You are on page 1of 20

Ao de la Promocin de la Industria Responsable y del Compromiso Climtico

Universidad Nacional de San


Martn
Facultad de Ingeniera
Agroindustrial

Departamento Acadmico de Ingeniera


Agroindustrial
REA ACADMICA
DE INGENIERIA
CONTROL
DE CALIDADY PROYECTOS
AGROINDUSTRIAL

CONTROL DE PROCESOS POR MTODOS


ESTADSTICOS
DOCENTE

Ing. Dr. EPIFANIO MARTINEZ MENA.

ESTUDIANTE

ELIAS BERCLE ESTELA RUIZ.

CICLO

X. 2014-II.

FECHA

03 de Noviembre del 2014.

TARAPOTO PER
2014

1. INTRODUCCION
El Control Estadstico de Procesos es un conjunto de tcnicas estadsticas destinadas
a hacer un seguimiento, en tiempo real, de la calidad que ofrece un proceso. El resultado de
dicho proceso puede ser un artculo o un servicio. El Control Estadstico se realiza sobre
una o varias variables que estn relacionadas con la calidad del artculo o servicio de
inters.
El concepto y utilidad del Control Estadstico de Procesos se desarroll inicialmente
para procesos industriales, campo que constituye todava su aplicacin ms frecuente. Sin
embargo, hay que destacar que, hoy en da, todas estas tcnicas han demostrado ser muy
tiles en cualquier proceso de una organizacin, incluyendo los administrativos, de
fabricacin o de servicios.

2. MTODOS ESTADSTICOS EN EL CONTROL DE CALIDAD


El control estadstico de procesos recibe una creciente atencin como herramienta
de administracin en la que importantes caractersticas de un producto se observan, evalan
y comparan con algn tipo de estndar.
Es un proceso que proporciona mejoramiento continuo por medio de la
participacin total de la organizacin y las tcnicas estadsticas comprobadas. El uso del
control estadstico de procesos lleva implcitas algunas hiptesis que describiremos a
continuacin.
Una vez que el proceso est en funcionamiento bajo condiciones establecidas, se
supone que la variabilidad de los resultados en la medicin de una caracterstica de calidad
del producto se debe slo a un sistema de causas aleatorias, que es inherente a cada proceso
en particular.

El sistema de causas aleatorias que acta sobre el proceso genera un universo


hipottico de observaciones (mediciones) que tiene una Distribucin Normal. Cuando
aparece alguna causa asignable provocando desviaciones adicionales en los resultados del
proceso, se dice que el proceso est fuera de control. La funcin del control estadstico de
procesos es comprobar en forma permanente si los resultados que van surgiendo de las
mediciones estn de acuerdo con las dos primeras hiptesis. Si aparecen uno o varios
resultados que contradicen o se oponen a las mismas, es necesario detener el proceso,
encontrar las causas por las cuales el proceso se apart de su funcionamiento habitual y
corregirlas.
En los procesos de produccin se generan simultneamente grandes volmenes de
informacin cuantitativa y cualitativa a travs de las cuales se pueden controlar los costos,
la produccin y la calidad, es decir, lo que significa el control de gestin administrativa de
la compaa.
La recopilacin, presentacin y anlisis de este flujo de informacin permite a la
gerencia conocer los resultados y establecer controles y as mismo comparar los resultados
obtenidos con lo deseado, pudiendo establecer acciones correctivas cuando se observen
discrepancias significativas entre ellos.
Lo importante del Control de Calidad es que constituye una herramienta muy eficaz
para incrementar la productividad, permitiendo elevar el nivel tcnico de la empresa,
incrementando la produccin y reduciendo los costos de operacin. De esta forma, el
propsito del control de la calidad es fijar la calidad normal, mantener y mejorar el nivel, la
uniformidad y la confiabilidad de la calidad garantizando sta y reduciendo los costos de
fabricacin, suministrar productos a la satisfaccin del cliente aumentando los beneficios.
2.1.

