FORMATO

TRABAJO
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
DE Fecha: 2014/06/09
Pg.: 1 de 7

Carrera: Ingeniera Qumica

Nivel: Octavo
Asignatura: Proyectos Industriales
Tema: Definiciones de Control Estadstico de Procesos, la Campana Gaussiana, tres y seis
sigmas con un ejemple para cada definicin.
Resumen
En el presente trabajo se va definir varios trminos como Control Estadstico de Procesos,
la Campana Gaussiana, tres y seis sigmas con sus respectivos ejemplos, que son
herramientas estadsticas que ayudan a tomar criterios sobre datos, la definicin ser
importante para conocer el significado de ellos, y los ejemplos nos sern de mucha ayuda
para comprender de mejor manera dichas herramientas, estas tcnicas sern tiles en el
transcurso del estudio que realizaremos en clase. Con la recopilacin de datos y aplicando
dichas herramientas que son muy utilizadas en la parte empresarial, que tienen como
objetivo ayudarnos a la toma decisiones, se concluir qu importancia tiene cada
herramienta para su estudio
Abstract:
In this work we will define several terms as Statistical Process Control, Gaussian Bell, three
and six sigma with their respective examples, which are statistical tools that help make data
criteria, the definition will be important to know the meaning of them , and examples will
be of much help to better understand these tools, these techniques will be useful in the
course of the study that will make in class. With data collection and apply these tools that
are widely used in the business side, which aim to help decision-making, will be concluded
how important each tool for study

Introduccin

FORMATO
TRABAJO
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
DE Fecha: 2014/06/09
Pg.: 2 de 7

El Control Estadstico de Procesos naci a finales de los aos 20 en los Bell

Laboratories. Su creador fue W. A. Shewhart, quien en su libro Economic Control of
Quality of Manufactured Products (1931) marc la pauta que seguiran otros discpulos
distinguidos (Joseph Juran, W.E. Deming, etc.). Sobre este libro han pasado ms de 70
aos y sigue sorprendiendo por su frescura y actualidad. Resulta admirable el ingenio con
el que plantea la resolucin de problemas numricos pese a las evidentes limitaciones de los
medios de clculo disponibles en su poca.
Lamentablemente, a Shewhart se le recuerda solo por las grficos de control (X-R, etc.).
Por si fuera poco, a menudo se emplean estos grficos de modo incorrecto o se desconoce
las limitaciones de los mismos. Normalmente, la utilizacin incorrecta de los grficos de
control dimana del desconocimiento de los fundamentos estadsticos que los sustentan. Por
est razn se ha considerado conveniente hacer hincapi en los fundamentos estadsticos, el
problema del sobre ajuste del proceso y las limitaciones que presentan para la deteccin de
derivas en los procesos y aumentos en la variabilidad en los mismos (Ruiz, A, 2006)
Objetivos
Objetivo General
Definir los trminos Control Estadstico de Procesos, la Campana Gaussiana, tres y
seis sigmas.
Objetivo Especifico
Comprensin de los trminos Control Estadstico de Procesos, la Campana
Gaussiana, tres y seis sigmas.
Metodologa:
La metodologa empleada para este trabajo fue la recopilacin de informacin de varias
fuentes como libros, revistas, folletos e internet, los cuales presentan definiciones desde el
punto de vista de cada autor.
Resultados:

Control estadstico de procesos

El objetivo de un grfico de control no es garantizar una buena calidad
inspeccionando muchos de los artculos producidos. Los grficos se concentran en
el propio proceso productivo ms que en los artculos producidos. Controlan el

FORMATO
TRABAJO DE
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
Fecha: 2014/06/09
Pg.: 3 de 7

proceso de fabricacin a intervalos de tiempos regulares podemos detectar las

alteraciones y rectificar antes de que sean importantes. El control estadstico de
procesos consiste precisamente en esto. Es mucho ms barato controlar la calidad de
un proceso de fabricacin, que inspeccionar todos los artculos producidos.
Pequeas muestras de 4 o 5 artculos son, normalmente, adecuadas para el control
de procesos. (Moore, 2000)
Ejemplo
Una lnea de produccin de cajas de cereales puede estar diseada para rellenar cada
caja de cereales con 500 gramos de producto, pero algunas cajas pueden tener un
poco ms de 500 gramos, y otras pueden tener un poco menos, conforme a la
distribucin del peso neto. Si el proceso de produccin, sus entradas, o su entorno
cambia (por ejemplo, las mquinas de produccin muestran seales de desgaste),
esta distribucin pueda cambiar. Por ejemplo, si las poleas se desgastan, la mquina
que rellena las cajas con cereales puede empezar a introducir ms cereales en cada
caja que lo especificado. Si se permite continuar con este cambio sin estar
controlado, se producirn ms y ms productos que no entran dentro de las
tolerancias del fabricante o del consumidor, con el resultado de desechos. Mientras
en este caso, el desecho est presente en la forma de producto gratuito para el
consumidor, normalmente el desecho consiste en re trabajo o chatarra.
Campana de Gauss
1. La curva tiene un solo pico; por tanto, es unimodal. Tiene la forma de
campana
2. La media de una poblacin distribuida normalmente cae en el centro de su
curva normal.
3. Debido a la simetra de la distribucin norma de probabilidad, la mediana y
la moda de la distribucin se encuentre tambin en el centro; en
consecuencia, para una curva normal, la media, la mediana y la moda tiene
el mismo valor.

