Herramientas Estadisticas para Mejora de La Calidad

28/06/2009 Gilbert Rodriguez P.
1
HERRAMIENTAS
ESTADISTICAS PARA LA
MEJORA DE LA CALIDAD
GILBERT RODRIGUEZ PAUCAR
28/06/2009 Gilbert Rodriguez P. 2
Segn la norma ISO 9000:2000
La calidad es el conjunto de
propiedades y caractersticas de un
producto, de un proceso o de un
servicio que le confieren su capacidad
de satisfacer necesidades implcitas o
explcitas
Qu es calidad?
Qu es calidad?
Concordancia con los requisitos y
especificaciones (Crosby).
Adecuacin para el uso (Juran).
Un grado previsible de uniformidad y
confiabilidad a bajo costo y adecuado
para el mercado (Deming).
Qu es calidad?
Taguchi argumenta que
Para el cliente, prcticamente no hay
diferencia entre un producto que apenas cae
en las especificaciones y otro que apenas
est fuera.
A medida que los clientes se vuelven ms
exigentes, aumenta la presin para reducir
la variabilidad.
La estadstica en la Gestin de
la calidad
Para mejorar es necesario hacer cambios.
Nos gustara tener buenos datos sobre los
cuales realizar los cambios.
Necesitamos herramientas que nos permitan
convertir datos en informacin (es decir, que
nos permitan responder preguntas).
La estadstica es la ciencia que soluciona
ambos problemas.
Evolucin del concepto de
control de calidad
En un inicio se intentaba asegurar la
calidad mediante la inspeccin de los
productos antes de salir al mercado.
A partir de los aos 30s se trata de
minimizar la produccin con defectos
reduciendo el tiempo de deteccin de
cualquier desajuste. La inspeccin se
mantiene, pero cambia su finalidad.
Evolucin del concepto de control
de calidad
Inspeccin Usuario
Producto Defectuoso
Desechos
Reprocesos
Aviso para actuar
sobre el proceso
Materias Primas
Inspeccin Usuario
Materias Primas
Producto Defectuoso
Desechos
Reprocesos
Ajustes constantes basados en muestreo
selectivo del producto y del proceso.
Concepcin
Tradicional
Concepcin
Actual
Q
Calidad Q
Requerida (necesidad del cliente)
Programada
Conseguida o realizada
E
l

