FACULTAD DE INGENIERIA

AGROINDUSTRIAL
DEPARTAMENTO ACADÉMICO DE INGENIERÍA
AGROINDUSTRIAL

ADMINISTRACION DE LA CALIDAD

CONTROL DE PROCESOS

ALUMNA : Vivian Karen Gómez Portocarrero

DOCENTE: Ing. M. Sc Epifanio Martínez Mena
CODIGO : 71611285
FECHA : 25/11/17

JUANJUI_PERU
2017
 I. INTRODUCCION

El Control Estadístico de Procesos es un conjunto de técnicas estadísticas

destinadas a hacer un seguimiento, en tiempo real, de la calidad que ofrece un
proceso. El resultado de dicho proceso puede ser un artículo o un servicio. El
Control Estadístico se realiza sobre una o varias variables que estén
relacionadas con la calidad del artículo o servicio de interés.
El concepto y utilidad del Control Estadístico de Procesos se desarrolló
inicialmente para procesos industriales, campo que constituye todavía su
aplicación más frecuente. Sin embargo, hay que destacar que, hoy en día, todas
estas técnicas han demostrado ser muy útiles en cualquier proceso de una
organización, incluyendo los administrativos, de fabricación o de servicios.

II. HISTORIA

En la década de 1920, Walter A. Shewhart fue el primero en utilizar el Control

Estadístico de Procesos. Después, W. Edwards Deming aplicó los métodos del
SPC en los Estados Unidos durante La Segunda Guerra Mundial, mejorando con
éxito la calidad en la producción de municiones y otros productos de importancia
estratégica. Deming ha contribuido decisivamente a introducir los métodos del
SPC en la industria japonesa después de la guerra.
Edwards creó la base para el gráfico de control y el concepto del control
estadístico durante experimentos diseñados cuidadosamente. Mientras
Shewhart se inspiraba en teorías matemáticas y estadísticas puras, descubrió
que datos derivados de procesos físicos raramente producen una "curva de
distribución normal" (una distribución gaussiana, también llamada "curva en
campana"). Descubrió que las variaciones en los datos de producción no se
comportan siempre de la misma manera que en la naturaleza (Movimiento
browniano de partículas). Shewhart concluyó que mientras cada proceso
muestra una variación, algunos procesos muestran variaciones controladas
naturales dentro del proceso (causas comunes de variación), mientras otros
muestran variaciones descontroladas que no están siempre presentes en el
proceso causal.
 III. MÉTODOS ESTADÍSTICOS EN EL CONTROL DE CALIDAD

El control estadístico de procesos recibe una creciente atención como

herramienta de administración en la que importantes características de un
producto se observan, evalúan y comparan con algún tipo de estándar.

Es un proceso que proporciona mejoramiento continuo por medio de la

participación total de la organización y las técnicas estadísticas comprobadas. El
uso del control estadístico de procesos lleva implícitas algunas hipótesis que
describiremos a continuación.

Una vez que el proceso está en funcionamiento bajo condiciones establecidas,

se supone que la variabilidad de los resultados en la medición de una
característica de calidad del producto se debe sólo a un sistema de causas
aleatorias, que es inherente a cada proceso en particular.

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

hipotético de observaciones (mediciones) que tiene una Distribución Normal.
Cuando aparece alguna causa asignable provocando desviaciones adicionales
en los resultados del proceso, se dice que el proceso está fuera de control. La
función del control estadístico de procesos es comprobar en forma permanente
si los resultados que van surgiendo de las mediciones están de acuerdo con las
dos primeras hipótesis. 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 apartó de su funcionamiento habitual y corregirlas.

En los procesos de producción se generan simultáneamente grandes volúmenes

de información cuantitativa y cualitativa a través de las cuales se pueden
controlar los costos, la producción y la calidad, es decir, lo que significa el control
de gestión administrativa de la compañía.

La recopilación, presentación y análisis de este flujo de información permite a la

gerencia conocer los resultados y establecer controles y así 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 técnico de la
empresa, incrementando la producción y reduciendo los costos de operación. De
esta forma, el propósito del control de la calidad es fijar la calidad normal,
mantener y mejorar el nivel, la uniformidad y la confiabilidad de la calidad
garantizando ésta y reduciendo los costos de fabricación, suministrar productos
a la satisfacción del cliente aumentando los beneficios.
  Variación
En todos los procesos repetitivos encontramos variación y a pesar de que la
variación está implícita en todo lo que se hace y lo que nos rodea, difícilmente
se puede evitar. Esta definición puede ser aplicada a cualquier tipo de proceso
de una organización, ya sea desde los más simples a los más complejos, o
aplicarlo al diseño, desarrollo o producción de un producto o servicio.

