7/02/2022

CONTROL ESTADISTICO
DE PROCESOS

Ing.Vigo
Mg. Ing. Edward Aurora Edward Aurora Vigo
Email: efaurora@crece.uss.edu.pe
efaurora@crece.uss.du.pe

hhhggh 1
 7/02/2022

INTRODUCCIÓN

CONTROL ESTADISTICO 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 estadísitico de Procesos y
el Muestreo de Aceptación.

INTRODUCCIÓN

CONTROL ESTADISTICO DE LA
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.

hhhggh 2
 7/02/2022

GRÁFICOS DE
CONTROL

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.

hhhggh 3
 7/02/2022

Problema 1:
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 tendrán presiones de vacío entre 70,2 y 73 mm Hg?
C. Cuantas latas tendrán presiones de vacío mayor de 76 mm Hg.

A.- Según el problema tenemos:

𝜎 = 2.7 𝜇 = 73.4 𝑥ҧ = 70.2

Área normalizada: 𝑥ҧ − 𝜇
𝑧=
𝜎

Determinamos el % de área por debajo de 70.2 mm

Hg
70.2 − 73.4
𝑧= = −1.185 → 11.9%
2.7

Por regla de tres simple:

36000 → 100%
𝑥 ← 11.9%
z Área
-1.2 0.1056 4284 envases no cumplen con la norma
-1.1 0.1251

hhhggh 4
 7/02/2022

B.- Según el problema tenemos:

𝜎 = 2.7 𝜇 = 73.4 𝑥1 = 70.2 𝑥2 = 73

Área normalizada: 𝑥ҧ − 𝜇
𝑍=
𝜎

Determinamos el % de área por debajo de 70.2

y 73 mm Hg
70.2 − 73.4
𝑍1 = = −1.185 → 𝐴1 = 11.9%
2.7
73 − 73.4 𝐴2 − 𝐴1 = 32.53%
𝑍2 = = −1.148 → 𝐴2 = 44.43%
2.7
Por regla de tres simple:
36000 → 100%
𝑥 ← 32.53%
11711 envases tienen presiones de vacío entre 70.2 y 73
mm Hg

C.- Tenemos:
𝜎 = 2.7 𝜇 = 73.4 𝑥1 = 76

Área normalizada: 𝑥ҧ − 𝜇
𝑧=
𝜎

Determinamos el % de área por debajo de 70.2

mm Hg
76 − 73.4
𝑧= = −0.963 → 𝐴1 = 83.15%
2.7
Por diferencia del 100% del área: 100% - 83.15% = 16.85%

𝑥 ← 16.85%

6066 envases tienen presiones de vacío superiores a 76

mm Hg.

hhhggh 5
 7/02/2022

Problema 2:
La humedad promedio del paneton elaborado en la DONOFRIO 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 solo el 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

a) Que porcentaje de la producción

tendrá menos del 24.5 % de
humedad
𝑥ҧ − 𝜇
Área normalizada: 𝑧=
𝜎

𝑥 = 24.5 𝜇 = 27.1 𝜎 = 0.985

24.5 − 27.1
𝑧= = −2.64 → 𝐴1 = 0.41%
0.985

A1=0.41%

hhhggh 6
 7/02/2022

b.- ¿Que porcentaje de la producción

no cumple con la humedad
establecida?
𝑥ҧ − 𝜇
Área normalizada: 𝑧=
𝜎

𝑥1 = 24.5; 𝑥2 = 28 𝜇 = 27.1 𝜎 = 0.985

𝑧1 = −2.64 → 𝐴1 = 0.41%
𝑧2 = 0.914 → 𝐵 = 81.86%
𝑃𝑒𝑟𝑜 𝐴2 + 𝐵 = 1
→ 𝐴2 = 1 − 0.8186 → 𝐴2 = 18.14%

Por lo tanto:

𝐴1 + 𝐴2 = 18.55%

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%

hhhggh 7
 7/02/2022

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:

𝑥ҧ − 𝜇
Área normalizada: 𝑧=
𝜎

𝑥 = 28% 𝜇 = 27.1 𝜎 =?

Se sabe que:
𝐴 = 0.97 → 𝑧 = 1.89

Por lo tanto:
𝜎 = 0.476

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

debe disminuir desde 0.985 hasta 0.476 ”

Análisis de Causas de la variabilidad de la

humedad durante la FORMULACION:

hhhggh 8
 7/02/2022

Análisis de Causas de la variabilidad de la

humedad en el ENFRIAMIENTO:

Para disminuir la variabilidad de la humedad del

paneton se debe:

1. Debe 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 paneton en 12 horas antes de embolsar, además el área
de enfriamiento debe ser adecuado (seco), de manera que el paneton 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.

hhhggh 9
 7/02/2022

Problema 3:
Un empresario después de cosechar 102 has de arroz, contrata los servicios
de una piladora y envasadora de arroz, a la cual le encarga envasar con una
especificación de 50 +/- 0.1 kg. cada saco. Después del servicio, el
empresario recibe 14100 sacos, al cual le realiza una inspección de control
de pesos, estableciéndose que tenia una media de 50.23 Kg y una
desviación estándar de 0.25 Kg. Si el costo de 1 kg de arroz es S/2.00;
Cuanto estará perdiendo?, cuantos sacos adicionales podría haber obtenido
si se cumplían las especificaciones?

Datos:
μ = 50.23 Kg
σ = 0.25 Kg
Esp. = 50 +/- 0.1 Kg
n = 14100 sacos

μ - 3 σ = 50.23- 3(0.25) = 49.48

μ + 3 σ = 50.23+3(0.25) = 50.98

hhhggh 10
 7/02/2022

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

hhhggh 11
 7/02/2022

GRAFICO 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.

Causas de la variabilidad en
un proceso
Causas Comunes Causas Asignables

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

hhhggh 12
 7/02/2022

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.

Ejemplo: Grafico de
Control

hhhggh 13
 7/02/2022

Distribución de frecuencias y
Grafico de Control

27

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

28

hhhggh 14
 7/02/2022

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 preveer errores
❑ Para tomar decisiones relacionados con los productos recién
elaborados

29

TIPOS DE GRAFICOS DE
CONTROL

30

hhhggh 15
 7/02/2022

TIPOS DE GRAFICOS DE
CONTROL

❑ 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.)

31

Construcción de Gráficos de
Control

❑ Para poder considerar al proceso bajo control, los puntos del gráfico
deben estar dentro de los límites de control y presentar
comportamiento aleatorio.

❑ Los limites suelen escogerse en base a una aproximación normal de

W: 𝐿𝐶 = 𝐸(𝑊) 𝐿𝐼𝐶 = 𝐸 𝑊 − 3. 𝑉(𝑊)

𝐿𝑆𝐶 = 𝐸 𝑊 + 3. 𝑉(𝑊)

32

hhhggh 16
 7/02/2022

Construcción de Gráficos de
Control

❑ Los valores de E(μ) y V(σ) 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).

❑ 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.

33

Ficha de Datos - Gráficos de

Control

34

hhhggh 17
 7/02/2022

Construcción de gráficos de
control para variables
❑ Se supone que la distribución de la característica de calidad es
normal(μ,σ), al menos aproximadamente. de aquí que se
requieran dos gráficos, uno para cada parámetro de la
distribución.

❑ Los pares más comunes son los de medias y desviaciones

estándar, los de medias y rangos, y los gráficos para
observaciones individuales y rangos móviles.

35

Gráficos de medias y rangos

ഥ − 𝑹)
(𝑿
❑ Se construye un gráfico para la evolución de las medias de los grupos
(asociado con la ubicación de la característica μ) y otro para la
evolución de los rangos (asociado con la dispersión de la característica
σ).

❑ 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.