o
b
j
e
t
i
v
o

e
s

c
o
n
s
e
g
u
i
r

q
u
e

l
o
s

3

c
i
r
c
u
l
o
s

s
e
a
n

c
o
n
c
e
n
t
r
i
c
o
s
CALIDAD DE ALIMENTOS
Calidad de Alimentos
Tradicionalmente, se
entenda ante todo por
calidad la ausencia de
defectos, fraudes y
falsificacin.
En este aspecto intervienen
organismos como Digesa
mediante el establecimiento
de una reglamentacin
especfica
Definicin ms
reciente, la calidad
radica en
propiedades
previstas, tales
como las
caractersticas
organolpticas,
nutricionales y el
valor de
utilizacin.
Se considera:
las expectativas legtimas
de los usuarios
Por ltimo, la
calidad designa
caractersticas
deseadas,
susceptibles de
conferir el derecho
a una plusvala
por ejemplo:
Modalidades de produccin
agricultura biolgica,
respetuosa del medio ambiente
bienestar de los animales,
zonas de produccin
las tradiciones que conllevan
TIPOS DE NORMAS QUE SE APLICAN PARA
GARANTIZAR CALIDAD
Segn el mbito:
1) Oficiales: NTP, BPM y HACCP
2) Privadas: ISO (series, 9000 y 22000)
Segn la forma de aplicacin:
1) Obligatorias: BPM
HACCP (vigente en nuestro pas)
2) Voluntarias:ISO (series, 9000 y 22000)
Gestin de la Calidad Alimentaria
SGC
Sistema de
Gestin de la
Calidad
BPM
Buenas Prcticas
de Manufactura
HACCP
Anlisis de Peligros
y Puntos Crticos de
Control
BPA
Buenas Prcticas
Agrcolas
Procedimientos Operativos
Estandarizados de Saneamiento
Manejo Integrado
de Plagas
Capacitacin de manipuladores
La calidad se hace a
cada instante
Relacin entre los atributos de
calidad y las tecnicas
analiticas para su medicin
PROCESO ANALTICO
Objetivo del
Anlisis
Muestreo y
preparacin de
la muestra
Pesada de la
muestra
analtica
Extraccin del
Analito
Informacin
Analtica
Clculo
Identificacin y
medicin
Separacin de
las diferentes
formas de los
analitos
Remocin de
interferentes
ILUSTRACIN DEL ERROR TOTAL
LOTE
(Poblacin)
MUESTRA DEL
LABORATORIO
MUESTRA
ANALTICA
RESULTADOS
ANALTICOS
DATOS
ANALTICOS
(Informacin)
ERROR DEL
MUESTREO
ERROR DE LA
PREPARACIN DE
MUESTRA
ERROR DEL
PROCESAMIENTO
DE DATOS E
INTERPRETACIN
ERROR DEL
MUESTREO
ERROR TOTAL
ANLISIS DE ALIMENTOS
Cambios notables en:
Conceptos y objetivos.
Analitos.
Tcnicas.
Instrumentacin
AMPLIACIN DE LOS OBJETIVOS
Valor nutricional.
Inocuidad
(ausencia de
contaminantes
txicos).
Autenticidad,
adulteracin.
Calidad (sabor,
color, textura, etc.)
AMPLIACIN DE LOS
OBJETIVOS
Efectos de tcnicas
agropecuarias.
Efectos del
procesamiento y
almacenamiento.
Componentes
dainos a la salud.
Componentes
benficos a la salud.
DATOS ANALTICOS
CONFIABLES
Muestras
representativas.
Mtodos
analticos
validados.
Garanta de
calidad
analtica.
DATOS ANALTICOS
CONFIABLES
Recursos
humanos
adecuadament
e entrenados.
Recursos
materiales e
infraestructura
.
ATRIBUTOS EVALUADOS EN
LOS MTODOS ANALTICOS
Exactitud.
Precisin.
Especificidad
Sensibilidad.
Rango lineal.
Aplicabilidad
.
Precision y Exactitud
Valor verdadero
Media
Media
Media
Media
Preciso y exacto
Preciso e inexacto
Impreciso e inexacto
Impreciso y exacto
Control Estadstico de
la Calidad
Control Estadstico de La Calidad
Es una rama del Control de la Calidad, consiste
en el acopio, anlisis e interpretacin de datos
para su uso en el control de calidad.
Los elementos mas importantes del control
estadstico de la calidad es el control
estadsitico de Procesos y el Muestreo de
Aceptacin.
Control Estadstico de Procesos
Este trmino se utiliza para describir un
concepto y una metodologa que utilizan un
anlisis estadstico 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.
Herramientas para la Gestin 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.
HERRAMIENTAS DE GESTION DE CALIDAD
Herramientas de
medicin y control
- Histograma
- Diagrama de Pareto
- Diagrama de correlacin
- Grficos de control.
- Capacidad de Procesos
- Mtodos de control de tiempo.
- Encuestas o cuestionarios.
Herramientas para el
anlisis y resolucin de
problemas
- Diagrama de flujo
- Diagrama causa efecto o Ishikawa
- Analisis FODA
Herramientas de grupo y
de ayuda a la creatividad
- La lluvia o tormenta de ideas
- Benchmarking
- Circulos de calidad
Histogramas
Son grficos de barras que muestran la
dispersin de un proceso, agrupando los
valores en clases o rangos.
Permite ver la distribucin de los valores de
una cierta variable de un proceso, as
conocerlo y analizarlo.
Las caractersticas de un histograma son su
forma, la media y la dispersin.
Herramientas de
medicin y control
Histogramas
Se utiliza para la ordenacin
de datos y hechos que son
utilizados en la medicin de
datos para poder seleccionar
los problemas para su
resolucin y para la mejora de
la calidad
Herramientas de
medicin y control
Ejemplo: En la industria de conserva de pescado, lnea cocido, el
tiempo de precoccin depende la cantidad de materia en cada
canastilla; para ajustar el proceso, se evalu la variacin de pesos de
las canastillas llenas de anchoveta pelada que ingresaron a los
cocinadores estticos para su precoccin, 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
Herramientas de
medicin y control
SOLUCION
n: numero de muestras = 50
R = Dato max - Dato min =13,4 Kgs
m =1+ 3,32log(n) =7
A = R/m =2,01790.= 2
Distribucin de frecuencias de los pesos de las
cubetas de anchoveta
[ Intervalo > X
i
f
i
F
i
h
i
H
i
h
i
%
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
HISTOGRAMA DE FRECUENCIAS
0
2
4
6
8
10
12
INTERVALOS
F
R
E
C
U
E
N
C
I
A
Del anlisis 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 dispersin de datos y no se lograra
uniformidad en la coccin del pescado.
Herramientas de
medicin y control
Diagramas de Pareto
Son representaciones de la densidad y la
distribucin 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 ms importantes.
Usualmente opera la regla del 80-20, el 80% de los
problemas se deben al 20% de las causas.
Herramientas de
medicin y control
Diagrama de Pareto
Es un grfico de barras de muy sencilla
realizacin que permite identificar las causas
ms importantes que influyen en un proceso
o caractersticas de un producto.
Sobre estas causas es donde debe enfocarse
la atencin para realizar las mejoras o
modificaciones.
Herramientas de
medicin y control
Diagrama de Pareto
Se basa en el
principio enunciado
por Vifredo Pareto:
Pocas causas originan
la mayor parte del
problema, y la
mayora de las
causas carecen de
importancia
20
80
20
80
CAUSAS PROBLEMAS
Herramientas de
medicin y control
Definir Problema a
investigar y
recoleccin de
datos
Disear tabla y
colectar datos
Problemas: Defectuosos, perdidas
econmicas, accidentes
Datos a colectar y clasificar
Mtodo de colecta de datos y tiempo de
duracin
Tipo de defecto Recuento Total
Total
Defecto I
Defecto II
Defecto III
Defecto IV
Defecto V
Otros
IIIIIIIIIIIIIIII..IIIIIII
IIIIIIIIIII
IIIIIIIIIIIIIII.IIIII
IIIIIIII
IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
IIIIIIIIIIIII
38
12
54
8
34
13
159
PASOS PARA ELABORAR DEL DIAGRAMA DE PARETO
Ejemplo:
Construya
diagrama de barras
20
140
100
60
N
u
m
e
r
o