Aunque tratemos habitualmente procesos de producción, el concepto de

variación es aplicable a procesos administrativos, de fabricación o de servicios.
Así, tenemos, como ejemplos: la variación en ventas, en presupuestos
financieros, en tiempos de entrega de mercancías, en horas de llegada del
personal, o, por ejemplo, problemas con distintos pesos de un producto,
dimensiones, ajustes de maquinaria, etc.

La variación está presente en todos los procesos. Su estudio y su reducción son

los métodos principales de la mejora de la calidad.

 Atributos
Es una característica que no puede ser medido, sólo se cualifica. Estas gráficas
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
gráficas de defectos o dé % defectuosos.
De acuerdo a estos en un lote se puede tener varios variables y varios atributos.
Una variable puede ser tratada como un atributo más no un atributo como una
variable. En general la gráfica de atributos se usa cuando:
 No es posible tomar medidas, como en la inspección visual de una parte.
 Cuando no es práctico tomar medidas, debido a que los calibradores son
caros o el tiempo necesario para tomarlas es excesivo.
 La parte tiene muchas características para evaluar.
 La gráfica se basa en una inspección al 100%.
Se usa gráfica variable cuando:
 Se involucra una característica crítica, tal como es una localización
de un punto.
 Se desea un control más preciso que el control de características
  Distribución de Frecuencias

La distribución de frecuencia es una disposición tabular de datos estadísticos,

ordenados ascendente o descendentemente, de acuerdo a la frecuencia de cada
dato. Las frecuencias pueden ser:
 Frecuencia Absoluta (fi)

Es el número 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).

 Frecuencia Acumulada (Fi)

Las frecuencias acumuladas de una distribución de frecuencias son aquellas

que se obtienen de las sumas sucesivas de las fi que integran cada una de las
filas de una distribución de frecuencia, esto se logra cuando la acumulación de
las frecuencias se realiza tomando en cuenta la primera fila hasta alcanzar la
última. Las frecuencias acumuladas se designan con las letras Fi. La última
frecuencia acumulada absoluta es igual al total de observaciones.

 Frecuencia Relativa (hi)

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

 Frecuencia Relativa Acumulada (Hi)

Es aquella que resulta de dividir cada una de las frecuencias acumuladas entre
número total de datos. Se designa con las letras Hi. La última frecuencia relativa
acumulada es la unidad.
Es la representación estructurada en forma de tabla de toda la información 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 más común es la siguiente:
  Distribución Normal

La Normal es la distribución de probabilidad más importante. Multitud de

variables aleatorias continuas siguen una distribución normal o
aproximadamente normal. Una de sus características más importantes es que
casi cualquier distribución de probabilidad, tanto discreta como continua, se
puede aproximar por una normal bajo ciertas condiciones. La distribución de
probabilidad normal y la curva normal que la representa, tienen las siguientes
características:
 La curva normal tiene forma de campana y un solo pico en el centro de la
distribución. De esta manera, la media aritmética, la mediana y la moda
de la distribución son iguales y se localizan en el pico. Así, la mitad del
área bajo la curva se encuentra a la derecha de este punto central y la
otra mitad está a la izquierda de dicho punto.
 La distribución de probabilidad normal es simétrica alrededor de su media.
 La curva normal desciende suavemente en ambas direcciones a partir del
valor central. Es asintótica, lo que quiere decir que la curva se acerca cada
vez más al eje X pero jamás 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 distribución normal
de media μ y desviación estándar σ usaremos la expresión: X ∼ N(μ,σ).

 Distribución Binomial
Si realizamos n veces un experimento en el que podemos obtener éxito, E, con
probabilidad p y fracaso, F, con probabilidad q (q = 1 − p), diremos que estamos
ante una distribución binomial de parámetros n y p, y lo representaremos por Bin
(n;p). En este caso la probabilidad de obtener k éxitos viene dada por:

Observar que las probabilidades de éxito 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 distribución binomial se encuentra tabulada por lo que es fácil calcular
probabilidades sin necesidad de hacer demasiadas cuentas. Para usar las tablas
de la distribución binomial es necesario conocer:
 El número de veces que se realiza el experimento (n).
 La probabilidad de éxito (p).
 El número de éxitos (k).
La probabilidad p se busca en la primera fila (valores desde 0’01 hasta 0’5). El
número de veces que se realiza el experimento, en la primera columna (valores
desde 2 a 10) y el número de éxitos a su lado.

