Control Estadistico

Qu es una Variable Aleatoria??????????
Ejemplo
Consideremos los datos de un estudio donde se les mide la talla en
centmetros a 20 jugadores del equipo Nacional de Handbol de EE. UU.
seleccionados al azar.
La ley que asocia a cada hombre con su talla es una variable aleatoria
(continua).
A esta funcin que
asocia a cada deportista
184.2
con su talla la
191.8
llamaremos variable
aleatoria y la
188.0
denotaremos por X.
196.2
178.4
.... etc
X: Talla
Ejemplo
X: Talla
184.2
184.2
190.5
176.5
191.8
195.4
190.5
184.2
188.0
189.2
198.1
193.5
196.2
186.0
188.0
195.6
178.4
194.3
184.2
186.3
Cmo ordenamos los datos???????????

En una: Tabla de Distribucin de Frecuencia
Qu es ?????
Es un arreglo de los distintos valores que toma la

variable con sus respectivas frecuencias (n de veces
que aparece cada valor de la variable en la muestra).
Distribucin de frecuencia de ejemplo

(TALLA)
Tabla de frecuencias
Talla
173.5-179.5
179.5-185.5
185.5-191.5
13
191.5-197.5
19
197.5-203.5
20
20
Distribucin de frecuencia de ejemplo (TALLA)

8
Histograma
7
6
5
4
3
2
1
0
1 7 3 .5
1 7 9 .5
1 8 5 .5
1 9 1 .5
T a lla
1 9 7 .5
2 0 3 .5
5
Medidas de Resumen
Los fenmenos biolgicos no suelen ser constantes
Necesitamos conocer:
La tendencia central de los datos
La dispersin o variacin respecto de este centro

Los datos que ocupan ciertas posiciones
La simetra de los datos
La forma en que los datos se agrupan
6
Medidas representativas de un conjunto de datos

estadsticos
Medidas de Tendencia Central
Son medidas alrededor de las cuales se concentran los datos
Las tres medidas ms usuales de tendencia central son:
Media
Mediana
Moda
8
1.-Media Aritmtica ( X) de una variable

aleatoria (o Promedio)
Es la suma de todos sus posibles valores dividida por el n total de
datos (n)
(Ejemplo: TALLA)
tos:
184.2
191.8
188.0
196.2
178.4
184.2
195.4
189.2
186.0
194.3
190.5
190.5
198.1
188.0
184.2
176.5
184.2
193.5
195.6
186.3
184 .2 191 .8 188 .0 ... 193 .5 195 .6 186 .3 188 .75 188 .8
20
2.- Mediana(Med) de una variable aleatoria

Es el primer valor de la variable que deja por debajo y por
sobre de s al 50 % de las observaciones.
Primero !!!!! Ordenamos los valores de menor a mayor
n es el nmero de observaciones:
a) n impar: mediana es el nico valor central
b) n par: mediana es el promedio de los dos valores centrales
10
Si la variable es la talla
11
(Ejemplo: TALLA)
tos ordenados:
50% de 20
50 * 20 20
10 datos
100
2
176.5, 178.4, 184.2, 184.2, 184.2, 184.2,

186.3, 188.0, 188.0,
188.0 189.186.0,
2
Med
188.6
189.2, 190.5, 190.5, 191.8, 193.5, 194.3,
195.4, 195.6, 196.2, 198.1
2
10 datos
20
par
Mediana
Promedio de 2 valores
centrales
Dejan aproximadamente
50% de los datos bajo y
sobre s (aprox. 10 datos)
12
(Ejemplo: PESO)
tos ordenados:
50% de 21
50 * 21 21
10.5 10 datos
100
2
39, 40, 42, 49, 51, 54, 56, 57, 58, 58, 58, 59, 63, 64, 66, 68,
69, 70, 70, 71,72
21
impar
Mediana
valor central nico
Deja aproximadamente
13
50% de los datos bajo y
sobre s (aprox. 10 datos)
Med=58
ea X una variable discreta con los siguientes valores:

X: 2, 5, 7, 12
Media= (2+5+7+12)/4=6.5
Mediana= (5+7)/2= 6
Si cambiamos la ltima observacin por otra

extraamente grande
X: 2, 5, 7, 125
(2+5+7+125)/4=34.75
Media=
Mediana=(5+7)/2= 6
Conclusin:
La Media es afectada por valores extremos,
no as, la Mediana
14
Ejercicio
Cul de los dos valores es ms adecuado para la distribucin de los
datos, la Media o la Mediana???
Lmite
real
0-10
60
60
10-20
80
15
140
20-30
30
25
170
30-100
20
65
190
100-500
10
300
200
200
Media X 32.75
Mediana 15
15
16
La medida de tendencia central ms adecuada para describir estos

datos es la MEDIANA
3.- Moda de una variable aleatoria

Es aquel valor de la variable con mayor frecuencia
absoluta.
Puede no ser nica
17
(Ejemplo: TALLA)
Como conocemos cada uno de los datos, podemos ver el que

ms se repite:
Moda= 184.2
18
Medidas de Posicin
Dividen el conjunto de datos ordenados en partes iguales
Las dos medidas de posicin ms usuales son:
Percentiles
Cuartiles
19
1.-Percentiles
Son 99 valores que dividen en 100 partes iguales el conjunto de
datos ordenados. Ejemplo, el percentil de orden 67 deja por debajo de
s el 67% de las observaciones, y por encima queda el 33%
PERCENTIL DE ORDEN k:
Es la observacin, Pk, que deja por debajo de s el k% de la
poblacin.
P25
Deja debajo de s el 25% de los datos ordenados

P75=
20
Mediana
Si n es el nmero de observaciones:
1) Primero ordenamos las observaciones de menor a mayor

2) Calculamos el k% de n
k *n
k % de n
100
3)Contando los datos desde el valor menor al mayor, el percentil de

orden k ser aquel valor de la variable ubicado en la posicin nmero:
k *n
100
21
(Ejemplo: TALLA)
tos ordenados:
Calculemos el percentil de orden 67%
n= 20
67 * 20
67% de 20
13.4 13 datos
100
176.5, 178.4, 184.2, 184.2, 184.2, 184.2, 186.0, 186.3, 188.0,
P 191.8
188.0, 189.2, 190.5, 190.5, 191.8, 193.5, 194.3, 195.4, 195.6,
196.2, 198.1
67
P67
Deja aproximadamente
67% de los datos bajo de s
(aprox. 13 datos), y el 33%
sobre s
22
2.-Cuartiles
n los 3 valores que dividen al conjunto de datos ordenados en cuatro
rtes iguales
Primer cuartil (Q1)

Segundo cuartil (Q2)
Tercer cuartil (Q3)
P25
P50=Mediana
P75
23
Medidas de Dispersin
Cuantifican la separacin o la variabilidad de los valores de la

distribucin respecto al valor central.
Nos dicen hasta qu punto las medidas de tendencia central

son representativas como sntesis de la informacin.
Las ms usadas son:
Rango(Recorrido)
Desviacin Estndard
24
1.-Rango o Recorrido
RANGO (RECORRIDO) = Valor Mximo - Valor Mnimo.
convenientes del RANGO (RECORRIDO):
No utiliza todas las observaciones (slo dos de ellas).
Se puede ver muy afectado por alguna observacin extrema.
El rango aumenta con el nmero de observaciones, o bien se
queda igual. En cualquier caso, nunca disminuye.
25
(Ejemplo: TALLA)
176.5, 178.4, 184.2, 184.2, 184.2, 184.2, 186.0, 186.3, 188.0,
188.0, 189.2, 190.5, 190.5, 191.8, 193.5, 194.3, 195.4, 195.6,
196.2, 198.1
Valor Mnimo= 176.5
Rango o Recorrido=
Valor Mximo=
198.1 176.5=
198.1
21.6
Slo depende del valor mximo (198.1) y del valor Mnimo (176.5)
26
(Ejercicio: Concentracin urinaria de plomo en nios
Concentracin de
(x-promedio)
plomo (mol/24hr)
0.2 - 1.2= -1
0.2
1.5 - 1.2=0.3
1.5
0.6 - 1.2= -0.6
0.6
2.0 - 1.2=0.8
2.0
0.8 - 1.2=-0.4
0.8
2.1 - 1.2=0.9
2.1
x 1.2
x 1 0.3 0.6 0.8 0.4 0.9

27
solucin
n
xi x 0
i 1
x
i
x
i
i 1
i 1
S2=
28
n 1
2.-Varianza (S2) y desviacin estndar(S)

Es la media de las diferencias cuadrtica de n puntuaciones con respecto a su media aritmtica.
n
S2
x
i
i 1
n 1
Desviacin Estndar (S):
29
(Ejemplo: TALLA)
Datos:
184.2
191.8
188.0
196.2
178.4
184.2
195.4
189.2
186.0
194.3
190.5
190.5
198.1
188.0
184.2
176.5
184.2
193.5
195.6
186.3
n 20
_
X 188,8
(184.2 188.8) 2 191.8 188.8 188.0 188.8 ... 195.6 188.8 186.3 188.8
s
34.5
20 1
2
s 34.5 5.9
30
En SPSS
31
Medidas de Forma
1.- Asimetra
Coef. de
Coef. de
Asimetra <0
Asimetra =0
32
Coef.
de
Asimetra >0
Ejemplo
Moda <Mediana<Media
33
En SPSS
Moda <MedianaMedia
Si bien se nota una leve cola hacia la

34
izquierda, la asimetra es sutil por ello que

los valores son cercanos
2.- Apuntamiento o curtosis
Curtosis >0
Curtosis =0
Curtosis <0
Distribucin mesocrtica : presenta un grado de concentracin medio alrededor de los valores

centrales de la variable (el mismo que presenta una distribucin normal).
35
Distribucin leptocrtica : presenta un elevado grado de concentracin alrededor de los valores centrales de la variable.
En SPSS
36
En SPSS
37
Ejercicio
Datos I:
2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5
Promedio=
Mediana=
Datos II:
3, 3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 6
Promedio=
Mediana=
Datos III:
Promedio=
2, 3, 3, 4, 4, 4, 4, 4, 4, 4, 5, 5, 6
Mediana=
Datos IV:
3, 3, 3, 3, 3, 3, 4, 5, 5, 5, 5, 5, 5
Promedio=
38
Mediana=
Datos
Med
Moda
I
II
III
IV
4
4
4
4
4
4
4
4
5
3
4
3y5
Rang
o
3
3
4
2
P25
P75
P75-P25
3
3
4
3
5
5
4
5
2
2
0
2
1
1
1
1
D is tr ib u c i n II
6
4
No of obs
No of obs
D is t r ib u c i n I
6
0
2
D is tr ib u c i n III
D is tr ib u c i n IV
No of obs
No of obs
5
4
3
2
39
2
1
1
0
Importante para describir los datos!!!!!!!!!!!!......
Medidas de Tendencia Central
+
Medidas de Dispersin
+
Medidas de posicin
+
40
Grficos:Histograma, BoxPlot
RESUMEN : Medidas descriptivas
Posicin
Dividen un conjunto ordenado de datos en grupos con la misma cantidad de datos

. Percentiles, cuartiles
Centralizacin
Indican valores respecto alos cuales los datos parecen agrupares

. Media, mediana y moda
Dispersin
Indican la mayor o menor concentracin de los datos con respecto a las medidas de
centralizacin
. Varianza, desviacin estndar, rango o recorrido
Forma
Asimetra y apuntamiento
41
Eleccin de medidas de tendencia central y de

dispersin
Variable Nominal
Variable Ordinal
Moda
Moda
Mediana
Percentiles
Variable Contnua:
Mediana
Percentiles
Con distribucin desconocida o asimtrica
Con distribucin simtrica y unimodal (Ej: Normal)
Media
Desviacin estndard
42
Anlisis de la
Capacidad del Proceso
Cp
Cpk
43
CO4311 Estadstica para la Calidad
Anlisis de la capacidad del

proceso
Anteriormente se analiz la metodologa para encontrar los

lmites de control, tanto la media como para la variabilidad
del proceso.
El hecho de que un proceso se encuentre bajo control no

significa en ningn momento que est produciendo piezas
acordes con las especificaciones que le son impuestas; lo
que significa simplemente que se est comportando de la
forma como tradicionalmente lo ha venido haciendo, y que
sobre l no estn actuando causas asignables.
44

proceso
Es necesario distinguir entre

Lmites del proceso y
Lmites de especificacin
La diferencia principal entre uno y otro radica en que,

los lmites del proceso (naturales) se aplican a
muestras provenientes del proceso, y sirven para
detectar cambios significativos en su comportamiento.
45

proceso
Mientras que los lmites de especificacin se aplican

para cada pieza individualmente, y representan las
dimensiones que debe cumplir para satisfacer los
requerimientos de calidad.
Generalmente los lmites de especificacin vienen

dadas por condiciones externas al proceso, tales como
exigencias del consumidor, normas nacionales, etc.
46

proceso
Obviamente un productor que pretenda cumplir con

las condiciones de calidad impuestas externamente,
debe tratar de conciliar las caractersticas de
produccin del proceso con las especificaciones, y de
all nace la necesidad de los estudios de capacidad.
47
ndices de capacidad del proceso
Los ndices de capacidad del proceso intentan mostrar

a travs de un nmero si un proceso puede cumplir
consistentemente con los requerimientos impuestos
sobre un proceso por clientes internos o externos.
Estos ndices no tienen unidades, lo cual permite

comparar dos procesos completamente diferentes.
48
La limitante principal de estos ndices es que no tienen significado si los datos

analizados provienen de un proceso fuera de control y la razn es que la
capacidad del proceso es una prediccin y solo se puede predecir algo que es
estable.
49
ndices de capacidad del

proceso
Para estimar la capacidad de un proceso, es necesario que se cumplan dos

condiciones:
Proceso bajo control estadstico.
Que los datos se distribuyan normalmente .
50

proceso
Generalmente
se usan dos ndices para evaluar la

capacidad del proceso para producir dentro de las
especificaciones:
Cp:
ndice de capacidad potencial del proceso. No toma
en cuenta la media observada del proceso.

Cpk:
ndice de capacidad o habilidad real del proceso. Si
toma en cuenta la media observada en el proceso.

51

proceso
Antes
de ver como calcular el Cp y el Cpk, es

necesario revisar algunos conceptos.
LITN x 3
LIE
LSE LSTN x 3
52
Dnde:
LSTN= lmite superior de tolerancia natural
LITN = lmite inferior de tolerancia natural
LSE = lmite superior de especificacin
LIE = lmite inferior de especificacin
53

proceso
6
se puede considerar como la dispersin real

del proceso.
Puesto
que ambos lmites se disponen a una

distancia de la media 3 respectivamente,
entonces la proporcin de observaciones entre
ambos lmites es del 99.73%
54
Definiciones de capacidad del

proceso
Media del
proceso
LIE LSE
Proceso
centrado
Li: Lmite inferior
de especificacin
LS: Lmite superior

de especificacin
55

proceso
Centrar
un proceso no es garanta de que la

produccin
va
a
cumplir
con
las
especificaciones, pues si los lmites de
especificacin resultan ms estrechos que los
lmites de variacin 3, entonces un cierto
porcentaje de la produccin va a resultar
defectuosa.
56

proceso
Cuando
un proceso est centrado, el

porcentaje de piezas defectuosas se reparte
por igual a ambos lados de la curva.
57

proceso
Media del
proceso
Li: Lmite inferior

de especificacin
LS: Lmite superior

de especificacin
LIE LSE
Proceso
Descentrado
con media
corrida hacia la
derecha
58

proceso
Cuando
la media de un proceso no coincide con

la media de la especificacin, se dice que est
descentrado o que la media est corrida, y en
ese caso el porcentaje de piezas por encima del
lmite superior (defectuosas por exceso) es
diferente que las que resultan por debajo del
lmite inferior (defectuosas por defecto)
59

proceso
Por
lo general, en el control de calidad, se trata

de mantener al proceso centrado, porque bajo
esta situacin, el porcentaje de piezas fuera de
especificacin es lo mnimo posible.
60

proceso
Media del
proceso
6 LSE LIE
+3
Proceso
Capaz
-3
Li: Lmite inferior
de especificacin
LS: Lmite superior

de especificacin
61
Estimacin de los parmetros

La
diferencia T= LSE LIE se puede

considerar que es la dispersin permitida
del proceso (tolerancia).
no se conoce la , la x doble barra es la
media estimada del proceso, la cual se
obtiene como la lnea central de un grfica
de medias.
Si
62

Resulta
obvio que cuanto mayor sea la

tolerancia de un producto, ms fcil le
resultar al proceso cumplir con las exigencias
de calidad (mayor variabilidad), pero por el
contrario, cuanto ms pequea sea la
tolerancia, es ms difcil cumplir puesto que el
margen de variabilidad es ms estrecho, y por
tanto ms exigente.
63
La es la desviacin estndar del proceso, la cual si

no se conoce, se estima de la grfica de control de
la variabilidad del proceso.
R
d2
S
c4
x R
x S
64
Anlisis de las especificaciones
Una vez que el proceso se encuentra bajo control, y que

sus parmetros han sido estimados, el paso siguiente es
comparar el resultado de esta estimacin con las
especificaciones.
Generalmente las especificaciones son bilaterales, es

decir que establecen dos lmites.
Lo ms importante es que los valores que se establecen

se aplican para cada pieza individualmente, y no al
promedio de una muestra o subgrupo.
65
-3; +3 Li ; Ls: Esta situacin es la ideal, y

es la que identifica a un proceso capaz, pues aqu
el proceso puede cmodamente cumplir con las
especificaciones y no habr prcticamente piezas
defectuosas. No necesariamente el proceso est
centrado.
La recomendacin sera tratar de centrar el
proceso.
66

Li ; Ls -3; +3: proceso no capaz, en
donde las especificaciones resultan demasiado
estrictas para su precisin, y por ms esfuerzos de
control que se hagan, el proceso va a producir un
porcentaje apreciable de piezas defectuosas.
La recomendacin sera cambiar las maquinarias
por otras ms precisas, entrenar mejor al
personal, etc.
67
III. Ninguno de los dos intervalos est incluido dentro del

otro.
El proceso esta descentrado. Las piezas conformes son
las que se encuentran en la interseccin del intervalo
natural del proceso con el intervalo de especificacin.
Un caso extremo de esta situacin es aquella en donde
la interseccin es vaca y por tanto el 100% de la
produccin ser defectuosa.
68
Clculo del Cp
Caso 1: Proceso centrado
LS Li
Cp
6
No puede ser
negativo
Ls > L i
Coeficiente de capacidad bsica o potencial del

proceso
69
Clculo del Cp
Cuando el proceso es centrado el porcentaje
de piezas conformes es mximo.
Cuando el proceso es capaz, este porcentaje
mximo
de
piezas
conformes
es
aproximadamente el 100%, pero cuando no es
capaz no alcanza dicho porcentaje y
lamentablemente el proceso no puede ser
mejorado, a menos que se logre una ampliacin
en las especificaciones o una reduccin en la
desviacin estndar.
70
Interpretacin del Cp
Antes de hacer algo sobre ese punto, hay que

cerciorarse de que el proceso est bajo control
estadstico, si es as, entonces:
I.
Cp < 1: no es posible garantizar que la totalidad

de las piezas producidas satisfacen
especificacin (proceso no puede ser capaz).
II. Cp > 1: el proceso es capaz.

71
la
El coeficiente Cp tiene tambin otra interpretacin muy importante, pues su inverso
representa el porcentaje de la banda de tolerancia que abarca los lmites naturales de
variacin del proceso, cuando ste est centrado. Por ejemplo si
C p 1,40
72
Se interpreta como una medida que el proceso es capaz en caso de que est
centrado.
Calculando su inverso expresado en porcentaje
1
*100% 71,43%
1,40
73
Puede ser interpretado como que los lmites naturales de variacin del proceso
representan el 71,43% de los lmites de especificacin.
Ls Li
X , R Cp
d2
6R
Ls Li
X , S Cp
c4
6S
74
Clculo del Cpk
Caso 2: Proceso no centrado
Cuando el proceso no est centrado, el porcentaje

de piezas conformes no es mximo, pero esto no
implica que el proceso no sea capaz, pues puede
suceder que las especificaciones le resulten tan
amplias que a pesar del corrimiento de la media,
la casi totalidad de las piezas caigan dentro de la
especificacin.
75
Clculo del Cpk
C pk
Ls Li
m nim o
,
3
3
Coeficiente de
capacidad real
76
Interpretacin del Cpk

1.
Cpk > 1.33: el proceso es capaz y es comnmente usado como una meta
para muchas compaas.
2.
1 < Cpk < 1.33: el proceso es marginalmente capaz.
3.
Cpk < 1: el proceso no es capaz.
77
C p C pk 1
Proceso capaz y
centrado
C p C pk 1
Proceso capaz
No centrado
C p 1, C pk 1
Proceso
potencialmente
capaz.
Si se centra puede
ser capaz
78
C pk C p 1
Proceso incapaz
Si Cpk fuese negativo la media est tan

corrida que se sale de los lmites de
especificacin.
79
Ejemplo
80
Ejemplo
Un dado de extrusin se emplea para
producir barras de alumnio. El dimetro de
las barras es una caracterstica de calidad
crtica, que debe encontrarse dentro de
las especificaciones (0,5035 0,0010)
pulgadas.
Se toman 20 muestras de 5 barras cada
una.
81
Ejemplo
Muestra
X
R
34,2 31,6 31,8
33,4
34
32,1 32,6 33,8
10
34,8
38,6
10
Muestra
11
12
13
14
15
16
17
18
19
20
X
R
35,4
34
36
37,2
35,2
33,4
35
34,4
33,9
34
10
82
Indicadores de Capacidad y Performance

para Procesos
Por qu medir ?
En
Dios confiamos, todos los dems deben presentar datos...
23 45 65 34
78 78 34 32
33
INDICADORES DE GESTIN
Los indicadores son necesarios medir que est pasando en la empresa /

procesos etc.
Principal motor de cualquier sistema de mejoramiento de procesos.
Lo que no se mide no se puede controlar, y lo que no se controla no se

puede gestionar.
Tomado de http://web.jet.es/Amozarrian/gestion_indicadores.htm
CAPACIDAD Y PERFORMANCE DEL PROCESO

Indice de Capacidad del Proceso (Cp)
Indice de performace del Proceso (Cpk)
Producto
Proceso
Importancia de Mediciones en Sigmas

Cuando analizamos datos es necesario que la unidad de medida de las
distancias sean en sigmas
CAPACIDAD DE PROCESO
Indice de Capacidad (Cp)

El ndice de capacidad del proceso, CP, muestra cuan
capaz es un proceso de cumplir con sus
especificaciones, porque tiene la variabilidad
controlada.
Estas
especificaciones
provienen
de
la
especificacin del producto / servicio / compromiso
con el cliente.
Es un indicador de VARIABILIDAD, lo nico que

podemos controlar es el sigma
Indice de Performance (Cpk)

Nos indica la performance de un proceso
Cpk min = 1.0

Cpk ideal >= 1.5
Es un indicador de CENTRALIDAD por la media y de
VARIABILIDAD por el sigma
Problemas de Procesos
Problemas asociados a todo proceso
1. VARIABILIDAD asociada a la dispersin de los resultadas
del proceso con relacin a la media
2. CENTRALIDAD asociada a la diferencia entre la
especificacin media y la media real que obtenemos del
proceso
Grfica de Tendencia
Variable
PROCESO NO ES CAPAZ DE CUMPLIR ESPECIFICACIONES
LSEsp
LIEsp
Diagnstico: Problemas de VARIABILIDAD
medicin en el tiempo
Grfica de Tendencia
Variable
LSEsp
LIEesp
CPk se calcula por el Lim Inf Especificacin
Diagnstico: Prob. de VARIABILIDAD y CENTRALIDAD
Grfica de Tendencia
Variable
LSEsp
CPk se calcula por el Lim Sup Especificacin

Diagnstico: Prob. de VARIABILIDAD y CENTRALIDAD
LIEesp
Grfica de Tendencia
Variable
PROCESO CAPAZ DE CUMPLIR ESPECIFICACIONES
LSEsp
LIEsp
Ejemplos de Mediciones en Procesos

Cp= 1.38 (cumple con lo que debe de hacer por variabilidad
controlada)
Cpk=0,74 (variabilidad esta ok, diagnosticada por el Cp, problemas

de centralidad)
Cp= 0.75 (no cumple con lo que debe de hacer por tener alta
variabilidad)
Cpk=0,74 (problemas de variabilidad, diagnosticado por el Cp,
centralidad esta muy buena. Si la centralidad hubiese sido perfecta el
Cpk = 0.75)
Cp= 1.86 (cumple con las especificaciones por variabilidad

controlada)
Cpk= 1.07 (variabilidad ok, centralidad ok)
Principales Indicadores Procesos SCM

PROCESO DE COMPRAS:
1. Lead time proveedores
2. Ordenes perfectas (ordenes atendidas a tiempo, completas, de acuerdo a
requerimiento y en buen estado).
ALMACENES:
1. ERI (exactitud del registro de inventarios, nos ayuda a detectar errores en el registro
de la informacin en los sistemas y posteriormente diferencia de inventarios).
2. Mermas (mide los daos que se generan producto de la operacin, Ejemplo,
manipulacin de productos sea carga suelta o paletizada).
Principales Indicadores
TRANSPORTE:
1. Pedidos perfectos (Pedidos atendidos a tiempo, completos, en el lugar adecuado, y en
el estado adecuado).
2. Costo de fletes (en m3 o en TN).
GESTION DE MANTENIMIENTO PREVENTIVO:

1. CAM (Cumplimiento de actividades de Mantenimiento) actividades realizadas /
actividades programadas (Objetivo: 98%).
2. CPM (Cumplimiento del presupuesto de Mantenimiento) Gasto real de mantenimiento /
Gasto presupuestado (Objetivo: 98%).
EXPORTACIONES:
Existen actividades que dependen de agentes externos (Aduanas).
EJEMPLO
Se cuenta los 28 ltimos tiempos transporte y entrega de la empresa XYZ.
Evaluar el proceso
Tiempo en das
Media
LSE
LIE
8.68
9.12
9.54
9.72
10.46
8.66
8.02
10.04
9.78
8.80
9.58
10.00
9.14
9.30
9.96
8.96
9.56
9.08
9.12
9.78
9.64
9.16
10.30
9.86
10.26
8.64
10.04
10.18
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
9.48
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
10.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
7.50
Compromiso
Tolerancia
LSE
9 dias
+/- 1.5
dias
10.5
LIE
7.5
Tiempos de Entrega en Dias

Media
9.48
Desviacin estndar
0.60
Mnimo
8.02
Mximo
10.46
Coef Variacion
6.37%
11.00
Registro de Tiempos de Transporte y Entrega Empresa XYZ
10.50
LSE
10.46
10.30
10.04
10.00
9.96
9.78
9.72
9.58
9.54
9.50
10.00
9.56
9.78
9.64
10.26
10.18
10.04
9.86
Media real
9.30
9.14
9.12
9.00
9.089.12
9.16
8.96
Tiempo en das
8.80
8.68
8.66
8.64
Media
LSE
8.50
LIE
8.02
8.00
LIE
7.50
7.00
1
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Diagnstico del Proceso