Variacin
En todos los procesos repetitivos encontramos variacin y a pesar de que la

variacin est implcita en todo lo que se hace y lo que nos rodea, difcilmente se puede
evitar. Esta definicin puede ser aplicada a cualquier tipo de proceso de una organizacin,
ya sea desde los ms simples a los ms complejos, o aplicarlo al diseo, desarrollo o
produccin de un producto o servicio.

Aunque tratemos habitualmente procesos de produccin, el concepto de variacin es


aplicable a procesos administrativos, de fabricacin o de servicios. As, tenemos, como
ejemplos: la variacin en ventas, en presupuestos financieros, en tiempos de entrega de
mercancas, en horas de llegada del personal, o, por ejemplo, problemas con distintos pesos
de un producto, dimensiones, ajustes de maquinaria, etc.
La variacin est presente en todos los procesos. Su estudio y su reduccin son los
mtodos principales de la mejora de la calidad.
2.2. Atributos
Es una caracterstica que no puede ser medido, slo se cualifica. Estas grficas se
emplean cuando se tienen datos discretos o cuando se desea clasificar una serie de medidas
continuas como aceptables o no. Para estos se utilizan las grficas de defectos o d %
defectuosos.
De acuerdo a estos en un lote se puede tener varios variables y varios atributos. Una
variable puede ser tratada como un atributo ms no un atributo como una variable. En
general la grfica de atributos se usa cuando:

No es posible tomar medidas, como en la inspeccin visual de una parte.

Cuando no es prctico tomar medidas, debido a que los calibradores son


caros o el tiempo necesario para tomarlas es excesivo.

La parte tiene muchas caractersticas para evaluar.

La grfica se basa en una inspeccin al 100%.


Se usa grfica variable cuando:

Se involucra una caracterstica crtica, tal como es una localizacin de un punto.

Se desea un control ms preciso que el control de caractersticas.

2.3. Distribucin de Frecuencias


La distribucin de frecuencia es una disposicin tabular de datos estadsticos,
ordenados ascendente o descendentemente, de acuerdo a la frecuencia de cada dato. Las
frecuencias pueden ser:

2.3.1. Frecuencia Absoluta (fi)


Es el nmero de veces que se repite un determinado valor de la variable (xi). Se
designa por fi. La suma de todas las frecuencias absolutas es igual al total de observaciones
(n).
2.3.2. Frecuencia Acumulada (Fi)
Las frecuencias acumuladas de una distribucin de frecuencias son aquellas que se
obtienen de las sumas sucesivas de las fi que integran cada una de las filas de una
distribucin de frecuencia, esto se logra cuando la acumulacin de las frecuencias se realiza
tomando en cuenta la primera fila hasta alcanzar la ltima. Las frecuencias acumuladas se
designan con las letras Fi. La ltima frecuencia acumulada absoluta es igual al total de
observaciones.
2.3.3.

Frecuencia Relativa (hi)

Es aquella que resulta de dividir cada una de las frecuencias absolutas entre el
nmero total de datos. Las frecuencias relativas se designan con las letras hi. La suma de
todas las frecuencias relativas es igual a la unidad.
2.3.4.

Frecuencia Relativa Acumulada (Hi)

Es aquella que resulta de dividir cada una de las frecuencias acumuladas entre
nmero total de datos. Se designa con las letras Hi. La ltima frecuencia relativa acumulada
es la unidad.
Es la representacin estructurada en forma de tabla de toda la informacin que se ha
recogido sobre la variable que se estudia, es decir, es una tabla que presenta de manera
ordenada los distintos valores de una variable y sus correspondientes frecuencias. Su forma
ms comn es la siguiente:

2.4. Distribucin Normal


La Normal es la distribucin de probabilidad ms importante. Multitud de variables
aleatorias continuas siguen una distribucin normal o aproximadamente normal. Una de sus
caractersticas ms importantes es que casi cualquier distribucin de probabilidad, tanto
discreta como continua, se puede aproximar por una normal bajo ciertas condiciones. La
distribucin de probabilidad normal y la curva normal que la representa, tienen las
siguientes caractersticas:
La curva normal tiene forma de campana y un solo pico en el centro de la
distribucin. De esta manera, la media aritmtica, la mediana y la moda de la
distribucin son iguales y se localizan en el pico. As, la mitad del rea bajo la curva
se encuentra a la derecha de este punto central y la otra mitad est a la izquierda de
dicho punto.
La distribucin de probabilidad normal es simtrica alrededor de su media.
La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al eje
X pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de
manera indefinida en ambas direcciones.

Para indicar que una variable aleatoria (v.a.) sigue una distribucin normal de media
y desviacin estndar usaremos la expresin: X N(,).
2.5. Distribucin Binomial
Si realizamos n veces un experimento en el que podemos obtener xito, E, con
probabilidad p y fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una
distribucin binomial de parmetros n y p, y lo representaremos por Bin (n;p). En este caso
la probabilidad de obtener k xitos viene dada por:

Observar que las probabilidades de xito y fracaso son complementarias, es decir,


q=1-p y p =1-q, por lo que basta saber una de ellas para calcular la otra.
La distribucin binomial se encuentra tabulada por lo que es fcil calcular
probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas de la
distribucin binomial es necesario conocer:
o El nmero de veces que se realiza el experimento (n).
o La probabilidad de xito (p).
o El nmero de xitos (k).
La probabilidad p se busca en la primera fila (valores desde 001 hasta 05). El
nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a
10) y el nmero de xitos a su lado.

2.6. Distribucin de Poisson


Se dice que X sigue una distribucin de Poisson de parmetro y que se obtiene del
producto n*p (que nombraremos a partir de aqu como np, por mayor simplicidad), que se
representa con la siguiente notacin:
X ~ Ps ()
La distribucin de Poisson se caracteriza por las siguientes propiedades:
Sea una poblacin de tamao .
Sea una muestra de tamao n bastante elevado (se suele hablar de que tiende a )
Los sucesos son independientes entre s.
Sea A un suceso que tiene una probabilidad p de suceder durante un periodo de
tiempo, siendo esta probabilidad de ocurrencia durante un periodo de tiempo
concreto muy pequea (se suele hablar de que tiende a 0).
El producto n*p, tiende a aproximarse a un valor promedio o nmero medio, al
que llamaremos . Por ejemplo, promedio de llamadas recibidas en una centralita
por minuto o nmero medio de accidentes producidos en una carretera durante el
fin de semana.
X: nmero de individuos de la muestra que cumplen A.
El conjunto de posibles valores de A es, E = {0,1,2,3,4....}
Su funcin de probabilidad viene definida por:

1
2.6.1. Media Aritmtica
La media aritmtica (X) o simplemente la media es la medida de posicin de ms
importancia y utilizacin en las aplicaciones estadsticas por su fcil calculo e
interpretacin. Se trata del valor medio de todos los valores que toma la variable estadstica
de una serie de datos. La media es el valor ms representativo de la serie de valores, es el
punto de equilibrio, el centro de gravedad de la serie de datos. Por lo general se le designa
con X.