u
n
i
d
a
d
e
s

d
e
f
e
c
t
u
o
s
a
s
100
50
P
o
r
c
e
n
t
a
j
e

a
c
u
m
u
l
a
d
o
III I V II IV otros
Tabular en orden
descedente
Tipo de defecto defectos %
Defecto III
Defecto I
Defecto V
Defecto II
Defecto IV
Otros
Total
acumulado
54
38
34
12
8
13
54
92
126
138
146
159
Total 159 100
34
24
21.5
7.5
5
8
% acum.
34
58
79.5
87
92
100
PASOS PARA ELABORAR DEL DIAGRAMA DE PARETO
Herramientas de
medicin y control
Ejemplo:
DEMORA EN LAS ENTREGAS May 00 - SUC. 1 Demora en das 0.58
29,3%
10,3%
5,2% 5,2%
3,4%
1,7% 1,7%
43,1%
43,1%
100,0%
98,3%
96,6%
93,1%
87,9%
82,8%
72,4%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Cred/Vtas Debajo
Standard
Fuera Stock Factura Vencida Ruteo Transpor te Trans Pedidos Devoluciones
MOTIVOS
Herramientas de
medicin y control
CABDFEG
Causas
N u m e r o d e P a r a d a s
0
25
50
75
100
125
150
175
200
225
250
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Ejemplo:
CABDGFE
Causas
T i e m p o d e P a r a d a
0
25
50
75
100
125
150
175
200
225
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Nmero 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
Nmero y tiempos de parada en una lnea de envasado
Diagramas de correlacin
Tambin son conocidos como diagramas de
dispersin.
Muestran los valores de una variable en
comparacin a los de otra.
Sirve para determinar si existe o no,
correlacin entre dos variables de un
proceso.
Herramientas de
medicin y control
Herramientas de
medicin y control
Ejm.
Se trabaja en una maquina embolsadora, que
corta las bolsas en medidas determinadas, se
desea saber si el largo de las bolsas variarn
con la velocidad de embolsado, para ello se ha
colectado los siguientes datos:
Herramientas de
medicin y control
Diagrama de correlacin
60
60.4
60.8
61.2
61.6
62
0 10 11 12 13 14 15 16 17 18
Largo
bolsa
mm
Veloc. De embolsadora
(pie/min.)
Velocidad de embolsadora VS Largo de bolsa
Herramientas de
medicin y control
Numero de
observacion
Veloc. De la
maquina
(pie/min)
Largo de la
bolsa de
yogurt (mm)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
10
11
13
10
16
13
15
17
14
15
12
15
11
14
60.2
60
60.4
60
61.4
60.8
61
61.6
61.4
61.2
60.2
61.6
60.4
61
Velocidad de embolsadora vs. Largo de bolsa
Ejemplo:
En el pediluvio de una agroindustria, antes de
la jornada de trabajo se coloca solucion
desinfectante de 250 ppm de CLR, se ha
evaluado la disminucion del CLR en funcion al
numero de personas que transitan, ademas
se ha establecido que soluciones menores a
20 ppm de CLR no ejercen efecto
desinfectante; se obtuvieron los siguientes
datos:
Herramientas de
medicin y control
Numero de
observaciones
Numero de
personas
CLR (ppm)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
2
4
6
8
10
12
14
16
18
20
22
24
26
28
236
212
198
180
165
143
130
119
102
87
65
45
34
23
N
o
personas que transitan por pediluvio VS
CLR
y = -8.1681x + 246.74
R
2
= 0.9973
0
50
100
150
200
250
0 10 20 30
Numero de personas
C
L
R

