Post on 17-Jan-2016
“Año de la Promoción de la Industria Responsable y del Compromiso Climático”
Universidad Nacional de San Martín
Facultad de Ingeniería Agroindustrial
Departamento Académico de Ingeniería Agroindustrial
ÁREA ACADÉMICA DE INGENIERIA Y PROYECTOS
DOCENTE : Ing. Dr. EPIFANIO MARTINEZ MENA.
ESTUDIANTE : ELIAS BERCLE ESTELA RUIZ.
CICLO : X. 2014-II.
FECHA : 03 de Noviembre del 2014.
CONTROL DE CALIDAD AGROINDUSTRIAL
CONTROL DE PROCESOS POR MÉTODOS ESTADÍSTICOS
TARAPOTO – PERÚ
2014
1. INTRODUCCION
El Control Estadístico de Procesos es un conjunto de técnicas estadísticas destinadas
a hacer un seguimiento, en tiempo real, de la calidad que ofrece un proceso. El resultado de
dicho proceso puede ser un artículo o un servicio. El Control Estadístico se realiza sobre
una o varias variables que estén relacionadas con la calidad del artículo o servicio de
interés.
El concepto y utilidad del Control Estadístico de Procesos se desarrolló inicialmente
para procesos industriales, campo que constituye todavía su aplicación más frecuente. Sin
embargo, hay que destacar que, hoy en día, todas estas técnicas han demostrado ser muy
útiles en cualquier proceso de una organización, incluyendo los administrativos, de
fabricación o de servicios.
2. MÉTODOS ESTADÍSTICOS EN EL CONTROL DE CALIDAD
El control estadístico de procesos recibe una creciente atención como herramienta
de administración en la que importantes características de un producto se observan, evalúan
y comparan con algún tipo de estándar.
Es un proceso que proporciona mejoramiento continuo por medio de la
participación total de la organización y las técnicas estadísticas comprobadas. El uso del
control estadístico de procesos lleva implícitas algunas hipótesis que describiremos a
continuación.
Una vez que el proceso está en funcionamiento bajo condiciones establecidas, se
supone que la variabilidad de los resultados en la medición de una característica de calidad
del producto se debe sólo a un sistema de causas aleatorias, que es inherente a cada proceso
en particular.
El sistema de causas aleatorias que actúa sobre el proceso genera un universo
hipotético de observaciones (mediciones) que tiene una Distribución Normal. Cuando
aparece alguna causa asignable provocando desviaciones adicionales en los resultados del
proceso, se dice que el proceso está fuera de control. La función del control estadístico de
procesos es comprobar en forma permanente si los resultados que van surgiendo de las
mediciones están de acuerdo con las dos primeras hipótesis. Si aparecen uno o varios
resultados que contradicen o se oponen a las mismas, es necesario detener el proceso,
encontrar las causas por las cuales el proceso se apartó de su funcionamiento habitual y
corregirlas.
En los procesos de producción se generan simultáneamente grandes volúmenes de
información cuantitativa y cualitativa a través de las cuales se pueden controlar los costos,
la producción y la calidad, es decir, lo que significa el control de gestión administrativa de
la compañía.
La recopilación, presentación y análisis de este flujo de información permite a la
gerencia conocer los resultados y establecer controles y así mismo comparar los resultados
obtenidos con lo deseado, pudiendo establecer acciones correctivas cuando se observen
discrepancias significativas entre ellos.
Lo importante del Control de Calidad es que constituye una herramienta muy eficaz
para incrementar la productividad, permitiendo elevar el nivel técnico de la empresa,
incrementando la producción y reduciendo los costos de operación. De esta forma, el
propósito del control de la calidad es fijar la calidad normal, mantener y mejorar el nivel, la
uniformidad y la confiabilidad de la calidad garantizando ésta y reduciendo los costos de
fabricación, suministrar productos a la satisfacción del cliente aumentando los beneficios.
2.1. Variación
En todos los procesos repetitivos encontramos variación y a pesar de que la
variación está implícita en todo lo que se hace y lo que nos rodea, difícilmente se puede
evitar. Esta definición puede ser aplicada a cualquier tipo de proceso de una organización,
ya sea desde los más simples a los más complejos, o aplicarlo al diseño, desarrollo o
producción de un producto o servicio.
Aunque tratemos habitualmente procesos de producción, el concepto de variación es
aplicable a procesos administrativos, de fabricación o de servicios. Así, tenemos, como
ejemplos: la variación en ventas, en presupuestos financieros, en tiempos de entrega de
mercancías, en horas de llegada del personal, o, por ejemplo, problemas con distintos pesos
de un producto, dimensiones, ajustes de maquinaria, etc.