La media aritmtica de una serie de n valores de una variable X 1, X2, X3;


X4,.........Xn, es el cociente de dividir la sumatoria de todos los valores que toma la variable
Xi, entre el nmero total de ellos. La frmula se puede expresar as:

Caractersticas principales de la media aritmtica:


El valor de la media depende de cada una de las medidas que forman la serie de
datos, y se halla afectada excesivamente por los valores extremos de la serie de
datos.
La media se calcula con facilidad y es nica para cada caso y permite representar
mediante un solo valor la posicin de la serie de valores.
La media es una medida de posicin que se calcula con todos los datos de la serie de
valores y es susceptible de operaciones algebraicas.
2.6.2. La Mediana
La mediana es el valor que divide en dos partes iguales, al conjunto de
observaciones ordenadas respecto de sus magnitudes, de tal manera que el nmero de datos
por encima de la mediana sea igual al nmero de datos por debajo de la misma. Se designa
por las letras Me. Tal como sucede con la media, el mtodo de determinacin depende de si
los datos son agrupados o no.
Para encontrar la mediana en una serie de datos no agrupados, lo primero que se
hace es ordenar los datos en una forma creciente o decreciente y luego se ubica la posicin
que esta ocupa en esa serie de datos; para ello hay que determinar si la serie de datos es par
o impar. Si el nmero n es impar, entonces la posicin de la mediana se determina por la
frmula:

Luego el nmero que se obtiene indica el lugar o posicin que ocupa la mediana en
la serie de valores, luego la mediana ser el nmero que ocupe el lugar de lo posicin
encontrada.
Si n es par, se aplica la frmula:

El resultado obtenido, es la posicin que ocupara la mediana, pero en este caso se


ubica la posicin de la mediana por ambos extremos de la serie de valores y los dos valores
que se obtengan se le saca la media y esta ser la mediana buscada, por lo tanto la mediana,
en este caso, es un nmero que no se encuentra dentro de la serie de datos dados.
Caractersticas de la mediana:
o La mediana no es afectada por los valores extremos de una serie de valores, puesto
que la misma no es calculada con todos los valores de la serie.
o La mediana no est definida algebraicamente, ya que para su clculo no
intervienen todos los valores de la serie.
o La mediana en algunos casos no se puede calcular exactamente y esto ocurre
cuando en una serie de valores para datos no agrupados el nmero de datos es par,
en este caso la mediana se calcula aproximadamente.
o La mediana se puede calcular en aquellas distribuciones de frecuencia de clases
abierta, siempre y cuando los elementos centrales puedan ser determinados.
o La suma de los valores absolutos de las desviaciones de los datos individuales con
respecto a la mediana siempre es mnima. (propiedad).
2.6.3. La Moda
La moda es la medida de posicin que indica la magnitud del valor que se presenta
con ms frecuencia en una serie de datos; es pues, el valor de la variable que ms se repite
en un conjunto de datos. De las medidas de posicin la moda es la que se determina con
mayor facilidad, ya que se puede obtener por una simple observacin de los datos en
estudio, puesto que es el dato que se observa con mayor frecuencia. Se designa con las
letras Mo.
Cuando una serie de valores es simtrica, la media, la mediana y el modo coinciden,
y si el grado de asimetra de la serie es moderada, la mediana estar situada entre la media y
el modo con una separacin de un tercio entre ambas. Tomando en cuenta esta relacin,
cuando se tengan dos de esta medidas se puede determinar la tercera; sin embargo es
conveniente utilizar esta relacin para calcular solamente la moda ya que para calcular la

media y la mediana existen frmulas matemticas que dan resultados ms exactos; la


frmula matemtica para calcular la moda por medio de la relacin antes mencionada es:

3. CONTROL DE PROCESOS
3.1.

Causas de Variacin
Todo proceso produce variaciones. stas pueden ser de distinta naturaleza:

Cuando estas variaciones aparecen sin ser posible atribuirlas a una causa nica,
siendo resultado de efectos combinados de muchas causas, se dir que stas, son
debidas a causas no asignables o causas aleatorias.
Cuando las variaciones pueden aparecer por otras causas, de forma que cuando
actan producen efectos que se pueden atribuir con certeza a un motivo, se
denominan causas asignables o causas especiales.
3.1.1. Causas no Asignables o Aleatorias
Su naturaleza es de tipo aleatorio, debidas a la propia variacin natural del proceso,
y como consecuencia de las mismas, el proceso tiene un comportamiento estable en el
tiempo, de forma que las caractersticas de salida se pueden predecir. Las causas aleatorias
se caracterizan por:

o Consistir en muchas causas de variacin pequea provocando pequeas


o
o
o
o
o

fluctuaciones en los datos sin afectar al proceso global.