 Distribución de Poisson

Se dice que X sigue una distribución de Poisson de parámetro λ y que se

obtiene del producto n*p (que nombraremos a partir de aquí como np, por
mayor simplicidad), que se representa con la siguiente notación:

X ~ Ps (λ)
La distribución de Poisson se caracteriza por las siguientes propiedades:
 Sea una población de tamaño ∞.
 Sea una muestra de tamaño n bastante elevado (se suele hablar de que
tiende a ∞)
 Los sucesos son independientes entre sí.
 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 pequeña (se suele hablar de que tiende
a 0).
 El producto n*p, tiende a aproximarse a un valor promedio o número
medio, al que llamaremos λ. Por ejemplo, promedio de llamadas recibidas
 en una centralita por minuto o número medio de accidentes producidos en
una carretera durante el fin de semana.
 X: número de individuos de la muestra que cumplen A.
 El conjunto de posibles valores de A es, E = {0,1,2,3,4....}
Su función de probabilidad viene definida por:

 Media Aritmética
La media aritmética (X) o simplemente la media es la medida de posición de más
importancia y utilización en las aplicaciones estadísticas por su fácil calculo e
interpretación. Se trata del valor medio de todos los valores que toma la variable
estadística de una serie de datos. La media es el valor más 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 aritmética de una serie de n valores de una variable X1, X2, X3; X4,
.........Xn, es el cociente de dividir la sumatoria de todos los valores que toma la
variable Xi, entre el número total de ellos. La fórmula se puede expresar así:

Características principales de la media aritmética:

 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 única para cada caso y permite
representar mediante un solo valor la posición de la serie de valores.
 La media es una medida de posición que se calcula con todos los datos
de la serie de valores y es susceptible de operaciones algebraicas.

 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
número de datos por encima de la mediana sea igual al número de datos por
debajo de la misma. Se designa por las letras Me. Tal como sucede con la media,
el método de determinación 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 posición que esta ocupa en esa serie de datos; para ello hay que
determinar si la serie de datos es par o impar. Si el número n es impar, entonces
la posición de la mediana se determina por la fórmula:

Luego el número que se obtiene indica el lugar o posición que ocupa la mediana
en la serie de valores, luego la mediana será el número que ocupe el lugar de lo
posición encontrada.

Si n es par, se aplica la fórmula:

El resultado obtenido, es la posición que ocupará la mediana, pero en este caso

se ubica la posición 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 será la mediana
buscada, por lo tanto, la mediana, en este caso, es un número que no se
encuentra dentro de la serie de datos dados.
Características de la mediana:
 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.
 La mediana no está definida algebraicamente, ya que para su
cálculo no intervienen todos los valores de la serie.
 La mediana en algunos casos no se puede calcular exactamente
y esto ocurre cuando en una serie de valores para datos no
agrupados el número de datos es par, en este caso la mediana se
calcula aproximadamente.
 La mediana se puede calcular en aquellas distribuciones de
frecuencia de clases abierta, siempre y cuando los elementos
centrales puedan ser determinados.
 La suma de los valores absolutos de las desviaciones de los datos
individuales con respecto a la mediana siempre es mínima.
(propiedad).
  La Moda
La moda es la medida de posición que indica la magnitud del valor que se
presenta con más frecuencia en una serie de datos; es pues, el valor de la
variable que más se repite en un conjunto de datos. De las medidas de posición
la moda es la que se determina con mayor facilidad, ya que se puede obtener
por una simple observación 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 simétrica, la media, la mediana y el modo
coinciden, y si el grado de asimetría de la serie es moderada, la mediana estará
situada entre la media y el modo con una separación de un tercio entre ambas.
Tomando en cuenta esta relación, cuando se tengan dos de esta medidas se
puede determinar la tercera; sin embargo es conveniente utilizar esta relación
para calcular solamente la moda ya que para calcular la media y la mediana
existen fórmulas matemáticas que dan resultados más exactos; la fórmula
matemática para calcular la moda por medio de la relación antes mencionada
es:

IV. CONTROL DE PROCESOS

 Causas de Variación

Todo proceso produce variaciones. Éstas pueden ser de distinta

naturaleza:
 Cuando estas variaciones aparecen sin ser posible atribuirlas a una causa
única, siendo resultado de efectos combinados de muchas causas, se dirá
que éstas, son debidas a causas no asignables o causas aleatorias.
 Cuando las variaciones pueden aparecer por otras causas, de forma que
cuando actúan producen efectos que se pueden atribuir con certeza a un
motivo, se denominan causas asignables o causas especiales.
  Causas no Asignables o Aleatorias