La variación está presente en todos los procesos. Su estudio y su reducción son los
métodos principales de la mejora de la calidad.
2.2. Atributos
Es una característica que no puede ser medido, sólo se cualifica. Estas gráficas se
emplean cuando se tienen datos discretos o cuando se desea clasificar una serie de medidas
continuas como aceptables o no. Para estos se utilizan las gráficas de defectos o dé %
defectuosos.
De acuerdo a estos en un lote se puede tener varios variables y varios atributos. Una
variable puede ser tratada como un atributo más no un atributo como una variable. En
general la gráfica de atributos se usa cuando:
No es posible tomar medidas, como en la inspección visual de una parte.
Cuando no es práctico tomar medidas, debido a que los calibradores son caros o el
tiempo necesario para tomarlas es excesivo.
La parte tiene muchas características para evaluar.
La gráfica se basa en una inspección al 100%.
Se usa gráfica variable cuando:
o Se involucra una característica crítica, tal como es una localización de un punto.
o Se desea un control más preciso que el control de características.
2.3. Distribución de Frecuencias
La distribución de frecuencia es una disposición tabular de datos estadísticos,
ordenados ascendente o descendentemente, de acuerdo a la frecuencia de cada dato. Las
frecuencias pueden ser:
2.3.1. Frecuencia Absoluta (fi)
Es el número de veces que se repite un determinado valor de la variable (xi). Se
designa por fi. La suma de todas las frecuencias absolutas es igual al total de observaciones
(n).
2.3.2. Frecuencia Acumulada (Fi)
Las frecuencias acumuladas de una distribución de frecuencias son aquellas que se
obtienen de las sumas sucesivas de las fi que integran cada una de las filas de una
distribución de frecuencia, esto se logra cuando la acumulación de las frecuencias se realiza
tomando en cuenta la primera fila hasta alcanzar la última. Las frecuencias acumuladas se
designan con las letras Fi. La última frecuencia acumulada absoluta es igual al total de
observaciones.
2.3.3. Frecuencia Relativa (hi)
Es aquella que resulta de dividir cada una de las frecuencias absolutas entre el
número total de datos. Las frecuencias relativas se designan con las letras hi. La suma de
todas las frecuencias relativas es igual a la unidad.
2.3.4. Frecuencia Relativa Acumulada (Hi)
Es aquella que resulta de dividir cada una de las frecuencias acumuladas entre
número total de datos. Se designa con las letras Hi. La última frecuencia relativa acumulada
es la unidad.
Es la representación estructurada en forma de tabla de toda la información que se ha
recogido sobre la variable que se estudia, es decir, es una tabla que presenta de manera
ordenada los distintos valores de una variable y sus correspondientes frecuencias. Su forma
más común es la siguiente:
2.4. Distribución Normal
La Normal es la distribución de probabilidad más importante. Multitud de variables
aleatorias continuas siguen una distribución normal o aproximadamente normal. Una de sus
características más importantes es que casi cualquier distribución de probabilidad, tanto
discreta como continua, se puede aproximar por una normal bajo ciertas condiciones. La
distribución de probabilidad normal y la curva normal que la representa, tienen las
siguientes características:
La curva normal tiene forma de campana y un solo pico en el centro de la
distribución. De esta manera, la media aritmética, la mediana y la moda de la
distribución son iguales y se localizan en el pico. Así, la mitad del área bajo la curva
se encuentra a la derecha de este punto central y la otra mitad está a la izquierda de
dicho punto.
La distribución de probabilidad normal es simétrica alrededor de su media.
La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asintótica, lo que quiere decir que la curva se acerca cada vez más al eje
X pero jamás llega a tocarlo. Es decir, las “colas” de la curva se extienden de
manera indefinida en ambas direcciones.
Para indicar que una variable aleatoria (v.a.) sigue una distribución normal de media
μ y desviación estándar σ usaremos la expresión: X ∼ N(μ,σ).
2.5. Distribución Binomial
Si realizamos n veces un experimento en el que podemos obtener éxito, E, con
probabilidad p y fracaso, F, con probabilidad q (q = 1 − p), diremos que estamos ante una
distribución binomial de parámetros n y p, y lo representaremos por Bin (n;p). En este caso
la probabilidad de obtener k éxitos viene dada por:
Observar que las probabilidades de éxito y fracaso son complementarias, es decir,
q=1-p y p =1-q, por lo que basta saber una de ellas para calcular la otra.
La distribución binomial se encuentra tabulada por lo que es fácil calcular
probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la
distribución binomial es necesario conocer:
o El número de veces que se realiza el experimento (n).
o La probabilidad de éxito (p).
o El número de éxitos (k).
La probabilidad p se busca en la primera fila (valores desde 0’01 hasta 0’5). El
número de veces que se realiza el experimento, en la primera columna (valores desde 2 a
10) y el número de éxitos a su lado.
2.6. Distribución de Poisson
Se dice que X sigue una distribución de Poisson de parámetro λ y que se obtiene del
producto n*p (que nombraremos a partir de aquí como np, por mayor simplicidad), que se
representa con la siguiente notación:
X ~ Ps (λ)
La distribución de Poisson se caracteriza por las siguientes propiedades:
Sea una población de tamaño ∞.
Sea una muestra de tamaño n bastante elevado (se suele hablar de que tiende a ∞)
Los sucesos son independientes entre sí.
Sea A un suceso que tiene una probabilidad p de suceder durante un periodo de
tiempo, siendo esta probabilidad de ocurrencia durante un periodo de tiempo
concreto muy pequeña (se suele hablar de que tiende a 0).
El producto n*p, tiende a aproximarse a un valor promedio o número medio, al
que llamaremos λ. Por ejemplo, promedio de llamadas recibidas en una centralita
por minuto o número medio de accidentes producidos en una carretera durante el
fin de semana.
X: número de individuos de la muestra que cumplen A.
El conjunto de posibles valores de A es, E = {0,1,2,3,4....}
Su función de probabilidad viene definida por:
2.6.1. Media Aritmética
La media aritmética (X) o simplemente la media es la medida de posición de más
importancia y utilización en las aplicaciones estadísticas por su fácil calculo e
interpretación. Se trata del valor medio de todos los valores que toma la variable estadística
de una serie de datos. La media es el valor más representativo de la serie de valores, es el
punto de equilibrio, el centro de gravedad de la serie de datos. Por lo general se le designa
con X.
La media aritmética de una serie de n valores de una variable X1, X2, X3;
X4,.........Xn, es el cociente de dividir la sumatoria de todos los valores que toma la variable
Xi, entre el número total de ellos. La fórmula se puede expresar así:
Características principales de la media aritmética:
El valor de la media depende de cada una de las medidas que forman la serie de
datos, y se halla afectada excesivamente por los valores extremos de la serie de
datos.
La media se calcula con facilidad y es única para cada caso y permite representar
mediante un solo valor la posición de la serie de valores.
La media es una medida de posición que se calcula con todos los datos de la serie de
valores y es susceptible de operaciones algebraicas.
2.6.2. La Mediana
La mediana es el valor que divide en dos partes iguales, al conjunto de
observaciones ordenadas respecto de sus magnitudes, de tal manera que el número de datos
por encima de la mediana sea igual al número de datos por debajo de la misma. Se designa
por las letras Me. Tal como sucede con la media, el método de determinación depende de si
los datos son agrupados o no.
Para encontrar la mediana en una serie de datos no agrupados, lo primero que se
hace es ordenar los datos en una forma creciente o decreciente y luego se ubica la posición
que esta ocupa en esa serie de datos; para ello hay que determinar si la serie de datos es par
o impar. Si el número n es impar, entonces la posición de la mediana se determina por la
fórmula:
Luego el número que se obtiene indica el lugar o posición que ocupa la mediana en
la serie de valores, luego la mediana será el número que ocupe el lugar de lo posición
encontrada.
Si n es par, se aplica la fórmula:
El resultado obtenido, es la posición que ocupara la mediana, pero en este caso se
ubica la posición de la mediana por ambos extremos de la serie de valores y los dos valores
que se obtengan se le saca la media y esta será la mediana buscada, por lo tanto la mediana,
en este caso, es un número que no se encuentra dentro de la serie de datos dados.
Características de la mediana:
o La mediana no es afectada por los valores extremos de una serie de valores, puesto
que la misma no es calculada con todos los valores de la serie.
o La mediana no está definida algebraicamente, ya que para su cálculo no
intervienen todos los valores de la serie.
o La mediana en algunos casos no se puede calcular exactamente y esto ocurre
cuando en una serie de valores para datos no agrupados el número de datos es par,
en este caso la mediana se calcula aproximadamente.
o La mediana se puede calcular en aquellas distribuciones de frecuencia de clases
abierta, siempre y cuando los elementos centrales puedan ser determinados.
o La suma de los valores absolutos de las desviaciones de los datos individuales con
respecto a la mediana siempre es mínima. (propiedad).
2.6.3. La Moda
La moda es la medida de posición que indica la magnitud del valor que se presenta
con más frecuencia en una serie de datos; es pues, el valor de la variable que más se repite
en un conjunto de datos. De las medidas de posición la moda es la que se determina con
mayor facilidad, ya que se puede obtener por una simple observación de los datos en
estudio, puesto que es el dato que se observa con mayor frecuencia. Se designa con las
letras Mo.
Cuando una serie de valores es simétrica, la media, la mediana y el modo coinciden,
y si el grado de asimetría de la serie es moderada, la mediana estará situada entre la media y
el modo con una separación de un tercio entre ambas. Tomando en cuenta esta relación,
cuando se tengan dos de esta medidas se puede determinar la tercera; sin embargo es
conveniente utilizar esta relación para calcular solamente la moda ya que para calcular la
media y la mediana existen fórmulas matemáticas que dan resultados más exactos; la
fórmula matemática para calcular la moda por medio de la relación antes mencionada es:
3. CONTROL DE PROCESOS
3.1. Causas de Variación
Todo proceso produce variaciones. Éstas pueden ser de distinta naturaleza:
Cuando estas variaciones aparecen sin ser posible atribuirlas a una causa única,
siendo resultado de efectos combinados de muchas causas, se dirá que éstas, son
debidas a causas no asignables o causas aleatorias.
Cuando las variaciones pueden aparecer por otras causas, de forma que cuando
actúan producen efectos que se pueden atribuir con certeza a un motivo, se
denominan causas asignables o causas especiales.
3.1.1. Causas no Asignables o Aleatorias
Su naturaleza es de tipo aleatorio, debidas a la propia variación natural del proceso,
y como consecuencia de las mismas, el proceso tiene un comportamiento estable en el
tiempo, de forma que las características de salida se pueden predecir. Las causas aleatorias
se caracterizan por:
o Consistir en muchas causas de variación pequeña provocando pequeñas
fluctuaciones en los datos sin afectar al proceso global.
o Aparecer en muchos instantes del proceso.
o Ser de variación estable.
o Ser previsibles en el tiempo.
o Permanecer en el proceso y ser inherente a él.
o Difícil y antieconómico reducir sus efectos.
Nunca debe ajustarse un proceso cuando la variación es producida por causas
aleatorias ya que, aunque individualmente contribuyen a pequeñas fluctuaciones, en
conjunto nos dan información del patrón normal de comportamiento que sigue ese proceso.
Ejemplos de este tipo de causas serían: variaciones debidas a la materia prima, a diferencias
de habilidad entre el personal, a factores ambientales, etc.
3.1.2. Causas Asignables o Especiales
La naturaleza de estas causas no es aleatoria, sino que aparecen esporádicamente en
el proceso de forma que cuando actúan producen efectos definidos, y cuando se elimina la
causa, se elimina la variación producida por ella. Estas causas pueden provocar variaciones
importantes que separen significativamente los datos respecto de la pauta esperada para ese
proceso. Dan como consecuencia un proceso inestable sobre el que no se puede predecir la
homogeneidad de las características de salida. Las causas especiales se caracterizan por:
o Constar de una o pocas causas importantes y fáciles de identificar.
o Aparecer esporádicamente en el proceso.
o Ser de variación inestable.
o Ser imprevisibles en el tiempo.
o Poder reaparecer.
o Actúan en un punto concreto del proceso.
Ejemplos de este tipo de causas serían: desajustes de maquinaria, lotes defectuosos,
fallos de controles, errores humanos, etc. Puede darse el caso de que una misma variable no
afecte de igual modo según sea el proceso que se trate, así, por ejemplo, sería el caso de la
temperatura afectando al rendimiento de un proceso químico de forma que la variación de
ésta sería una causa asignable en ese proceso. Por el contrario, para esta misma causa, en
una planta de embalaje, la temperatura ambiente no será una causa asignable, pues al variar
no tiene por qué alterarse el proceso.
3.2. Métodos de Causa y Efecto de Ishikawa
Es una representación gráfica de la relación entre un efecto y todas las posibles
causas que influyen en él, permitiendo identificarlas y clasificarlas para su análisis.
Ejemplo.
Después de haberse realizado un análisis de las principales causas que originan
bobinas desviadas en el laminador tandem 1, se encontró que manchas contaminantes
afectaba en gran proporción los resultados de calidad. El equipo de trabajo realizó un
estudio utilizando el diagrama causa efecto el cual se presenta a continuación:
4. GRÁFICOS DE CONTROL
4.1. Cartas de Control
La carta de control es una técnica muy útil para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen de los
límites de control, es señal de que se debe tomar acción para remover esa fuente de
variabilidad anormal. Su uso sistemático proporciona un excelente medio para reducir la
variabilidad.
LSC
LC
LIC
LSC = Límite superior de control
LC = Línea central
LIC = Límite inferior de control
Un punto que se encuentre fuera de los límites de control mostrará evidencia que el
proceso está fuera de control y será necesario una investigación de la causa especial y la
acción correctiva necesaria para eliminarla. También se tendrá un alto riesgo de situación
fuera de control si los puntos se agrupan es forma sistemática dentro de los límites de
control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del
proceso está en control y tiene un valor 0 si un valor de media muestral X i
cae dentro de
los límites de control; de otra forma se concluye que el proceso está fuera de control y que
la media del proceso tiene un valor diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hipótesis para analizar el desempeño de las cartas de
control.
La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se concluye
que el proceso está fuera de control cuando en realidad no lo está. La probabilidad de error
tipo II o beta de la carta de control se presenta cuando se concluye que el proceso está en
control cuando en realidad está fuera de control.
Se puede definir un modelo general para una carta de control, si w es un estadístico
muestral que mide alguna característica de calidad de interés y asumiendo que su media es
w con desviación estándar w se tiene:
LSC = w + Lw
LC = w
LIC = w - Lw
Donde L es la distancia de los límites de control a partir de la línea central
expresada en unidades de desviación estándar.
El uso más importante de la carta de control es la mejora del proceso, a través de su
monitoreo, al principio se observará que los procesos no están en control estadístico, sin
embargo con las cartas de control se podrán identificar causas especiales que al ser
eliminadas, resulten en una reducción de la variabilidad mejorando el proceso.
Distribucion Distribucion Comportamiento Del ProcesoDe Los Valores De Las Medias Lsc = 74.0135, Lc = 74, Lic = 73.9865
Individuales =.01 σ X=0 . 0045
4.2. Gráficos de Control por Variables
Son Gráficos de Control basados en la observación de la variación de características
medibles del producto o del servicio. A continuación se comentan una serie de
características que ayudan a comprender la naturaleza de la herramienta.
Comunicación: Simplifican el análisis de situaciones numéricas complejas.
Impacto visual: Muestran de forma clara y de un "vistazo" la variabilidad del
resultado de un proceso, respecto a una determinada característica, con el tiempo.
Guía en la investigación: El análisis de datos mediante esta herramienta
proporciona mayor información que el simple control de los resultados de un
proceso, sugiriendo posibilidades de corrección preventiva y alternativas de
investigación.
4.2.1. Tendencia Central
Característica típica de la mayoría de las distribuciones de frecuencia, por lo cual el
grueso de las observaciones se agrupan en una zona determinada de las mismas.
4.2.2. Media Aritmética, " X "
Medida de la tendencia central, correspondiente a la suma de todos los valores,
dividida por el número de los mismos.
4.2.3. Dispersión
Alcance de la diseminación con la que los datos de una distribución de frecuencia se
distribuyen alrededor de la zona de tendencia central.
4.2.4. Recorrido, "R"
Medida de la dispersión, correspondiente a la diferencia entre el valor máximo y el
valor mínimo de un conjunto de datos.
4.2.5. Desviación Típica, "S" O "S"
Es una medida de la dispersión de una distribución de frecuencia, correspondiente a
la raíz cuadrada del cociente entre la suma de los cuadrados de las distancias de cada valor
a la media aritmética y el número de valores. En general este parámetro se estima a través
del cálculo de la desviación típica de los valores de una muestra (desviación típica
muestral, s), siendo esta:
s = å(x - x) 2 (n - 1) i , o bien ( ) ( 1) s = åx 2 - nx 2 n - i
xi = valor del elemento i de la muestra
n = tamaño de la muestra
4.3. Cartas de Control para Atributos
4.3.1. Carta de Control para Fracción No Conforme
La fracción no conforme es la relación entre el número de artículos discrepantes
entre el total de artículos, se expresa como fracción decimal, aunque también se puede
expresar en porcentaje. El artículo o servicio puede tener varias características de calidad
que son examinadas por un inspector, si el artículo no está de acuerdo a los estándares, se le
considera como defectuoso o no conforme.
