UNIVERSIDAD NACIONAL DE

CAJAMARCA
E.A.P. INGENIERÍA DE MINAS

⮚ CURSO: Estadística y probabilidades

⮚ DOCENTE: Sánchez Cáceres Víctor

⮚ TEMA: Cartas de control de calidad, modelos de redención y correlación

⮚ ESTUDIANTE: - Muñoz Colos, Jamelly - Miranda Rivera Leonel

- Huamán Leiva Adrián - Huancara Human Lizeth

Cajamarca, 10 de marzo de 2024

 CARTAS DE CONTROL DE CALIDAD

Se puede definir una carta de control como: un método gráfico para evaluar si un proceso está o
no en un estado de control estadístico, es decir cuando sólo actúan causas comunes o aleatorias,
inherentes a cualquier proceso. (Armand V. Feigenbaum 1994).
Como lo muestra la Gráfica N°2, la carta consiste en una línea central (L.C.) y dos pares de líneas
límites espaciadas por encima y por debajo de la línea central, que se denomina límite de control
superior (L.C.S.) y límite de control inferior (L.C.I.).
 Estos se eligen de tal manera que los valores situados entre los límites
puedan atribuirse al azar, mientras que los que caigan fuera puedan
interpretarse como una carencia de control. Cuando un punto cae fuera
de los límites de control, se le considera problemático; pero aún cuando
caiga dentro de los límites de control, una tendencia o algún otro patrón
sistemático puede servir para advertir que tal acción debe interpretarse
a fin de evitar algún problema serio. Sin embargo no indica la razón o
motivo por el cual un proceso está fuera de control.

TIPOS DE CARTAS DE CONTROL

Carta de Control por Atributos: Cuando se

Cartas de control por variables: Cuando
requiere que las características de calidad
se lleva un registro sobre una medida real
indiquen nada más que él artículo “se
de una característica de calidad, tal como
adapta a la norma”, es decir si no existe una
una dimensión expresada en milímetros, se
medición continua que es crucial para el
dice que la calidad se expresa por variables
comportamiento del artículo, el registro se
y las cartas que se construyen.
dice que es por atributos.
Cartas de control por variables: Las cartas de control de calidad, es el nombre de un gráfico de control utilizado para
describir la tendencia central y la variabilidad. Características de calidad que son mensurables en una escala de medición continua.
Para el control del valor promedio del proceso, se suele utilizar la carta X - R.
Los cambios en el proceso se pueden monitorear mediante una carta de control 𝒳̅ –S (desviación del proceso), que intuitivamente son
los que requieren un instrumento de medición (peso, volumen, voltaje, longitud, temperatura, humedad, etc.)

Las Cartas 𝒳̅ – R y 𝒳̅ –S, se considera como buena alternativa estas cartas en algunas de las siguientes situaciones:

- Se iniciará un nuevo proceso o se desarrollará un nuevo producto utilizando un proceso existente

- En procesos con mal desempeño con respecto a especificaciones.
- Se utilizan mapas de atributos, pero el proceso es inestable y/o las capacidades aún son débiles. En este caso, los gráficos de
variables continuas son mejores porque proporcionan más información sobre el desempeño del proceso.

Carta de Control por Atributos: Una carta de control es útil en la medida que atienda una necesidad percibida por los
responsables del proceso y, desde luego, dependerá de qué tan bien se implemente y se utilice.

Cada punto del diagrama representa un subconjunto o muestra de elementos. Los elementos que componen cada subgrupo deben
seleccionarse de manera que, si existen razones especiales, aparezcan como diferencias entre los subgrupos y no como diferencias
entre los elementos que los componen un subgrupo. En otras palabras, los subgrupos deben ser lo más homogéneos posible.

Por ejemplo, si en un proceso se utilizan varias máquinas, es mejor tomar un subconjunto de cada máquina que construirlo con
elementos de varias de ellas, ya que las diferencias entre máquinas pueden ser causas puntuales de variación. Esto significa que los
elementos de un subgrupo se producen en condiciones lo más similares posible, desde la misma línea de producción, lote, área,
oficina, máquina, operador o material.
EJEMPLO DE CARTA DE CALIDAD: DE CONCRETO
 CARTAS DE CONTROL DE CALIDAD APLICADA A LA
INGENIERÍA DE MINAS
En la minería las cartas de control de calidad se utilizan de igual forma que en otros sectores, lo que lo
diferencia son ciertas aplicaciones específicas. Algunas de ellas son:

En la calidad del mineral: Las cartas Control de seguridad y medio

Procesos de extracción: Monitorean
de control de calidad monitorean la ambiente: Monitorean variables
los procesos de extracción como la
calidad del material extraído, puesto que relacionadas con seguridad y
trituración, molienda y concentración,
perimite identificar variaciones de su medio ambiente en las
con el propósito de asegurar que se
composición y tomar las medidas operaciones mineras como la
mantengan dentro de los límites de
correctas par garantizar su concentración de químicos o los
control establecidos.
procesamiento final. desechos generados.
 MODELO DE CORRELACIÓN Y REGRESIÓN

Estas dos técnicas sirven para estudiar la asociación estadística entre dos variables cuantitativas.
Aunque estas dos técnicas pueden parecer similares y comparten unos cálculos matemáticos parecidos,
en realidad son conceptualmente diferentes.

