Practica 3

CONTROL DE CALIDAD
Y PROCESO EN
POSCOSECHA
I. OBJETIVO
1.

Evaluar las frutas, hortalizas, etc, en recepcin, proceso y

almacenamiento.
2.
Determina la madurez fisiolgica e interpretar en un grfico de
control
II. FUNDAMENTO
II.1

EVALUACIN DE CALIDAD EN POSCOSECHA

Actualmente se vive en un mundo globalizado, donde la competitividad en la calidad de

los productos es una caracterstica principal del mercado mundial, lo que hace que una
empresa pueda permanecer y consolidarse. De entre los distintos conceptos de calidad el
que se considera ms asertivo, est dada por Deming (Rodrigues, 2009), donde
menciona que un grado previsible de uniformidad y confiabilidad a bajo costo es el
adecuado para el mercado. De esto se puede resaltar, que una empresa que desee ofrecer
precios bajos a sus clientes requiere tener costos de produccin bajos, para lo cual es
necesario entre otros aspectos, tener un mnimo de desechos y productos mal
elaborados, ya que la presencia de estos indica que hay problemas en la produccin, lo
que trae como consecuencia que no se est cumpliendo con las especificaciones del
proceso. Los productos mal elaborados, se deben someter a un proceso extra para no
perderlos completamente, o en caso de que las fallas sean graves estos se deben
desechar. Para abordar este tipo de problemas, es necesario recurrir a las herramientas
del Control Estadstico de Procesos (CEP), como son las grficas de control por
Variables y Atributos (Hart & Hart, 2007), las cuales permiten recopilar, estudiar y
analizar la informacin de los procesos para tomar las acciones preventivas y
correctivas.
El estado de madurez que poseen los productos vegetales al ser cosechados, es
especialmente importante para su manejo, transportacin y comercializacin ya que
repercute directamente en su calidad y potencial de conservacin en fresco. De aqu que
la distincin entre los conceptos de desarrollo, madurez fisiolgica (mature), madurez
hortcola y madurez de consumo (ripe).
El estado de madurez que poseen los productos vegetales al ser cosechados, es
especialmente importante para su manejo, transportacin y comercializacin ya que

repercute directamente en su calidad y potencial de conservacin en fresco. De aqu que

la distincin entre los conceptos de desarrollo, madurez fisiolgica (mature), madurez
hortcola y madurez de consumo (ripe), as como la identificacin de estos estados de
desarrollo, son aspectos relevantes para la aplicacin de la tecnologa postcosecha.
En Fisiologa Postcosecha, los trminos sazn o madurez fisiolgica (mature) y
madurez de consumo (ripe) denotan diferentes estados de desarrollo en el caso de los
frutos. Actualmente, la definicin ms aceptada para el estado sazn es la siguiente: "
Aquel estado en el cual un fruto ha alcanzado un estado de desarrollo suficiente para
que, despus de la cosecha y manejo postcosecha (incluyendo la maduracin, cuando
sea requerida), su calidad sea al menos, la mnima aceptable para el consumidor final.
La madurez de consumo sera el estado de desarrollo en el que el fruto ha alcanzado su
mxima calidad esttica y sensorial que lo hacen apto para el consumo humano
inmediato.
Un trmino aplicable a cualquier rgano vegetal lo constituye el de madurez hortcola,
el cual se define como aquel estado de desarrollo de una planta o parte de ella que posee
los requisitos necesarios para ser utilizado por el consumidor para un propsito
particular. De acuerdo con esta definicin, un producto vegetal dado puede estar
hortcolamente maduro en cualquier estado de desarrollo, as por ejemplo los
germinados o plntulas estn hortcolamente maduras en los estados tempranos del
desarrollo, mientras que otros rganos de la planta como las flores, hojas, y tubrculos,
se encuentran en los estados intermedios del desarrollo, y, las semillas y nueces en los
ltimos estados del desarrollo (Reid, 1992).
Para algunos productos vegetales, la madurez hortcola se alcanza en ms de un estado
de desarrollo, dependiendo del uso o destino deseado, as por ejemplo, en la calabacita
zuchini el producto con madurez hortcola puede ser la flor completamente abierta, el
fruto joven o el fruto completamente desarrollado.
Una diferencia cualitativa entre madurez fisiolgica (sazonamiento) y comestible
permite distinguir a muchas frutas de los vegetales, as en el caso de los pltanos
sazones (mature, en ingls), la calidad comestible est bastante alejada del ptimo, ya
que la fruta adquiere su condicin de comestible slo despus de que se ha llevado a
cabo el proceso de maduracin (ripening, en ingls). Por el contrario, en la mayora de
los vegetales la madurez ptima coincide con la madurez de consumo.
II.1.1 Mtodos Fsicos de anlisis
Una amplia cantidad de caractersticas fsicas de los productos vegetales se emplean
para evaluar su madurez. Algunas de las ms importantes son: la forma, el tamao, el
color y las caractersticas de la superficie (rugosidad, brillo, cerosidad).
a) Fuerza de abscisin. Durante los ltimos estados del sazonamiento y comienzo de la
maduracin (ripening) en muchas frutas, se desarrolla una banda especial de clulas
(la zona de abscisin) en el pedicelo que une a la fruta con la planta. El desarrollo de
esta capa tiene como propsito permitir la separacin natural de la fruta, y medir su
formacin es posiblemente uno de los ndices de madurez ms antiguos, sin embargo,
no se emplea como un ndice de madurez formal.

b) Textura. Con frecuencia, el sazonamiento en los frutos va acompaado de un

ablandamiento. Los vegetales sobremaduros se tornan fibrosos o correosos, estas
propiedades pueden emplearse para medir la madurez y se determina con
instrumentos que permiten medir la fuerza requerida para empujar un punzn de
dimetro conocido a travs de la pulpa de la fruta o vegetal.
II.1.2 Mtodos Qumicos de anlisis
La madurez fisiolgica (sazonamiento) de los frutos frecuentemente est asociada a
muchos cambios en su composicin qumica, y algunos de ellos pueden emplearse
como indicadores de madurez satisfactorios. Entre los ms utilizados se encuentran:
a) Grados Brix . Representan el % de sacarosa determinado en el jugo del fruto. Se
mide utilizando un brixmetro o un refractmetro para grados brix, las lecturas
registradas estn dadas a la temperatura indicada por estos instrumentos.
b) Slidos solubles totales (SST). Las frutas y hortalizas contienen otros slidos
solubles diferentes de la sacarosa, esto es, otros tipos de azcares y tambin cidos
orgnicos, por lo que es ms frecuente determinar el contenido total de stos en
porciento. Para ello se emplean instrumentos como el refractmetro de Abbe.
Frecuentemente se consideran a los Brix como equivalentes de los SST porque el
mayor contenido de slidos solubles en el jugo de las frutas son azcares, sin
embargo es ms preciso realizar las correcciones pertinentes a las lecturas registradas
con los brixmetros para obtener datos reales en trminos de SST. Tambin deben
hacerse correcciones por la temperatura a la cual se realice la determinacin.
c) Acidez Titulable. La mayora de las frutas son particularmente ricas en cidos
orgnicos que estn usualmente disueltos en la vacuola de la clula, ya sea en forma
libre o combinada como sales, steres, glucsidos, etc. La acidez libre (acidez
titulable) representa a los cidos orgnicos presentes que se encuentran libres y se
mide neutralizando los jugos o extractos de frutas con una base fuerte, el pH aumenta
durante la neutralizacin y la acidez titulable se calcula a partir de la cantidad de base
necesaria para alcanzar el pH del punto final de la prueba; en la prctica se toma
como punto final ph = 8.5 usando fenolftalena como indicador.
d) Relacin SST/Acidez. Desde el punto de vista prctico, los azcares y la acidez son
componentes muy prcticos en poscosecha y la relacin que guardan constituye un
ndice, incluso legal, del estado de madurez para la cosecha de ctricos y uvas.
Establecimiento de valores mnimos ayudan a determinar el grado de madurez; sin
embargo, la composicin qumica vara con algunos factores ambientales y prcticas
de cultivo. Esta situacin ocasiona que casi en todos los casos, estos mtodos se
combinen con otros (especialmente con la respiracin) para obtener un buen ndice
de corte.
II.1.3 Mtodos visuales para inspecciones por atributos
Los defectos presentes en cada especie sern en funcin del tipo de producto y la
normativa de control. Para ejemplo se tiene los siguientes:
Brotacin: Especialmente en cebollas jengibre, ajo y Papa
Alargamiento O Crecimiento: Esprragos, zanahoria y colinabos.

Enraizamiento: Se da especialmente en races y tubrculos, debido a

condiciones de mucha humedad, esto puede llevar un arrugamiento y
agotamiento de reservas alimenticias.
Germinacin De Semillas: En algunos productos maduros en almacenamiento
como los tomates, papayas y verduras de vainas, tienden a germinar sus
semillas.
Enverdecimiento: La papa y la zanahoria expuestas a la luz, durante el
almacenamiento pueden producir tejidos verdes, razn que conlleva a problemas
de presentacin, mal sabor y rechazo por parte del consumidor.

II.2 CONTROL DE PROCESOS

El proceso de produccin independientemente de su diseo o de la atencin que se
preste a su fase de mantenimiento, existir una cantidad de variabilidad natural; esta
variabilidad natural es el efecto acumulado de muchas causas pequeas y en esencia
inevitable (Montgomery, 2004).
En cambio, las causas asignables o atribuibles, son las que podemos investigar hasta dar
con la razn especifica que las produce y suelen ocasionar desviaciones relativamente
grandes en el resultado del proceso (Prez, 1998).
Una grfica de control es una comparacin grafica de los datos de desempeo del
proceso con los lmites de control estadsticos calculados, dibujados como rectas
limitantes sobre la grfica. Los datos de desempeo del proceso por lo general consisten
en grupos de mediciones que vienen de la secuencia normal de produccin y preservan
el orden de los datos.
Las grficas de control constituyen un mecanismo para detectar situaciones donde las
causas asignables pueden estar afectando de manera adversa la calidad de un producto.
Cuando una grfica indica una situacin fuera de control se puede iniciar una
investigacin para identificar causas y tomar medidas correctivas. Permite determinar
cundo deben emprenderse acciones para ajustar un proceso que ha sido afectado por
una causa especial. Nos dicen cuando dejar un proceso trabaje por s mismo, y no
malinterpretar las variaciones debidas a causas comunes. Las causas especiales se deben
contrarrestar con acciones correctivas. Las causas comunes son el centro de atencin de
las actividades permanentes para mejorar el proceso. El de una grfica de control no es
lograr un estado de control estadstico como un fin, sino reducir la variacin.
Un elemento bsico de las grficas de control es que las muestras del proceso de inters
se han seleccionado a lo largo de una secuencia de puntos en el tiempo. Dependiendo de
la etapa del proceso bajo investigacin, se seleccionar la estadstica ms adecuada.
Adems de los puntos trazados la grfica tiene un alinea central y dos lmites de control.
II.3

GRAFICAS DE CONTROL

Las grficas de control muestran la cantidad y naturaleza de la variacin en el tiempo,

indican el control estadstico o la falta de l y permiten la interpretacin y deteccin del
patrn de cambios en el proceso de estudio. En general, hay dos tipos de datos que son
tiles en el estudio de las caractersticas de la calidad, que son por Atributos y por
Variables. Los primeros son el conteo o la conversin de los conteos a proporciones o

porcentaje de la presencia o ausencia de algunas caractersticas o atributos en las

unidades examinadas, mientras que las segundas son mediciones reales junto con una
escala de una caracterstica de calidad o propiedad del proceso capaz de ser la media
(Harrison, 2005).
Las grficas son elaboradas a partir de valores medidos de muestras tomadas del
proceso (System Reliability Center, 2004), se menciona que las grficas de control son
una herramienta que se utiliza para analizar datos estadsticos de manera sofisticada,
que incluye Lmites de Control Superiores e Inferiores, tal como se observa en la Figura
3.1. Estas grficas se utilizan cotidianamente en la manufactura (Umut, 2003),
educacin, gobierno e industrias de servicio.
Los lmites de control dan poder analtico a la grfica de control para que el usuario
determine si un proceso se puede considerar estable y por lo tanto, predecible,
impredecible o inestable. Por lo que dicha informacin lleva a controlar un proceso
cuando este se considera estable o mejorar su control para cuando el proceso se
considera inestable.
Fue Walter A. Shewart (Rodrigues, 2009), el primero en utilizar las grficas de control
aplicadas al proceso, siguindole W. Edwars Deming quin las aplic durante la SGM
en los Estados Unidos. Posteriormente una vez terminada la SGM, l y sus discpulos
llevaron estas ideas a Japn.

Figura 3.1: Grafica de control

El proceso de produccin independientemente de su diseo o de la atencin que se
preste a su fase de mantenimiento, existir una cantidad de variabilidad natural; esta
variabilidad natural es el efecto acumulado de muchas causas pequeas y en esencia
inevitable (Montgomery, 2004). En cambio, las causas asignables o atribuibles, son las
que podemos investigar hasta dar con la razn especifica que las produce y suelen
ocasionar desviaciones relativamente grandes en el resultado del proceso (Prez, 1998).
II.3.1 Usos de los grficos de control
Ellos proporcionan un mtodo grfico simple que puede ser usado para:

a) Indicar si el proceso es o no es estable. Por ejemplo, operar como un sistema

estable de causas aleatorias, tambin conocido como variabilidad inherente y
referido como estar en un estado de control estadstico.
b) Estimar la magnitud de la variabilidad inherente del proceso.
c) Comparar informacin sobre muestras que representan el estado actual de un
proceso contra los lmites que reflejan esta variabilidad, con el objetivo de
determinar si el proceso ha permanecido estable o no, y la variabilidad si ha sido
reducido o no.
d) Identificar, investigar y posiblemente reducir/eliminar el efecto de causas especiales
de variabilidad, los cuales puedan conducir al proceso a un nivel desempeo
inaceptable.
e) Ayudar la regulacin de un proceso de a travs de la indicacin de patrones de la
variabilidad tales como: tendencias, corridas, ciclos y similares.
f) Determinar si el proceso se est comportando de una manera predecible y estable
de tal manera que ser posible evaluar si el proceso es capaz de cumplir las
especificaciones;
g) Determinar si el proceso se puede satisfacer o no los requisitos del producto o
servicio y la capacidad del proceso para la(s) caracterstica(s) que estn siendo
medida(s);
h) Proporcionar una base para ajuste de procesos a travs de la prediccin utilizando
modelos estadsticos;
i) Apoyar en la evaluacin del desempeo de un sistema de medicin.
II.4

GRFICOS DE CONTROL POR VARIABLES

Se emplean cuando es necesario examinar una caracterstica de escala o medicin y no

la presencia de un atributo (Harrison et al., 2005). Este tipo de grficas se utilizan para
X
analizar una caracterstica de calidad, las cuales contempla grficas de medias ( ) ,
rangos (R) , desviaciones estndar (S) y medianas (

).

Las cartas, o grficos, de control son un mtodo para controlar estadsticamente un

proceso detectando cuando este est fuera de control. Las ms usadas son las Shewhart.
2 sigma -----(95% de confianza)
3 sigma -----(99.7% de confianza)
6 sigma -----(99.99966% de confianza)

Figura 3.2: Grafica de control de medias

II.4.1 Grficos de control individuales

Se aplica cuando no existe oportunidad de conformar subgrupos racionales, y en
consecuencia la muestra es de tamao n = 1. Tal es el caso, por ejemplo, del envasado
de lquidos que previamente han sido debidamente homogeneizadas, y por lo tanto
todos aquellos envases que provengan de un mismo lote presentan las mismas
propiedades en el momento de su envasado.
En situaciones como esta, la variabilidad se presenta entre los diferentes lotes, pero no
entre las unidades de un mismo lote; y basta con medir el valor de la caracterstica de
calidad en una unidad, para conocer la de todo el lote. En estos casos, sobre la grfica de
control lo que se representa es el valor X de esa caracterstica de calidad medida sobre
una nica pieza, y el subgrupo racional se forma al considerar el valor de la medicin en
un lote con la del prximo, para formar un subgrupo de tamao 2. Suponiendo
normalidad sobre X y aplicando el criterio tres sigmas, se obtienen los
siguientes lmites de control para X:
LCS X 3

R
d2

LC X
LCS X 3

R
d2

Donde:
LCI: Lmite de control inferior.
LCS: Lmite de control superior.
k: Es el factor de cobertura al 99.7% de confianza (aproximadamente 3)
R

: Rango mvil promedio tomado de 2 en 2.

d2: Valor constante usado para estimar la desviacin estndar (1.128).
II.4.2 Grficos de control por subgrupos

X R
X
Una grfica
, grafica la media del proceso (grfica
) y el rango del proceso
(grfica R) a lo largo del tiempo para datos variables en subgrupos.

X R
Puede utilizar la grfica
cuando el tamao del subgrupo menor a 8 (n <
10). n= nmero de muestras de cada subgrupo
Puede utilizar la grfica de
(n>10).

X S

cuando el tamao de su subgrupo sea 9 o ms

a) Grfico de control

X R

Lmites de Control de medias (Douglas,2001) estn dados por las ecuaciones

LSC X X A2 R
LC X X
LIC X X A2 R
Donde LSC, LC, LIC representan los Lmites Superior, Central e Inferior
X
R
respectivamente, es la media obtenida,
es el rango promedio obtenida en paso 2 y
A2 es una constante que se obtiene de acuerdo al nmero de elementos que contiene
cada muestra que se est analizando
Esta grfica de control de combinacin se utiliza ampliamente para examinar la
estabilidad de los procesos en muchas industrias. Realizndose de la siguiente manera:
Lmites de control de rangos
Estas grficas muestran la variabilidad en proporcin a un mayor control de desempeo
del proceso. Este tipo de grfico es ms susceptible a mostrar los cambios en las
muestras, por lo que primero se recomienda obtener este tipo de grficos y luego
obtener la grfica de medias, de acuerdo a los Lmites de Control (Douglas,2001).
LCS R D4 R

LCS R R
LCI R D3 R
Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin,
se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.

b) Cartas de control

xS

Esta es tambin una grfica de control por variables, que utiliza a la media de la muestra
x para controlar a la media del proceso, pero en lugar del rango de la muestra R, utiliza
la desviacin estndar muestral S, para controlar la desviacin estndar del proceso.
Se recomienda su uso cuando el tamao de los subgrupos n es mayor que 10 (n > 10).

Debido a que en estos casos S es un estimador mucho ms eficiente que R para la

desviacin estndar poblacional. Los lmites de control vienen dados por las siguientes
expresiones:
Desviacin estndar
m

i 1

m 1

x
Donde xi es cada elemento de la muestra, es la media aritmtica de cada muestra, m
son los elementos que conforman una muestra.
Desviacin estndar promedio
n

S
i 1

Si
n

Donde Si es la desviacin estndar obtenida en cada una de las muestras, n es el nmero

de muestras que se estn analizando.
Tabla 3.1: Tabla de factores para la construccin de grficos de control de variables.
Montgomery (2014).

Los Lmites de Control estn dados por las ecuaciones

Para S

LCS B4 S

LC S
LCS B3 S
Para x

LCS x A3 S
LC x

LCS x A3 S
S
Donde LCS, LC, LCI son los Lmites Superior, Central e Inferior respectivamente, es
la desviacin estndar promedio obtenida y B3, B4 son constantes que se obtienen de
acuerdo al nmero de elementos que contienen las muestras que se estn analizando.
Al igual que la anterior, estas dos grficas como casi todas las de Swehart suponen que
las muestras han sido tomadas como subgrupos racionales, y en ellas los lmites de
control son obtenidos con el criterio tres sigmas bajo el supuesto de normalidad.
II.5

GRFICOS DE CONTROL POR ATRIBUTOS

Las ideas sobre las que se fundamenta el Control Estadstico de Procesos se pueden
extender al control de caractersticas de calidad de tipo atributo o discreto. Como se
recordar, las primeras se rigen por la distribucin binomial y las segundas por la de
Poisson.
Estas se emplean para demostrar el comportamiento bsico de la variacin de los
Atributos en muestras tomadas de un proceso que tiene un nivel estable del porcentaje
de ciertas caractersticas (Harrison, 2005). Aqu se contemplan grficas de tipo p, np, c,
u las cuales se utilizan para analizar defectos en la produccin.
II.5.1 Grficos de control basados en la distribucin binomial
a) Grficos de control p: Grafico por atributos (Defectuosos)
Un grfico P es un grfico de control del porcentaje o fraccin de unidades defectuosas
(cociente entre el nmero de artculos defectuosos en una poblacin y el nmero total de
artculos de dicha poblacin). Los principios estadsticos que sirven de base al diagrama
de control P se basan en la distribucin Binomial: supngase que el proceso de
produccin funciona de manera estable, de tal forma que la probabilidad de que
cualquier artculo no est conforme con las especificaciones es p, y que los artculos
producidos sucesivamente son independientes; entonces, si seleccionamos k muestras
aleatorias de n artculos del producto cada una, y representando por Xi al nmero de
artculos defectuosos en la muestra i- sima, tendremos que Xi B(n,p).
Este tipo de grficas, muestran la fraccin de artculos defectuosos o que no cumplen
con las especificaciones y para realizar un estudio de un proceso se debe primero
determinar (Douglas, 2001):
1. La proporcin de defectuosas por cada una de las muestras y as obtener la media
aritmtica de la proporcin de los defectuosos de todas las muestras, de acuerdo a la
ecuacin.
k

p
i 1

pi
ni

Donde pi representa la cantidad de defectos por muestra, n representa el tamao de lote

p
o tamao de la muestra, k es la cantidad de muestras que se estn analizando y
representa la media aritmtica de la proporcin de los defectos.
2. Los Lmites de Control estn dados por las ecuaciones

LCS p 3

p 1 p
n

LC p
LCI p 3

p 1 p
n
p

Donde LCS, LC, LCI son los Lmites Superior, Central e Inferior respectivamente, es
la media aritmtica obtenida y n representa el tamao de lote o tamao de la muestra.
Considerando esto, y de acuerdo con la distribucin binomial, si se toman varias
muestras (n) (aproximadamente 20 cada de tamaos variables).
b) Grficos de control np
El diagrama np est basado en el nmero de unidades defectuosas. Este tipo de grficos
permite tanto analizar el nmero de artculos defectuosos como la posible existencia de
causas especiales en el proceso productivo. Los principios estadsticos que sirven de
base al diagrama de control np se basan en la distribucin Binomial. Sirve para
controlar el nmero de unidades defectuosas en la muestra.
Estas grficas muestran los artculos defectuosos o que no cumplen con las
especificaciones en una muestra y para realizar el estudio de un proceso se debe
primero:
1. La proporcin de defectuosas por cada una de las muestras y as obtener la media
aritmtica de la proporcin de los defectuosos de todas las muestras, de acuerdo a la
ecuacin.
k

p
i 1

pi
ni

Donde pi representa la cantidad de defectos por muestra, n representa el tamao de lote

p
o tamao de la muestra, k es la cantidad de muestras que se estn analizando y
representa la media aritmtica de la proporcin de los defectos.
2. Los Lmites de Control estn dados por las ecuaciones

LCS n p 3 n p1 p
LC n p

LCI n p 3 n p1 p

Donde
es la fraccin defectuosa media. Dado que lo normal es que
sea un valor
muy bajo, los tamaos de muestra requeridos son muy altos. Por esta razn se aplican
frecuentemente al anlisis de datos de inspecciones 100%. Si el valor calculado para el
LCI, se toma 0.
Aplicable solamente si todas las muestras son del mismo tamao n.
El grfico estudia el nmero de artculos disconformes. Se construye a partir del
grfico 100p, sin ms que multiplicar por n, los lmites de control obtenidos
II.5.2 Grficos de control basados en la distribucin de Poisson
a) Grfico de control C
Los grficos C se utilizan para controlar el nmero de defectos en una muestra del
producto o unidad de inspeccin. Entonces, para controlar este proceso, un inspector se
coloca al final de la lnea de produccin y cada hora retira una unidad de inspeccin (En
este caso una botella), verifica y anota el nmero total de defectos.
El procedimiento Grfico C crea un grfico de control para los datos, que describe el
nmero de no conformidades registradas como el resultado de inspeccionar m muestras.
Las muestras podran representar un grupo de n artculos, un periodo fijo de tiempo, un
nmero especificado de metros cuadrados de tela, o alguna otra unidad muestral de
tamao fijo. A diferencia de los datos graficados usando un grfico p o grafico np, la
inspeccin de un artculo dentro de la muestra no da lugar simplemente a un grado
aceptable o inaceptable. En lugar de esto da una cuenta del nmero total de los defectos
o de los problemas observados con ese artculo. El grafico puede ser construido en
modo Estudio Inicial (Fase 1), donde los datos actuales determinan los lmites de
control, o en modo Control de un Estndar (Fase 2), donde los limites vienen de algn
estndar conocido o de datos a priori.
Este tipo de Cartas de Control se usa cuando cada unidad de control analizada presenta
ms de un defecto del o los tipos controlados. Dado que el Tamao de la Muestra sea
constante a lo largo del control o no lo sea, consideraremos dos tipos de grficos: El
primero, para tamao de muestra normal es el grafico del nmero de defectos por
Muestra "C"; El segundo es el Grafico del nmero de defectos por unidad "U", que se
emplea con muestras de tamao variable.

Este resultado se anota en un grfico hora por hora y se denomina grfico C. De acuerdo
a la Distribucin de Poisson, si denominamos C al parmetro de la funcin de
distribucin, el promedio de la poblacin es C y la varianza tambin es C. Para construir
los grficos de control C, en una primera etapa se toman N unidades de inspeccin (ms
de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el Nmero de
Defectos y se registra.
Es una grfica por atributos utilizada para controlar el nmero C de defectos presentes
en una unidad de muestreo. Supone que la distribucin de C es una Poisson, y
mediante la aplicacin del criterio tres sigmas, los lmites de control para C son:

LCS c 3 c
LC c
LCI c 3 c
Muchas de las opciones para el grafico C son las mismas que las del grafico P. Este
documento destaca las diferencias entre los 2 grficos. Para informacin sobre opciones
tales como pruebas de corridas y curvas ARL, consulta la documentacin Grfico P.
b) Grfico de control U
Sirve para controlar el nmero de medio de defectos en una muestra de tamao n (por
ej. nmero de unidades inspeccionadas, longitud o superficie de producto, etc.).
Es una grfica por atributos, conocida tambin bajo el nombre de Grfica de defectos
por unidad. Se utiliza como alternativa del grfico C cuando la unidad de muestreo
est formada por n unidades de produccin, y se define u=c/n. Los lmites de control
para U resultan.

LCS u 3

u
n

LC u
LCI u 3

u
n

II.6

GRFICOS DE CONTROL CON MEMORIA

En estos casos se puede optar por alguna o algunas de las siguientes opciones:
1. Utilizar grficos de control ms sensibles (es decir que detecten antes si el
proceso se sale de control), como son el CUSUM o el EWMA.
2. Referir las medidas de las piezas a desviaciones del valor nominal de modo
que resulten comparables las desviaciones producidas en piezas distintas
fabricadas por la misma mquina. De este modo se puede utilizar el mismo
grfico de control para piezas distintas de la misma familia. Esta opcin es
recomendable siempre que se registren las circunstancias en las que se tomaron
cada uno de los datos (de modo que no se violen los conceptos de Grupos
Homogneos Racionales) y que se puedan estratificar cuando se considere
necesario realizar un estudio sobre la posible contribucin de cada uno de los
grupos a la variabilidad.
3. Empleo de Grfico Z-MR. Este grfico estima por separado la media de cada
tipo de pieza y se representan las desviaciones con respecto a esa media. Para
estimar la variabilidad existen cuatro alternativas:
3.1 Considerar que la desviacin tpica es la misma para todas las familias de
piezas. Se calcula la S pooled de todas ellas.
3.2 La varianza es proporcional a la media. En este caso debe realizarse una
transformacin logartmica de los datos para corregir esta
heterocedasticidad. Una vez realizada la transformacin, es anlogo al caso
anterior.
3.3 Las piezas del mismo tipo tienen la misma variabilidad. Se calcula la S
pooled para cada tipo de pieza.
3.4 Cada fabricacin tiene una variabilidad distinta. Se estima S para cada
fabricacin.
4. Estudiar la relacin que existe los parmetros del proceso en lugar de a las
caractersticas de calidad resultantes de las piezas fabricadas. Aplicar el grfico
de control a estos parmetros que son comunes a la fabricacin de toda la familia
de piezas. Esto requiere un conocimiento emprico de las relaciones existentes
entre los valores de los parmetros del proceso y los valores esperados en las
caractersticas de calidad de las piezas producidas. Para alcanzar este
conocimiento son muy tiles las tcnicas estadsticas avanzadas (Diseo de
Experimentos, etc.).
a) Grfico CUSUM
Supongamos que x es una caracterstica de calidad que si el proceso est bajo control
verifica que:

E x
Var ( x ) 2

Sea x la variable de calidad de inters, en estado de control

el siguiente estadstico Ci para acumular informacin

xi N( 0 , 2 )

contruimos

E1 x1 0

E 2 x1 0 x 2 0 C1 x 2 0
...
E i x1 0 x 2 0 ... xi 0
E i C i 1 xi 0

Si el proceso est bajo control:

Si el proceso est bajo control, Ci evoluciona de forma aleatoria alrededor de una
horizontal de nivel cero.

Figura 3.3: Proceso est bajo control.

Si el proceso se desajusta y la media pasa a:

E x k
Si el proceso se desajusta, Ci evoluciona de forma aleatoria alrededor de una pendiente

Figura 3.4: El proceso esta con desajuste

El grfico CUSUM tiene la ventaja de ser ms sensible a las variaciones en la media del
proceso. Para que se pueda aplicar se requiere que la desviacin tpica del proceso sea
muy estable y se disponga de una buena estimacin de ella.
Si 0 es el valor medio supuesto al proceso, el grfico CUSUM se basa en computar las
desviaciones entre las media muestral y 0 acumuladas por las muestras extradas:
El grfico CUSUM tiene la ventaja de ser ms sensible a las variaciones en la media del
proceso. Para que se pueda aplicar se requiere que la desviacin tpica del proceso sea
muy estable y se disponga de una buena estimacin de ella.
Una grfica CUSUM es una grfica de control de tiempo ponderado que muestra las
sumas acumuladas (CUSUMs) de las desviaciones de cada valor de la muestra con
respecto al valor objetivo. Debido a que es acumulada, an la menor desviacin en la
media del proceso conducir a valores de desviacin acumulados en constante aumento
o disminucin. Por lo tanto, esta grfica resulta especialmente til para detectar cambios
lentos con respecto al valor objetivo debido a desgaste de la mquina, problemas de
calibracin, etc. El desarrollo de una tendencia ascendente o descendente indica que la
media del proceso ha cambiado y usted debera buscar causas especiales.
Los puntos de la grfica se pueden basar en observaciones individuales o de subgrupos.
Cuando los datos estn en subgrupos, se calcula la media de todas las observaciones en
cada subgrupo. Los estadsticos CUSUM se calculan, entonces, a partir de estas medias.
Cuando tenga observaciones individuales, las estadsticas CUSUM se calculan a partir
de observaciones individuales. Minitab genera dos tipos de grficas CUSUM:
Grfica CUSUM unilateral: Minitab crea una grfica CUSUM superior y una inferior.
La grfica CUSUM de arriba detecta cambios rpidos ascendentes en el nivel del
proceso y la grfica CUSUM de abajo detecta cambios rpidos descendentes. La grfica
CUSUM unilateral utiliza lmites de control (LCS y LCI) para determinar si ha ocurrido
una situacin fuera de control.
Grfico CUSUM bilateral: La grfica CUSUM bilateral utiliza una plantilla V, en
lugar de lmites de control, para determinar cuando ocurre una situacin fuera de
control. La plantilla V estandariza las desviaciones con respecto al valor objetivo, y crea
una grfica de las desviaciones respecto de este valor.
b) Grficos EWMA
Los grficos EWMA o de medias mviles ponderadas exponencialmente
(ExponentiallyWeightedMoving-verage) se realizan usualmente sobre observaciones
individuales. En este grfico tambin se acumula en cada periodo los valores de
observaciones pasadas.

y i xi 1 y i 1
yi 1 xi 1 xi 1 1 xi 2 1 xi 3 1 xi 4 ...
0

Si

los coeficientes van disminuyendo con un decaimiento exponencial

0,9
Ejemplo:

yi 1 xi 1 xi 1 1 xi 2 1 xi 3 1 xi 4 ...
0

0,9

0,09

Conclusin: si
Ejemplo:

0,009

0,0009

0,00009

es prximo a 1 hay poca memoria

0,1

yi 1 xi 1 xi 1 1 xi 2 1 xi 3 1 xi 4 ...
0

0,1
Conclusin: si

0,09

0,081

0,079

0,0656

es prximo a 0 hay mucha memoria

Lmites de control de los grficos EWMA o de medias mviles ponderadas

exponencialmente (Exponentially Weighted Moving-Average).
LCS 0 3

1 1
2

2i

LC 0

1 1
LCI 0 3
2

2i

Figura 3.5: Grafico EWMA

Los grficos EWMA (exponentially weighted moving average) tambin tienen una
sensibilidad mayor que el grfico de Shewhart. Para que se puedan aplicar se requiere

que la desviacin tpica del proceso sea muy estable. Su aplicacin consta de los
siguientes pasos:
1) De manera habitual se extraen k muestras y se calculan sus medias. , , , , 1 2 3 k x
x x Lx
2) Se estima la media y desviacin tpica del proceso a partir de los datos anteriores.
Una grfica de control EWMA es una grfica de control de tiempo ponderado que
grafica los promedios mviles con ponderacin exponencial. Las grficas EWMA son
especialmente adecuadas para monitorear procesos que presentan una media que cambia
gradualmente a lo largo del tiempo, o para detectar pequeos cambios rpidos en un
proceso.
c) Grficos de medias mviles
Sean las observaciones xi, i=1, 2, n. En el grfico de medias mviles se estudia la
evolucin del estadstico:

yi

xi xi 1 ... xi m 1
m

Por tanto, el grfico de controles, para las observaciones i<m

LCS 0 3

LC 0
LCS 0 3

Figura 3.6: Grafico de promedio de mviles

II.7

CAPACIDAD DE PROCESO

Dentro del control estadstico existen una infinidad de parmetros que ayudan a
controlar los procesos, solo por mencionar algunos se tienen Cp, Cpk , porcentaje de
defectuosos, nmero de sigmas estndar para que los Lmites Naturales coincidan con
los Lmites de Especificaciones y la cantidad de sigmas que el proceso est separando
del proceso de la media nominal, los cuales indican la situacin actual del proceso
hablando de manera estadstica. Para entender mejor cada concepto se desarrollar un
anlisis de sus ecuaciones.
Capacidad del Proceso = 6
Es esencial resaltar que la variabilidad natural del proceso, 6, es intrnseca a l e
independiente de las tolerancias que se asignen. Por lo tanto, si 6 es menor que el
intervalo de las tolerancias a cumplir, necesariamente algunos productos fabricados
estarn fuera de tolerancia y sern no conformes. Si no se tiene en cuenta este hecho y
se pretende corregir a base de reajustar el proceso, es decir modificar el centrado, lo
nico que se consigue es aumentar la variabilidad del mismo.

Control de Procesos vs Capacidad de Procesos

Figura 3.7: Control del Proceso = Estabilidad a travs del tiempo

Figura 3.8: Capacidad del Proceso = La capacidad de un proceso estable para

cumplir con las especificaciones.

Ejemplos de Estabilidad y Capacidad

Figura 3.9: Un Proceso estable y capaz

Control Vs Capacidad

Figura 3.10: Proceso estable pero no capaz

Figura 3.11: Control Vs Capacidad

a) Capacidad potencial
El ndice Cp refleja el potencial del proceso si el promedio estuviera perfectamente
concentrado entre los lmites de especificacin. Entre ms grande el ndice Cp, mejor!
Para un Proceso Six Sigma, Cp = 2. La principal razn para cuantificar la capacidad de
un proceso es la de calcular la habilidad del proceso para mantener dentro de las
especificaciones del producto. Para procesos que estn bajo control estadstico, una
comparacin de la variacin de 6 con los lmites de especificaciones permite un fcil
clculo del porcentaje de defectuosos mediante la tolerancia estadstica convencional.

Figura 3.12: Capacidad potencial

b) Cuantificacin del Desempeo Real del Proceso (Cpk)

A diferencia del ndice Cp, el ndice Cpk toma en cuenta el desplazamiento fuera del
centro del proceso. Mientras mayor sea el ndice Cpk, mejor. Si el proceso no estuviese
centrado, el valor de este ndice falseara el grado de cobertura con respecto a fabricar
piezas fuera de tolerancias. En estos casos es ms significativo el ndice Cpk que se
define:
Cp k

LSE R R LIE
,
3
3

Figura 3.14: Para un Proceso Six Sigma, Cpk = 1.5

Un Proceso Capaz
Se dice que un proceso es capaz cuando los puntos de la distribucin de las mediciones
individuales quedan comprendidos 3 dentro de los lmites de especificacin.

Figura 3.15: Esquema de un proceso capaz

Figura 3.14: Cuatro procesos Estables

Qu tan Capaz es?

Figura 3.14: Nivel de Capacidad de procesos

III.

MATERIALES Y MTODOS

3.1

Material
Frutas, hortalizas, tallos, etc. de una cantidad

3.2

Materiales de vidrio
-

3.3

Cuchillo
Bureta de 25 mL
Pipeta de 1, 5, 10 mL
Matraz de 150 Ml
Vasos de 250Ml
Probeta de 100, 500 Ml
Fiola de 100 mL
Reactivos

Solucin de NaOH 0,1N, 0,05N

Indicador de fenolftalena
Yodo
Yoduro de potasio
Vaso de 150 mL
Bureta de 10 mL
Erlenmeyer de 150 mL
Pipeta de 10 ml
Fiola de 100 mL
Placas petri

3.4

Equipo
-

3.5

Termmetro
Refractmetro
Procedimiento de Anlisis de la fruta u hortaliza

3.5.1 Determinacin de slidos solubles

Se colocaban unas gotas de extracto del fruto sobre el cristal de lectura de un
refractmetro y se proceder observar el valor que aparece en la escala graduada del
aparato (Brix).
3.5.2

Determinacin de acidez titulable

1. Pesar 5 g de fruta carnosa y agregar 50 mL de agua destilada hervida y fra, y

proceder a licuar.
2. Filtra en un filtro grueso
3. Colocar 10 ml en un vaso precipitado de 50 mL.
4. Agregar 3 gotas de fenolftalena
5. Titular con NaOH 0,01N para manzana o similares para ctricos NaOH 0,1N y
anotar los gastos.
6. Realizar los clculos
3.5.3

Medicin de volumen de jugo

Con ayuda de una exprimidora extraer el jugo en cada grupo de naranjas y medir
su volumen en una probeta.
3.5.4

Inspeccin por atributos (observacin de defectos)

1. Separar por grupos de tamao homogneo o heterogneo.

2. Observar en cada grupo los defectos de calidad (ejemplo en naranjas: manchas,
cicatrices, otros defectos de calidad segn norma especfica de cada producto).
3. Llenar el cuadro respectivo de defectos.
Tabla 1: resultados de inspeccin por atributos
Muestra Defectos
1
2
3
.
30
4. Procesar los datos recolectados en Excel y Minitab, segn las indicaciones del
profesor.

5. Interpretar los resultados y realizar las recomendaciones

3.6

Procedimiento de procesamiento de datos para el caso de grficos tipo

XyR

Paso 1: Colectar los datos Caso de Naranjas de jugo que ingresa a la planta de
produccin de Jugos concentrados)
Del total de la poblacin de naranjas que ingresan a la planta de proceso, se
realiza el muestreo de las naranjas de tamao de muestra segn la Norma de
muestreo, de ello se determinaran diferentes grupos de tamao homogneo, en
cada grupo se determinar la variable de inters a evaluar, en nuestro caso de
inters a evaluar es Concentracin de solidos totales como azcar (Brix), acidez,
y volumen del jugo de cada grupo homogneo. Y esos valores sern plasmados en
las siguientes tablas 1, 2 y 3 respectivamente.

Tabla 2: Tabla de formato de recoleccin de datos (Ejemplo caso de Naranjas de jugo)

n= elementos (Lecturas de Brix)
Muestra
X1
X2
X3
X4
X5
1
2
3
.
10
Tabla 3: Tabla de formato de recoleccin de datos (Ejemplo caso de Naranjas de jugo)
n= elementos (Lecturas de Volumen
de jugo mL)
Muestra
X1
X2
X3
X4
X5
1
2
3
.
10
Tabla 4: Tabla de formato de recoleccin de datos (Ejemplo caso de Naranjas de jugo)
n= elementos (Lecturas de % acidez
acido ctrico)
Muestra
X1
X2
X3
X4
X5
1

2
3
4

Paso 2: Calcular el promedio

XyR

para cada subgrupo

Obtener la media aritmtica [14] del total de datos de las muestras.

X

X 1 X 2 .... X N
n

R X mayor X menor

Paso 3: Calcule el rango promedio

R

R1 R2 ......RK
K

X 1 X 2 ....... X K
K

y el promedio del proceso

Donde K es el nmero de subgrupos, R1, R2. Es el rango de cada subgrupo;

el promedio de cada subgrupo.

X 1 , X 2....

son

Paso 4: Calcule los lmites de control

Lmites de Control de medias (Douglas,2001) estn dados por las ecuaciones
LSC X X A2 R
LC X X
LIC X X A2 R
Donde LSC, LC, LIC representan los Lmites Superior, Central e Inferior
X
R
respectivamente, es la media obtenida,
es el rango promedio obtenida en paso 2 y

A2 es una constante que se obtiene de acuerdo al nmero de elementos que contiene

cada muestra que se est analizando
Lmites de control de rangos
Estas grficas muestran la variabilidad en proporcin a un mayor control de desempeo
del proceso. Este tipo de grfico es ms susceptible a mostrar los cambios en las
muestras, por lo que primero se recomienda obtener este tipo de grficos y luego
obtener la grfica de medias, de acuerdo a los Lmites de Control (Douglas,2001).
LCS R D4 R

LCS R R
LCI R D3 R
Donde D4, D3, A2 son constantes que varan segn el tamao de muestra. A continuacin,
se presentan los valores de dichas constantes para tamaos de muestra de 2 a 10.
Paso 5: Trace la grfica de control
Dibuje las lneas de promedios y lmites de control en las grficas. Los lmites de
Control se dibujan con una lnea discontinua y los promedios con una lnea continua
para ambas grficas.
Marcar los puntos en ambas grficas y unirlos para visualizar de mejor manera el
comportamiento del proceso.
Paso 7: Anlisis de algunos resultados
IV.

RESULTADOS Y DISCUSIONES

Los resultados procesados en Microsoft Excel o Minitab deben ser presentados en

funcin al tipo de datos de recoleccin obtenidos. (leer bien la teora).
V. CONCLUSIONES
VI.

BIBLIOGRAFA

Douglas C. Montgomery. Introduction to statical Quality Control. Arizona State

University. John Wiley & Sons, Inc. Fourth Edition. ISBN 0-471- 31648-2.(2001)

Hart M., Ph.D. & Hart R., Ph.D. Introduction to STATISTICAL PROCESS CONTROL
TECHNIQUES. Static Software, Inc., 1128 NE 2nd St, Ste 108, Corvallis, Oregon
97330. pp.14. (2007).
Harrison M. Wadsworth, JR. Kenneth S. Stephens, A. Blanton Godfrey. Metodos de
control de calidad. CECSA. ISBN 970-24-0648-X.Georgia Institute of
Technology, Souther Polytechnic State University, North Carolina State
University. Pp. 6. (2005)
Institute of Technology, Souther Polytechnic State University, North Carolina State
University. Pp. 6. (2005)
Rodrguez P., Alberto I., Rodrguez J. Control estadstico de la calidad de un servicio
mediante Grficas y R. Redalyc. Poltica y Cultura.Universidad Autnoma
Metropolitana Xochimilco Mxico. ISSN (Versin impresa): 0188-7742. pp.
151-169.(2009)
System Reliability Center 201 Mill Street Rome, NY 13440-6916. Copyright Alion
Science and Technology. All rights reserved.( 2004)
Umut K. Application of statistical process control to software development processes
via control charts. A thesis submitted to the graduate school of informatics. The
middle east technical university.( May 2003)