Está en la página 1de 211

CONTROL DE CALIDAD DE PRODUCTOS

AGROINDUSTRIALES (TA-543)
CLASE TEORICA

Ing. Msc. EUSEBIO DE LA CRUZ FERNANDEZ


DOCENTE DE LA ESCUELA DE FORMACION PROFESIONAL DE INGENIERIA AGROINDUSTRIAL

FIQM UNSCH
1
AYACUCHO - PERU
Relación entre los atributos de calidad y
las técnicas analiticas para su medición

2
ELEMENTOS EXTERNOS ELEMENTOS INTERNOS
(Personal, maquinaria/ equipo) (Formulaciones, técnicas)

FABRICACIÓN
Exactitud, variabilidad, precisión

PRODUCTO FINAL
SUJETO A
VARIACIONES

3
VARIACIONES

CAUSA VARIACIONES EFECTO


Variaciones en la calidad del
proceso y producto final.
Durante la producción. Suelen ser muchas e incluso
a) No asignables, Dos productos no son desconocidas. Cada una produce
Naturales, aleatorias o idénticos. poca variabilidad, son parte
fortuitas. Pues se alteran las permanente e inherente del
características. proceso. Su eliminación es difícil y
es responsabilidad de la dirección.
Afectan todo el proceso.

Variación en el producto final.


Suelen ser pocas y faciales de
identificar. Sus efectos son
b) Asignables, No Afectan al producto importantes, aparecen
naturales, atribuibles, terminado (Variables / esporádicamente y se detectan
imputables. Atributos) fácilmente.
Son fáciles de eliminar y actúan en
un punto concreto del proceso.
4
Control Estadístico de La Calidad

Es una rama del Control de la Calidad, consiste en


el acopio, análisis e interpretación de datos para
su uso en el control de calidad.

Los elementos mas importantes del control


estadístico de la calidad es el control estadístico
de Procesos y el Muestreo de Aceptación.

5
Control Estadístico de Procesos

Este término se utiliza para describir un


concepto y una metodología que utilizan un
análisis estadístico probado para:
 Determinar si es que una actividad repetitiva,
se encuentra en un estado predecible.
 Incrementar la habilidad de manejar dicha
actividad en ese estado una vez que este ha
sido obtenido.

6
Herramientas para la Gestión de la
Calidad

 Estas herramientas, aunque son muy


sencillas son muy importantes ya que
son en gran medida desconocidas en la
industria.
 Muchas de estas herramientas pueden
(y deben) ser aplicadas directamente
por los operarios.

7
HERRAMIENTAS DE GESTION DE CALIDAD
· Histograma
· Diagrama de Pareto
Herramientas de · Diagrama de correlación
medición y control
· Gráficos de control.
· Capacidad de Procesos
· Métodos de control de tiempo.
· Encuestas o cuestionarios.

· Diagrama de flujo
Herramientas para el
análisis y resolución de · Diagrama causa efecto o Ishikawa
problemas · Analisis FODA

· La lluvia o tormenta de ideas


Herramientas de grupo y
· Benchmarking
de ayuda a la creatividad
· Circulos de calidad

8
Histogramas

 Son gráficos de barras que muestran la


dispersión de un proceso, agrupando los
valores en clases o rangos.
 Permite ver la distribución de los valores de una
cierta variable de un proceso, así conocerlo y
analizarlo.
 Las características de un histograma son su
forma, la media y la dispersión.

9
Se utiliza para la ordenación de datos y hechos que son
utilizados en la medición de datos para poder seleccionar
los problemas para su resolución y para la mejora de la
calidad

10
Ejemplo: En la industria de conserva de pescado, línea cocido, el tiempo de
precocción depende la cantidad de materia en cada canastilla; para ajustar
el proceso, se evaluó la variación de pesos de las canastillas llenas de
anchoveta pelada que ingresaron a los cocinadores estáticos para su
precocción, se pesaron 50 canastillas obteniendo los siguientes resultados
en Kg

15,0 18,5 20,5 22,5 25,5


15,5 18,8 20,7 22,7 25,9
16,0 19,0 20,9 23,0 26,2
16,5 19,1 21,3 23,2 26,5
16,8 19,3 21,4 23,3 26,7
17,0 19,5 21,7 23,7 27,1
17,3 19,7 21,9 23,9 27,6
17,7 19,8 22,0 24,4 27,9
18,0 20,0 22,1 24,7 28,1
18,3 20,2 22,3 25,0 28,4
11
SOLUCION
n: numero de muestras = 50
R = Dato Max - Dato min =13,4 Kg
m = 1+ 3,32 log (n) =7
A = R/m = 2,01790. =2

Distribución de frecuencias de los pesos de las


cubetas de anchoveta
[ Intervalo > Xi fi Fi hi Hi hi%
15 17 16 5 5 0,10 0,10 10
17 19 18 7 12 0,14 0,24 14
19 21 20 11 23 0,22 0,46 22
21 23 22 9 32 0,18 0,64 18
23 25 24 7 39 0,14 0,78 14
25 27 26 6 45 0,12 0,90 12
27 29 28 5 50 0,10 1,00 10
TOTAL 50 1,00 100
12
HISTOGRAMA DE FRECUENCIAS

12

10
FRECUENCIA
8

INTERVALOS

Del análisis se desprende que hay 11 canastillas con anchoveta que


pesan entre 19 a 21 kg, cuyo promedio es de 20 kg. Se desprende que
existe mucha dispersión de datos y no se lograra uniformidad en la
cocción del pescado.

13
Diagramas de Pareto

 Son representaciones de la densidad y la distribución de


variables aleatorias nominales (usualmente causas de
falla en sistemas o defectos en productos).
 Las causas se ordenan de modo de distinguir cuales
son las más importantes.
 Usualmente opera la regla del 80-20, el 80% de los
problemas se deben al 20% de las causas.

14
 Es un gráfico de barras de muy sencilla
realización que permite identificar las causas
más importantes que influyen en un proceso o
características de un producto.
 Sobre estas causas es donde debe enfocarse la
atención para realizar las mejoras o
modificaciones.

15
Diagrama de Pareto
 Se basa en el principio
enunciado por Vifredo
Pareto:
“Pocas causas originan 20 80
la mayor parte del
80 20
problema, y la mayoría
de las causas carecen CAUSAS PROBLEMAS

de importancia”

16
PASOS PARA ELABORAR DEL DIAGRAMA DE PARETO

Problemas: Defectuosos, perdidas


Definir Problema a económicas, accidentes
investigar y
Datos a colectar y clasificar
recolección de
datos Método de colecta de datos y tiempo de
duración

Ejemplo:
Tipo de defecto Recuento Total
Defecto I IIIIIIIIIIIIIIII…..IIIIIII 38
Defecto II IIIIIIIIIII 12
Diseñar tabla y Defecto III IIIIIIIIIIIIIII….IIIII 54
colectar datos Defecto IV IIIIIIII 8
Defecto V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII 34
Otros IIIIIIIIIIIII 13
Total 159

17
PASOS PARA ELABORAR DEL DIAGRAMA DE PARETO

Total
Tipo de defecto defectos acumulado
% % acum.
Defecto III 54 54 34 34
Defecto I 38 92 24 58
Defecto V 34 126 21.5 79.5
Tabular en orden Defecto II 12 138 7.5 87
descedente Defecto IV 8 146 5 92
Otros 13 159 8 100
Total 159 100

100

Numero unidades defectuosas


140

Porcentaje acumulado
100
Construya 50
diagrama de barras 60

20

III I V II IV otros

18
DEMORA EN LAS ENTREGAS May 00 - SUC. 1 Demora en días 0.58
100,0%
100%
98,3%
96,6%
90% 93,1%

87,9%
80% 82,8%

70% 72,4%

60%

50%
43,1% 43,1%
40%

29,3%
30%

20%

10,3%
10%
5,2% 5,2%
3,4%
1,7% 1,7%
0%
Cred/Vtas Debajo Fuera Stock Factura Vencida Ruteo Transpor te Trans Pedidos Devoluciones
Standard
MOTIVOS

19
Ejemplo: Número y tiempos de parada en una línea de envasado

Número de Paradas Tiempo de Parada


Turno 1 Turno 2 Total Turno 1 Turno 2 Total
(A) Rotura de hilo 18 24 42 20 31 51
(B) Cinta 15 10 25 12 10 22
(C) Vibrador 92 88 180 62 68 130
(D) Tornillo sin fin 1 6 7 2 8 10
(E) Apelmazamiento 0 1 1 0 1 1
(F) Rotura de saco 2 1 3 4 1 5
(G) Otros 1 0 1 8 0 8

12
.025 1
250
02
.900 0
225
0.8 0
200 175

0.7 0
175 150
0.6 0
150 125
0
125 0.5
100
0
TiempodPar
100 0.4
NumerodPas

75
0
75 0.3
50
0
50 0.2
25 0
25 0.1
0 0

20
0 0.0
C A B D GF E
CA B DF E G
C aus as
C aus as
Diagramas de correlación

 También son conocidos como diagramas de


dispersión.
 Muestran los valores de una variable en
comparación a los de otra.
 Sirve para determinar si existe o no,
correlación entre dos variables de un
proceso.

21
Diagramas de correlación

22
Ejm.

 Se trabaja en una maquina embolsadora, que


corta las bolsas en medidas determinadas, se
desea saber si el largo de las bolsas variarán
con la velocidad de embolsado, para ello se ha
colectado los siguientes datos:

23
Diagrama de correlación
Velocidad de embolsadora vs. Largo de bolsa Velocidad de embolsadora VS Largo de bolsa

62
Veloc. De la Largo de la
Numero de
maquina bolsa de
observacion 61.6
(pie/min) yogurt (mm)

Largo 61.2
1 10 60.2 bolsa
2 11 60 mm
3 13 60.4 60.8
4 10 60
5 16 61.4 60.4
6 13 60.8
7 15 61
60
8 17 61.6
9 14 61.4
10 15 61.2
11 12 60.2
12 15 61.6 0 10 11 12 13 14 15 16 17 18
13 11 60.4 Veloc. De embolsadora
14 14 61 (pie/min.)

24
Ej.

 En el pediluvio de una agroindustria, antes de


la jornada de trabajo se coloca solución
desinfectante de 250 ppm de CLR, se ha
evaluado la disminución del CLR en función
al numero de personas que transitan, además
se ha establecido que soluciones menores a
20 ppm de CLR no ejercen efecto
desinfectante; se obtuvieron los siguientes
datos:

25
No personas que transitan por pediluvio VS
CLR 250

Numero de Numero de
CLR (ppm)
observaciones personas
200

1 2 236
2 4 212

CLR en ppm
150
3 6 198
4 8 180
5 10 165
6 12 143 100
7 14 130
8 16 119
9 18 102
10 20 87 50
11 22 65
12 24 45 y = -8.1681x + 246.74
13 26 34 R2 = 0.9973
14 28 23 0
0 10 20 30
Num ero de personas

26
Diagrama causa-efecto (Ishikawa)

 Exhibe la relación entre una característica de


un producto o servicio (el efecto) y todos los
factores o causas que producen ese efecto.
 Tiene el aspecto de “esqueleto de pescado”,
por lo que en ocasiones, se denomina de esa
manera.

27
Utilización:
 Para ilustrar con claridad cuales son

las causas de variabilidad o dispersión


que afectan a un proceso productivo,
administrativo o de negocios, así como
las relaciones entre estas causas.
Permite tener un conocimiento más
acabado del proceso, por la interacción de
los participantes.

28
 Principales grupos de causas en procesos
industriales:
• Mano de obra,
• Maquinarias,
• Métodos,
• Medio ambiente,
• Materias primas,
• Medición.
“Las seis M”

29
DIAGRAMA CAUSA - EFECTO *

Maquinarias Mano de Método


y equipos obra
sueldo no Flujo
Diseño no atractivo inadecuado
sanitario
Mala Sist. de menor
ubicación s/capacitac. trabajo
Sist. de cantidad Temperatura
control Contrato
Capacitación temporal LLenado en mayor
Pasteuriz.
Falta de instr.
para calibrar
Blancher
LTLT Mala
Insuficiente s/experiencia frecuencia calidad
Curvo vencidos del
Diseño
Deforme inadecuado Reactivos
Sin estándar producto
Cercano a contaminados
exceso No sanitario basurales No calibrado
Torcido
Personal no
Exceso de entrenado
Dosis Equipos
Pesticidas
defecto

Materia prima Medio Medición


e insumos Ambiente

* ESPINA DE PESCADO
ISHIKAWA

30
Diagrama de flujo
Es una representación gráfica utilizada para
mostrar la secuencia de pasos que se realizan
para obtener un cierto resultado. Éste puede ser
un proceso, un servicio, o bien una combinación
de ambos

Consiste en la representación o descripción básica


de un problema, que nos ayudará a entender el
funcionamiento de un proceso antes de tomar una
solución. Es una herramienta útil para examinar
cómo se relacionan entre sí las distintas fases de
un proceso
31
Esta herramienta
permite una
visualización
completa del
proceso y de sus SI
posibles problemas,
dando una imagen
de conjunto que
permite un análisis SI
mucho más eficaz.

32
2. DIAGRAMAS DE FLUJO.

Permiten al analista
de observar el
proceso y hacer algún Importante para
juicio con referencia a determinar dónde
los puntos de control recopilar datos.
y a las fuentes de Estos diagramas
variación. ilustran gráficamente
el flujo del trabajo

33
Usos de los diagramas de flujo..

 Para mostrar la secuencia de operaciones en


cualquier proceso
 Para visualización simplificada de cualquier
secuencia de un proceso.
 Para indicar las cantidades de materiales y
transferencia de energía
 Para mostrar como el producto de una fase
cualquiera de proceso se convierte en la materia
prima o insumo para el siguiente
 Para mostrar fases de almacenamiento y
acumulación en la secuencia de cualquier proceso
 Para mostrar la localización de puntos muestrales
para cada fase del proceso
34
Pasos para la construcción de un diagrama de flujo.

 Hacer una lista de todas las actividades y operaciones


en el proceso

 Enumerar las actividades y eventos en la misma


secuencia, en la cual realmente se presentan

 Enmarcar cada paso del proceso con símbolos estándar


u otros predeterminados

 Unir los cuadros con flechas para indicar la dirección


del flujo

35
Pasos para la construcción de un
diagrama de flujo.

 Revisar cada paso y cerciorarse que se han


considerado todas las entradas y salidas
para dicho paso ( pueden haber pasos
intermedios)

 Revisar el proceso y conformar el diagrama


con lo que realmente está sucediendo

 Entrenar a los operarios

36
FLUJOGRAMA COMO HERRAMIENTA DE CONTROL

SIMBOLOS

Inicio-fin

Operación

Dirección del Flujo

Decisión

Conector o
inspección

Documento
resultado
37
CONTROL ESTADISTICO DE
LOS PROCESOS

38
CONTROL ESTADISTICO DE LA CALIDAD

Es la totalidad de los medios y actividades con los que una empresa


agroindustrial pretende eliminar, en todas sus fases, las causas que originan
los defectos.

¿Cuando hay que controlar?


Cuando se sospeche que existe una prioridad importante a mejorar la calidad
(Reducción del tiempo, dinero, etc.)
Decisión de controlar (Métodos: VAN, juegos; Bayesiano).
¿Qué hay que controlar?
Las causas de las fallas de calidad o las excesivas variabilidades.
Método: Selección de las variables a controlar.
¿Quién debe controlar la calidad?
Trabajadores de cada unidad de trabajo, previa capacitación. Variable a
controlara será en función de los requisitos.
¿Quién será el responsable del proceso de mejora de la calidad?
Los que participan en el proceso de control (Círculos de calidad)
¿Dónde y como controlar la calidad?
Proceso de transformación (mejorar y prevenirlas fallas) muestreo/grafo.
Control. 39
Recepción de la materia prima e insumos.
Producto (s) final (es).
En estas dos partes en conveniente conocer si cumple o no las
especificaciones dadas. Muestreo/planes de control.

SELECCIÓN DE LAS VARIABLES A CONTROLAR

Diagrama de Pareto, Diagrama de variables (A, B, C), lluvia de ideas,,


diagrama causa-efecto. Diseño experimental (Método Taguchi y Cuadrado
Latino).

DESICIÓN DE CONTROLAR

Paso previo a implementar un SCC, debemos analizar su viabilidad


económica.
VAN; Viabilidad de un control mediante juegos; método Bayesiano.

CONTROL DE CALIDAD MEDIANTE MUESTREO


Consiste en obtener la información requerida (cualitativa/cuantitativa) de
una población de manera no exhaustiva. Nº medios ó % de defectuosos.

40
CONTROL DE CALIDAD MEDIANTE PLANES DE MUESTREO.

Los planes de control los clasifica en buenos ó malos/pasa: no pasa, el objetivo


es crear un sistema de muestreo que sirva para aceptar o rechazar el lote
inspeccionado. Se hace en función de los defectuosos (Tablas). Error I y Error II.
MIL STD 105D.

CONTROL DE CALIDAD MEDIANTE GRAFICOS DE CONTROL.

Prever en corto plazo las fluctuaciones.


Falla: causas (Asignables-conocidas-; no asignables- no conocidas-).
En el proceso de producción:
Variables Continuas: peso; º brix; Tº; Litros, Densidad, etc. G. C X, R y S,
IC
Discretas: etiquetas mal pegada, manchas, abolladuras, etc.
G. C DEFECTOS Y DEFECTUOSOS.

41
HERRAMIENTAS ESTADISTICAS

Conseguir una línea divisora para separar las causas asignables de las
aleatorias.

Ventajas:

Señalar las causas asignables en el momento oportuno.


Corregir el proceso.

Límites de control.- Detectar el no funcionamiento normal de los factores,


tomar medidas para su ajuste.

Límite de tolerancia.- Especificaciones, es el rango de porcentaje que


debemos considerar como desviación permitida respecto al estándar o de
referencia.

ESTADISTICA.- Ciencia que se encarga de recopilar, tabular, analizar,


interpretar y presentar los datos reunidos y agrupados sistemáticamente.

42
DEFINICIONES DE IMPORTANCIA

Observación.- Es el registro de una característica sujeta a medición


o control.

Esta Característica es conocida como variable; es lo que esta sujeta


a medición o estudio. Son de dos tipos: Cuantitativos, son valores
numéricos que toman las variables, son diferentes dentro de ciertos
límites (continuas: cuando caen en el conjunto de los números
reales; discretas: cuando caen dentro de los valores
correspondientes al de los números enteros) y Cualitativos son
cuando se analizan cualidades del objeto.

Población.- Conjunto de observaciones con una característica en


común.
Parámetro.- Es el valor constante que define y caracteriza a la
población.
Muestra.- Es un conjunto de observaciones extraídas de una
población.
43
Valor Estadístico.- Son medidas que se determinan en una muestra,
con el fin de estimar un parámetro, pueden tener diferentes valores
para muestras diferentes por lo que se les trata como variables. Los
valores estadísticos son buenos estimadores de los parámetros.
Pueden ser de dos tipos:

a.- Medidas de tendencia Central: valor numérico que sirve para


describir la variación central de los datos o en que medida se
agrupan los datos con el centro. Pueden ser agrupados y no
agrupados.
Parámetros Valor Estadístico
Media/ promedio μ X
Mediana (valor central) Me me
Moda (Nº repeticiones) Mo mo
Media geométrica
Media armónica
Raíz cuadrada media

44
b.- Medidas de dispersión: Valor numérico que ayuda
a ver como se diseminan los datos entorno al valor
central.
Parámetros Valor Estadístico
Variancia σ2 s2
Desviación estándar σ s
Coef. Variabilidad CV cv = s/ x
Amplitud o rango R r
Desviación media

45
Organización de los datos.- El empleado en este caso es la
Distribución de Frecuencia, que viene a ser el registro o
tabulación del número de veces que se representa una
cierta medición de la característica de calidad de una
muestra en estudio. Es la mejor forma de conocer la
variación. Los pasos a seguir son:

Recopilación de datos/ información/


característica.
Confección del cuadro o tabulación.
Determinar el rango o amplitud; Número de clase; tamaño
de clase; Intervalos de clase; Marca de clase: frecuencia
(absoluta, acumulada absoluta, relativa y acumulada
relativa)
Confección de los gráficos: histogramas o
barras, polígonos y ojivas.
Interpretación. 46
Distribución de Probabilidades (*).- Son modelos
matemáticos de la distribución de frecuencias, en las
cuales en lugar de considerar frecuencias se consideran
probabilidades. Pueden ser tablas o gráficos.

La variable aleatoria, es la asignación de un valor numérico


a cada uno de los resultados de un ensayo, asume un
valor X siendo ésta un valor o número real dentro del rango
de la variable aleatoria. Pueden ser: Discretas, cuando el
número asignado es un valor entero (Binomial, Poisson e
Hipergeométrica) y Continuas, cuando el número asignado
es un valor real (normal estandarizada).

47
DISCRETAS:

Distribución binomial o de Bernoulli.

Donde:
n = Cantidad o tamaño de muestra.
Y= Cantidad o número de unidades de defectuosos
en la muestra.
p = Fracción de defectuosos (éxito).
q = Fracción de no defectuosos (fracaso).

La media = X esperada = np
Desv. Estándar = σ = (n p q)1/2. 48
Distribución de Poisson.

Donde:
X = Número de unidades defectuosas en la muestra.
n p = Conteo promedio = λ.
℮ = 2,718281.
Desv. Estándar = σ = (n p q)½.

49
Distribución Hipergeométrica.
* **
M N-M
x n-x

P (x) = ______________
N
n
***
Donde:
P (x) = Probabilidad de que exista “x” defectuosas
dentro de una muestra de tamaño n.
*** = Combinación de todas las unidades.
* = Combinación de las unidades defectuosas.
** = Combinación de las unidades aceptables.
N = Unidades presentes en el lote.
n = Unidades presentes en la muestra.
M = Unidades defectuosas en el lote.
x = Unidades rechazadas en la muestra.
50
CONTINUAS (*).

Cuando las unidades medibles son m, Kg., Oh, esto


indicará una probabilidad continua, por lo que la inspección
en control de calidad estará definida por la curva normal.

Z = (X i - μ) ~ N
σ

Donde:
μ = 0 (media) y σ = 1 (des. Estándar)
X i = nueva condición.

La solución es mediante el uso de tablas especiales y con


ayuda de gráfico a lo normal.
51
DISTRIBUCION NORMAL O
CURVA DE GAUSS

 Es una curva de la distribución de


frecuencias.
 Es una distribución simétrica, unimodal, en
forma de campana, en donde la media,
mediana y moda tienen el mismo valor.

12-may-16 52
DISTRIBUCION NORMAL
% DE ELEMENTOS COMPRENDIDOS DENTRO DE CIERTOS VALORES DE LA
DESVIACION ESTANDAR

68.26%

95.46%

99.73%

-3 -2 u ................ 2 3
12-may-16 53
Tabla:
Áreas bajo
la curva
normal

12-may-16 54
Tabla:
Áreas bajo
la curva
normal

12-may-16 55
Ej.
 Según la norma sanitaria aplicable a la fabricación de
alimentos envasados de baja acidez, el vacío mínimo en
envases de hojalata cilíndricos con capacidad hasta 370
mL, deberá ser no menor de 70,2 mm Hg (3 pulgadas de
Hg). Basados en dicha norma se ha evaluado la producción
de una empresa conservera y se ha encontrado que tenia
una media de 73,4 mm Hg con desviación estándar de 2,7
mm Hg; Si se ha producido 36000 envases:

A. Cuantos envases no cumplen con la norma sanitaria?


B. Cuantas latas tendran presiones de vacío entre 70,2 y 73
mm Hg?
C. Cuantas latas tendran presiones de vacío mayor de 76 mm
Hg.

12-may-16 56
A.- Según el problema tenemos:
  2.7   73.4 X  70.2

X  
Área normalizada: Z 

X=70.2 u=73.4

Determinamos el % de área por debajo de 70.2 mm Hg

70.2  73.4
Z1   1.185  11.9%
2.7
Por regla de tres simple: 36000  100%
X  11.9%

4,284 envases no cumplen con la norma.


12-may-16 57
B.- Según el problema tenemos:

  2.7   73.4 X 1  70.2 X 2  73

X  
Área normalizada: Z 
 X1=70.2 u=73.4
X2=73

Determinamos el % de área entre 70.2 y 73 mm Hg


70.2  73.4
Z1   1.185  Area1  11.9% A2 – A1 = 32.53%
2.7
73  73.4
Z2   0.148  Area 2  44.43%
2.7
Por regla de tres simple: 36000  100%
X  32.53%

11,711 envases tienen presiones de vacío entre 70.2 y 73 mm Hg


12-may-16 58
C.- Tenemos:
  2.7   73.4 X 1  76

X  
Área normalizada: Z 
 u=73.4 X1=76

Determinamos el % de área mayor a 76 mm Hg


76  73.4
Z1   0.963  Area  83.15%
2.7
Por diferencia del 100% del área: 100% - 83.15% = 16.85%

Por regla de tres simple: 36000  100%


X  16.85%

6,066 envases tienen presiones de vacío superiores a 76 mm Hg.


12-may-16 59
Ej.
La humedad promedio del panetón elaborado en la CEP en la
ultima campaña navideña fue de 27.1% con una desviación
estándar de 0.985; además se sabe que los valores de
humedad del panetón empacado debe estar entre 24.5 a 28%

a) Que porcentaje de la producción tendrá menos del 24.5 % de humedad


b) ¿Que porcentaje de la producción no cumple con la humedad establecida?

c) De 10000 unidades de producción ¿que cantidad de panetones tendrá entre


24.5 y 28% de humedad?
d) Se desea que no mas del 3% de la producción tenga mas de 28% de
humedad. Desde el punto de vista estadístico y tecnológico como debe
ajustarse la variabilidad del proceso

12-may-16 60
a) Que porcentaje de la producción tendrá menos
del 24.5 % de humedad

x
z

x=24.5, µ=27.1, σ=0.985

z  2.64  A1  0.0041

A1=0.41%
A1

12-may-16 61
b) ¿Que porcentaje de la producción no cumple con la
humedad establecida?
x
b) ¿Que porcentaje de la z
producción no cumple 
con la humedad x = 24.5; x =28, µ=27.1, σ=0.985
1 2
establecida?
z1  2.64  A1  0.41%;
B zB  0.914  B  81.86%;
pero A2+B=1
A2  1  0.8186  A2  18.14%
A1 A2
Por lo tanto:

A1  A2  18.55%

12-may-16 62
c) De 10000 unidades de producción ¿que cantidad
de panetones tendrá entre 24.5 y 28% de
humedad?

De 10000 no cumple el 18.55% por lo tanto el


81.45% se encuentra dentro del rango, esto
significa que 8145 panetones tienen humedad
entre 24.5 y 28%

12-may-16 63
d) Se desea que solo el 3% de los panetones estén por encima
del 28% de humedad. Desde el punto de vista estadístico y
tecnológico como debe ajustarse la variabilidad del proceso

x
z

x=28%, µ=27.1, σ=?

Se sabe que:
A  0.97  z  1.89
x=28%
Por lo tanto σ = 0.476

“desde el punto de vista estadístico, la desviación estándar del proceso debe


12-may-16 64
disminuir desde 0.985 hasta 0.476 ”
Análisis de Causas de la variabilidad de la humedad
durante la FORMULACION:

MATERIA PRIMA METODO MEDICION

Humedad inicial
alta Formulación
Humedad
alta Harina
Mal pesado
Estándar
Pasas y
fruta conf.
Adición de insumos
no estandarizada VARIACION
DE LA
HUMEDAD

Balanza
Seco/húm No
edo calificada
Mal
No calibrado Falta capacitación
adecuado

MEDIO AMBIENTE MATERIALES Y MANO DE OBRA


EQUIPOS
12-may-16 65
Análisis de Causas de la variabilidad de la
humedad en el ENFRIAMIENTO:

METODO MEDICION

Humedad

No adecuado No controlada

Artesanal
VARIACION
DE LA
HUMEDAD
No estable
No
temperado
Seco/húmedo Personal

No No capacitada
adecuado

MEDIO AMBIENTE MANO DE OBRA

12-may-16 66
Para disminuir la variabilidad de la humedad
del panetón se debe:

1. Acondicionarse un ambiente adecuado para la formulación,


además asignar y capacitar a 2 personas para esta labor.
2. La harina debe almacenarse como máximo 7 días en un
ambiente de baja humedad, caso contrario la harina se
humedece, y debemos abastecernos semanalmente.
3. Se debe enfriar el panetón en 12 horas antes de embolsar,
además el área de enfriamiento debe ser adecuado (seco), de
manera que el panetón no pierda ni gane mucha humedad.
4. Se debe establecer el programa de proveedores y parámetros
de humedad de la harina, fruta confitada y pasas y realizar su
control antes de la recepción
5. Capacitar permanentemente al personal e incentivarles moral
y económicamente.

12-may-16 67
Fin de la
sección

68
GRAFICOS DE
CONTROL Y
CAPACIDAD DE
PROCESOS

12-may-16 69
GRAFICO DE
CONTROL
 Es un Registro
gráfico de la calidad
de una característica
en particular,
mediante ella se
puede establecer si
un Proceso está o no
Estable

12-may-16 70
GRAFICOS DE CONTROL

Los objetivos son:


 Monitorear y vigilar el desempeño del proceso en

cuanto a las características de calidad críticas del


producto, para así minimizar la producción
defectuosa  Gráficos de Control.
 Estimar los parámetros del proceso para comparar la

producción con las especificaciones  Estudios de


Capacidad.
En ambos casos, se trata de herramientas por y para la
mejora continua.

12-may-16 71
Causas de la variabilidad en un
proceso

Causas Comunes Causas Asignables


 Suelen ser muchas y cada  Suelen ser pocas pero con
una produce pequeñas efectos importantes en la
variaciones. variabilidad.
 Son parte permanente del  Aparecen
proceso esporádicamente.
 Son difíciles de eliminar y  Son relativamente fáciles
forman parte del sistema. de eliminar
 Afectan a todo el conjunto  Por lo general su efecto
de máquinas y operarios está localizado en una (s)
máquina (s) u operario (s).

12-may-16 72
Definición de proceso bajo control
estadístico

 Se dice que un proceso está bajo control estadístico


cuando solo está afectado por causas comunes de
variabilidad.
Esto significa
que podemos
predecir lo que
va a suceder
con el proceso y
sus productos.

12-may-16 73
Ejemplo: Grafico de Control
Promedio del
Subgrupo

14.8 LSC
Limite Superior de Control

_
8.5 X
Promedio

2.2 LIC
Limite Inferior de Control

...1 5 10 15
Numero de Subgrupo

12-may-16 74
Distribución de frecuencias y Grafico de Control

Variaciones No Normales
LSC

3 Proceso Normal
o dentro de Control
u

Variaciones normales
3
LIC
Sub-grupos
Punto fuera de control

12-may-16 75
Límites de Control y Límites de Especificación o
Tolerancia

 Los límites de Especificaciones se refieren a los


requisitos que se imponen al producto
 Los límites de Control de Proceso, o sea la variación
normal, se refiere al Proceso y a su capacidad
 Ambos límites solo son similares por coincidencia

12-may-16 76
USOS DE LOS GRAFICOS DE CONTROL

 Identifica el grado de control de un proceso


 Para mejorar la calidad del proceso
 Para definir la capacidad del proceso
 Para el establecimiento de tolerancias
 Para prever errores
 Para tomar decisiones relacionados con los
productos recién elaborados

12-may-16 77
TIPOS DE GRAFICOS DE CONTROL

GRAFICO DE CONTROL

POR VARIABLES: POR ATRIBUTOS


PROMEDIOS Pasa / No pasa
RANGOS Fracción Defectuosa
DESV. ESTANDAR Porcentaje defectuoso

12-may-16 78
 Grafico de control de variables: Se utiliza cuando
la característica de calidad puede expresarse
como una medida numérica (Peso de conserva,
longitud de un producto, presión de vacío, etc.)

 Grafico de control de atributos: Se utiliza cuando


la característica de calidad corresponde a una
variable binaria (presencia o no de defectos, etc.)

12-may-16 79
CONSTRUCCIÓN DE GRÁFICOS DE
CONTROL

 Los valores de E () y V () pueden


estimarse de la muestra u obtenerse de
registros históricos. En el segundo caso,
es importante recordar que los límites se
refieren al proceso (lo que realmente
sucede en planta) y no a las
especificaciones de producción (lo que
debería suceder en la planta).

12-may-16 80
Construcción de Gráficos de Control

 Las muestras que se obtienen en cada punto de


observación deben ser subgrupos racionales.
 La selección de la frecuencia de muestreo y del
tamaño de los subgrupos debe estar basada en los
conocimientos que se tengan sobre proceso.
Usualmente se recomienda tomar al menos 20
muestras para construir los límites de control.

12-may-16 81
MODELO DE FICHA DE DATOS - GRAFICO DE CONTROL

MEDICIONES DESVIACION
Nº SUB FECHA HORA MUESTRAS PROMEDIO ESTANDAR DE OBSERVACIONES
GRUPO X1 X2 X3 X4 X5 LA MUESTRA
1 4/04/02 9:15
2 10:15
3 11:15
4 14:15
5 15:15
6 5/04/02 9:15
7 10:15
8 11:15
9 14:15
10 15:15
11 8/04/02 9:15
12 10:15
13 11:15
14 14:15
15 15:15
16 9/04/02 9:15
17 10:15
18 11:15
19 14:15
20 15:15
21 10/04/02 9:15
22 10:15
23 11:15
12-may-1624 14:15 82
25 15:15
CONSTRUCCIÓN DE GRÁFICOS DE
CONTROL PARA VARIABLES

 Se supone que la distribución de la característica de


calidad es normal (, ), al menos
aproximadamente. De aquí que se requieran dos
gráficos, uno para cada parámetro de la
distribución.
 Los pares más comunes son:
Medias y desviaciones estándar
Medias y rangos.

12-may-16 83
GRÁFICOS DE MEDIAS Y RANGOS
(X  R)
 Se construye un gráfico para la evolución de las
medias de los grupos (asociado con la ubicación de
la característica ) y otro para la evolución de los
rangos (asociado con la dispersión de la
característica ).
 Se utilizan los rangos para medir la variabilidad ya
que son fáciles de calcular y tienen una eficiencia
similar a la desviación estándar para subgrupos
pequeños.

12-may-16 84
PASOS PARA LA CONSTRUCCIÓN DE GRÁFICOS
X R

 Se toman k muestras de tamaño n (usualmente


constante y menor a 7).
 Se calcula la media y el rango de cada muestra:
n
1
X i   xij Ri  max xij  min xij
n j 1 j j

 Se estiman los promedios poblacionales


1 k 1 k
X   Xi R   Ri
k i 1 k i 1
12-may-16 85
GRÁFICOS DE MEDIAS Y RANGOS
( X  R)

 Para construir los límites de control, recordemos


que bajo la suposición de normalidad y control
estadístico se tiene:
E( X i )   SD( X i ) 

n

E X 
E ( Ri )  d 2 SD( Ri )  d 3 E R   d 2
donde d2 y d3 son constantes que dependen solo
de n y pueden encontrarse en tablas como la que
se presenta a continuación.
12-may-16 86
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
Gráficos de medias 3 1,693 1,023 0,888 0,000 2,575
4 2,059 0,729 0,880 0,000 2,282
y rangos ( X  R ) 5
6
2,326
2,534
0,577
0,483
0,864
0,848
0,000
0,000
2,115
2,004
7 2,704 0,419 0,833 0,076 1,924
8 2,847 0,373 0,820 0,136 1,864
 La tabla de la derecha 9 2,970 0,337 0,808 0,187 1,816
10 3,078 0,308 0,797 0,223 1,777
muestra el valor de las 11 3,173 0,285 0,787 0,256 1,744
12 3,258 0,266 0,778 0,284 1,716
constantes d2, d3, A2, D3 13 3,336 0,249 0,770 0,308 1,692
y D4 para distintos 14 3,407 0,235 0,763 0,329 1,671
15 3,472 0,223 0,756 0,348 1,652
tamaños de los 16 3,532 0,212 0,750 0,640 1,636
17 3,588 0,203 0,744 0,379 1,621
subgrupos racionales. 18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
12-may-16 87
GRÁFICOS DE MEDIAS Y RANGOS
( X  R)

 Si no se conocen  y  (lo más probable) deben


estimarse a partir de los datos.

 Para las medias


LSC  X  A2 R LC  X LIC  X  A2 R
 Para los rangos
LSC  D4 R LC  R LIC  D3 R

12-may-16 88
Muestra Observaciones en la muestra Media Rango
1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
3 35.00 37.00 33.00 34.00 36.00 35.00 4.00
4 30.00 31.00 33.00 34.00 33.00 32.20 4.00
Ejemplo 5 33.00 34.00 35.00 33.00 34.00 33.80 2.00
Se muestran datos 6 38.00 37.00 39.00 40.00 38.00 38.40 3.00
correspondientes al 7 30.00 31.00 32.00 34.00 31.00 31.60 4.00
peso de pan (g), la 8 29.00 39.00 38.00 39.00 39.00 36.80 10.00
cual es dividida en
una divisora de 9 28.00 33.00 35.00 36.00 43.00 35.00 15.00
masa continua. 10 38.00 33.00 32.00 35.00 32.00 34.00 6.00
Se pueden ver los 11 28.00 30.00 28.00 32.00 31.00 29.80 4.00
cálculos 12 31.00 35.00 35.00 35.00 34.00 34.00 4.00
preliminares en la 13 27.00 32.00 34.00 35.00 37.00 33.00 10.00
misma tabla. 14 33.00 33.00 35.00 37.00 36.00 34.80 4.00
15 35.00 37.00 32.00 35.00 39.00 35.60 7.00
16 33.00 33.00 27.00 31.00 30.00 30.80 6.00
17 35.00 34.00 34.00 30.00 32.00 33.00 5.00
18 32.00 33.00 30.00 30.00 33.00 31.60 3.00
19 25.00 27.00 34.00 27.00 28.00 28.20 9.00
20 35.00 35.00 36.00 33.00 30.00 33.80 6.00
12-may-16 Promedios: 33.32 89 5.80
CALCULO DE LIMITES DE CONTROL
Los límites de control son, en este caso,
 Para el gráfico de medias:
LIC  X  A2 R  33,32  0,577  5,8  29,95
LSC  X  A2 R  33,32  0,577  5,8  36,65
LC  33,32
 Para el gráfico de rangos
LIC  D3 R  2,115  5,8  12,27
LSC  D4 R  0  5,8  0
LC  5,8

12-may-16 90
CALCULO DE LIMITES DE CONTROL

Los límites de control son, en este caso,


 Para el gráfico de medias:
LIC  X  A2 R  33,32  0,577  5,8  29,95
LSC  X  A2 R  33,32  0,577  5,8  36,65
LC  33,32
 Para el gráfico de rangos
LIC  D3 R  2,115  5,8  12,27
LSC  D4 R  0  5,8  0
LC  5,8

12-may-16 91
A28 30 pertuaomdilbe32 34 36 38 40
Peso del pan (g)
LSC =3 6 .67

L C =3 3 .32

LIC =2 9 .98

Gráficos 5 10 15 20

de medias Mues tr a

Muestra
y rangos
0 5 10 15 Rango de Peso del pan (g)

LSC =1 2 .27

L C =5 .80
o
g
n
R
ae
du
p
r
t a
l e
b

12-may-16 5 10 15 92 2 0
M Muestra
ues tr a
Análisis de los gráficos de medias y rangos
del ejemplo

 Las muestras 6, 8, 11 y 19 están fuera de control en el


gráfico de medias y la 9 en el gráfico de rangos.
 Cuando se estudian las causas asignables, estas llevan
a una ajuste defectuoso en la divisora de masa. Los
límites deben ser recalculados excluyendo estas
observaciones atípicas, obteniéndose así un nuevo
gráfico.

12-may-16 93
Gráficos de

A28 30 pertuaomdilbe 32 34 36 38 40
medias y

Peso del pan (g)


rangos LSC =3 6 .10

L C =3 3 .21

LIC =3 0 .33

5 10 15 20

Mues tr a
Muestra
R0 angodeprtulab5 10 15
Rango de Peso del pan (g)

LSC =1 0 .57

L C =5 .00

5 10 15 20
12-may-16 Mues t
94
r a
Muestra
Interpretación de los gráficos de
control
 Necesitamos determinar si el proceso está bajo
control, lo cual se traduce en que los puntos
mostrados estén dentro de los límites de control y
presenten un comportamiento aleatorio.
 Para esto se utilizan una serie de reglas empíricas,
cuya presentación se facilita si el área dentro de
los límites de control se divide en regiones iguales.

12-may-16 95
Interpretación de los gráficos de control

LCS Limite de control superior

Zo n a
C9.5 arcteísidCal 10. 10.5
Zo n a

LCC Limite de control central Zo n a

Zo n a

Zo n a

Zo n a

LCI Limite de control inferior

5 1 01 52 02 5

Mues tr a
12-may-16 96
Interpretación de los gráficos de control

 A las reglas empíricas que se utilizan para


determinar si un proceso está bajo control se les suele
denominar reglas de parada.
 Corresponden a sucesos que tienen muy baja
probabilidad de ocurrir si el proceso está bajo
control.
 Cada una de ellas provee información sobre el tipo de
causa asignable que puede estar afectando al proceso.

12-may-16 97
Reglas de parada
 Un punto fuera de la zona A. Corresponde a un cambio
repentino en la media o la dispersión del proceso.

Zo n a
C9.5 arcteísidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

5 1 01 52 02 5

Mues tr a
12-may-16 98
Reglas de parada
 Siete puntos en fila, todos crecientes o decrecientes. Se
presenta cuando hay cambios paulatinos en la media, debida a
desgastes en herramientas o personal.

Zo n a A
C9.5 arcteísidCal 10. 10.5

Zo n a B

Zo n a C

Zo n a C

Zo n a B

Zo n a A

5 1 01 52 02 5

12-may-16 Mues tr a
99
Reglas de parada
 Catorce puntos en fila alternando arriba y abajo.
Indica correlación negativa entre los datos (cuando
hay excesos en una, a la siguiente pieza es muy
reducida y viceversa).

Zo n
C9.5 arcteísidCal 10. 10.5

Zo n

Zo n

Zo n

Zo n

Zo n

5 1 01 52 02 5

Mues tr a
12-may-16 100
Reglas de parada
 Quince puntos en fila en la zona C. El proceso ha reducido
su varianza (hay sobreestabilidad en el sistema). Es
importante investigar la fuente de la mejora.

Zo n
C9.5 arcteísidCal 10. 10.5

Zo n

Zo n

Zo n

Zo n

Zo n

5 1 01 52 02 5

Mues tr a
12-may-16 101
Reglas de parada
 Dos de tres puntos consecutivos en la zona A o más allá.
Indican un incremento en la varianza del proceso.

Zo n a
C9.5 arcteísidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

5 1 01 52 02 5

Mues tr a
12-may-16 102
Reglas de parada
 Estructuras periódicas. Estas están asociadas normalmente
con cambios de turnos, operarios, días de la semana, etc.

Zo n
C9.5 arcteísidCal 10. 10.5

Zo n

Zo n

Zo n

Zo n

Zo n

5 1 01 52 02 5

12-may-16 Mues tr103 a


Reglas de parada

 Nunca trate de explicar la influencia de todos


y cada uno de los eventos que ocurren en la
planta a través de gráficos de control. El
procedimiento correcto es detectar
ALARMAS y luego usar los registros de
eventos para determinar si corresponden a
causas asignables o a causas comunes.

12-may-16 104
Interpretación de los gráficos de control

 El calculo del nivel de significancia para las reglas


de parada que se establezcan es importante para
un correcto análisis. Un punto que incumple una
regla de parada es una ALARMA pero no
necesariamente significa que nuestro proceso está
fuera de control, ya que si no podemos ligarlo a
una causa asignable puede tratarse del azar.

12-may-16 105
CAPACIDAD DE
PROCESOS

12-may-16 106
Estudios de capacidad

 Su objetivo es cuantificar la variabilidad inherente a


un proceso o a una parte del mismo (determinar
tolerancias naturales) y analizar dicha variabilidad
en relación con las especificaciones del producto
(tolerancias de diseño).
 No tiene sentido hablar de capacidad para procesos
que no se encuentran en estado de control.

12-may-16 107
Estudios de capacidad

 Los objetivos de un estudio de capacidad pueden ser:


 Determinar si nuestros procesos son capaces de elaborar
productos con la calidad que requiere el mercado. Esto
permite detectar la necesidad de acciones drásticas.
 Determinar valores “razonables” para las especificaciones
de un producto nuevo.
 Elegir entre diversos proveedores.

12-may-16 108
Tolerancias y capacidad

 Se suele distinguir entre dos tipos de


tolerancias:
 Tolerancias de diseño: las cuales son fijadas por el
departamento de ingeniería. Están relacionadas
con el concepto de calidad en el diseño.
 Tolerancias naturales: que vienen dadas por las
características de la máquina o proceso.

12-may-16 109
Tolerancias y capacidad

 Si las tolerancias naturales de un proceso son más


estrictas que las tolerancias de diseño entonces es fácil
obtener calidad de conformidad.
 Sin embargo, si las tolerancias de diseño se vuelven
incompatibles con las tolerancias naturales de nuestro
proceso, muy difícilmente lograremos elaborar
productos que las satisfagan.

12-may-16 110
Tolerancias y capacidad

Mercado Tolerancias naturales

Tolerancias de diseño

 Las tolerancias de diseño deben ser realistas:


deben representar un compromiso entre el
mercado y nuestro sistema de producción.

12-may-16 111
Estudios de capacidad

 El resultado de un estudio de capacidad suele


presentarse en la forma de un histograma al cual
se le añaden indicaciones sobre el valor objetivo de
la característica de calidad y los límites de
especificación de la misma. También pueden
utilizarse los diagramas de control.
 Además, suelen utilizarse algunos índices para
facilitar el análisis.

12-may-16 112
Índices de capacidad
 Si los procesos están centrados: LST  LIT
Cm 
 Capacidad de máquinas (a corto plazo) 8
LST  LIT
 Capacidad de procesos (a largo plazo) Cp 
6

 Los valores de 6 y 8 se han fijado de modo que la


conformidad sea de al menos 99.73% y 99.997% si los
datos provienen de una distribución normal.
 Ciertas industrias (aviación, automóviles) utilizan otros
valores como 10 y 12.
 Los requisitos de capacidad a corto plazo suelen ser más
exigentes que los de largo plazo, ¿puede decir por qué?

12-may-16 113
VALORES DEL Cp Y SU INTERPRETACIÓN

Clase de
Valor del Cp Decisión
Proceso

Cp > 1.33 1 Más que adecuado

Adecuado para el trabajo, pero requiere de un


1<Cp<1.33 2 control estricto conforme se acerca el Cp a uno

0.67<Cp<1 3 No adecuado para el trabajo. Un análisis del proceso


es necesario. Buena probabilidad de éxito

No adecuado para el trabajo. Requiere de


Cp<0.67 4 modificaciones serias.

Notas:
1. Si el Cpk < Cp, entonces una vez que se centre el proceso se tendrá la clase de
proceso que se señala.

2. Si es muy indeseable producir un producto fuera de las especificaciones, entonces


en lugar de 1.33 se tendrá 1.5 o un numero fijado

3. Para procesos con una sola especificación el valor minimo de Cpi o Cps debe ser
mayor que 1.25 en lugar de 1.33 , y 1.45 en lugar de 1.5
12-may-16 114
Capacidad real de procesos

 Cuando el proceso no está centrado se


hace necesario redefinir los índices.
 Para máquinas:  LST  X X  LIT 
C mk  min  , 
 4 4 

 LST  X X  LIT 
 Para procesos: C pk  min  , 
 3 3 

12-may-16 115
Capacidad real de procesos
 Puede comprobarse fácilmente que
Cmk  Cm y C pk  C p
y que la igualdad se cumple si y solo si el proceso está
centrado. Además, entre mayor es la diferencia,
mayor es el descentramiento
 Los índices Cmk y Cpk pueden interpretarse como la
capacidad hasta la tolerancia más próxima.

12-may-16 116
Índices de Capacidad
LST  LIT
 Índice de capacidad: Cp 
6

LIT LIT
12-may-16 117
Índices de Capacidad
 Índice de capacidad Real:

Cpu = LST –  u - LIT LST - u


3 

Cpl =  - LIT
3

Cpk = Min (Cps , Cpi)


LIT LST

12-may-16 118
Índices de Capacidad
 Índice de capacidad:

Cp>1

Cp=1

Cp<1

LIT LST
12-may-16 119
Índices de Capacidad

PROCESO NO CAPAZ PROCESO CAPAZ

LIT LST LIT LST

12-may-16 120
Índices de Capacidad
 Control de proceso:
Controlado
(Causas especiales
eliminadas)

Fuera de Control
(Causas asignables
tamaño presentes)

12-may-16 121
Ejemplos: Divisora de masa
Hallar la capacidad de procesos y la capacidad real, si las
especificaciones o tolerancias son LIT = 31g; LST = 34g,. El
promedio del peso es 33,32 g, y los límites de control son, LSC =
36,65g y LIC = 29,95g.

Hallando la desviación estándar( con n=5 y promedio


de Rango = 5,8), de tabla d2 = 2,326:

R 5,8
   2,5
d 2 2,326

Esta desviación estándar, indica alta variabilidad en el proceso

12-may-16 122
La capacidad del proceso será:
LST  LIT 34  31
Cp    0,2
6 6 * 2,5

Cp = 0,2
El proceso de división de la masa es no adecuado
para el trabajo y requiere modificaciones serias.

Para que el proceso sea mas que adecuado, se debe


disminuir la desviación estándar de 2,5 a 0,376:

LST  LIT 34  31
   0,376
6 1,33 6 1,33

12-may-16 123
Calculo de la capacidad real del proceso
Las especificaciones o tolerancias son LIT = 31g; LST =
34g. El promedio del peso es 33,32 g, y los límites de
control son, LSC = 36,65g y LIC = 29,95g.

LST   34  33,32
C pkh    0,09
3 3  2,5
  LIT 33,32  31
C pkl    0,31
3 3  2,5

12-may-16 124
Capacidad real del proceso es:

• Se calcula de la siguiente manera:


LST   34  33,32
C pkh    0,09
3 3  2,5
  LIT 33,32  31
C pkl    0,31
3 3  2,5
• Se elige el menor valor, 0,09 en este caso
con la especificación superior; esto
significa que el proceso esta inclinado a la
derecha.

12-may-16 125
Entonces, para que el proceso sea mas que capaz y centrado,
cuales son los nuevos valores estadísticos?

El nuevo promedio del


proceso debería ser: 32,5g LIC=31,37 LSC=33,63

Los limites de control del


proceso, tanto superior como
inferior serian:

LC  X  3 *
LSC= 32,5+3*0,376 = 33,63
LIC= 32,5 -3*0,376 = 31,37

LTI=31 LTS=34

X  32,5
12-may-16 126
Y como se logra ello?

 Se deben utilizar las otras herramientas


estadísticas para analizar las causas de la
variabilidad, por ejemplo el diagrama de
Pareto, correlación, Ishikawa, etc. Además se
debe aplicar el benchmarking, luego de ello
realizar las mejoras del proceso e intensa
capacitación al personal, entre otros.

12-may-16 127
Ejemplo 2

 Se tienen datos sobre la resistencia a la presión


interna de botellas para gaseosas en 20 muestras de
5 observaciones cada una. Los gráficos de control
correspondientes pueden verse a continuación. Las
especificaciones para el proceso establecen que la
resistencia debe ser superior a 200, y no se
establecen valores máximos.

12-may-16 128
M
d
es
a
i Ejemplos
20 250 30 350

12345678911
01
11
21
31
41
51
61
71
82
90

x
-10 0 10 20
o
g
n
R
as

12345678911
01
11
21
31
41
51
61
71
82
90

12-may-16 x 129
 De las gráficas es claro que el proceso está
bajo control. Por tanto podemos estimar la
variabilidad natural del proceso debida a
causas comunes como:
R 77,3
   33,23
d 2 2,326
y la media del proceso como

  X  264,06
12-may-16 130
 Nótese que el límite de especificación es unilateral
(botellas con mucha resistencia no son de ningún
modo defectuosas). Así pues:
  LIT 264,06  200
C pkl    0,64
3 3  33,23
Lo cual es un valor muy bajo, especialmente si
consideramos que se trata de un parámetro
relacionado con la seguridad.

12-may-16 131
0 7 14 21 28 35
c
e
F
rua
n
i o
s
b
lt LIT
LI E

11
628
02
002
2
024
02
603
8
030
03
203
4
0 6
0

R e s is tenc

 La muestra presenta un 3% de observaciones fuera de especificación, en


línea con el 2,6% que se espera de la aproximación normal.
12-may-16 132
 Este es un ejemplo de un proceso bajo control
(estable) pero que funciona a un nivel de calidad
inaceptable (capacidad insuficiente).
 La producción de artículos defectuosos en este
caso no puede ser controlada por el operario ya
que solo están presentes causas comunes. Es
necesaria la intervención de la gerencia.

12-may-16 133
 Es fácil calcular el nivel de variabilidad
aceptable para el proceso. Si se desea un
índice de capacidad de 1,33 entonces
  LIT 264,06  200
   16,055
3  1,33 3  1,33
es decir, se hace necesario cortar la
dispersión a menos de la mitad.

12-may-16 134
Control
Estadístico de
Procesos

Gráficos de Control

135
Gráficos de Control

Los gráficos de control o


cartas de control son una
importante herramienta
utilizada en control de
calidad de procesos.

136
Gráficos de Control

Básicamente, una Carta de


Control es un gráfico en el
cual se representan los Gráfico de Control

valores de algún tipo de


medición realizada durante
el funcionamiento de un
proceso contínuo, y que
sirve para controlar dicho
proceso.
137
Gráficos de Control
Vamos a tratar
de entenderlo
con un
ejemplo:

138
Gráficos de Control

Supongamos que
tenemos una máquina
inyectora que produce
piezas de plástico, por
ejemplo de PVC.

139
Gráficos de Control

Una característica de
calidad importante es
el peso de la pieza de
plástico, porque indica
la cantidad de PVC
que la máquina inyectó
en la matriz.

140
Gráficos de Control
Si la cantidad de PVC es
poca la pieza de plástico será
deficiente; si la cantidad es
excesiva, la producción se
encarece, porque consume
mas materia prima.

141
Gráficos de Control
Entonces, en el lugar de salida de
la piezas, hay un operario que
cada 30 minutos toma una, la pesa
en una balanza y registra la
observación.

142
Gráficos de Control

pieza: 1 2 3 4 5

55,1 gr. 57,1 gr. 53,3 gr. 53,9 gr. 55,9 gr.

143
Gráficos de Control

pieza: 6 7 8

....ETC.
53,2 gr. 55,8 gr. 55,3 gr.

144
Gráficos de Control

Supongamos que estos datos se


registran en un gráfico de líneas
en función del tiempo:

145
Gráficos de Control
Gráfico de las observaciones

60
Peso de las piezas (Gr.)

58

56

54

52

50

48
11

13

15

17

19
1

Nº de pieza

146
Gráficos de Control

Observamos una línea


quebrada irregular, que nos
muestra las fluctuaciones del
peso de las piezas a lo largo
del tiempo.

147
Gráficos de Control

Esta es la fluctuación esperable y natural


del proceso. Los valores se mueven
alrededor de un valor central (El promedio
de los datos), la mayor parte del tiempo
cerca del mismo.

148
Gráficos de Control
Pero en algún momento
puede ocurrir que
aparezca uno o más
valores demasiado
alejados del promedio.

149
Gráficos de Control

¿Cómo podemos distinguir si esto


se produce por la fluctuación
natural del proceso o porque el
mismo ya no está funcionando
bien?

150
Gráficos de Control
Esta es la respuesta que provee
el control estadístico de
procesos, y a continuación
veremos como lo hace.

151
Gráficos de Control

El producto deseado resulta de


la concurrencia de varios
factores y condiciones que
caracterizan al proceso.

153
Gráficos de Control
Maquinaria Métodos

Materias
Primas Proceso

Mano de Condiciones
Obra Ambientales
154
Gráficos de Control

Cada uno de estos factores está sujeto a


variaciones que realizan aportes más o
menos significativos a la fluctuación de las
características del producto, durante el
proceso de fabricación.

155
Gráficos de Control

Los responsables del funcionamiento del


proceso de fabricación fijan los valores de
algunas de estas variables, que se denominan
variables controlables.

156
Gráficos de Control

Por ejemplo, en el caso de la inyectora se


fija la temperatura de fusión del plástico,
la velocidad de trabajo, la presión del
pistón, la materia prima que se utiliza
(Proveedor del plástico), etc.
157
Gráficos de Control
Pero un proceso de
fabricación es una
suma compleja de
eventos grandes y
pequeños.

158
Gráficos de Control

Hay una gran cantidad de variables que


sería imposible o muy difícil controlar.
Estas se denominan variables no
controlables.

159
Gráficos de Control

Por ejemplo, pequeñas variaciones


de calidad del plástico, pequeños
cambios en la velocidad del pistón,
ligeras fluctuaciones de la corriente
eléctrica que alimenta la máquina,
etc.

160
Gráficos de Control

Los efectos que producen las


variables no controlables son
aleatorios.

161
Gráficos de Control

Además, la contribución de cada una de las


variables no controlables a la variabilidad
total es cuantitativamente pequeña.

162
Gráficos de Control

Son las variables no controlables


las responsables de la variabilidad
de las características de calidad del
producto.

163
Gráficos de Control
Los cambios en las variables
controlables son la Causas
Asignables de variación del
proceso, porque es posible
identificarlas.

164
Gráficos de Control
Las fluctuaciones al azar de las
variables no controlables son
las Causas No Asignables de
variación del proceso, porque
no son pasibles de ser
identificadas.

165
Gráficos de Control

Causas Asignables: Son causas que pueden


ser identificadas y que conviene descubrir y
eliminar, por ejemplo, una falla de la
máquina por desgaste de una pieza, un
cambio muy notorio en la calidad del
plástico, etc.

166
Gráficos de Control

Estas causas provocan que el


proceso no funcione como se
desea y por lo tanto es necesario
eliminar la causa, y retornar el
proceso a un funcionamiento
correcto.

167
Gráficos de Control

Causas No Asignables: Son una multitud


de causas no identificadas, ya sea por falta
de medios técnicos o porque no es
económico hacerlo, cada una de las cuales
ejerce un pequeño efecto en la variación
total.

168
Gráficos de Control

Son inherentes al proceso


mismo, y no pueden ser
reducidas o eliminadas a
menos que se modifique el
proceso.

169
Gráficos de Control

Cuando el proceso trabaja


afectado solamente por un
sistema constante de variables
aleatorias no controlables
(Causas no asignables) se dice
que está funcionando bajo
Control Estadístico.

170
Gráficos de Control

Cuando, además de las causas


no asignables, aparece una o
varias causas asignables, se dice
que el proceso está fuera de
control.

171
Gráficos de Control

Control Estadístico

¿Cómo ponerlo en marcha?

172
Gráficos de Control

La puesta en marcha de un
programa de control
estadístico para un
proceso particular implica
dos etapas:

173
Gráficos de Control

1a Etapa: Ajuste
del Proceso
Control
Estadístico
2a Etapa: Control
del Proceso

174
Gráficos de Control

Antes de pasar a la segunda


etapa, se verifica si el proceso
está ajustado. En caso
contrario, se retorna a la
primer etapa:

175
Gráficos de Control

1a Etapa: Ajuste Proceso Sí 2a Etapa: Control


del Proceso Ajustado? del Proceso

No

176
Gráficos de Control
En la 1a etapa se recogen unas 100-200
mediciones, con las cuales se calcula el
promedio y la desviación standard:

X  X i

 X  X 
2

 i

177
Gráficos de Control

Luego se calculan los Límites de Control


de la siguiente manera:

Lim.Superior  X  3.09  

Lim.Inferior  X  3.09  

178
Gráficos de Control
Estos límites surgen de la
hipótesis de que la distribución
de las observaciones es normal.
En general se utilizan límites de 2
sigmas ó de 3 sigmas alrededor
del promedio.

179
Gráficos de Control

En la distribución normal,
el intervalo de 3,09 sigmas
alrededor del promedio
corresponde a una
probabilidad de 0,998.

180
Gráficos de Control
Y

99.8 % de las
mediciones
3.09

 X

181
Gráficos de Control

Entonces, se construye un gráfico de prueba


y se traza una línea recta a lo largo del eje
de ordenadas (Eje Y), a la altura del
promedio (Valor central de las
observaciones) y otras dos líneas rectas a la
altura de los límites de control.

182
Gráficos de Control
Gráfico de Control de Prueba

65
Límite Superior = 60,8 Gr.
Peso de las piezas (Gr.)

60 Promedio = 55 Gr.

55

50
Límite Inferior = 49,2 Gr.
45

13

15

17

19
1

11

Nº de pieza

183
Gráficos de Control
En este gráfico se
representan los puntos
correspondientes a las
observaciones con las que
se calcularon los límites
de control:

184
Gráficos de Control
Gráfico de Control de Prueba

65
Peso de las piezas (Gr.)

60

55

50

45

13

15

17

19
1

11

Nº de pieza

185
Gráficos de Control

Este gráfico de prueba se analiza


detenidamente para verificar si está de
acuerdo con la hipótesis de que la
variabilidad del proceso se debe sólo a un
sistema de causas aleatorias o si, por el
contrario, existen causas asignables de
variación.

186
Gráficos de Control
Esto se puede establecer
porque cuando la fluctuación
de las mediciones se debe a un
sistema constante de causas
aleatorias la distribución de las
observaciones es normal.

187
Gráficos de Control
Gráfico de Control de Prueba

65
Peso de las piezas (Gr.)

60

55

50

45

13

15

17

19
1

11

Nº de pieza

188
Gráficos de Control
Cuando las observaciones sucesivas
tienen una distribución normal, la
mayor parte de los puntos se sitúa
muy cerca del promedio, algunos
pocos se alejan algo más y
prácticamente no hay ninguno en las
zonas más alejadas:

189
Gráficos de Control
La mayor parte
Gráfico de Control de Prueba
de los puntos
están muy cerca
65 del promedio
Peso de las piezas (Gr.)

60

55

50

45

13

15

17

19
1

11

Nº de pieza

190
Gráficos de Control
Lejos del
Gráfico de Control de Prueba promedio
hay menos
65
Peso de las piezas (Gr.)

60

55

50

45

13

15

17

19
1

11

Nº de pieza

191
Gráficos de Control
Más afuera casi
Gráfico de Control de Prueba no hay puntos

65
Peso de las piezas (Gr.)

60

55

50

45

13

15

17

19
1

11

Nº de pieza

192
Gráficos de Control

Es difícil decir como es el gráfico de un


conjunto de puntos que siguen un patrón
aleatorio de distribución normal, pero
sí es fácil darse cuenta cuando no lo es.

193
Gráficos de Control

Veamos algunos ejemplos de patrones No


Aleatorios:

194
Gráficos de Control

Gráfico de Control

Una sucesión de
puntos por encima ...

195
Gráficos de Control

Gráfico de Control

... o por debajo de


la línea central.

196
Gráficos de Control

Gráfico de Control

Una serie creciente de


6 ó 7 observaciones...

197
Gráficos de Control

Gráfico de Control

... o una serie


decreciente.

198
Gráficos de Control
Gráfico de Control

Varios puntos
por fuera de los
límites de control
199
Gráficos de Control
Si no se descubren causas
asignables entonces se adoptan
los límites de control
calculados como definitivos, y
se construyen cartas de control
con esos límites.

200
Gráficos de Control

Gráfico de Control

65
Peso de las piezas (Gr.)

60
Lím. Superior

55 Valor Central

50
Lím. Inferior

45
21

23

25

27

29

31

33

35

37

39
Nº de pieza

201
Gráficos de Control

Si sólo hay pocos puntos fuera de


control (2 ó 3), estos se eliminan, se
recalculan la media, desviación
standard y límites de control con los
restantes, y se construye un nuevo
gráfico de prueba.

202
Gráficos de Control

Cuando las observaciones no siguen un


patrón aleatorio, indicando la existencia de
causas asignables, se hace necesario
investigar para descubrirlas y eliminarlas.

203
Gráficos de Control
Una vez hecho esto, se
deberán recoger nuevas
observaciones y calcular
nuevos límites de control de
prueba, comenzando otra vez
con la 1a etapa.

204
Gráficos de Control

En la 2a etapa, las nuevas observaciones que


van surgiendo del proceso se representan en
el gráfico, y se controlan verificando que
estén dentro de los límites, y que no se
produzcan patrones no aleatorios:

205
Gráficos de Control

Gráfico de Control

65
Peso de las piezas (Gr.)

60
Lím. Superior

55 Valor Central
Punto fuera de control
50
Lím. Inferior

45
21

23

25

27

29

31

33

35

37

39
Nº de pieza

206
Gráficos de Control
Como hemos visto, el 99,8 % de
las observaciones deben estar
dentro de los límites de 3,09
sigmas alrededor de la media.

207
Gráficos de Control

Esto significa que sólo 1


observación en 500 puede
estar por causas aleatorias
fuera de los límites de
control.

208
Gráficos de Control
Entonces, cuando se encuentra más de 1
punto en 500 fuera de los límites de control,
esto indica que el sistema de causas
aleatorias que provocaba la variabilidad
habitual de las observaciones ha sido
alterado por la aparición de una causa
asignable que es necesario descubrir y
eliminar.

209
Gráficos de Control

En ese caso, el supervisor


del proceso debe detener la
marcha del mismo e
investigar con los que
operan el proceso hasta
descubrir la o las causas
que desviaron al proceso
de su comportamiento
habitual.
210
Gráficos de Control

Una vez eliminadas las causas del


problema, se puede continuar con
la producción normal.

211
Fin de la
sección

212