UNIVERSIDAD NACIONAL DE JULIACA

INGENIERIA EN INDUSTRIAS ALIMENTARIAS

DETRMINACION DE LA CAPACIDAD DE PROCESO TECNOLOGICO

CURSO: GESTION DE LA CALIDAD

DOCENTE: Phd. LASTAMIA TAPIA HUGO JACINTO

IMFORME Nº 01

PRESENTADO POR:

COAQUIRA PARI DELIA NIEVES

SEMESTRE: X

JULIACA 2018
 DETRMINACION DE LA CAPACIDAD DE PROCESO TECNOLOGICO

I: OBJETIVO

 Determinar la variabilidad de proceso tecnológico de pesado de caramelos.

II: FUNDAMENTO

El peso es una característica de calidad muy importante en alimentos procesados. De

ahí que existan normas que establecen la variabilidad de peso de cada uno de los
productos que se suministran.

También el control de peso es importante desde el punto de vista económico para el

procesador pues sus productos no van a tener pesos en exceso ni pesos inferiores
establecidos a las normas, ya que es incumplimiento castiga con multas económicas que
ningún procesador quisiera tener.

2.1. ¿POR QUÉ VARÍAN LOS PROCESOS?

Un proceso industrial está sometido a una serie de factores de carácter aleatorio que
hacen imposible fabricar dos productos exactamente iguales.
Dicho de otra manera, las características del producto fabricado no son uniformes y
presentan una variabilidad. Esta variabilidad es claramente indeseable y el objetivo ha
de ser reducirla lo más posible o al menos mantenerla dentro de unos límites. El Control
Estadístico de Procesos es una herramienta útil para alcanzar este segundo objetivo.
Dado que su aplicación es en el momento de la fabricación, puede decirse que esta
herramienta contribuye a la mejora de la calidad de la fabricación. Permite también
aumentar el conocimiento del proceso (puesto que se le está tomando “el pulso” de
manera habitual) lo cual en algunos casos puede dar lugar a la mejora del mismo.

2.2. FUNDAMENTOS ESTADÍSTICOS.

Para el entendimiento del Control Estadístico de Procesos no es necesario ser
un experto en estadística, pero es preciso recordar al menos los puntos que se describen
a continuación.
a) Distribución Normal o Campana de Gauss.
La distribución normal es desde luego la función de densidad de probabilidad “estrella”
en estadística. Depende de dos parámetros m y s, que son la media y la desviación típica
respectivamente. Tiene una forma acampanada (de ahí su nombre) y es simétrica
respecto a m. Llevando múltiplos de s a ambos lados de m, nos encontramos con que el
68% de la población está contenido en un entorno ±1s alrededor de m, el 95% de la
Población está contenido en un entorno ±2s alrededor de m y que el 99,73% está
comprendido en ±3s alrededor de m.

b) Teorema del Límite Central.

El teorema del límite central (TLC) establece que si una variable aleatoria (v.

a.) se obtiene como una suma de muchas causas independientes, siendo cada una de ellas de
poca importancia respecto al conjunto, entonces su distribución es asintóticamente normal. Es
decir:
c) Distribución de las medias muestrales
Si X es una v.a. N(, ) de la que se extraen muestras de tamaño n, entonces las medias
muestrales se distribuyen según otra ley normal:

III: MATERIALES Y METODOS

Materiales

 1): muestra (caramelo chinchín, cantidad 100g unidades).

 2): muestras (dulce cantidad 100 unidades)
 Balanza analítica
 Una pinza

PROCEDIMIENTO

PROCEDIMIENTO 01

PREPARACION DE LA MUESTRA

Seleccionar las muestras que estén enteras libres de materias extrañas.

PROCEDIMIENTO 02

DETERMINACION DEL PESO

1): utilizando una pinza colocar los caramelos en una balanza la cual a sido previamente
tarado y anotar.

2): repetir hasta tener 100 pesos registrados

IV: CALCULOS Y RESULTADOS

PROCEDIMIENTO 03

MANEJO DE DATOS

1): determinar la frecuencia de variabilidad de los pesos.

 PESOS DE LAS MUESTRAS (OLE OLE)
1 4,7970 21 4,3380 41 4,5225 61 4,2100 81 4,3360
2 4,3220 22 4,5145 42 4,6650 62 4,1885 82 4,5150
3 4,4970 23 4,4735 43 4,2555 63 4,8805 83 4,2535
4 4,4315 24 4,3755 44 4,2910 64 4,4570 84 4,2425
5 4,7245 25 4,7680 45 4,4920 65 4,4160 85 4,3065
6 4,2445 26 4,1510 46 4,3440 66 4,4690 86 4,2530
7 4,7240 27 4,4360 47 4,4450 67 4,5075 87 4,2015
8 5,1035 28 4,5105 48 4,2650 68 4,3145 88 4,4550
9 4,2820 29 4,2600 49 4,3475 69 4,6365 89 4,3775
10 4,3510 30 4,4105 50 4,2355 70 4,2460 90 4,5580
11 4,4605 31 4,3240 51 4,4220 71 4,6490 91 4,6130
12 4,4475 32 4,4860 52 4,1450 72 4,5925 92 4,3550
13 4,7795 33 4,6780 53 4,2270 73 4,5185 93 4,1985
14 4,6675 34 4,4140 54 4,1695 74 4,2900 94 4,2315
15 4,5015 35 4,4960 55 4,4860 75 4,8180 95 4,4885
16 4,5460 36 4,2595 56 4,4190 76 4,3950 96 4,3570
17 4,8980 37 4,2325 57 4,0470 77 4,4555 97 4,6820
18 4,5875 38 4,2690 58 4,2290 78 4,4635 98 4,3980
19 4,6725 39 4,2290 59 4,3010 79 4,2420 99 4,7635
20 4,8035 40 4,4485 60 4,1520 80 4,2620 100 4,4960

 VEMOS TODO LOE PESOS Y ESCOGIMOS NUESTRO VALOR MÁXIMO Y

MÍNIMO

DAT MINI 4,0470

DAT MAX 5,1035

 HALLANDO RANGO

R 1,0565

 HALLANDO AMPLITUD

AMPLITUD

A 0,15092857

 NUMERO DE INTERVALOS

K= 1+32log(n)
Numero de intervalos

K 7,44
k 7

V: CONCLUSIONES

Como sabemos el cálculo de la desviación se empleó en denominador (n-1) y no (n),

eso se usó ya que cuando se habla de una muestra se puede hacer con el número de la
muestra, pero así llegamos a cometer un error el cual afecta nuestro estudio, en el caso
de utilizar(n-1) que será para el numero de la muestra menos la unidad en ese caso no se
notara mucho el error cometido.

La importancia de la distribución radica en que permite modelar numerosos fenómenos

naturales, sociales y psicológicos. Mientras que en los mecanismos que subyacen a
gran parte de este tipo de fenómeno son desconocidos, por la enorme cantidad de
variables incontrolables que en ellos intervienen, el uso de modelo normal puede
justificarse que cada observación se obtiene como la suma de unas pocas causas
independientes.

BIBLIOGRAFIA

 Águila sanches , Luis. “control de calidad”

 Montgomery,Douglas probabilidad y estadística aplicada a la ingeniería.
¡