Aparecer en muchos instantes del proceso.
Ser de variacin estable.
Ser previsibles en el tiempo.
Permanecer en el proceso y ser inherente a l.
Difcil y antieconmico reducir sus efectos.
Nunca debe ajustarse un proceso cuando la variacin es producida por causas

aleatorias ya que, aunque individualmente contribuyen a pequeas fluctuaciones, en


conjunto nos dan informacin del patrn normal de comportamiento que sigue ese proceso.
Ejemplos de este tipo de causas seran: variaciones debidas a la materia prima, a diferencias
de habilidad entre el personal, a factores ambientales, etc.
3.1.2. Causas Asignables o Especiales
La naturaleza de estas causas no es aleatoria, sino que aparecen espordicamente en
el proceso de forma que cuando actan producen efectos definidos, y cuando se elimina la
causa, se elimina la variacin producida por ella. Estas causas pueden provocar variaciones
importantes que separen significativamente los datos respecto de la pauta esperada para ese
proceso. Dan como consecuencia un proceso inestable sobre el que no se puede predecir la
homogeneidad de las caractersticas de salida. Las causas especiales se caracterizan por:
Constar de una o pocas causas importantes y fciles de identificar.
Aparecer espordicamente en el proceso.
Ser de variacin inestable.
Ser imprevisibles en el tiempo.
Poder reaparecer.
Actan en un punto concreto del proceso.

o
o
o
o
o
o

Ejemplos de este tipo de causas seran: desajustes de maquinaria, lotes defectuosos,


fallos de controles, errores humanos, etc. Puede darse el caso de que una misma variable no
afecte de igual modo segn sea el proceso que se trate, as, por ejemplo, sera el caso de la
temperatura afectando al rendimiento de un proceso qumico de forma que la variacin de
sta sera una causa asignable en ese proceso. Por el contrario, para esta misma causa, en
una planta de embalaje, la temperatura ambiente no ser una causa asignable, pues al variar
no tiene por qu alterarse el proceso.
3.2.

Mtodos de Causa y Efecto de Ishikawa

Es una representacin grfica de la relacin entre un efecto y todas las posibles


causas que influyen en l, permitiendo identificarlas y clasificarlas para su anlisis.
Ejemplo.
Despus de haberse realizado un anlisis de las principales causas que originan
bobinas desviadas en el laminador tandem 1, se encontr que manchas contaminantes
afectaba en gran proporcin los resultados de calidad. El equipo de trabajo realiz un
estudio utilizando el diagrama causa efecto el cual se presenta a continuacin:

4. GRFICOS DE CONTROL
4.1.

Cartas de Control
La carta de control es una tcnica muy til para el monitoreo de los procesos,

cuando se presentan variaciones anormales donde las medias o los rangos salen de los
lmites de control, es seal de que se debe tomar accin para remover esa fuente de
variabilidad anormal. Su uso sistemtico proporciona un excelente medio para reducir la
variabilidad.
LSC

LC
LIC
LSC = Lmite superior de control
LC = Lnea central
LIC = Lmite inferior de control
Un punto que se encuentre fuera de los lmites de control mostrar evidencia que el
proceso est fuera de control y ser necesario una investigacin de la causa especial y la
accin correctiva necesaria para eliminarla. Tambin se tendr un alto riesgo de situacin
fuera de control si los puntos se agrupan es forma sistemtica dentro de los lmites de
control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del

proceso est en control y tiene un valor 0 si un valor de media muestral

Xi
cae dentro de

los lmites de control; de otra forma se concluye que el proceso est fuera de control y que
la media del proceso tiene un valor diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las cartas de
control.