El análisis de regresión va un paso más

La correlación nos informa únicamente allá y trata de encontrar un modelo que
sobre si existe relación entre dos variables y nos permita predecir el valor de una de las
cómo se modifica una de ellas con los variables (variable dependiente) en función
cambios de la otra del valor que tome la otra variable (variable
independiente).

En el flujo de análisis de los resultados de un estudio, suele ser habitual estudiar la correlación entre dos
variables como un paso previo para tratar de establecer un modelo de regresión entre ambas.
 CORRELACIÓN

Estudia si existe asociación entre dos variables cuantitativas y establece cuál es la dirección y la magnitud de esa
asociación, informando como cambia de forma sistemática una de las variables con los cambios en la otra, sin
haber una dependencia entre las dos.

● La dirección de la correlación nos indicará el sentido de los cambios de una variable respecto a
la otra; siendo directa o positiva si cambia en el mismo sentido, y siendo inversa o negativa
cuando lo hagan en sentidos opuesto.
● La magnitud o intensidad de esta asociación, se cuantifica mediante el uso de coeficientes de
correlación.
● La forma de la asociación, nos indica el tipo de línea que mejor se ajusta a la representación
gráfica de los pares de valores de las dos variables
 CORRELACIÓN

Coeficientes de Correlación

La forma más sencilla de medir la relación entre 2 variables sería a través de cu covarianza, que
es el parámetro que indica la variabilidad conjunta de dos variables aleatorias. Pero, no podemos
hacer un uso directo de esta, ya que su valor depende de las escalas de medición de las
variables, impidiendo hacer comparaciones entre distintos pares de variables. Es por eso que
debemos estandarizar la covarianza, obteniendo así los denominados coeficientes de
correlación.

● Todos los coeficientes de correlación tienen valores entre -1 y 1. Su valor nulo es el 0, que indica
ausencia de correlación entre las dos variables
● El signo del coeficiente nos proporcionará la dirección de la asociación
● El valor del coeficiente nos informa la intensidad de la asociación
 Coeficientes de Correlación

Coeficiente de correlación de Pearson (r)

Conocido también como coeficiente de correlación lineal producto-momento, es el
más utilizado y se obtiene al dividir la covarianza entre el producto de la varianza de
las dos variables

: Representa la covarianza

: Las varianzas de ¨x¨ y ¨y¨

● Para utilizar el coeficiente de correlación de Pearson se debe cumplir lo siguiente:

● La relación entre las dos variables debe ser lineal.
● Ambas variables deben seguir una distribución normal en la población.
● Debe existir homocedasticidad, la varianza de la variable ¨y¨ debe ser constante a lo largo de los valores
de la variable ¨x¨
 Coeficientes de Correlación

Coeficiente de correlación de Spearman (p)

Conocido también como coeficiente de correlación por rangos,
es el equivalente no paramétrico del coeficiente de Pearson.
Utilizaremos el coeficiente de Spearman cuando no se
cumplan los supuestos necesarios para utilizar el coeficiente
de Pearson o cuando tratemos con variables ordinales.

Aunque la potencia del coeficiente de Spearman es menor que la del coeficiente de Pearson, tiene una
serie de ventajas sobre este último que son:
● No exige supuesto de linealidad, por lo que puede utilizarse en casos de relación logística y
exponencial
● Al ser una prueba no paramétrica, no precisa asumir el supuesto de normalidad de las variables
● Al calcularse con los rangos en lugar de con los datos directos, es mucho más robusto a la presencia
de valores extremos que el coeficiente de Pearson
 Coeficientes de Correlación

Otros coeficientes de correlación

Coeficiente tau de Kendall

● Alternativa no paramétrica al coeficiente de Pearson
● Uso preferible en aquellos casos de muestras pequeñas y en las que exista una alta ligadura
de rangos
Coeficiente de correlación parcial
● Estudia la relación entre 2 variables teniendo en cuenta y eliminando la influencia de otras
variables existentes
Coeficiente de correlación semiparcial
● Discrimina el efecto de terceras variables sobre las 2 correlacionadas de forma independiente,
no sobre las 2 de forma simultánea
Coeficiente de correlación múltiple
● Permite conocer la correlación entre una variable y un conjunto de variables, todas ellas
cuantitativas
 REGRESIÓN

La regresión no sólo explica la relación entre las variables, sino que trata de construir un modelo que nos
permita predecir el valor de una de las variables, la dependiente o criterio, en función del valor que tome la
otra variable, la independiente o explicativa.

Existen numerosos modelos de regresión las cuales pueden clasificarse en simples o múltiples en función
del número de variables independientes que lo componen

Modelo Simple Modelo Múltiple

Incluyen 2 variables, una dependiente y Incluyen una variable dependiente y más
otra independiente de una variable independiente
 REGRESIÓN
Si tomamos una variable independiente ¨x¨ y una variable dependiente ¨y¨, todos los modelos de regresión simple se
ajustan a la siguiente ecuación: F(x)= y = a + bx + e
El componente ¨F(x)¨ dependerá del tipo de variable dependiente del modelo, lo que nos condicionarán el modelo de
regresión concreto que tendremos que utilizar. Como ejemplo de diagrama de dispersión de dos variables con la
línea de regresión del modelo tenemos el siguiente:

● ¨a¨ y ¨b¨ son los denominados coeficientes de

regresión.
● ¨a¨ suele denominarse interceptor, ya que es el punto
donde la representación gráfica de la línea de
regresión cruza el eje de ordenadas
● ¨b¨ representa la pendiente de la línea y nos informa de
en cuantas unidades aumenta la variable ¨y¨ por cada
unidad que aumenta ¨x¨
● ¨e¨ representa la variabilidad aleatoria del modelo, y es
responsable de la diferencia que se produzca entre la
predicción del modelo de regresión y el valor real
observado en el estudio.
 REGRESIÓN
Según los componentes vistos anteriormente, se pueden definir los 4 modelos de regresión simple utilizados
con mayor frecuencia:
Regresión lineal simple
● El más sencillo y se aplica a 2 variables cuantitativas
● La función del modelo es la media aritmética de la variable dependiente
Regresión binaria logística
● Se utiliza cuando la variable dependiente es cualitativa dicotómica, la cual se codifica como 1 o 0 y la
función del modelo será el logaritmo neperiano (natural) de la odds de que la variable tenga el valor de 1
Regresión de riesgos proporcionales de Cox
● Se utiliza en estudios de supervivencia, cuando la variable dependiente es de tipo tiempo a suceso
● Similar al de la regresión logística, con la diferencia de que la función representa el logaritmo neperiano de
la tas de riesgos instantáneos
Regresión de Poisson
● Se utiliza cuando la variable dependiente se ajusta a una distribución de Poisson para cualquier
combinación de valores de la variable independiente. La distribución de Poisson es una distribución
discreta, por lo que los valores de la variable dependiente son enteros positivos, lo que la convierte en la
técnica ideal para situaciones de recuento, como número de ingresos, número de hijos, etc.
● La función del modelo de regresión de Poisson es el logaritmo neperiano de lambda (λ), que representa la
probabilidad de que ocurra un evento en un intervalo determinado, lo que suele corresponder a la densidad
de incidencia en los estudios longitudinales.
 MODELOS DE CORRELACIÓN Y REGRESIÓN APLICADOS A
LA INGENIERÍA DE MINAS

Ofrecen un potencial para mejorar la eficiencia y seguridad en las operaciones mineras, optimizar
recursos y aumentar la rentabilidad. Es decir pueden pronosticar los precios de los minerales, su
demanda, producción minera a lo largo del tiempo y evaluación de las tendencias económicas.
Además ayuda a planificar la toma de soluciones adecuadas. Sin embargo, esencial comprender
las limitaciones y asegurar una correcta interpretación y aplicación de los resultados.
 CONCLUSIONES
- Las cartas de control de calidad son una útil herramienta que permite mejorar
la calidad de los procesos de producción, identificar problemas y tomar
medidas para asegurar el cumplimiento de estándares de calidad.
- Los modelos de correlación y regresión son importantes, ya que proporcionan
información valiosa sobre la relación entre variables, la capacidad predictiva
de un modelo y la importancia de diferentes factores de un fenómeno.
- Es crucial el tema estudiado no solo para la minería sino para otros sectores
como la medicina, la ganadería, agricultura, etc. Actividades que aportan
económicamente al país.
REFERENCIAS
Molina, A., Ochoa, C., Ortega, E. (2021). Correlación. Modelos de regresión. Evidencias en Pediatría. 17(2).
https://evidenciasenpediatria.es/articulo/7827/correlacion-modelos-de-regresion

Mustafa, A., Rodríguez, N., Chauvet, S. (2002). Control de calidad: Cartas de control por variables. In
Congreso Regional de Ciencia y Tecnología NOA. https://www.academia.edu/download/37281537/PDF_-
_Extra.pdf

Patiño, O., y Méndez, R. (2005). Control de calidad del concreto (Normas, pruebas y cartas de Control).
http://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/134
Carlos, S. (2018). Implementación del Control Estadístico de la Calidad, para mejorar el proceso de
producción de vidrios templados en la empresa Corporación Furukawa.
https://hdl.handle.net/20.500.14138/1670