e
n

p
p
m
Diagrama causa-efecto
(Ishikawa)
Exhibe la relacin entre una caracterstica 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.
problemas
(Ishikawa)
Utilizacin:
Para ilustrar con claridad cuales son
las causas de variabilidad o dispersin
que afectan a un proceso productivo,
administrativo o de negocios, as
como las relaciones entre estas
causas.
Permite tener un conocimiento ms
acabado del proceso, por la interaccin de
los participantes.
problemas
(Ishikawa)
Principales grupos de causas en
procesos industriales:
Mano de obra,
Maquinarias,
Mtodos,
Medio ambiente,
Materias primas,
Medicin.
Las seis M
problemas
Mala
calidad
del
producto
Mtodo Mano de
obra
Medio
Ambiente
Medicin
Maquinarias
y equipos
Materia prima
e insumos
Falta de instr.
para calibrar
Diseo no
sanitario
Mala
ubicacin
Capacitacin
Insuficiente
s/capacitac.
Sist. de
trabajo
Contrato
temporal
s/experiencia
sueldo no
atractivo
Pasteuriz.
LTLT
Flujo
inadecuado
Temperatura
menor
mayor
Deforme
Curvo
Torcido
Exceso de
Pesticidas
Dosis
exceso
defecto
Sist. de
control
Personal no
entrenado
Sin estndar
Reactivos
Diseo
inadecuado
No sanitario
Equipos
contaminados
vencidos
No calibrado
DIAGRAMA CAUSA - EFECTO *
* ESPINA DE PESCADO
ISHIKAWA
LLenado en
Blancher
cantidad
frecuencia
Cercano a
basurales
problemas
Diagrama de flujo
Es una representacin grfica utilizada para mostrar
la secuencia de pasos que se realizan para obtener un
cierto resultado. ste puede ser un proceso, un
servicio, o bien una combinacin de ambos
Consiste en la representacin o descripcin bsica de
un problema, que nos ayudar a entender el
funcionamiento de un proceso antes de tomar una
solucin. Es una herramienta til para examinar cmo
se relacionan entre s las distintas fases de un
proceso
problemas
problemas
Esta herramienta
permite una
visualizacin
completa del
proceso y de sus
posibles problemas,
dando una imagen
de conjunto que
permite un anlisis
mucho ms eficaz.
SI
SI
El benchmarking
El benchmarking cuya traduccin podra ser
colaboracin entre diferentes grupos para la
mejora del sistema, es un proceso estratgico y
analtico que consiste en identificar a los
competidores o compaas, que obtienen las
mejores prcticas en alguna actividad, funcin
o proceso con el fin de medirlas, analizarlas y
comparar los productos, servicios y prcticas de
la organizacin frente al lder reconocido en el
rea estudiada
Algunas definiciones
Bengt Kallf y Svante stblom (1993).Es un proceso
sistemtico y continuo para comparar nuestra propia
eficiencia en trminos de productividad, calidad y
prcticas con aquellas compaas y organizaciones lderes
en excelencia.
Michael J. Spendolini (1994)Un proceso sistemtico y
continuo para evaluar los productos, servicios y procesos
de trabajo de las organizaciones que son reconocidas
como representantes de las mejores prcticas, con el
propsito de realizar mejoras organizacionales.
Boxwell (1994)Proponerse metas utilizando normas
externas y objetivas, y aprendiendo de los otros, y
aprendiendo cunto y cmo.
El proceso para aplicar el Benchmarking consta
de cinco fases:
I.- Fase de Planeacin: Identificar qu se va a someter a
benchmarking, y determinar el mtodo para recopilacin
de datos. Los pasos esenciales son, qu, quin y cmo
II. Fase de anlisis: recopilacin y anlisis de los datos.
Comprensin de las prcticas de los socios del
benchmarking y proyectar los niveles de actuacin futuros.
III. Integracin: Utilizar los hallazgos de benchmarking
para fijar objetivos operacionales para el cambio.
Comunicar los hallazgos de benchmarking y establecer
metas funcionales.
IV. Accin: convertir en accin los hallazgos de
benchmarking desarrollando planes de accin e
implementando acciones especficas y supervisar el
progreso.
V. Madurez: incorporar las mejores prcticas de la industria
a todos los procesos del negocio, asegurando as la
superioridad.
Otros investigadores proponen los
siguientes pasos para implementar el
benchmarking:
Los crculos de calidad
Los Crculos de Calidad son el resultado de las
investigaciones llevadas a cabo en el rea
humanstica de Maslow (1943), McGregor
(1969) y Hersberg (1959), as como de las
tcnicas desarrolladas por los doctores
Deming (1966,) y Juran (1974) y que el
profesor Ishikawa (1986) concret hacia 1961
en el Japn .
Los crculos de calidad logran
incorporar a los trabajadores
voluntariamente a un
movimiento productivo en el
que se esfuercen en hacer
mejor su trabajo con sus
compaeros y optimicen los
recursos que manejan
Los crculos de calidad persiguen
los siguientes objetivos
Reducir los errores y los costes y aumentar la
calidad.
Generar ms efectividad en los resultados.
Promover el involucramiento en el trabajo.
Incrementar la motivacin.
Crear una actitud para prevenir problemas.
Crear la capacidad de resolver problemas.
Mejorar la comunicacin.
Mejorar las relaciones entre jefes y subordinados.
Establecer un genuino ambiente de higiene y
seguridad.
Reduccin de tiempos muertos.
Reduccin de ausentismo.
Desarrollo como persona.
En los crculos de calidad el sistema parte del
principio de que quien mejor conoce el trabajo es
quien lo realiza y por lo tanto es quien lo puede
optimizar.
Los crculos de calidad se concentran en una sola
rea con trabajadores de la misma y con sus propios
problemas; esto les permite entender a todos la
naturaleza del problema, actitud que facilita el
planteamiento de soluciones factibles
Como son los trabajadores mismos los encargados
de llevarlo a la prctica, se aseguran que sus ideas
alcancen el xito y, por lo tanto, tienen el orgullo de
ser ellos mismos quienes lograron la solucin
Graficos de Control y
Capacidad de Procesos
Herramientas de
medicin y control
DISTRIBUCION NORMAL O
CURVA DE GAUSS
Es una curva de la distribucin de
frecuencias.
Es una distribucin simtrica, unimodal,
en forma de campana, en donde la
media, mediana y moda tienen el mismo
valor.
Herramientas de
medicin y control
DISTRIBUCION NORMAL
DESVIACION ESTANDAR
68.26%
95.46%
99.73%
-3 -2 u
................2
3
% DE ELEMENTOS COMPRENDIDOS DENTRO DE CIERTOS VALORES DE LA
Herramientas de
medicin y control
Tabla:
reas bajo
la curva
normal
Herramientas de
medicin y control
Tabla:
reas bajo
la curva
normal
Herramientas de
medicin y control
Problema 1:
Segn la norma sanitaria aplicable a la fabricacin de
alimentos envasados de baja acidez, el vaco mnimo en
envases de hojalata cilndricos con capacidad hasta 370
mL, deber ser no menor de 70,2 mm Hg (3 pulgadas de
Hg). Basados en dicha norma se ha evaluado la
produccin de una empresa conservera y se ha
encontrado que tenia una media de 73,4 mm Hg con
desviacin estndar 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 vaco entre 70,2 y
73 mm Hg?
C. Cuantas latas tendran presiones de vaco mayor de 76
mm Hg.
7 . 2 = o
4 . 73 =
o

=
X
Z
A.- Segn el problema tenemos:
2 . 70 = X
rea normalizada:
Determinamos el % de rea por debajo de 70.2 mm Hg
% 9 . 11 185 . 1
7 . 2
4 . 73 2 . 70
1
=
= Z
% 9 . 11
% 100 36000

X
4284 envases no cumplen con la norma.
u=73.4 X=70.2
Por regla de tres simple:
7 . 2 = o
4 . 73 =
o

=
X
Z
B.- Segn el problema tenemos:
2 . 70 1 = X
rea normalizada:
Determinamos el % de rea entre 70.2 y 73 mm Hg
% 9 . 11 185 . 1
7 . 2
4 . 73 2 . 70
1
1
= =
= Area Z
% 53 . 32
% 100 36000

X
11711 envases tienen presiones de vaco entre
70.2 y 73 mm Hg
73 2 = X
% 43 . 44 148 . 0
7 . 2
4 . 73 73
2
2
= =
= Area Z
u=73.4
X
1
=70.2
X
2
=73
A
2
A
1
= 32.53%
7 . 2 = o
4 . 73 =
o

=
X
Z
C.- Tenemos:
76 1 = X
rea normalizada:
Determinamos el % de rea mayor a 76 mm Hg
% 15 . 83 963 . 0
7 . 2
4 . 73 76
1
= =
= Area Z
% 85 . 16
% 100 36000