La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se concluye
que el proceso est fuera de control cuando en realidad no lo est. La probabilidad de error
tipo II o beta de la carta de control se presenta cuando se concluye que el proceso est en
control cuando en realidad est fuera de control.
Se puede definir un modelo general para una carta de control, si w es un estadstico
muestral que mide alguna caracterstica de calidad de inters y asumiendo que su media es
w con desviacin estndar w se tiene:

LSC = w + Lw
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central
expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de su
monitoreo, al principio se observar que los procesos no estn en control estadstico, sin
embargo con las cartas de control se podrn identificar causas especiales que al ser
eliminadas, resulten en una reduccin de la variabilidad mejorando el proceso.

Distribucion
De Los Valores

Distribucion
De Las Medias

X 0.0045

Comportamiento Del Proceso


Lsc = 74.0135, Lc = 74, Lic = 73.9865

Individuales =.01

4.2. Grficos de Control por Variables


Son Grficos de Control basados en la observacin de la variacin de caractersticas
medibles del producto o del servicio. A continuacin se comentan una serie de
caractersticas que ayudan a comprender la naturaleza de la herramienta.

Comunicacin: Simplifican el anlisis de situaciones numricas complejas.


Impacto visual: Muestran de forma clara y de un "vistazo" la variabilidad del
resultado de un proceso, respecto a una determinada caracterstica, con el tiempo.
Gua en la investigacin: El anlisis de datos mediante esta herramienta
proporciona mayor informacin que el simple control de los resultados de un

proceso, sugiriendo posibilidades de correccin preventiva y alternativas de


investigacin.
4.2.1. Tendencia Central
Caracterstica tpica de la mayora de las distribuciones de frecuencia, por lo cual el
grueso de las observaciones se agrupan en una zona determinada de las mismas.
4.2.2. Media Aritmtica, " X "
Medida de la tendencia central, correspondiente a la suma de todos los valores,
dividida por el nmero de los mismos.

4.2.3. Dispersin
Alcance de la diseminacin con la que los datos de una distribucin de frecuencia se
distribuyen alrededor de la zona de tendencia central.
4.2.4. Recorrido, "R"
Medida de la dispersin, correspondiente a la diferencia entre el valor mximo y el
valor mnimo de un conjunto de datos.
4.2.5. Desviacin Tpica, "S" O "S"
Es una medida de la dispersin de una distribucin de frecuencia, correspondiente a
la raz cuadrada del cociente entre la suma de los cuadrados de las distancias de cada valor
a la media aritmtica y el nmero de valores. En general este parmetro se estima a travs
del clculo de la desviacin tpica de los valores de una muestra (desviacin tpica
muestral, s), siendo esta:
s = (x - x) 2 (n - 1) i , o bien ( ) ( 1) s = x 2 - nx 2 n - i
xi = valor del elemento i de la muestra
n = tamao de la muestra
4.3.

Cartas de Control para Atributos


4.3.1. Carta de Control para Fraccin No Conforme
La fraccin no conforme es la relacin entre el nmero de artculos discrepantes
entre el total de artculos, se expresa como fraccin decimal, aunque tambin se puede
expresar en porcentaje. El artculo o servicio puede tener varias caractersticas de calidad

que son examinadas por un inspector, si el artculo no est de acuerdo a los estndares, se le
considera como defectuoso o no conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre
el nmero de unidades no conformes D al tamao de muestra n, o sea:

pi

Di
ni

La distribucin de este estadstico sigue la distribucin binomial por tanto:


__

p
2p

p(1 p )
n

Del modelo general para la carta de control de Shewhart, si w es un estadstico que

mide una caracterstica de calidad, con media w y varianza

w2
, los lmites de control

son:
LSC = w + Lw
LC = w
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn usar L = 3.
Por tanto los lmites de control de la carta p considerando L = 3 son:
__

__

p (1 p )
p 3
n

__

LSCp =
__

LCp =

__

__

p (1 p )
p 3
n

__

LICp =
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin
pi
defectiva

pi
y se grafica en la carta, mientras no se observe ningn patrn anormal y

se

localice dentro de lmites de control, se puede concluir que el proceso est en control, de
otra forma, se concluir que la fraccin no conforme se ha desplazado de su valor original y
el proceso se encuentra fuera de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos
observados en m muestras iniciales, cada una de tamao n, por lo general se toman 20 a 25
de estas. As si Di son unidades no conformes en la muestra i, la fraccin defectiva de la
muestra i - sima estar dada como:
pi = Di / n

i = 1, 2, 3,....., m

Y el promedio de las fracciones individuales no conformes cuando p es desconocida es:


m

Di
i 1

mn

p
i 1

Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa asignable o
especial, deben tomarse medidas correctivas para prevenir su recurrencia, los puntos
correspondientes a la situacin fuera de control se eliminan y se calculan de nuevo los
lmites de control preliminares.

5. ANALISIS DE LA INFORMACIN
El uso de los mtodos estadsticos en el control de procesos es muy importante para
una empresa, entidad financiera, etc., ya que estas herramienta acompaadas de grficos de
control nos permiten predecir con mayor exactitud la posibilidad de que ocurrir ciertas

desviaciones dentro del proceso y adems ayuda a comprender mejor lo que realmente est
pasando con los procesos, determinar donde y cuando se requiere ajustar un determinado
proceso para que este dentro del rango establecido como estndar para la elaboracin de un
bien o servicio.
Estas herramientas cumplen la funcin de monitorear los procesos productivos con
la finalidad de que el resultado sea un buen producto el cual responda a los deseos de la
empresa de producir productos libre de defectos optimizando recursos sin incurrir en
prdidas por defectos de proceso. La idea de aplicar el control de proceso es para que los
productos se uniformicen y sean semejantes a un patrn o estndar considerado como el
ptimo para satisfacer las necesidades de los consumidores.

6. MEJORA y PROPUESTA
El control de procesos mediante mtodos estadsticos debera formar parte del
monitoreo del proceso de produccin de una empresa, ya que es un mtodo que cuantifica y
determina cuan alejados estamos produciendo del estndar. Hoy en da la tecnologa para
las industrias da tantas facilidades, tanto es as que permite llevar el monitoreo de los
procesos mediante sensores y software que hacen uso de la estadstica facilitan muchsimo
el control de procesos, sin embargo el todos los trabajadores de una empresa, industria, etc.,
tiene que conocer y saber cmo interpretar dichos resultados, ya sea valor numrico o
grfico y a partir de ello tomar las acciones correctivas necesarias para ajustar los procesos
de produccin.

7. CONCLUSIONES
7.1.

Concluyo que el control de procesos por mtodos estadsticos permite


controlar los parmetros de produccin de manera cuantitativa, ajustando los
procesos cuando estos lo requieran para estar dentro del rango establecido como
aceptable.
En conclusin el control de procesos mediante el uso de graficas de control

7.2.

permite y facilita comprender mejor el estado de cierto proceso o procesos dentro


de la cadena productiva de una empresa, es ms fcil identificar las desviaciones
de los procesos ya que no requiere de mucha ciencia sino de saber entender la
grfica.
8. BIBLIOGRAFA
Villa Alicia, S. M. (s.f.). La Distribucin Normal. Obtenido de
http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf
Graficos de Control por Atributos. (s.f.). Obtenido de
http://www.fundibeq.org/opencms/export/sites/default/PWF/downloads/gallery/met
hodology/tools/graficos_de_control_por_atributos.pdf
(s.f.). Obtenido de http://fcps.uaq.mx/descargas/prope2014/estadistica/2/frecuencias.pdf

You might also like