La fracción defectiva o no conforme en la muestra se define como la relación entre
el número de unidades no conformes D al tamaño de muestra n, o sea:
pi=Di
ni
La distribución de este estadístico sigue la distribución binomial por tanto:
μ= p__
σ p2=
p(1−p )n
Del modelo general para la carta de control de Shewhart, si w es un estadístico que
mide una característica de calidad, con media w y varianza σ w2
, los límites de control
son:
LSC = w + Lw
LC = w
LIC = w - Lw
Donde L es la distancia de la línea central hasta los límites de control, es común usar L = 3.
Por tanto los límites de control de la carta p considerando L = 3 son:
LSCp = p__
+3√ p__
(1− p__
)n
LCp = p__
LICp = p__
−3√ p__
(1−p__
)n
Durante la operación, se toman muestras de n unidades, se calcula la fracción
defectiva pi y se grafica en la carta, mientras no se observe ningún patrón anormal y pi se
localice dentro de límites de control, se puede concluir que el proceso está en control, de
otra forma, se concluirá que la fracción no conforme se ha desplazado de su valor original y
el proceso se encuentra fuera de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos
observados en m muestras iniciales, cada una de tamaño n, por lo general se toman 20 a 25
de estas. Así si Di son unidades no conformes en la muestra i, la fracción defectiva de la
muestra i - ésima estará dada como:
pi = Di / n i = 1, 2, 3,....., m
Y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
p=∑i=1
m
Di
mn=∑i=1
m
pi
m
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa asignable o
especial, deben tomarse medidas correctivas para prevenir su recurrencia, los puntos
correspondientes a la situación fuera de control se eliminan y se calculan de nuevo los
límites de control preliminares.
5. ANALISIS DE LA INFORMACIÓN
El uso de los métodos estadísticos en el control de procesos es muy importante para
una empresa, entidad financiera, etc., ya que estas herramienta acompañadas de gráficos de
control nos permiten predecir con mayor exactitud la posibilidad de que ocurrir ciertas
desviaciones dentro del proceso y además ayuda a comprender mejor lo que realmente está
pasando con los procesos, determinar donde y cuando se requiere ajustar un determinado
proceso para que este dentro del rango establecido como estándar para la elaboración de un
bien o servicio.
Estas herramientas cumplen la función de monitorear los procesos productivos con
la finalidad de que el resultado sea un buen producto el cual responda a los deseos de la
empresa de producir productos libre de defectos optimizando recursos sin incurrir en
pérdidas por defectos de proceso. La idea de aplicar el control de proceso es para que los
productos se uniformicen y sean semejantes a un patrón o estándar considerado como el
óptimo para satisfacer las necesidades de los consumidores.
6. MEJORA y PROPUESTA
El control de procesos mediante métodos estadísticos debería formar parte del
monitoreo del proceso de producción de una empresa, ya que es un método que cuantifica y
determina cuan alejados estamos produciendo del estándar. Hoy en día la tecnología para
las industrias da tantas facilidades, tanto es así que permite llevar el monitoreo de los
procesos mediante sensores y software que hacen uso de la estadística facilitan muchísimo
el control de procesos, sin embargo el todos los trabajadores de una empresa, industria, etc.,
tiene que conocer y saber cómo interpretar dichos resultados, ya sea valor numérico o
gráfico y a partir de ello tomar las acciones correctivas necesarias para ajustar los procesos
de producción.
7. CONCLUSIONES
7.1. Concluyo que el control de procesos por métodos estadísticos permite controlar los
parámetros de producción de manera cuantitativa, ajustando los procesos cuando
estos lo requieran para estar dentro del rango establecido como aceptable.
7.2. En conclusión el control de procesos mediante el uso de graficas de control
permite y facilita comprender mejor el estado de cierto proceso o procesos dentro
de la cadena productiva de una empresa, es más fácil identificar las desviaciones
de los procesos ya que no requiere de mucha ciencia sino de saber entender la
gráfica.
8. BIBLIOGRAFÍA
Villa Alicia, S. M. (s.f.). La Distribución Normal. Obtenido de
http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf
Graficos de Control por Atributos. (s.f.). Obtenido de
http://www.fundibeq.org/opencms/export/sites/default/PWF/downloads/gallery/
methodology/tools/graficos_de_control_por_atributos.pdf
(s.f.). Obtenido de http://fcps.uaq.mx/descargas/prope2014/estadistica/2/frecuencias.pdf