X
6066 envases tienen presiones de vaco
superiores a 76 mm Hg.
Por diferencia del 100% del rea: 100% - 83.15% = 16.85%
u=73.4 X
1
=76
La humedad promedio del paneton elaborado en la PPA en
la ultima campaa navidea fue de 27.1% con una
desviacin estndar de 0.985; adems se sabe que los
valores de humedad del panetn empacado debe estar
entre 24.5 a 28%
Problema 2:
a) Que porcentaje de la produccin tendr menos del 24.5 % de humedad
b) Que porcentaje de la produccin no cumple con la humedad establecida?
c) De 10000 unidades de produccin que cantidad de panetones tendr
entre 24.5 y 28% de humedad?
d) Se desea que no mas del 3% de la produccin tenga mas de 28% de
humedad. Desde el punto de vista estadstico y tecnolgico como debe
ajustarse la variabilidad del proceso
a) Que porcentaje de la produccin tendr
menos del 24.5 %de humedad
o

=
x
z
0041 . 0 64 . 2
1
= = A z
x=24.5, =27.1, =0.985
A
1
A
1
=0.41%
b) Que porcentaje de
la produccin no
cumple con la
humedad
establecida?
o

=
x
z
%; 41 . 0 64 . 2
1
1 = = A z
% 14 . 18 8186 . 0 1
2 2
= = A A
% 55 . 18
2 1
= + A A
x
1
= 24.5; x
2
=28, =27.1, =0.985
pero A
2
+B=1
Por lo tanto:
A
2
A
1
%; 86 . 81 914 . 0 = = B zB
b) Que porcentaje de la produccin no cumple con la
humedad establecida?
c) De 10000 unidades de produccin que
cantidad de panetones tendr 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%
d) Se desea que solo el 3% de los panetones estn
por encima del 28%de humedad. Desde el punto
de vista estadstico y tecnolgico como debe
ajustarse la variabilidad del proceso
o

=
x
z
89 . 1 97 . 0 = = z A
x=28%, =27.1, =?
Por lo tanto = 0.476
Se sabe que:
desde el punto de vista estadstico, la desviacin estndar del proceso
debe disminuir desde 0.985 hasta 0.476
x=28%
MATERIA PRIMA METODO MEDICION
MEDIO AMBIENTE MATERIALES Y
EQUIPOS
MANO DE OBRA
Harina
Humedad inicial
alta
Pasas y
fruta conf.
Estndar
Adicin de insumos
no estandarizada
Formulacin
Mal pesado
Seco/hm
edo
No
adecuado
Balanza
Mal
calibrado
No
calificada
Falta capacitacin
VARIACION
DE LA
HUMEDAD
Anlisis de Causas de la variabilidad de la
humedad durante la FORMULACION:
Humedad
alta
METODO MEDICION
MEDIO AMBIENTE MANO DE OBRA
No adecuado
Artesanal
Seco/hmedo
No
adecuado
Personal
No capacitada
Humedad
No controlada
No
temperado
No estable
VARIACION
DE LA
HUMEDAD
Anlisis de Causas de la variabilidad de la
humedad en el ENFRIAMIENTO:
Para disminuir la variabilidad de la humedad del
paneton se debe:
1. Acondicionarse un ambiente adecuado para la formulacion, ademas
asignar y capacitar a 2 personas para esta labor.
2. La harina debe almacenarse como mximo 7 das 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, adems
el rea 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 parametros de
humedad de la harina, fruta confitada y pasas y realizar su control
antes de la recepcion
5. Capacitar permanentemente al personal e incentivarles moral y
economicamente.
GRAFICO DE
CONTROL
Es un Registro
grfico de la calidad
de una caracterstica
en particular,
mediante ella se
puede establecer si
un Proceso est o
no Estable
Herramientas de
medicin y control
GRAFICOS DE CONTROL
Los objetivos son:
Monitorear y vigilar el desempeo del proceso en
cuanto a las caractersticas de calidad crticas del
producto, para as minimizar la produccin
defectuosa Grficos de Control.
Estimar los parmetros del proceso para comparar
la produccin con las especificaciones Estudios
de Capacidad.
En ambos casos, se trata de herramientas por y para la
mejora continua.
Herramientas de
medicin y control
Causas de la variabilidad en un
proceso
Causas Comunes
Suelen ser muchas y
cada una produce
pequeas variaciones.
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el
conjunto de mquinas y
operarios
Causas Asignables
Suelen ser pocas pero
con efectos importantes
en la variabilidad.
Aparecen
espordicamente.
Son relativamente fciles
de eliminar
Por lo general su efecto
est localizado en una(s)
mquina(s) u operario(s).
Herramientas de
medicin y control
Definicin de proceso bajo
control estadstico
Se dice que un proceso est bajo control estadstico
cuando solo est afectado por causas comunes de
variabilidad.
Herramientas de
medicin y control
Esto significa que
podemos predecir
lo que va a
suceder con el
proceso y sus
productos.
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
Distribucin 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
Lmites de Control y Lmites de
Especificacin o Tolerancia
Los lmites de Especificaciones se refieren a
los requisitos que se imponen al producto
Los lmites de Control de Proceso, o sea la
variacin normal, se refiere al Proceso y a
su capacidad
Ambos lmites solo son similares por
coincidencia
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 recin elaborados
POR VARIABLES:
PROMEDIOS
RANGOS
DESV. ESTANDAR
POR ATRIBUTOS
Pasa / No pasa
Fraccin Defectuosa
Porcentaje defectuoso
GRAFICO DE CONTROL
TIPOS DE GRAFICOS DE CONTROL
Grafico de control de variables: se utiliza
cuando la caracterstica de calidad puede
expresarse como una medida numrica (Peso de
conserva, longitud de un producto, presin de
vaco, etc.)
Grafico de control de atributos: se utiliza
cuando la caracterstica de calidad corresponde
a una variable binaria (presencia o no de
defectos, etc.)
Los valores de E() y V(o) pueden
estimarse de la muestra u obtenerse de
registros histricos. En el segundo
caso, es importante recordar que los
lmites se refieren al proceso (lo que
realmente sucede en planta) y no a las
especificaciones de produccin (lo que
debera suceder en la planta).
Construccin de Grficos de
Control
Las muestras que se obtienen en cada punto de
observacin deben ser subgrupos racionales.
La seleccin de la frecuencia de muestreo y del
tamao 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 lmites de control.
Construccin de Grficos de
Control
MODELO DE FICHA DE DATOS - GRAFICO DE CONTROL
FECHA HORA PROMEDIO ESTANDAR DE
GRUPO X1 X2 X3 X4 X5
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
24 14:15
25 15:15
DESVIACION
LA MUESTRA
OBSERVACIONES N SUB MUESTRAS
MEDICIONES
Construccin de grficos de control
para variables
Se supone que la distribucin de la caracterstica
de calidad es normal(,o), al menos
aproximadamente. de aqu que se requieran dos
grficos, uno para cada parmetro de la
distribucin.
Los pares ms comunes son los de medias y
desviaciones estndar, los de medias y rangos, y
los grficos para observaciones individuales y
rangos mviles.
Grficos de medias y rangos
( )
Se construye un grfico para la evolucin de las
medias de los grupos (asociado con la ubicacin
de la caracterstica ) y otro para la evolucin de
los rangos (asociado con la dispersin de la
caracterstica o).
Se utilizan los rangos para medir la variabilidad
ya que son fciles de calcular y tienen una
eficiencia similar a la desviacin estndar para
subgrupos pequeos.
R X
Pasos para la construccin
de grficos
Se toman k muestras de tamao n (usualmente
constante y menor a 7).
Se calcula la media y el rango de cada muestra:
Se estiman los promedios poblacionales
R X
ij
j
ij
j
i
n
j
ij i
x min x R x
n
X = =