36

hhhggh 18
 7/02/2022

Pasos para la Construcción de

Gráficos de medias y rangos
ഥ − 𝑹)
(𝑿
❑ Se toman k muestras de tamaño n (usualmente constante y menor a 7).
❑ Se calcula la media y el rango de cada muestra:
1
𝑋ത𝑖 = σ𝑛𝑗=1 𝑋𝑖𝑗 𝑅𝑖 = max 𝑋𝑖𝑗 − min 𝑋𝑖𝑗
𝑛

❑ Se estiman los promedios poblacionales.

1 1
𝑋 = σ𝐾
ന ത
𝑗=1 𝑋𝑖 𝑅ത = σ𝐾 ത
𝑗=1 𝑅𝑖
𝑘 𝑘

❑ Para construir los límites de control, recordemos que bajo la suposición de

normalidad y control estadístico se tiene:
𝜎
𝐸(𝑋ത𝑖 ) = 𝜇 𝑆𝐷(𝑋ത𝑖 ) = 𝐸 𝑋ധ = 𝜇
𝑛
𝐸(𝑅𝑖 ) = 𝑑2 𝜎 𝑆𝐷(𝑅ത𝑖 ) = 𝑑3 𝜎 𝐸 𝑅ത = 𝑑2 𝜎

donde d2 y d3 son constantes que dependen solo de n y pueden

encontrarse en tablas como la que se presenta a continuación:

37

Gráficos de medias y rangos

ഥ − 𝑹)
(𝑿
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
La tabla de la 3 1,693 1,023 0,888 0,000 2,575
derecha muestra el 4 2,059 0,729 0,880 0,000 2,282
5 2,326 0,577 0,864 0,000 2,115
valor de las 6 2,534 0,483 0,848 0,000 2,004
constantes d2, d3, 7 2,704 0,419 0,833 0,076 1,924

A2, D3 y D4 para 8
9
2,847
2,970
0,373
0,337
0,820
0,808
0,136
0,187
1,864
1,816
distintos tamaños 10 3,078 0,308 0,797 0,223 1,777

de los subgrupos 11
12
3,173
3,258
0,285
0,266
0,787
0,778
0,256
0,284
1,744
1,716
racionales. 13 3,336 0,249 0,770 0,308 1,692
14 3,407 0,235 0,763 0,329 1,671
15 3,472 0,223 0,756 0,348 1,652
16 3,532 0,212 0,750 0,640 1,636
17 3,588 0,203 0,744 0,379 1,621
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
38

hhhggh 19
 7/02/2022

Gráficos de medias y rangos

ഥ − 𝑹)
(𝑿
❑ Si se conocen μ y σ, estos se pueden usarse para calcular los límites de
control: 𝐿𝑆𝐶 = 𝜇 + 𝐴𝜎 𝐿𝐶 = 𝜇 𝐿𝐼𝐶 = 𝜇 − 𝐴𝜎
❑ Medias
𝐿𝑆𝐶 = 𝜇 + 𝐴𝜎 𝐿𝐶 = 𝜇 𝐿𝐼𝐶 = 𝜇 − 𝐴𝜎
❑ Rangos

𝐿𝑆𝐶 = 𝐷2 𝑅ത 𝐿𝐶 = 𝑑2 𝜎 𝐿𝐼𝐶 = 𝐷1 𝑅ത

Donde 3 𝐷1 = 𝑑1 − 3𝑑3 𝐷2 = 𝑑2 + 3𝑑3

𝐴=
𝑛
3 𝐷1 = 𝑑1 − 3𝑑3 𝐷2 = 𝑑2 + 3𝑑3
𝐴=
𝑛

39

Gráficos de medias y rangos

ഥ − 𝑹)
(𝑿
❑ Si no se conocen μ y σ, (lo más común) deben estimarse a partir de los
datos.
❑ Para las Medias
𝐿𝑆𝐶 = 𝑋ധ + 𝐴2 𝑅ത 𝐿𝐶 = 𝑋ധ 𝐿𝐼𝐶 = 𝑋ധ − 𝐴2 𝑅ത