Cp
Cpk LSE
Cpk LIE
Proceso no es capaz de cumplir con sus

especificaciones por problemas de variabilidad
y centralidad
0.83
0.56
1.09
1.8
1.6
1.4
1.2
1
Cp
Cpk
0.8
0.6
0.4
Monitoreo del Proceso de Transporte y Entrega de la Empresa XYZ
0.2
0
1
10
Cause & Effect Diagram

Control Estadistico

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Estadistico

Uploaded by

Copyright:

Available Formats

Qu es una Variable Aleatoria??????????

Cmo ordenamos los datos???????????

Es un arreglo de los distintos valores que toma la

Distribucin de frecuencia de ejemplo

Distribucin de frecuencia de ejemplo (TALLA)

La tendencia central de los datos

La dispersin o variacin respecto de este centro

Medidas representativas de un conjunto de datos

Medidas de Tendencia Central

Son medidas alrededor de las cuales se concentran los datos

Las tres medidas ms usuales de tendencia central son:

1.-Media Aritmtica ( X) de una variable

2.- Mediana(Med) de una variable aleatoria

Primero !!!!! Ordenamos los valores de menor a mayor

a) n impar: mediana es el nico valor central

b) n par: mediana es el promedio de los dos valores centrales

176.5, 178.4, 184.2, 184.2, 184.2, 184.2,

valor central nico

ea X una variable discreta con los siguientes valores:

Si cambiamos la ltima observacin por otra

La medida de tendencia central ms adecuada para describir estos

3.- Moda de una variable aleatoria

Puede no ser nica

Como conocemos cada uno de los datos, podemos ver el que

Dividen el conjunto de datos ordenados en partes iguales

Las dos medidas de posicin ms usuales son:

Son 99 valores que dividen en 100 partes iguales el conjunto de

datos ordenados. Ejemplo, el percentil de orden 67 deja por debajo de

s el 67% de las observaciones, y por encima queda el 33%

Deja debajo de s el 25% de los datos ordenados

1) Primero ordenamos las observaciones de menor a mayor

3)Contando los datos desde el valor menor al mayor, el percentil de

Calculemos el percentil de orden 67%

n los 3 valores que dividen al conjunto de datos ordenados en cuatro

Primer cuartil (Q1)

Tercer cuartil (Q3)

Cuantifican la separacin o la variabilidad de los valores de la

Nos dicen hasta qu punto las medidas de tendencia central

Las ms usadas son:

RANGO (RECORRIDO) = Valor Mximo - Valor Mnimo.

convenientes del RANGO (RECORRIDO):

No utiliza todas las observaciones (slo dos de ellas).

Se puede ver muy afectado por alguna observacin extrema.

El rango aumenta con el nmero de observaciones, o bien se

queda igual. En cualquier caso, nunca disminuye.

Valor Mnimo= 176.5

(Ejercicio: Concentracin urinaria de plomo en nios

x 1 0.3 0.6 0.8 0.4 0.9

2.-Varianza (S2) y desviacin estndar(S)

Desviacin Estndar (S):

Si bien se nota una leve cola hacia la

izquierda, la asimetra es sutil por ello que

2.- Apuntamiento o curtosis

Distribucin mesocrtica : presenta un grado de concentracin medio alrededor de los valores

Importante para describir los datos!!!!!!!!!!!!......

Medidas de Tendencia Central

RESUMEN : Medidas descriptivas

Dividen un conjunto ordenado de datos en grupos con la misma cantidad de datos

Indican valores respecto alos cuales los datos parecen agrupares

Eleccin de medidas de tendencia central y de

Con distribucin desconocida o asimtrica

Con distribucin simtrica y unimodal (Ej: Normal)

Anlisis de la capacidad del