=
max
1
1

= =
= =
k
i
i
k
i
i
R
k
R X
k
X
1 1
1

1
Grficos de medias y rangos ( )
Para construir los lmites de control,
recordemos que bajo la suposicin de
normalidad y control estadstico se tiene
donde d
2
y d
3
son constantes que dependen solo
de n y pueden encontrarse en tablas como la
que se presenta a continuacin.
( )
( ) o o o

o
2 3 2
) ( ) (
) ( ) (
d R E d R SD d R E
X E
n
X SD X E
i i
i i
= = =
= = =
R X
Grficos de medias
y rangos ( ) R X
La tabla de la derecha
muestra el valor de las
constantes d
2
, d
3
, A
2
,
D
3
y D
4
para distintos
tamaos de los
subgrupos racionales.
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
3 1,693 1,023 0,888 0,000 2,575
4 2,059 0,729 0,880 0,000 2,282
5 2,326 0,577 0,864 0,000 2,115
6 2,534 0,483 0,848 0,000 2,004
7 2,704 0,419 0,833 0,076 1,924
8 2,847 0,373 0,820 0,136 1,864
9 2,970 0,337 0,808 0,187 1,816
10 3,078 0,308 0,797 0,223 1,777
11 3,173 0,285 0,787 0,256 1,744
12 3,258 0,266 0,778 0,284 1,716
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
Grficos de medias y rangos ( )
Si no se conocen y o (lo ms probable)
deben estimarse a partir de los datos.
Para las medias
Para los rangos
R X
R A X LIC X LC R A X LSC
2 2
= = + =
R D LIC R LC R D LSC
3 4
= = =
Ejemplo.- Se
muestran datos
correspondientes
al peso de pan
(g) la cual es
dividida en una
divisora de masa
continua. Se
pueden ver los
clculos
preliminares en
la misma tabla.
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
5 33.00 34.00 35.00 33.00 34.00 33.80 2.00
6 38.00 37.00 39.00 40.00 38.00 38.40 3.00
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
9 28.00 33.00 35.00 36.00 43.00 35.00 15.00
10 38.00 33.00 32.00 35.00 32.00 34.00 6.00
11 28.00 30.00 28.00 32.00 31.00 29.80 4.00
12 31.00 35.00 35.00 35.00 34.00 34.00 4.00
13 27.00 32.00 34.00 35.00 37.00 33.00 10.00
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
Calculo de limites de control
Los lmites de control son, en este caso,
Para el grfico de medias:
Para el grfico de rangos
32 , 33
65 , 36 8 , 5 577 , 0 32 , 33
95 , 29 8 , 5 577 , 0 32 , 33
2
2
=
= + = + =
= = =
LC
R A X LSC
R A X LIC
8 , 5
0 8 , 5 0
27 , 12 8 , 5 115 , 2
4
3
=
= = =
= = =
LC
R D LSC
R D LIC
Calculo de limites de control
Los lmites de control son, en este caso,
Para el grfico de medias:
Para el grfico de rangos
32 , 33
65 , 36 8 , 5 577 , 0 32 , 33
95 , 29 8 , 5 577 , 0 32 , 33
2
2
=
= + = + =
= = =
LC
R A X LSC
R A X LIC
8 , 5
0 8 , 5 0
27 , 12 8 , 5 115 , 2
4
3
=
= = =
= = =
LC
R D LSC
R D LIC
Grficos
de medias
y rangos
Muestra
A p e r t u r a p r o m e d i o d e l a l a b e
5 10 15 20
2 8
3 0
3 2
3 4
3 6
3 8
4 0
LIC=29.98
LSC=36.67
LC=33.32
Muestra
R a n g o d e a p e r t u r a d e l a l a b e
5 10 15 20
0
5
1 0
1 5
LSC=12.27
LC=5.80
R
a
n
g
o

d
e

P
e
s
o

d
e
l

p
a
n

(
g
)
P
e
s
o

d
e
l

p
a
n

(
g
)
Muestra
Muestra
Anlisis de los grficos de medias y
rangos del ejemplo
Las muestras 6, 8, 11 y 19 estn fuera de
control en el grfico de medias y la 9 en el
grfico de rangos.
Cuando se estudian las causas asignables, estas
llevan a una ajuste defectuoso en la divisora de
masa. Los lmites deben ser recalculados
excluyendo estas observaciones atpicas,
obtenindose as un nuevo grfico.
Grficos
de
medias y
rangos
Muestra
A p e r t u r a p r o m e d i o d e l a l a b e
5 10 15 20
2 8
3 0
3 2
3 4
3 6
3 8
4 0
LIC=30.33
LSC=36.10
LC=33.21
Muestra
R a n g o d e a p e r t u r a d e l a l a b e
5 10 15 20
0
5
1 0
1 5
LSC=10.57
LC=5.00
R
a
n
g
o