FORMATO
TRABAJO DE
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
Fecha: 2014/06/09
Pg.: 4 de 7

Figura 1: Campana de Gauss

Fuente: RUBIN., L, DEL VALLE., B; Estadstica para administracin
y economa; Sptima Edicin; PEARSON Prentice Hall; Mxico; 2004
4. Las dos colas de la distribucin normal de probabilidad se extienden
indefinidamente y nunca tocan el horizontal /desde luego, esto es imposible
de mostrar de manera grfica) (Rub, Del Valle, 2004)

FORMATO
TRABAJO
INVESTIGACION
FORMATIVA

Datos
9,2
11,2
11,8
13,2

Cdigo:
Revisin: 01
DE Fecha: 2014/06/09
Pg.: 5 de 7

Distribucin
Normal
0,00818927
0,051091632
0,075567449
0,141884327
0.2
0.18
0.16
0.14
0.12
0.1

13,2

0.08
0.06
0.04
0.02
0
8

13,4
13,8
14,2
14,6
15
15,2
15,2
15,4
15,4
15,6
16,2
16,6
16,8
17,2

0,141884327
0,150300109
0,164612737
0,174544747
0,179179918
0,178078335
0,175387712
0,175387712
0,171345239
0,171345239
0,166046499
0,143949966
0,125686934
0,116026347
0,096503706

10

12

14

16

18

20

Figura 2: Campana de Gauss con las notas del I Hemisemestre

del curso de Proyectos Industriales de las Facultad de Ingeniera
Qumica de la UCE

18
18

0,060580987
0,060580987

Media

14,7238095

Desviacin
Estndar

2,22303953

FORMATO
TRABAJO
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
DE Fecha: 2014/06/09
Pg.: 6 de 7

Tres y Seis sigma

Es una metodologa de mejora de procesos, centrada en la reduccin de la
variabilidad de los mismos, consiguiendo reducir o eliminar los defectos o fallos en
la entrega de un producto o servicio al cliente. La meta de 6 Sigma es llegar a un
mximo de 3,4 defectos por milln de eventos u oportunidades (DPMO),
entendindose como defecto cualquier evento en que un producto o servicio no
logra cumplir los requisitos del cliente.
3 sigma= 66.807 DPMO = 93,3% de eficiencia
6 sigma= 3,4 DPMO = 99,99966% de eficiencia (Ji ju, 2008)
Ejemplo
Por ejemplo, si tengo un proceso para fabricar ejes que deben tener un dimetro de
15 +/-1 mm para que sean buenos para mi cliente, si mi proceso tiene una eficiencia
de 3 sigma, de cada milln de ejes que fabrique, 66.800 tendrn un dimetro inferior
a 14 o superior a 16mm, mientras que si mi proceso tiene una eficiencia de 6 sigma,
por cada milln de ejes que fabrique, tan solo 3,4 tendrn un dimetro inferior a 14
o superior a 16mm.

.
Discusin:
En la campana Gaussiana se observ con los datos recopilados de la notas del curso la
campana graficada, en la parte izquierda de la cola hay datos que se alejan demasiado y
que deforman la simetra de la campana.
La definicin de control estadstico de procesos no tiene una definicin exacta si no es la
agrupacin de varias herramientas estadsticas y por lo cual no hay una clara definicin de
dicho trmino.
Conclusiones
El control estadstico de procesos son herramientas que ayudan a la toma de
decisiones gracias a los datos recolectados, para poder corregir problemas y as
obtener un buen producto.

 Para mejorar o reducir los defectos que tiene el productos y este no afecte a la
satisfaccin del cliente se debe tratar de llegar al sigma seis, que tiene una mayor
eficiencia con respecto del tres sigma.
FORMATO
TRABAJO
INVESTIGACION
FORMATIVA

Cdigo:
Revisin: 01
DE Fecha: 2014/06/09
Pg.: 7 de 7

La campana de Gauss nos indica que la media de las notas del curso es 14,72 y su
desviacin Estndar es 2,22 que es un valor aceptable y demuestra que el curso esta
bien.
Recomendaciones
Consultar ms herramientas estadsticas que son de gran importancia para el estudiante
conocerlos y as poder tomar una mejor decisin antes datos recopilados de dichos
procesos, obteniendo mejores resultados y menor cantidad de desperdicios sin afectar al
consumidor final.
Bibliografa:
Gutirrez Pulido, H.; De la Vara Salazar, R. Control Estadstico de Calidad y
Seis Sigma. Mxico: Mc Graw Hill.
RUBIN., L, DEL VALLE., B; Estadstica para administracin y economa;
Sptima Edicin; PEARSON Prentice Hall; Mxico; 2004
MOORE, D.; Estadstica Aplicada bsica; Segunda Edicin; Antoni Bosch
editor; Espaa; 2000
RUIZ, A., Control estadsticos de Procesos; Universidad Pontillas Madrid;
Madrid-Espaa;200