❑ Para los Rangos

𝐿𝑆𝐶 = 𝐷4 𝑅ത 𝐿𝐶 = 𝑅ത 𝐿𝐼𝐶 = 𝐷3 𝑅ത

Donde
3 𝑑3 𝑑3
𝐴2 = 𝐷3 = 1 − 3 𝐷4 = 1 + 3
𝑑2 𝑛 𝑑2 𝑑2

40

hhhggh 20
 7/02/2022

Ejemplo: Gráficos de medias y rangos

ഥ − 𝑹)
(𝑿
Muestra Observaciones en la Muestra Media Rango
1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
Se muestran datos 2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
35.00 37.00 33.00 34.00 36.00 35.00 4.00
correspondientes al 3
4 30.00 31.00 33.00 34.00 33.00 32.20 4.00
peso de pan (g) la 5 33.00 34.00 35.00 33.00 34.00 33.80 2.00
cual es dividida en 6 38.00 37.00 39.00 40.00 38.00 38.40 3.00

una divisora de 7 30.00 31.00 32.00 34.00 31.00 31.60 4.00

8 29.00 39.00 38.00 39.00 39.00 36.80 10.00
masa continua. Se 9 28.00 33.00 35.00 36.00 43.00 35.00 15.00
pueden ver los 10 38.00 33.00 32.00 35.00 32.00 34.00 6.00
cálculos 11 28.00 30.00 28.00 32.00 31.00 29.80 4.00
31.00 35.00 35.00 35.00 34.00 34.00 4.00
preliminares en la 12
27.00 32.00 34.00 35.00 37.00 33.00 10.00
13
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
Promedios: 33.32 5.80

41

Ejemplo: Gráficos de medias y

ഥ − 𝑹)
rangos (𝑿
Calculo de limites de control

❑ Los límites de control son, en este caso,

❑ Para las Medias
𝐿𝐼𝐶 = 𝑋ധ − 𝐴2 𝑅ത = 33.32 − 0.577 ∗ 5.8 = 29.95
𝐿𝑆𝐶 = 𝑋ധ + 𝐴2 𝑅ത = 33.32 + 0.577 ∗ 5.8 = 36.65
𝐿𝐶 = 𝑋ധ = 33.32

❑ Para los Rangos

𝐿𝐼𝐶 = 𝐷3 𝑅ത = 2.115 ∗ 5.8 = 12.27
𝐿𝑆𝐶 = 𝐷4 𝑅ത = 0 ∗ 5.8 = 0
𝐿𝐶 = 𝑅ത = 5.8

42

hhhggh 21
 7/02/2022

Ejemplo: Gráficos de medias y

ഥ − 𝑹)
rangos (𝑿
GRAFICA X
40.00

Gráfico de Medias

Peso del Pan (g)

35.00

30.00

25.00
0 5 10 15 20 25
Muestra

LIC LSC X// X

GRAFICA R
20.00
Gráfico de Rangos
Rangos de Peso del Pan (gr

15.00

10.00

5.00

0.00
0 5 10 15 20 25
-5.00
Muestra

LIC LSC R/ R

43

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.

hhhggh 22
 7/02/2022

Gráficos de medias y rangos

ajustado GRAFICA X
40.00

35.00
Gráfico de
Medias Ajustado 30.00

25.00
0 5 10 15 20 25

LIC LSC X// X

GRAFICA R
20.00

15.00

Gráfico de 10.00

Rangos Ajustado 5.00

0.00
0 5 10 15 20 25
-5.00

LIC LSC R/ R

45

Construcción de gráficos de
medias y desviaciones estándar
ഥ − 𝒔)
(𝑿
❑ El utiliza el mismo gráfico de medias anterior, pero ahora se
estudia la dispersión usando un gráfico de las desviaciones
estándar de cada subgrupo.

❑ La desviación muestral es un mejor estimador de la variabilidad,

pero más difícil de calcular. Se prefiere en procesos con
subgrupos racionales grandes (10 o más) o en procesos
automatizados.

46

hhhggh 23
 7/02/2022

Pasos para la Construcción de

gráficos (𝑿
ഥ − 𝒔)
❑ Se toman k muestras de tamaño n.
❑ Se calcula la media y la desviación standard de cada muestra:
𝑛
1 σ𝑛𝑗=1(𝑥𝑖𝑗 − 𝑋ത𝑖 )2
𝑋ത𝑖 = ෍ 𝑋𝑖𝑗 𝑆𝑖=
𝑛 𝑛−1
𝑗=1

❑ Se calculan los parámetros poblacionales.

𝑛 𝑘
1 1
𝑋ധ = ෍ 𝑋ത𝑖 𝑆ҧ = ෍ 𝑆𝑖ҧ
𝑘 𝑘
𝑖=1 𝑖=1

47

Pasos para la Construcción de

gráficos (𝑿
ഥ − 𝒔)

❑ Para calcular los límites de control necesitamos conocer la

esperanza y la varianza de estos estimadores:.

𝜎
𝐸(𝑋ത𝑖 ) = 𝜇 𝑆𝐷(𝑋ത𝑖 ) = 𝐸 𝑋ധ = 𝜇
𝑛
𝐸(𝑆𝑖 ) = 𝑑2 𝜎 𝑆𝐷(𝑆𝑖ҧ ) = 1 − 𝐶42 𝜎 𝐸 𝑆ҧ = 𝑐4 𝜎

donde de nuevo c4 depende solo de n puede obtenerse de

tablas.

48

hhhggh 24
 7/02/2022

Pasos para la Construcción de

gráficos (𝑿
ഥ − 𝒔)
❑ Si se conocen μ y σ el cálculo de los límites de control es muy sencillo:
❑ Para las Medias:

𝐿𝑆𝐶 = 𝜇 + 𝐴𝜎 𝐿𝐶 = 𝜇 𝐿𝐼𝐶 = 𝜇 − 𝐴𝜎

❑ Para las Desviaciones Estándar

𝐿𝑆𝐶 = 𝐵6 𝑅ത 𝐿𝐶 = 𝑐4 𝜎 𝐿𝐼𝐶 = 𝐵5 𝑅ത

Donde

3
𝐴= 𝐵5 = 𝑐4 − 3 1 − 𝑐42 𝐵6 = 𝑐4 + 3 1 − 𝑐42
𝑛

49

Pasos para la Construcción de

gráficos (𝑿
ഥ − 𝒔)

❑ Cuando no se conocen los valores de μ y σ, (lo más común) los mismos se

calculan a partir de los datos para obtener los límites de control.

❑ Para las Medias

𝐿𝑆𝐶 = 𝑋ധ + 𝐴3 𝑆ҧ 𝐿𝐶 = 𝑋ധ 𝐿𝐼𝐶 = 𝑋ധ − 𝐴3 𝑆ҧ
❑ Para los Rangos
𝐿𝑆𝐶 = 𝐵4 𝑆ҧ 𝐿𝐶 = 𝑆ҧ 𝐿𝐼𝐶 = 𝐵3 𝑆ҧ

Donde
3 1 − 𝑐4 1 − 𝑐4
𝐴2 = 𝐵3 = 1 − 3 𝐵4 = 1 + 3
𝑐4 𝑛 𝑐4 𝑐4

50

hhhggh 25
 7/02/2022

ഥ − 𝒔)
Grafico de Control(𝑿

Tabla .- La tabla de la
derecha muestra el valor
de las constantes c4,
A3, B3 y B4 para
distintos tamaños de los
subgrupos racionales.

51

Otros gráficos para control de

variables

❑ Diagramas de sumas acumulativas (CUSUM), los cuales

permiten detectar más rápidamente cambios en la media de
una variable.

❑ Gráficos de medias móviles pesadas exponencialmente

(EWMA), para procesos donde las observaciones no son
independientes (procesos continuos).

52

hhhggh 26
 7/02/2022

Gráficos de control para atributos

Se consideran dos situaciones:

❑ Nos interesa la presencia o ausencia del atributo en el individuo, o

se trata de un atributo que solo puede presentarse una vez (una
lata esta hinchada o no) → Diagrama np o p.

❑ Nos interesa contar el número de veces que se presenta el

atributo en cada individuo (poros en una superficie plástica
extruida) → Diagramas u.

53

Gráficos para control de

proporciones (p)
❑ Se utiliza para atributos binarios, y por tanto el número de
ocurrencias del mismo en un lote puede modelarse por una v.a.
Binomial. Así, basta con un gráfico que corresponde a la
proporción p de defectuosos en la muestra.

❑ El otro parámetro de la distribución (n), puede ser constante o

no y es conocido.

54

hhhggh 27
 7/02/2022

Pasos para la construcción de

gráficos p
❑ Se toman k muestras cada una de tamaño 𝑛𝑖 (𝑛𝑖 suele escogerse
de manera que se presenten por lo menos tres o cuatro
defectos).
❑ Se calcula la fracción de individuos con el atributo en la muestra
𝑝𝑖
𝑒 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝐴𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑔𝑟𝑢𝑝𝑜
𝑝𝑖 = 𝑖 =
𝑛𝑖 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑔𝑟𝑢𝑝𝑜

❑ Se grafican los valores de 𝑝𝑖 en el tiempo.

55

Pasos para la construcción de

gráficos p

❑ Se estima el parámetro poblacional

σ𝑘𝑖=1 𝑛𝑖 𝑝𝑖 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝐴𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝ҧ = =
σ𝑘𝑖=1 𝑛𝑖 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑒𝑎𝑑𝑜𝑠

❑ Se obtienen y grafican los límites de control y la línea central.𝑝𝑖

𝑝(1
ҧ − 𝑝)ҧ 𝑝(1
ҧ − 𝑝)ҧ
𝐿𝑆𝐶 = 𝑚𝑖𝑛 𝑝ҧ + 3 ,1 𝐿𝐼𝐶 = 𝑚𝑎𝑥 𝑝ҧ − 3 ,0
𝑛𝑖 𝑛𝑖

𝐿𝐶 = 𝑝ҧ

56

hhhggh 28
 7/02/2022

Gráficos para control para

cantidades (u)

❑ El interés se centra ahora en 𝑐𝑖 ,el número de veces que el

atributo se presenta en cada individuo (no solo su
presencia).

❑ Si se supone que la tasa de ocurrencia de los eventos que

generan el atributo es constante entonces es razonable
asumir que la v.a. sigue una distribución de Poisson, y por
tanto, hay que monitorear un solo parámetro (𝜆).

57

Pasos para la construcción de

gráficos u
❑ Se toman ni individuos (con ni tal que se presente el atributo
alrededor de 10 veces) en cada uno de k puntos en el tiempo.

❑ Se calcula el número promedio de defectos en cada instante:

𝑐𝑖 𝑉𝑒𝑐𝑒𝑠 𝑒𝑛 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑒𝑙 𝑎𝑡𝑟𝑖𝑏𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑔𝑟𝑢𝑝𝑜

𝜆𝑖 = =
𝑛𝑖 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑔𝑟𝑢𝑝𝑜

❑ Se grafican los valores de 𝜆𝑖 en el tiempo.

58

hhhggh 29
 7/02/2022

Pasos para la construcción de

gráficos u

❑ Se estima el parámetro poblacional.

σ𝑘𝑖=1 𝑐𝑖 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠

𝜆ҧ = =
σ𝑘𝑖=1 𝑛𝑖 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑒𝑎𝑑𝑜𝑠

❑ Se obtienen y grafican los límites de control y la línea central.

𝜆ҧ 𝜆ҧ
𝐿𝑆𝐶 = 𝜆ҧ + 3 𝐿𝐶 = 𝜆ҧ 𝐿𝐼𝐶 = 𝜆ҧ − 3
𝑛𝑖 𝑛𝑖

59

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.

60

hhhggh 30
 7/02/2022

Interpretación de los gráficos

de control

61

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.

62

hhhggh 31
 7/02/2022

Reglas de parada

❑ Un punto fuera de la zona A. Corresponde a un cambio repentino

en la media o la dispersión del proceso.

63

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.

64

hhhggh 32
 7/02/2022

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).

65

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.

66

hhhggh 33
 7/02/2022

Reglas de parada
❑ Dos de tres puntos consecutivos en la zona A o más allá.
Indican un incremento en la varianza del proceso.

67

Reglas de parada
❑ Estructuras periódicas. Estas están asociadas normalmente con
cambios de turnos, operarios, días de la semana, etc.

68

hhhggh 34
 7/02/2022

Reglas de parada

❑ 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.

69

Ejemplos adicionales

Ejemplo.- Dentro de un
proceso de moldeo de PVC
las piezas elaboradas
pueden presentar o no
defectos superficiales.
Cada día se toman 100
piezas al azar de la línea
de producción y se cuenta
el número de piezas
defectuosas.

70

hhhggh 35
 7/02/2022

También se dispone de un registro de eventos en la línea, que

puede resumirse como:

71

El gráfico p correspondiente a estos datos es el siguiente

72

hhhggh 36
 7/02/2022

❑ Si bien el punto 2 aparece fuera de los límites, no existe en el

registro ningún evento que nos haga creer que el proceso se
encontraba fuera de control.

❑ Al llegar al punto 29 se presenta una racha de 9 puntos bajo la

línea central (lo cual tiene una probabilidad de 0,00195 en un
proceso bajo control). Esto se puede relacionar con el cambio en
el sistema de enfriamiento (día 22). El 30 es similar.

❑ Nuestra conclusión es que la temperatura de inyección influye

sobre la frecuencia en que aparecen defectos superficiales. El
cambio del sistema de enfriamiento permitió elevar la
temperatura, lo cual redujo el número de defectos.

❑ Para avalar nuestra observación se podría haber realizado una

prueba de igualdad de proporciones.

73

Gráfico de Control por

Atributos - Inspección al
100%

74

hhhggh 37
 7/02/2022

Procedimiento para Construir

un Gráfico de Control por
Atributos - Inspección al 100%

❑ Establecer la característica de Calidad por estudiar.

❑ Seleccionar el numero de Muestras
❑ Calcular el promedio de evaluaciones realizadas
❑ Calcular el Promedio de Rechazos (defectuosos)
❑ Calcular los Límites de Control.
❑ Analizar los Resultados.
❑ Determinar si los límites son satisfactorios
❑ Empleo de los Gráficos de Control

75

Cálculo de los Limites de

Control

76

hhhggh 38
 7/02/2022

INSPECCION 100% LIMITES DE CONTROL

77

INSPECCION 100% LIMITES DE CONTROL

78

hhhggh 39
 7/02/2022

79

TALLER 1: EMPRESA DE CAFÉ

Los datos que se registran en la tabla corresponden al peso de
empaques de café instantáneo (especificación 250 gr. ± 3gr);
para ello se muestrearon aleatoriamente 5 muestras cada
media hora hasta completar 20 subgrupos. Este control servirá
para evaluar la eficiencia de la máquina envasadora y el
desempeño de la empresa. Establecer los limites de control y
las mejoras que deben implementarse.

hhhggh 40
 7/02/2022

TALLER 1: EMPRESA DE CAFÉ

TALLER 2: EMPRESA LA HARINA “NEMO”

La Empresa Harina “Nemo”, cuenta con una máquina de
secado de Harina de Pescado de alta velocidad, la maquina
se ajusta para generar la menos cantidad de gases de secado
hacia el medioambiente, estos no deberán pasar la barrera de
10m3, luego se debería ajustar la máquina si fuera así, crear
un diagrama de control que corrobore la información anterior,
necesitara ajuste o no, se muestras sus valores medidos:

hhhggh 41
 7/02/2022

TALLER 2: EMPRESA LA HARINA “NEMO”

Desarrolle una Gráfica de Control, a partir de estos diagramas

que puede decir del proceso

GRACIAS POR SU
ATENCIÓN

Mg. Ing. Edward Aurora Vigo

Docente del Curso

hhhggh 42