Su naturaleza es de tipo aleatorio, debidas a la propia variación natural del

proceso, y como consecuencia de las mismas, el proceso tiene un
comportamiento estable en el tiempo, de forma que las características de salida
se pueden predecir. Las causas aleatorias se caracterizan por:
 Consistir en muchas causas de variación pequeña provocando
pequeñas fluctuaciones en los datos sin afectar al proceso global.
 Aparecer en muchos instantes del proceso.
 Ser de variación estable.
 Ser previsibles en el tiempo.
 Permanecer en el proceso y ser inherente a él.
 Difícil y antieconómico reducir sus efectos.
Nunca debe ajustarse un proceso cuando la variación es producida por causas
aleatorias ya que, aunque individualmente contribuyen a pequeñas
fluctuaciones, en conjunto nos dan información del patrón normal de
comportamiento que sigue ese proceso. Ejemplos de este tipo de causas serían:
variaciones debidas a la materia prima, a diferencias de habilidad entre el
personal, a factores ambientales, etc.

 Causas Asignables o Especiales

La naturaleza de estas causas no es aleatoria, sino que aparecen

esporádicamente en el proceso de forma que cuando actúan producen efectos
definidos, y cuando se elimina la causa, se elimina la variación 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 características de salida. Las causas especiales se
caracterizan por:

 Constar de una o pocas causas importantes y fáciles de identificar.

 Aparecer esporádicamente en el proceso.
 Ser de variación inestable.
 Ser imprevisibles en el tiempo.
 Poder reaparecer.
 Actúan en un punto concreto del proceso.
Ejemplos de este tipo de causas serían: 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 según sea el proceso que se
trate, así, por ejemplo, sería el caso de la temperatura afectando al rendimiento
de un proceso químico de forma que la variación de ésta sería una causa
asignable en ese proceso. Por el contrario, para esta misma causa, en una planta
de embalaje, la temperatura ambiente no será una causa asignable, pues al
variar no tiene por qué alterarse el proceso.

 Métodos de Causa y Efecto de Ishikawa

Es una representación gráfica de la relación entre un efecto y todas las posibles

causas que influyen en él, permitiendo identificarlas y clasificarlas para su
análisis. Ejemplo.

Después de haberse realizado un análisis de las principales causas que originan

bobinas desviadas en el laminador tandem 1, se encontró que manchas
contaminantes afectaba en gran proporción los resultados de calidad. El equipo
de trabajo realizó un estudio utilizando el diagrama causa efecto el cual se
presenta a continuación:
 V. GRÁFICOS DE CONTROL

 Cartas de Control
La carta de control es una técnica muy útil para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los límites de control, es señal de que se debe tomar acción para remover esa
fuente de variabilidad anormal. Su uso sistemático proporciona un excelente
medio para reducir la variabilidad.

Un punto que se encuentre fuera de los límites de control mostrará evidencia que
el proceso está fuera de control y será necesario una investigación de la causa
especial y la acción correctiva necesaria para eliminarla. También se tendrá un
alto riesgo de situación fuera de control si los puntos se agrupan es forma
sistemática dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media
del proceso está en control y tiene un valor 0 si un valor de media muestral X i
cae dentro de los límites de control; de otra forma se concluye que el proceso
está 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 hipótesis para analizar el desempeño 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 está fuera de control cuando en realidad no lo está.
La probabilidad de error tipo II o beta de la carta de control se presenta cuando
se concluye que el proceso está en control cuando en realidad está fuera de
control.
Se puede definir un modelo general para una carta de control, si w es un
estadístico muestral que mide alguna característica de calidad de interés y
asumiendo que su media es w con desviación estándar w se tiene:

LSC = w + Lw
LC = w
LIC = w - Lw

Donde L es la distancia de los límites de control a partir de la línea central

expresada en unidades de desviación estándar.
El uso más importante de la carta de control es la mejora del proceso, a través
de su monitoreo, al principio se observará que los procesos no están en control
estadístico, sin embargo, con las cartas de control se podrán identificar causas
especiales que, al ser eliminadas, resulten en una reducción de la variabilidad
mejorando el proceso.

