es el valor que aparece con mayor frecuencia en
una distribución de datos.
• Es posible tener múltiples modas. Cuando esto ocurre, se
denomina distribución bimodal.
28
14
02/10/2025
Estadística Descriptiva
Rango
• El rango es la diferencia entre la observación más grande y la más pequeña del
conjunto de datos.
• Un rango pequeño indica una variabilidad baja, mientras que un rango grande indica
una variabilidad alta.
• Un rango se utiliza generalmente para conjuntos de datos pequeños y es
completamente eficiente para estimar la variación para una muestra de 2.
𝑹𝒂𝒏𝒈𝒐 = 𝒗𝒂𝒍𝒐𝒓 𝒎á𝒙𝒊𝒎𝒐 − 𝒗𝒂𝒍𝒐𝒓 𝒎í𝒏𝒊𝒎𝒐
A medida que aumentan los datos, la desviación estándar es una medida de variación
más apropiada.
29
Estadística Descriptiva
Rango Intercualtil
• El rango intercuartil (IQR) es la diferencia entre el percentil 75 y el percentil 25.
𝑰𝑸𝑹 = (𝑸𝟑 − 𝑸𝟏)
Longitud del bigote: Q3 + 1.5(IQR)
Utilice el rango intercuartil cuando la distribución de datos esté sesgada.
30
15
02/10/2025
Varianza
• La varianza es la desviación cuadrática promedio de cada punto de datos individual
con respecto a la media.
• Es común en las pruebas estadísticas que sea necesario sumar las fuentes de
variación para estimar la variación total.
• Las desviaciones estándar no se pueden sumar, pero las varianzas sí.
Varianza Varianza Muestral
Poblacional
31
Grados de libertad
• Los grados de libertad se refieren al número máximo de
valores lógicamente independientes, es decir, valores que
tienen la libertad de variar, en la muestra de datos.
• Los grados de libertad se suelen analizar en relación con
diversas formas de prueba de hipótesis en estadística.
• Calcular los grados de libertad es clave para comprender la
importancia y la validez de la hipótesis nula.
• La fórmula para los grados de libertad es igual al tamaño
de la muestra de datos menos uno
Grados de libertad (𝑑𝑓) = n − 1
Donde n = tamaño de muestra
32
16
02/10/2025
Desviación estándar
• La desviación promedio de los valores respecto a la media
para una distribución de datos.
• Se utiliza cuando los datos son simétricos.
• La desviación estándar de una muestra y una población
puede equipararse con la variación a corto y largo plazo.
Desviación Std. Desviación Std.
Poblacional Muestral
Si la muestra es ≥ 100 o se está estudiando toda la población, utilizar
la formula de Desviación Estándar Poblacional.
33
Tamaño de Cálculo del Tamaño de
Muestra
(Suponemos el
Diferencia Muestra
(Error)
denominador es Ejemplo práctico
igual a 100)
1 100/1 = 100 100/0 = ERROR ∞
Diferencia entre σ2 y s2
2 100/2 = 50 100/1 = 100 50% ∞
120%
3 100/3 = 33.3 100/2 = 50 33% 100%
4 100/4 = 25 100/3 = 33.3 25%
80%
5 100/5 = 20 100/4 = 25 20%
Error
60%
10 100/10 = 10 100/9 = 11.1 10%
40%
20 100/20 = 5 100/19 = 5.26 5%
20%
25 100/25 = 4 100/24 = 4.17 4%
30 100/30 = 3.33 100/29 = 3.45 3% 0%
0 20 40 60 80 100 120
Tamaño de Muestra
50 100/50 = 2 100/49 = 2.04 2%
100 100/100 = 1 100/99 1.01 1%
34
17
02/10/2025
Teorema de Limite Central
• El teorema del límite central es la base del control
estadístico de procesos.
• La distribución de promedios tiende a ser normal, incluso
cuando la distribución a partir de la cual se calculan los
datos promedio proviene de distribuciones no normales.
• Matemáticamente, si una variable aleatoria x tiene una
media μ y una varianza σ², a medida que aumenta el
tamaño de la muestra n, el promedio muestral x-barra se
aproxima a una distribución normal con una media μ y
una varianza x σ² Error estándar
35
Teorema de Limite Central
• El teorema del límite central consta de tres
enunciados:
1. La media de la distribución muestral de
medias es igual a la media de la población
de la que se extrajeron las muestras.
2. La varianza de la distribución muestral de
medias es igual a la varianza de la
población de la que se extrajeron las
muestras, dividida por el tamaño de las
muestras.
3. Si la población original se distribuye
normalmente (es decir, tiene forma de
campana), la distribución muestral de las
medias también será normal.
Si la población original no tiene una distribución normal, la distribución muestral de medias se
aproximará cada vez más a una distribución normal a medida que aumenta el tamaño de la
muestra.
36
18
02/10/2025
Uso del teorema del límite central
en gráficos de control
• En el mundo real, no todos los procesos
se distribuyen normalmente.
• Al aplicar el teorema del límite central al
tomar muestras de medición, se puede
monitorear el estado del proceso
promediando los valores de medición en
subgrupos.
• Dado que los gráficos de control, como
los gráficos X y R, y los gráficos X y s, se
representan con promedios de las
lecturas individuales, son robustos a las
desviaciones de la normalidad.
37
La Distribución Normal
• La distribución normal es la distribución más reconocida
en estadística.
• ¿Cuáles son las características de una distribución
normal?
• Solo hay error aleatorio.
• Proceso sin causa(s) asignables.
• Proceso sin sesgos ni desplazamientos.
Entonces, ¿qué está presente cuando los datos no son
normales?
38
19
02/10/2025
La Distribución Normal
• La curva normal es una curva suave, simétrica y en forma
de campana generada por la función de densidad.
Es el modelo de probabilidad continua más útil ya que
muchas mediciones naturales, como alturas, pesos, etc.,
tienen una distribución aproximadamente normal.
σ
39
La Distribución Normal
• Esta distribución nos permite predecir o, mejor dicho,
estimar el rendimiento de nuestro proceso.
= 99.8% =
LIC = X -3σ LSC = X +3σ
95%
68%
40
20
02/10/2025
Prueba de Normalidad
• La forma de cualquier curva normal se
puede calcular basándose en la
función de densidad de probabilidad
normal.
• Las pruebas de normalidad
básicamente comparan la forma de la
curva calculada con la distribución
real de los puntos de datos.
• La prueba de Anderson-Darling utiliza
una función de densidad empírica.
41
Curtosis y sesgo
• La curtosis es una medida estadística
de la forma de una distribución de
datos, específicamente de la
concentración de los datos en el
centro y en las colas, en comparación
con una distribución normal (la
campana de Gauss).
• Indica si una distribución tiene colas
más pesadas (muchos valores atípicos)
o más ligeras, y un pico más
pronunciado o más suave.
42
21
02/10/2025
Curtosis y sesgo
• El sesgo en una distribución es la asimetría o inclinación de los datos
hacia un lado, indicando que no se distribuyen por igual alrededor de la
media, lo que crea una "cola" más larga en una dirección.
• Una distribución simétrica, como la distribución normal, tiene ambas
mitades idénticas, pero si está sesgada, una de las partes (la cola) es más
larga que la otra.
43
Tipos de Datos Distribución
de
ESCALA Frecuencias
Ratio
Cualitativo OK/NOK PROPORCION Binomial
(%)
Tipo de Dato # DEFECTOS Nominal Poisson
Discretos
#DEFECTOS x Ordinal Hipergeo
Cuantitativo CLASIFICACION métrica
Medición de Continua Normal
Continuos
Magnitud
Los datos continuos siempre son más deseables.
44
22
02/10/2025
Tipos de Datos
Ejemplo 2
Nominal Ratio Ordinal Continua
1 asiento dañado 1 asiento dañado de 1 asiento dañado 1 asiento dañado
400 producidos Lado Izq. Lado izquierdo con
0 asientos dañados rotura de 10 mm en la
Lado Derecho zona del respaldo
5 alumnos 50% estudiantes 2 casados + 2 solteros Edad de cada uno de
+ 1 comprometido los alumnos. Por
ejemplo: 25 ,30, 28, 45,
33 años
1 inasistencia a clase 1 de 10 inasistencias a 1 inasistencia al Registro de hora de
clase modulo 2, cero llegada a clase en
inasistencias al horas:minutos
modulo 1
En muchos casos, los datos de atributos se pueden convertir en datos
continuos.
45
Distribuciones estadísticas
Distribución Formula Media Varianza
46
23
02/10/2025
Estadística descriptiva versus analítica.
Estadísticas descriptivas (o enumerativa) Estadística analítica (o inferencial)
• Consiste en recopilar, organizar, resumir y • Consiste en un conjunto de inferencias,
presentar los datos. pruebas de hipótesis y predicciones.
• Un estudio descriptivo muestra diversas • Utiliza datos de una muestra para realizar
propiedades de un conjunto de datos, estimaciones o inferencias sobre la
como la media, la mediana, la moda, la población de la que se extrajo la muestra.
dispersión, la forma, etc. • Utiliza herramientas como pruebas de
• Las herramientas gráficas incluyen: hipótesis y diagramas de dispersión para
histogramas, gráficos circulares, diagramas determinar las relaciones entre variables y
de caja y otros. realizar predicciones mediante ecuaciones
de regresión.
47
Análisis Gráfico
Tiempo de Colocación
Ejemplo:
Por cada 50 colocaciones, se registró el tiempo (en días) que tomó colocar a una persona en
el puesto.
22 26 30 19 22 31 34 29 28 18
16 22 31 24 26 36 28 33 36 24
26 27 35 14 26 30 33 26 31 36
28 33 18 26 29 30 22 30 24 31
27 21 28 35 32 28 33 28 23 25
48
24
02/10/2025
Análisis Gráfico
Tiempo de Colocación
Descriptive Statistics
Column 1
Valid 50
Missing 0
Mode 26.000 ᵃ
Median 28.000
Estadísticos de
Mean 27.400 tendencia central
Std. Deviation 5.345 Estadístico de dispersión
95% CI Std. Dev.
6.240
Upper
95% CI Std. Dev.
4.257
Lower
Skewness -0.435
Std. Error of Skewness 0.337 Estadísticos de forma
Kurtosis -0.201
Std. Error of Kurtosis 0.662
Minimum 14.000
Maximum 36.000
ᵃ The mode is computed assuming that variables are discreet.
49
Stem and Leaf
Análisis Gráfico
Tiempo de Colocación
Gráfica de Tallo-Hoja
Column 1
Stem Leaf
14 | 0
16 | 0
18 | 000
20 | 0
22 | 00000
24 | 0000
26 | 00000000
28 | 00000000
30 | 00000000
32 | 00000
34 | 000
36 | 000
Note. The decimal point is at the |
50
25
02/10/2025
Stem and Leaf
Análisis Gráfico
Tiempo de Colocación
Una gráfica de puntos es aquella en la cual cada valor de datos se grafica como un punto a
lo largo de una escala de valores.
Gráfica de Puntos
51
• Un histograma es una gráfica de barras que agrupa
Análisis Gráfico los datos por clases.
• La altura de cada barra demuestra cuantos valores de
Tiempo de Colocación datos pertenecen en cada clase.
Histograma
52
26
02/10/2025
Los Conjuntos de Datos Se Presentan en Diferentes
Formas
53
Histogramas para Evaluar la Forma
Número de Número de
Puntos de Datos Clases
Menos de 50 5-7
Cuando se crea un 50 – 100 6-10
histograma, los datos se Se debe utilizar el número 100 – 250 7-12
deben agrupar adecuado de clases de Más de 250 10-20
adecuadamente para poder acuerdo con el tamaño de
entender la forma de la la muestra.
distribución de los datos.
54
27
02/10/2025
Análisis Gráfico
Tiempo de Colocación
Gráfica de Caja
55
Boxplots Correspondientes a las Distribuciones
56
28
02/10/2025
Stem and Leaf
Análisis Gráfico
Tiempo de Colocación
Prueba de
Normalidad
Fit Statistics
•Estimation failed: Optimization did not converge. Try
adjusting parameter values, check outliers or feasibility of
the distribution fitting the data.
Test Statistic p
57
58
29