d
e

P
e
s
o

d
e
l

p
a
n

(
g
)
P
e
s
o

d
e
l

p
a
n

(
g
)
Muestra
Muestra
Interpretacin de los grficos
de control
Necesitamos determinar si el proceso est bajo
control, lo cual se traduce en que los puntos
mostrados estn dentro de los lmites de control
y presenten un comportamiento aleatorio.
Para esto se utilizan una serie de reglas
empricas, cuya presentacin se facilita si el
rea dentro de los lmites de control se divide
en regiones iguales.
Muestra
C a r a c t e r s t i c a d e C a l i d a d
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Interpretacin de los grficos de control
LCS Limite de control superior
LCI Limite de control inferior
Interpretacin de los grficos de control
A las reglas empricas que se utilizan para
determinar si un proceso est bajo control se les
suele denominar reglas de parada.
Corresponden a sucesos que tienen muy baja
probabilidad de ocurrir si el proceso est bajo
control.
Cada una de ellas provee informacin sobre el
tipo de causa asignable que puede estar
afectando al proceso.
Reglas de parada
Un punto fuera de la zona A. Corresponde a un
cambio repentino en la media o la dispersin del
proceso.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
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.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Reglas de parada
Catorce puntos en fila alternando arriba y abajo.
Indica correlacin negativa entre los datos (cuando hay
excesos en una, a la siguiente pieza es muy reducida y
viceversa).
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
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.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Reglas de parada
Dos de tres puntos consecutivos en la zona A o ms
all. Indican un incremento en la varianza del proceso.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Reglas de parada
Estructuras peridicas. Estas estn asociadas
normalmente con cambios de turnos, operarios, das de la
semana, etc.
Muestra
5 10152025
9 . 5
1 0 . 0
1 0 . 5
Zona A
Zona B
Zona C
Zona C
Zona B
Zona A
Reglas de parada
Nunca trate de explicar la influencia de todos
y cada uno de los eventos que ocurren en la
planta a travs de grficos 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.
Interpretacin de los grficos de
control
El calculo del nivel de significancia para las
reglas de parada que se establezcan es
importante para un correcto anlisis. Un punto
que incumple una regla de parada es una
ALARMA pero no necesariamente significa que
nuestro proceso est fuera de control, ya que si
no podemos ligarlo a una causa asignable
puede tratarse del azar.
CAPACIDAD DE
PROCESOS
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 relacin con las
especificaciones del producto (tolerancias de
diseo).
No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado de
control.
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 drsticas.
Determinar valores razonables para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.
Tolerancias y capacidad
Se suele distinguir entre dos tipos de
tolerancias:
Tolerancias de diseo: las cuales son fijadas
por el departamento de ingeniera. Estn
relacionadas con el concepto de calidad en el
diseo.
Tolerancias naturales: que vienen dadas por
las caractersticas de la mquina o proceso.
Si las tolerancias naturales de un proceso son
ms estrictas que las tolerancias de diseo
entonces es fcil obtener calidad de
conformidad.
Sin embargo, si las tolerancias de diseo se
vuelven incompatibles con las tolerancias
naturales de nuestro proceso, muy difcilmente
lograremos elaborar productos que las
satisfagan.
Las tolerancias de diseo deben ser
realistas: deben representar un
compromiso entre el mercado y nuestro
sistema de produccin.
Tolerancias de diseo
Tolerancias naturales Mercado
El resultado de un estudio de capacidad suele
presentarse en la forma de un histograma al cual
se le aaden indicaciones sobre el valor objetivo
de la caracterstica de calidad y los lmites de
especificacin de la misma. Tambin pueden
utilizarse los diagramas de control.
Adems, suelen utilizarse algunos ndices para
facilitar el anlisis.
ndices de capacidad
Si los procesos estn centrados:
Capacidad de mquinas (a corto plazo)
Capacidad de procesos (a largo plazo)
Los valores de 6o y 8o se han fijado de modo que la
conformidad sea de al menos 99.73% y 99.997% si los
datos provienen de una distribucin normal.
Ciertas industrias (aviacin, automviles) utilizan otros
valores como 10o y 12o.
Los requisitos de capacidad a corto plazo suelen ser ms
exigentes que los de largo plazo, puede decir por qu?
o
=
8
LIT LST
C
m
o
=
6
LIT LST
C
p
VALORES DEL Cp Y SU INTERPRETACIN
Valor del Cp
Clase de
Proceso
Decisin
Cp > 1.33
1<Cp<1.33
0.67<Cp<1
Cp<0.67
Ms que adecuado
Adecuado para el trabajo, pero requiere de un
control estricto conforme se acerca el Cp a uno
No adecuado para el trabajo. Un anlisis del proceso
es necesario. Buena probabilidad de xito
No adecuado para el trabajo. Requiere de
modificaciones serias.
1
2
3
4
Notas:
1. Si el Cpk < Cp, entonces una vez que se centre el proceso se tendr la clase de
proceso que se seala.
2. Si es muy indeseable producir un producto fuera de las especificaciones, entonces
en lugar de 1.33 se tendr 1.5 o un numero fijado
3. Para procesos con una sola especificacin 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
Capacidad real de procesos
Cuando el proceso no est centrado se
hace necesario redefinir los ndices.
Para mquinas:
Para procesos:
)
`
=
4
,
4
min
LIT X X LST
C
mk
)
`
=
3
,
3
min
LIT X X LST
C
pk
Puede comprobarse fcilmente que
y que la igualdad se cumple si y solo si el proceso
est centrado. Adems, entre mayor es la
diferencia, mayor es el descentramiento
Los ndices C
mk
y C
pk
pueden interpretarse como
la capacidad hasta la tolerancia ms prxima.
p pk m mk
C C C C s s y
Capacidad real de procesos
ndices de Capacidad
ndice de capacidad:
LIT LIT
o
=
6
LIT LST
C
p
ndices de Capacidad
ndice de capacidad Real:

Cpu = LST
3 o

Cpl = - LIT
3 o

Cpk = Min (Cps , Cpi)

LST - u
u - LIT
LIT LST
ndices de Capacidad
ndice de capacidad:
LIT LST
Cp>1
Cp=1
Cp<1
ndices de Capacidad
LIT LST
PROCESO NO CAPAZ PROCESO CAPAZ
LIT LST
ndices de Capacidad
Control de proceso:
tamao
Controlado
(Causas especiales
eliminadas)
Fuera de Control
(Causas asignables
presentes)
Ejemplos:
de la 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 lmites de control
son, LSC = 36,65g y LIC = 29,95g.
Hallando la desviacin estndar( con n=5 y promedio
de Rango = 5,8), de tabla d
2
= 2,326:
5 , 2
326 , 2
8 , 5
2
= = =
d
R
o
Esta desviacin estndar nos indica alta variabilidad en el proceso
La capacidad del proceso ser:
2 , 0
5 , 2 * 6
31 34
6
=
=
o
LIT LST
C
p
Cp = 0,2
El proceso de divisin 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 desviacin estndar de 2,5 a 0,376:
376 , 0
33 , 1 6
31 34
33 , 1 6
=
=
LIT LST
o
31 , 0
5 , 2 3
31 32 , 33
3
09 , 0
5 , 2 3
32 , 33 34
3
=
=
=
=
o
o

LIT
C
LST
C
pkl
pkh
Las especificaciones o tolerancias son LIT = 31g; LST = 34g.
El promedio del peso es 33,32 g, y los lmites de control son,
LSC = 36,65g y LIC = 29,95g.
Calculo de la capacidad real del proceso
Capacidad real del proceso es:
Se calcula de la siguiente manera:
Se elige el menor valor, 0,09 en este caso con la
especificacin superior; esto significa que el
proceso esta inclinado a la derecha.
31 , 0
5 , 2 3
31 32 , 33
3
09 , 0
5 , 2 3
32 , 33 34
3
=
=
=
=
o
o

LIT
C
LST
C
pkl
pkh
Entonces, para que el proceso sea mas que capaz y
centrado, cuales son los nuevos valores estadsticos?
LTI=31
El nuevo promedio del proceso
debera ser: 32,5g
Los limites de control del
proceso, tanto superior como
inferior serian:
LSC= 32,5+3*0,376 = 33,63
LIC= 32,5 -3*0,376 = 31,37
o * 3 = X LC
LIC=31,37 LSC=33,63
LTS=34
5 , 32 = X
Y como se logra ello?
Se deben utilizar las otras herramientas
estadsticas para analizar las causas de
la variabilidad, por ejemplo el diagrama
de Pareto, correlacin, Ishikawa, etc.
Adems se debe aplicar el
benchmarking, luego de ello realizar las
mejoras del proceso e intensa
capacitacin al personal, entre otros.
Ejemplo 2
Ejemplo: Se tienen datos sobre la resistencia a
la presin interna de botellas para gaseosas en
20 muestras de 5 observaciones cada una. Los
grficos de control correspondientes pueden
verse a continuacin. Las especificaciones para
el proceso establecen que la resistencia debe
ser superior a 200, y no se establecen valores
mximos.
Ejemplos
x
M
e d i a s
2 0 0
2 5 0
3 0 0
3 5 0
12345678910 11 12 13 14 15 16 17 18 19 20
x
R a n g o s
- 1 0 0
0
1 0 0
2 0 0
12345678910 11 12 13 14 15 16 17 18 19 20
De las grficas es claro que el proceso
est bajo control. Por tanto podemos
estimar la variabilidad natural del proceso
debida a causas comunes como:
y la media del proceso como
23 , 33
326 , 2
3 , 77
2
= = =
d
R
o
06 , 264 = = X
Ntese que el lmite de especificacin es
unilateral (botellas con mucha resistencia no
son de ningn modo defectuosas). As pues:
Lo cual es un valor muy bajo, especialmente si
consideramos que se trata de un parmetro
relacionado con la seguridad.
64 , 0
23 , 33 3
200 06 , 264
3
=

=
o

=
LIT
C
pkl
160 180 200 220 240 260 280 300 320 340 360
0
7
1 4
2 1
2 8
3 5
LIE
Resistencia interna
F r e c u e n c i a a b s o l u t a
La muestra presenta un 3% de observaciones fuera de
especificacin, en lnea con el 2,6% que se espera de la
aproximacin normal.
LIT
Este es un ejemplo de un proceso bajo control
(estable) pero que funciona a un nivel de
calidad inaceptable (capacidad insuficiente).
La produccin de artculos defectuosos en este
caso no puede ser controlada por el operario ya
que solo estn presentes causas comunes. Es
necesaria la intervencin de la gerencia.
Es fcil calcular el nivel de variabilidad
aceptable para el proceso. Si se desea
un ndice de capacidad de 1,33
entonces
es decir, se hace necesario cortar la
dispersin a menos de la mitad.
055 , 16
33 , 1 3
200 06 , 264
33 , 1 3
=

< o
LIT
MUCHAS
GRACIAS

Herramientas Estadisticas para Mejora de La Calidad

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Herramientas Estadisticas para Mejora de La Calidad

Încărcat de

Drepturi de autor:

Formate disponibile

28/06/2009 Gilbert Rodriguez P.

S-ar putea să vă placă și