 Gráficos de Control por Variables

Son Gráficos de Control basados en la observación de la variación de
características medibles del producto o del servicio. A continuación, se comentan
una serie de características que ayudan a comprender la naturaleza de la
herramienta.
 Comunicación: Simplifican el análisis de situaciones numéricas
complejas.
 Impacto visual: Muestran de forma clara y de un "vistazo" la
variabilidad del resultado de un proceso, respecto a una
determinada característica, con el tiempo.
 Guía en la investigación: El análisis de datos mediante esta
herramienta proporciona mayor información que el simple control
 de los resultados de un proceso, sugiriendo posibilidades de
corrección preventiva y alternativas de investigación

 Tendencia Central
Característica típica de la mayoría de las distribuciones de frecuencia, por lo cual
el grueso de las observaciones se agrupa en una zona determinada de las
mismas.
 Media Aritmética " X "
Medida de la tendencia central, correspondiente a la suma de todos los valores,
dividida por el número de los mismos.
 Dispersión
Alcance de la diseminación con la que los datos de una distribución de
frecuencia se distribuyen alrededor de la zona de tendencia central.

 Recorrido "R"
Medida de la dispersión, correspondiente a la diferencia entre el valor máximo
y el valor mínimo de un conjunto de datos.

 Desviación Típica, "S" O "S"

Es una medida de la dispersión de una distribución de frecuencia,

correspondiente a la raíz cuadrada del cociente entre la suma de los cuadrados
de las distancias de cada valor a la media aritmética y el número de valores. En
general este parámetro se estima a través del cálculo de la desviación típica de
los valores de una muestra (desviación típica muestral, s), siendo esta:
s = å(x - x) 2 (n - 1) i , o bien ( ) ( 1) s = åx 2 - nx 2 n - i
xi = valor del elemento i de la muestra
n = tamaño de la muestra

 Cartas de Control para Atributos

 Carta de Control para Fracción No Conforme

La fracción no conforme es la relación entre el número de artículos discrepantes
entre el total de artículos, se expresa como fracción decimal, aunque también se
puede expresar en porcentaje. El artículo o servicio puede tener varias
características de calidad que son examinadas por un inspector, si el artículo no
está de acuerdo a los estándares, se le considera como defectuoso o no
conforme.
La fracción defectiva o no conforme en la muestra se define como la relación
entre el número de unidades no conformes D al tamaño de muestra n, o sea:
La distribución de este estadístico sigue la distribución binomial por tanto:
__
p
p (1  p )
 2p 
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico
que mide una característica de calidad, con media w y varianza  w2 , los límites
de control son:

LSC = w + Lw
LC = w
LIC = w - Lw

Donde L es la distancia de la línea central hasta los límites de control, es común

usar L = 3.
Por tanto los límites de control de la carta p considerando L = 3 son:
__ __
__
p(1  p )
LSCp = p  3
n
__
LCp = p
__ __
__
p(1  p )
LICp = p  3
n

Durante la operación, se toman muestras de n unidades, se calcula la fracción

defectiva p i y se grafica en la carta, mientras no se observe ningún patrón
anormal y p i se localice dentro de límites de control, se puede concluir que el
proceso está en control, de otra forma, se concluirá que la fracción no conforme
se ha desplazado de su valor original y el proceso se encuentra fuera de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos
observados en m muestras iniciales, cada una de tamaño n, por lo general se
toman 20 a 25 de estas. Así si Di son unidades no conformes en la muestra i, la
fracción defectiva de la muestra i - ésima estará 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 m

 Di p i
p i 1
 i 1

mn m

Una vez hecha la gráfica trazando los límites 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 situación fuera de control se
eliminan y se calculan de nuevo los límites de control preliminares.

VI. CONCLUSIONES

El uso de los métodos estadísticos en el control de procesos es muy importante

para una empresa, entidad financiera, etc., ya que estas herramienta
acompañadas de gráficos de control nos permiten predecir con mayor exactitud
la posibilidad de que ocurrir ciertas desviaciones dentro del proceso y además
ayuda a comprender mejor lo que realmente está pasando con los procesos,
determinar donde y cuando se requiere ajustar un determinado proceso para que
este dentro del rango establecido como estándar para la elaboración de un bien
o servicio.

Estas herramientas cumplen la función 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 libres de defectos optimizando
recursos sin incurrir en pérdidas por defectos de proceso. La idea de aplicar el
control de proceso es para que los productos se uniformicen y sean semejantes
a un patrón o estándar considerado como el óptimo para satisfacer las
necesidades de los consumidores.
VII. BIBLIOGRAFIA

 Graficos de Control por Atributos. (s.f.). Obtenido de

http://www.fundibeq.org/opencms/export/sites/default/PWF/downlo
ads/gallery/methodology/tools/graficos_de_control_por_atributos.p
df

 Villa Alicia, S. M. (s.f.). La Distribución Normal. Obtenido de

http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf