UNIVERSIDAD ABIERTA PARA ADULTOS

UAPA

ESCUELA DE NEGOCIOS
LICENCIATURA EN MERCADEO

TEMA: tarea 5

PRESENTADO POR:

Emilio Almanzar Castro

MATRICULA:
100038960

ASIGNATURA:

Gestión de la calidad

FACILITADOR: Andrea Jiménez

Introducción

El Control Estadístico de Procesos (SPC, del inglés Statistical Process Control)

es la aplicación de herramientas estadísticas para monitorizar la variación de
un proceso o método productivo, detectar desviaciones y anticipar así posibles
problemas de calidad.

Se trata de una estrategia proactiva y preventiva de control de la calidad, a

través de la cual las empresas pueden garantizar la estabilidad de sus
procesos industriales y cumplir con las especificaciones de sus clientes sin
tener que inspeccionar el 100% de la producción.

Las compañías que implementan el SPC toman muestras aleatorias de sus

procesos productivos con las que posteriormente elaboran gráficas de control
con un valor promedio o línea central y un límite de control superior y otro
inferior, calculados según el conjunto de muestras obtenido.
Realiza una breve indagación, mediante el uso de recursos bibliográficos
digitales sobre Control de Procesos Estadísticos donde incluya  los gráficos
utilizados  para el control estadístico de la calidad. Luego elabora un análisis y
presenta un resumen escrito a partir de los resultados obtenidos.
Control Estadístico de la Calidad es la aplicación de diferentes técnicas
estadísticas a procesos industriales, administrativos y/o servicios con objeto de
comprobar si todas y cada una de las partes del proceso o servicio cumplen
unas ciertas exigencias de calidad y ayudar a cumplirlas. Entendiendo por
calidad de un producto o servicio como su adecuación para ser usado

El Control Estadístico de Procesos (SPC) es una herramienta poderosa para

lograr la estabilidad del proceso y mejorar la capacidad mediante la reducción
de la variabilidad.
Así pues, podemos decir que el control estadístico de proceso es una
herramienta para la mejora y se debe usar en conjunto con otras herramientas
como lo son: Histogramas, Gráficos de Pareto, diagramas causa efecto,
diagramas de dispersión, hojas de verificación, amef de proceso, análisis de
sistemas de medición y planes de control.

TIPOS DE GRÁFICOS DE CONTROL

6.1 Gráficos de control datos continuos
6.1.1 Gráficos de control x-r 
Gráficas de Control basadas en datos continuos cuyas características son las
siguientes:
Son usados para variables continua (por ejemplo, un diámetro expresado en
cm) y tenemos la posibilidad de sacar una muestra que puede ir de 2 a 9
piezas, hay que considerar que los datos deben ser normales e independientes
además de seleccionar subgrupos o muestras racionales que permitan excluir
causas especiales dentro de cada subgrupo.
ver una explicación de la importancia de subgrupos racionales
Si un punto cae fuera de los límites de control es posible que el proceso ya no
sea estable, e igual sucede en el caso de la gráfica R (rangos) que es la que
monitorea la estabilidad de la variabilidad del proceso. 
descargue un ejemplo de una gráfica x-r en excel 
Gráficos de control x-s
Es básicamente lo mismo que la gráfica x-r solo que en lugar de graficar el
rango de cada subgrupo lo que estaríamos graficando es la desviación
estándar del subgrupo.
La gráfica x-r es más común por su sencillez en los cálculos, pero ahora con
los paquetes computacionales es más sencillo elaborar un gráfico x-s, sin
embargo, hay que notar que las mismas alarmas dará una y la otra, esto es no
hay diferencia entre ellas en lo que respecta a su utilidad y depende los deseos
de cada analista cual se adapta más a sus necesidades. 
descargue un ejemplo de una gráfica x-s en excel
6.1.3 Gráficos de medianas y rangos
Es una variante de los gráficos x-r, solo que en este caso los promedios de los
subgrupos no pueden ser calculados en forma conveniente o resulta más fácil
para el usuario calcular la mediana, de este modo utilizar esta gráfica para
monitorear el proceso es más atractivo desde el punto de vista del usuario.
Las alarmas que arroja el gráfico y la efectividad de la misma para monitorear
la estabilidad del proceso es como ya se dijo similar a la x-r.
Descargue un ejemplo de una gráfica Mediana – Rango  en excel

Gráficos de control individuales

Gráficas de Lecturas Individuales y Rangos Móviles (I,MR) para datos
continuos individuales;  es un gráfico que es utilizado cuando no tenemos la
oportunidad de sacar una muestra de tamaño n de la población en el tiempo t.
El proceso solo nos permite tener un solo dato en el tiempo t.
Ya que tenemos un solo dato en el tiempo (I), nos podremos ver perjudicados
por la distribución de la población de la que provienen nuestros datos, la cual
podría no ser normal, cosa que evitamos en las gráficas x-r en las cuales
podíamos tener un grupo de tamaño n el cual nos permite hacer uso del
teorema de límite central y con eso conseguir la normalidad de la distribución
de los datos.

Gráficas de Control para datos discretos o por Atributos

Muchas características de calidad no pueden representarse convenientemente
de forma numérica. En estos casos, solemos clasificar cada artículo
inspeccionado como producto conforme o producto no conforme con respecto a
las especificaciones de calidad.
Los gráficos de atributos no suelen ser tan informativos como los gráficos de
variables continuas porque normalmente hay más información en una medición
numérica que en la mera clasificación de una unidad como conforme o no
conforme. 
Sin embargo, los gráficos de atributos tienen aplicaciones importantes. Son
especialmente útiles en las industrias de servicios y en los esfuerzos de mejora
de la calidad no relacionados con la fabricación porque muchas de las
características de calidad que se encuentran en estos entornos no se pueden
medir fácilmente en una escala numérica.

Gráficos de control p
Los gráficos P o de fracción de no conformidades se definen como la relación
entre el número de artículos no conformes en una población con respecto al
número total de artículos de esa población. 
Los artículos pueden tener varias características de calidad que son
examinadas simultáneamente por el inspector, si el artículo no es conforme o
no se ajusta a la especificación de calidad en una o más características, se
clasifica como no conforme.
Normalmente expresamos la fracción de no conformidad con un decimal,
aunque en ocasiones se utiliza el porcentaje de no conformidad que es
simplemente el porcentaje de la fracción no conforme.
Los principios estadísticos en los que se basa el gráfico p o de control de la
fracción de no conformidad están basados en la distribución binomial y
requerimos cumplir con el principio de independencia (cada unidad producida
es independiente de las las unidades que se produjeron en el pasado), y que la
muestra se tome sea de manera aleatoria.
Si se selecciona una muestra aleatoria de n unidades de producto, y si D es el
número de unidades de producto que no son conformes, entonces D tiene una
distribución binomial con parámetros n y p.
La fracción de no conformidad será: 

Gráficos de control np
Es posible diseñar un gráfico de control basado en el número de productos no
conformes en lugar de la fracción de no conformes. Esto suele denominarse
gráfico de control del número de no conformes (np). 
Muchas personas que no tienen una formación en estadística encuentran el
gráfico np más fácil de interpretar que la fracción no conformidades p.
En este gráfico se calculan los límites de control superior e inferior para que
nos den un número entero de no conformidades, así el operador sabrá que si
tiene más no conformidades que el límite superior que está dado en unidades
el proceso está fuera de control al igual que si el número de no conformidades
se encuentra por debajo del límite de control inferior el proceso estará fuera de
control.
Se requiere un tamaño de subgrupo constante (n) y dado que los Límites de
Control se basan en una aproximación a la normal, el tamaño de muestra
usado debiera ser tal que la np ≥ 5.

Gráficos de control c
Un artículo no conforme es una unidad de producto que no satisface una o más
de las especificaciones para ese producto. Cada punto específico en el que no
se satisface una especificación da lugar a un defecto o no conformidad. Por
consiguiente, un artículo no conforme contendrá al menos una no conformidad.
Sin embargo, dependiendo de su naturaleza y gravedad, es muy posible que
una unidad contenga varias no conformidades y no se clasifique como no
conformidad. 
Como ejemplo, supongamos que estamos fabricando computadoras
personales y  cada unidad podría tener uno o varios defectos muy pequeños en
el acabado de la carcasa, y dado que estos defectos no afectan gravemente al
funcionamiento de la unidad, la unidad se podrían clasificarse como conforme,
pero si hay demasiados de estos defectos, la computadora personal se debra
clasificar como producto no conforme, ya que tal cantidad de defectos serían
muy perceptibles para el cliente y podrían afectar a la venta de la unidad
Hay muchas situaciones prácticas en las que se prefiere trabajar directamente
con el número de defectos o no conformidades en lugar de la fracción no
conforme.
Por ejemplo, el número de soldaduras defectuosas en 100 m de oleoducto, el
número de remaches rotos en el ala de un avión, el número de defectos
funcionales en un dispositivo lógico electrónico, el número de errores en un
documento, el número de clientes que deciden abandonar un sistema de
servicio sin completar su solicitud de servicio, etc.
Es posible desarrollar gráficos de control para el número total de no
conformidades en una unidad o el número medio de no conformidades por
unidad. Estos gráficos de control suelen suponer que la ocurrencia de no
conformidades en muestras es de tamaño constante son modeladas por la
distribución de Poisson.
Gráficos de control u
Ahora se puede dar el caso de que no sea factible un tamaño de muestra
exactamente igual a una unidad de inspección. 
La unidad de inspección se elige para simplificar el funcionamiento o la
recolección de datos. Sin embargo, no hay ninguna razón por la que el tamaño
de la muestra deba limitarse a una unidad de inspección. 
Así pues, podríamos establecer un gráfico de control basado en la media o
número de no conformidades por unidad de inspección. Si encontramos x no
conformidades totales en una muestra de n unidades de inspección, el número
medio de no conformidades por unidad de unidad de inspección es:

Obsérvese que x es una variable aleatoria de Poisson; en consecuencia, los

parámetros del gráfico de control para el número medio de no conformidades
por unidad son los siguientes
 

Bibliografía
Mapex. (2022, 13 mayo). Control Estadístico de Procesos: la clave para
fabricar con cero defectos. https://mapex.io/news/control-estadistico-de-
procesos-definicion-y-beneficios/
Delgado, O. M. (2021, 10 agosto). GRÁFICOS DE CONTROL. Ica Consultores
America. https://consultoresamerica.com/%F0%9F%93%8A-graficos-de-
control/