Aplicacion de Estadistica

Subido por:
Libros de Ingeniera Qumica y ms
https://www.facebook.com/pages/Interfase-
IQ/146073555478947?ref=bookmarks
Si te gusta este libro y tienes la posibilidad,

cmpralo para apoyar al autor.
Aplicacin de la
Estadstica al
Control
de Calidad
ngel Pola Maseda
P R O D U C T I C A
MARCOMBO, S.A., 1993
Reservados todos los derechos
de publicacin, reproduccin, prstamo,
alquiler o cualquier otra forma de cesin del
uso de este ejemplar en cualquier idioma por
MARCOMBO, S.A.
Gran Via de les Corts Catalanes, 594
08007 Barcelona (Espaa)
Quedan rigurosamente prohibidas, sin la autorizacin escrita de los

titulares del "Copyright", bajo las sanciones establecidas en las leyes,
la reproduccin total o parcial de esta obra por cualquier medio o
procedimiento, comprendidos la reprografa y el tratamiento inform-
tico, y la distribucin de ejemplares de ella mediante alquiler o prsta-
mo pblicos, as como la exportacin e importacin de esos ejempla-
res para su distribucin en venta, fuera del mbito de la Comunidad
Econmica Europea.
ISBN: 978-84-267-0691-1
Depsito Legal: B-42.729-92
Impreso en Espaa
Printed in Spain
Fotocomposicin: FOlNSA-Passatge Gaiol, 13-15 -08013 Barcelona
Impresin: Vanguard Grfic, S.A. -Joan Mir, 17-19 - 08930 San Adri
de Bess (Barcelona)
Presentacin
Desde hace algunos aos, estamos viviendo una revolucin en el tema de

la calidad industrial. Los programas de mejora de la calidad estn a la orden
del da en muchas empresas, como caminos a recorrer para alcanzar
niveles de calidad competitivos, diferenciales y que garanticen la supervi-
vencia de la organizacin.
Esta revolucin orienta a las empresas hacia un cambio en su filosofa,
hacia una gestin de la calidad distinta y que tienen que asumir rpida-
mente.
Los programas de mejora se basan en criterios formales, por lo que
recurren a la Estadstica como su principal punto de apoyo. Dicha ciencia
es para muchas empresas desconocida, o en el mejor de los casos infrauti-
lizada. Dado el alcance de la misma, se hace necesario un mayor conoci-
miento de las tcnicas que nos brinda, as como de su aplicacin por parte
de todos los trabajadores, en especial aquellos que tienen relacin directa
con la calidad: personal de control de calidad, produccin, recepcin de
materiales, etc.
El objetivo de esta obra es dar a conocer distintas tcnicas estadsticas y
su aplicacin en la industria, expresndolas de forma clara y prctica, para
que cualquier persona con mnimos conocimientos pueda comprender-
las.
La primera parte muestra cmo recoger informacin de acuerdo con
mtodos estadsticos, llevndola a representaciones grficas. El captulo
de anlisis, basado en las distribuciones de probabilidades, iniciar al
lector en temas ms profundos, muy poco utilizados en la actualidad, pero
que nos atrevemos a sealar sern de gran aplicacin en la industria en los
prximos aos.
En la segunda parte se explica de forma detallada toda la metodologa
de aplicacin del Control Estadstico de Procesos (S.P.C.) con diversidad de
ejemplos y casos prcticos. Se desarrolla ampliamente el control por
variables y por atributos, as como la construccin y anlisis de los grficos
de control.
Por ltimo, dedicamos un captulo a los estudios de capacidad en sus
distintas formas, cerrando as el ciclo de mejora continua iniciado en el
Control Estadstico.
El autor
5
ndice general
EL CONTROL DE LA CALIDAD. ENFOQUE HISTRICO .............. 9

Introduccin ................................................................................. 9
Concepto de calidad ................................................................. 10
Estadstica y calidad ................................................................. 12
RECOGIDA DE INFORMACIN. REPRESENTACIN GRFICA ... 15

Variaciones .................................................................................. 15
Variables o atributos .................................................................... 17
Recogida de informacin .......................................................... 18
Inspeccin total. Muestreo ........................................................... 19
Tipos de muestreo ................................................................. 20
Datos previos al muestreo ........................................................ 23
Presentacin de datos .............................................................. 24
Recorrido o rango..................................................................... 28
La moda ................................................................................ 28
Datos agrupados ...................................................................... 29
La media aritmtica .................................................................. 31
La mediana ............................................................................. 31
Desviacin ............................................................................. 32
Desviacin tpica ................................................................... 33
Representacin grfica .............................................................. 35
El grfico lineal ...................................................................... 35
Diagrama de barras ................................................................. 36
Diagrama de sectores ............................................................ 37
El histograma ....................................................................... 39
Polgono de frecuencias ......................................................... 42
Curva de frecuencias ........................................................... 43
PROBABILIDADES. DISTRIBUCIN DE PROBABILIDAD ............ 45

Probabilidades .......................................................................... 45
Variable aleatoria ...................................................................... 51
Distribuciones de probabilidad ................................................. 52
Distribucin normal ............................................................... 55
Distribucin exponencial ....................................................... 61
Distribucin binomial .............................................................. 62
Distribucin de Poisson ......................................................... 65
Intervalos de confianza para la estimacin de parmetros . 66
CONTROL ESTADSTICO DEL PROCESO ................................... 69

Introduccin ................................................................................. 69
Grficos de control....................................................................... 73
6
ndice general
GRFICOS DE CONTROL POR VARIABLES ................................ 75

Grfico de individuos ................................................................. 75
Grfico de medias/rangos............................................................ 76
Lmites de control .................................................................... 78
Otros grficos de control ........................................................... 80
Interpretacin de los grficos de control por variables ................ 81
GRFICOS DE CONTROL POR ATRIBUTOS ................................ 87

Introduccin.................................................................................. 87
El grfico p ............................................................................ 87
El grfico np ........................................................................... 88
El grfico c ............................................................................ 89
El grfico u ........................................................................... 89
Interpretacin de los grficos de control por atributos.................. 91
Control continuo del proceso .................................................... 92
ESTUDIOS DE CAPACIDAD .......................................................... 95

Introduccin................................................................................. 95
Interpretacin de los grficos de capacidad ................................ 99
APNDICE ....................................................................................... 103
7
El Control de la Calidad.
Enfoque histrico
INTRODUCCIN
Hasta finales del siglo XIX la empresa era muy distinta de lo que hoy es.
Orientada generalmente a lo agrcola, minero o comercial, la explotaban
sus propietarios, con la aportacin del esfuerzo fsico de obreros o escla-
vos. La calidad ocupaba un segundo plano, determinado por el descono-
cimiento del consumidor y la falta de competencia.
Con la revolucin industrial, el maquinismo, la automatizacin, las ideas
de pensadores como Marx y la aplicacin de nuevos sistemas de gestin
establecidos por Taylor, nace un nuevo tipo de empresa. El mercado se
hace ms competitivo, lo que lleva a los empresarios a controlar la calidad
de sus productos.
El inicio del control estadstico de calidad se remonta a 1.924, cuando en
los laboratorios de la Bell Telephone se aplicaron por primera vez grficos
estadsticos para el control de calidad de productos manufacturados.
En 1.931 se publicaba en Nueva York un libro titulado Control Econmi-
co de calidad de productos manufacturados. Aunque este libro buscaba la
"economa" del control de calidad, la mayora de las aplicaciones resulta-
ron altamente costosas. De aqu que, cuando mencionamos el control de
calidad a muchos fabricantes que vivieron en esa poca, el recuerdo que
llega a su mente es de grandes esperanzas sobre reduccin de costes,
montones de papeles y trabajo administrativo, seguido de la desilusin
resultante de objetivos valiosos, pero no logrados.
En la dcada de 1.940 comenz el desarrollo y aplicacin de tablas de
muestreo para inspeccin. Se publicaban tablas de muestreo para usos
militares y se aprueba su empleo por las fuerzas armadas.
El Dr. Eduards Deming, especialista en Estadstica, visit el Japn en
1.950. El pueblo japons se recuperaba de los estragos de la guerra, las
industrias trataban de salir a flote, pero la calidad de los productos japone-
ses era muy inferior a la que presentaban los productos importados. El Dr.
Deming en una conferencia ante dirigentes de las grandes industrias,
afirm que si se implantaba en sus fbricas un adecuado control estadsti-
co de la calidad, la marca "Made in Japan" llegara a ser un smbolo de alta
calidad.
En 1.954 el Dr. J. M. Juran, experto en control de calidad, difunde el
entusiasmo por los mtodos estadsticos y los sistemas de control de
calidad, no slo entre los especialistas de cada empresa, sino tambin
entre todos los dirigentes y mandos intermedios.
Esta inquietud se extiende a todo el pueblo japons, al cual se le
9
Aplicacin de la Estadstica al Control de la Calidad
comienzan a ensear las tcnicas estadsticas. Se hacen campaas para

promover los sistemas de control y mejora de la calidad.
Los japoneses aceptan el reto a la calidad, dando a sus empresas,
adems de varias horas de trabajo fsico, su capacidad intelectual, la cual
alcanza hasta los momentos de ocio, que en ocasiones utilizan para dar
solucin a problemas relativos a la fbrica.
El Dr. Kaoru Ishikawa sirve de columna vertebral en estos programas. En
1.960 instituye los primeros Crculos de Calidad en el Japn.
El nivel de calidad de los productos japoneses es hoy ptimo. Actual-
mente, Japn es el lder de la calidad como en otros tiempos lo fueron
Alemania e Inglaterra.
En nuestros das la empresa se enfrenta a un consumidor/usuario/clien-
te exigente, que conoce cada vez mejor sus necesidades y gusta de elegir
para s mismo los productos y servicios que precisa. Exigente en la relacin
calidad-precio, pues, sabiendo con ms exactitud lo que necesita, puede
gastar menos (proporcionalmente) que hace unos aos.
El mundo occidental ha vuelto la mirada hacia el modelo japons
(competencia en calidad-precio). Probablemente no debamos copiar este
modelo, pero una "traduccin" y adaptacin de ste a nuestras empresas,
proporcionar resultados altamente positivos.
Como vemos, el control de calidad en productos manufacturados no es
algo nuevo. Lo que s es ms reciente es el control de calidad en cada una
de las etapas del proceso de fabricacin. Apoyado por mtodos estadsti-
cos, nos permite evitar la produccin de piezas defectuosas que daran
lugar a desperdicios o tendramos que volver a trabajar, con la correspon-
diente prdida de tiempo y dinero. Tratamos de fabricar slo productos
buenos, con la seguridad de que si en cada parte del proceso se fabrica
calidad, el resultado final ser un producto de calidad.
CONCEPTO DE CALIDAD
Existen distintas definiciones de este trmino. Una de ellas nos dice que
calidad es el CONJUNTO DE PROPIEDADES Y CARACTERSTICAS DE UN
PRODUCTO, PROCESO O SERVICIO, QUE LE CONFIEREN SU APTITUD
PARA SATISFACER NECESIDADES establecidas o implcitas. Figura 1.
Otras definiciones se refieren a la calidad como la IDONEIDAD o
APTITUD PARA EL USO, lo cual refleja los mismos aspectos antes citados.
En la actualidad estn tomando gran relevancia otros trminos asocia-
dos al concepto clsico de calidad, como son:
Fiabilidad.
Mantenibilidad.
Disponibilidad.
Peter F. Drucker define la calidad como: Lo que el diente est dispuesto a
pagar, en funcin de lo que obtiene y valora.
Dada la diferencia entre las definiciones escritas, consideramos necesa-
rio dejar claros algunos aspectos que, con frecuencia, producen confu-
10
El Control de la Calidad. Enfoque histrico
sin. As diremos, calidad no es, necesariamente, lujo, complicacin, tama-

o, etc. Necesitamos efectuar una segmentacin del mercado y definir los
parmetros correspondientes para cada segmento, en funcin de lo que
ste considere como "adecuacin al uso". Los parmetros de calidad
cambian del fabricante al cliente, incluso entre los propios clientes. Mien-
tras el cliente entiende la calidad como la adecuacin al uso, el fabricante
suele entenderla como un cumplimiento con las especificaciones de
diseo. Surge as la "calidad de diseo", que se alcanzara cuando las
especificaciones fueran tales que garantizaran la adecuacin al uso que
busca el cliente.
Figura 1. Concepto de
Un producto ES DE CALIDAD cuando SATISFACE LAS NECESIDADES calidad.
Y EXPECTATIVAS del usuario.
Obtenemos "calidad de fabricacin" en la medida en que los productos

fabricados se ajustan a las especificaciones de diseo.
La "calidad que busca el cliente" o adecuacin al uso debe surgir de las
Figura 2. Diagrama de las tres

calidades.
11
dos anteriores, aunque la realidad no siempre es sta. La relacin entre las

tres calidades podemos observarla en el grfico de la figura 2.
Debemos concentrar nuestros esfuerzos en hacer que los crculos
correspondientes a las tres calidades sean concntricos. De esta manera,
la calidad diseada sera la que busca el cliente, siendo ambas, a su vez,
idnticas a la calidad fabricada.
ESTADSTICA Y CALIDAD
Hoy el mercado exige productos de calidad. Para conseguirlos no basta
con un control de calidad que seleccione las unidades buenas y rechace
las defectuosas, pues sto hace que la calidad buscada tenga un alto
precio, tanto mayor cuantas ms unidades defectuosas hayamos fabrica-
do. Adems, estadsticamente se demuestra que efectuar una inspeccin
de la totalidad de los productos fabricados, tiene un elevadsimo coste y
no siempre proporciona la confianza deseada.
Factores como el cansancio del inspector, la monotona por la repetitivi-
dad de la produccin, etc., conllevan la obtencin de resultados de hasta
un 15 % de productos aceptados o rechazados incorrectamente, es decir:
Productos defectuosos que han sido aceptados como no defectuosos,
o
Productos no defectuosos rechazados por considerarlos defectuo-
sos.
Aqu es donde interviene la Estadstica, brindndonos procedimientos
sencillos, rpidos, econmicos y que nos permiten obtener resultados
con una fiabilidad muy superior a la citada en el apartado anterior.
El trmino Estadstica surge de la palabra "estado", por ser en losasuntos
referentes a ste, tales como nacimientos, riqueza, tierras, cosechas, etc.,
donde ha sido utilizada para su descripcin, desde hace ya varios milenios.
Una definicin amplia de la Estadstica nos dice que es la ciencia que
establece mtodos para la recopilacin, ordenacin, anlisis e interpreta-
cin de datos, con el fin de conocer las caractersticas especficas de una
poblacin.
Debemos distinguir entre la Estadstica Descriptiva que, como su nom-
bre indica, describe las caractersticas de una poblacin en estudio y la
Estadstica Inductiva que podramos definirla como seala la figura 3.
Figura 3. Concepto de
Estadstica.
Ciencia que trata de OBTENER INFORMACIN DEL TOTAL DE UNA
POBLACIN, mediante la OBSERVACIN Y EL ESTUDIO DE UNA
MUESTRA REPRESENTATIVA de esa poblacin o conjunto.
En el desarrollo del libro nos referiremos a ambas, siendo nuestro

objetivo centrarnos en la segunda.
12
El Control de la Calidad. Enfoque histrico
La rueda de Deming muestra de forma sencilla la importancia que tiene

la Estadstica en un Programa de Mejora Continua de la Calidad. Figura 4.
En el apartado 1 identificamos el problema. Procedemos a aplicar tcni-
cas estadsticas para recoger informacin, segn seala el apartado 2.
Seguimos aplicando tcnicas estadsticas en el apartado 3, orientadas
Figura 4. La Rueda de Deming.

(Ciclo de mejora
continua de la calidad).
ahora al anlisis y estudio de la informacin antes recogida, para pasar a la

ltima etapa, en donde estableceremos programas de accin en base a los
resultados de los anlisis efectuados. Aplicadas las acciones correctivas,
estamos en condiciones de iniciar de nuevo el ciclo.
13
Recogida de informacin.
Representacin grfica
VARIACIONES
Como hemos visto hasta ahora, la Estadstica ha venido penetrando en
el sector industrial, alcanzando en nuestros das una vital importancia
como herramienta imprescindible en cualquier tipo de empresa y en las
distintas reas de trabajo.
Figura 5. Diagrama de las 6M,

donde se observan
los factores causantes de las
variaciones en un
proceso de fabricacin.
En nuestro pas, la industria del automvil tal vez sea la que ms

aplicacin ha dado a esta ciencia, aunque no debemos olvidarnos de otros
sectores como el qumico-farmacutico, metalrgico, del plstico, textil,
de alimentacin, que estn desarrollando amplios programas de forma-
cin de su personal e implantacin de tcnicas estadsticas en las ms
variadas reas de trabajo.
La mayor aplicacin se centra en las reas de produccin y control de
calidad, aunque se extiende con rapidez hacia planificacin, I+D, adminis-
tracin, gerencia y direccin, y en general, a toda la empresa.
Para que la Estadstica pueda aplicarse y su aplicacin tenga sentido, es
15
necesario que entre los elementos que deseamos estudiar existan "varia-
ciones". Esto puede parecer contradictorio, dado que el objetivo a alcan-
zar es unificar resultados. En el caso de la fabricacin de un producto, el
ideal de la empresa sera que todos los productos fabricados tuvieran
exactamente la medida nominal deseada. Ante un caso como ste, no
tendra sentido la aplicacin de tcnicas estadsticas. Pero la realidad est
muy lejos del ideal antes mencionado. Lo cierto es que en todo proceso
productivo, por muy automtico que sea, existen variaciones. Definire-
mos con mayor claridad lo que es una variacin:
Conjunto de diferencias que resultan del efecto de una serie de

factores que influyen en el proceso.
Estos factores podemos clasificarlos como nos muestra el diagrama de

las 6M. Figura 5.
Cada uno de estos factores genera causas como las que sealamos a
continuacin, dando as lugar a las variaciones observables en los produc-
tos. Figura 6.
Figura 6. Algunas causas de

variacin, agrupadas
segn los factores que
intervienen en el
proceso.
16
Recogida de informacin. Representacin grfica
Tericamente, decimos que no existen dos piezas iguales. Si no pre-

sentan diferencias en el peso, puede haberlas en la longitud, el espesor, la
dureza, el acabado, la presentacin, etc.. Unas u otras siempre son obser-
vables.
VARIABLES O ATRIBUTOS
Estas diferencias pueden ser cuantificables o no. En lo que se refiere al
primer tipo, podemos emplear instrumentos para medir las diferencias
existentes entre las piezas, en las distintas caractersticas objeto de estu-
dio, otorgando a cada una el valor numrico correspondiente de acuerdo
con la escala de medicin utilizada. Las caractersticas que son as cuantifi-
cables las denominamos VARIABLES.
Existen otras caractersticas cuya variacin no podemos cuantificar, pero
que igualmente son objeto de estudio. Nos referimos a los ATRIBUTOS.
Podemos mencionar, como ejemplo de este tipo, el acabado, la presenta-
cin, el color y muchas otras que podemos observar en el cuadro de la
figura 7.
Figura 7. Tipos de
caractersticas que se pueden
presentar en el trabajo.
Es de destacar que cualquier caracterstica variable puede ser procesada

como atributo. Un caso comn es el de los calibres pasa-no pasa, amplia-
mente empleados para la determinacin de longitudes o espesores, sumi-
nistrndonos informacin con la cual decidimos la aceptacin o el rechazo
del producto.
La sustitucin de variables por atributos tiene ventajas en cuanto a
costes, tiempo empleado en recoger la informacin, sencillez, etc., pero
no debemos olvidarnos de la informacin que se pierde al no cuantificar la
variacin, lo cual sera su principal desventaja.
Al trabajar con datos de tipo variable, debemos elegir el instrumento de
medicin adecuado que permita detectar las diferencias entre las piezas a
estudiar.
17
Si los datos son atributos hemos de ser cuidadosos con la subjetividad

derivada de los mismos, estableciendo criterios claros que distingan lo
que debemos aceptar como bueno de lo que es necesario rechazar por
estar debajo del lmite de aceptabilidad. Cuando nos referimos, por ejem-
plo, al acabado de una pieza, es posible que para algunos la pieza sea
correcta mientras que para otros, tal vez ms exigentes, la pieza sea
defectuosa.
En estos casos aparecen aspectos subjetivos que pueden falsear nuestro
estudio si no nos esforzamos en minimizarlos, definiendo criterios que
permitan establecer un lmite de aceptabilidad nico, independiente de la
persona que efecta el estudio.
RECOGIDA DE INFORMACIN
Habiendo establecido las diferencias entre variables y atributos, pode-
mos proceder a recoger datos de nuestra poblacin para dar inicio al
estudio.
Figura 8. Recogida de datos.
En la figura 8 se observan distintas formas de efectuar la recogida de

datos. En la empresa suele emplearse la observacin directa en sus dos
versiones, variables o atributos. Podemos hacerlo as porque los elemen-
tos objeto de nuestro estudio estn presentes, lo que nos permite compa-
rarlos directamente con el patrn establecido.
Cuando la empresa realiza estudios o investigaciones de mercado,
suele recurrir a las encuestas. Estas no son otra cosa que un conjunto de
preguntas verbales o escritas que debe responder la poblacin que quere-
mos estudiar. Son tambin ampliamente empleadas por la Administracin
y por los medios de comunicacin, en sondeos de opinin pblica.
18
INSPECCIN TOTAL MUESTREO

Habiendo iniciado ya la recogida de datos, se presenta la pregunta:
Cuntos datos tenemos que recoger de nuestra poblacin en estudio?.
Figura 9. Alternativas ante la

toma de datos.
La figura 9 presenta dos formas de actuacin:

1) Inspeccin al 100%. En teora, reproduce fielmente el comporta-
miento de la poblacin. En la prctica se cometen errores en la inspeccin,
ya comentados en el apartado "Estadstica y Calidad", que distorsionan su
efectividad, sobre todo en las poblaciones muy numerosas, resultando
antieconmica y poco fiable. Sin embargo, tiene aplicacin en lotes muy
pequeos y se hace necesaria ante la presencia de defectos de vital
importancia.
2) Muestreo. Tiene verdadera importancia cuando se aplica a poblacio-
nes muy numerosas, donde el mtodo anterior no es efectivo. En la
aplicacin del muestreo existe un riesgo de error, pero puede ser cuantifi-
cado y asumido desde el inicio del estudio.
El empleo de uno u otro mtodo no merma la aplicacin de la Estadsti-
ca. Figura 10. Cuando efectuamos una inspeccin al 100%, la Estadstica
19
Descriptiva permite procesar la informacin obtenida, llevndola a tablas

de datos y grficos que facilitan su posterior anlisis.
Al seleccionar una muestra aplicamos los conocimientos de probabi-
lidades como primera parte del estudio.
Posteriormente describimos el comportamiento de la muestra seleccio-
nada y aplicamos tcnicas de inferencia para conocer el comportamiento
del universo o poblacin de la cual fue extrada la muestra.
Figura 10. Actuacin de la

Estadstica en la
recogida y proceso de datos
de una poblacin en
estudio.
Tipos de muestreo
La figura 10 describe el muestreo como la seleccin de un subconjunto
de elementos de una poblacin o universo, que posteriormente sern
sometidos a estudio y anlisis para obtener resultados aplicables a la
totalidad de la poblacin de donde fueron extrados.
Para que las conclusiones o resultados obtenidos sean vlidos, la mues-
tra seleccionada tiene que ser REPRESENTATIVA del conjunto de donde
procede. De no ser as, se estaran cometiendo errores.
Existen distintos tipos de muestreo que pueden aplicarse para garantizar
la representatividad de la muestra. Figura 11.
20
Muestreo aleatorio o al azar Figura 11. Tipos de muestreo

empleados en la
Es el tipo de muestreo ms utilizado. Consiste en elegir una muestra del industria.
total del lote, siguiendo las reglas del azar: Todos los elementos del lote
deben tener IGUAL oportunidad de salir elegidos para formar parte de la
muestra. Sera equivalente a numerar los elementos del lote, confeccionar
un papelito con el nmero para cada elemento, introducir todos los
papelitos en un "sombrero" y extraer de uno en uno tantos como necesi-
tramos para la muestra.
Para efectuar este proceso de una manera ms simple, se puede em-
plear una tabla de nmeros aleatorios. Supongamos que se desea extraer
una muestra de 16 unidades, de un conjunto de 90 elementos. En primer
lugar, numeramos los elementos del lote o conjunto. Como los nmeros
de los elementos tienen un mximo de 2 dgitos, procederemos a extraer
los 16 nmeros de dos dgitos, que conformarn nuestra muestra, como
sigue:
Eleccin del punto inicial

Puede hacerse dejando caer un lpiz bien afilado sobre la tabla de
nmeros al azar. El nmero sobre el que haya cado ser el punto inicial.
Ruta a seguir en la tabla

De antemano, fijaremos la direccin y sentido a seguir para leer los
nmeros. Por ejemplo: Horizontal y hacia la derecha.
21
Cantidad de dgitos a tomar en cada lectura

En nuestro caso son dos.
En la figura 12 se presenta un fragmento de una tabla de nmeros al azar,
que usaremos para desarrollar el ejemplo.
Figura 12. Fragmento de una

tabla de nmeros al
azar.
Comenzando por el nmero que se resalta, y siguiendo la direccin y

sentido antes indicada, obtenemos los nmeros:
11 39 84 28 78 80 28 78 82 67
47 36 34 66 34 06 54 19 78 09
Si aparecen nmeros repetidos, podemos optar por estudiar el elemen-
to al que representan tantas veces como suceda la repeticin, procesan-
do la informacin en cada caso como si de elementos distintos se tratara, o
sustituir los repetidos por nuevos nmeros de la tabla. Considerando la
ltima opcin, nuestra muestra la formaran las piezas o elementos con los
nmeros:
06 09 11 19 28 34 36 39
47 54 66 67 78 80 82 84
En el apndice se muestra una tabla de nmeros al azar de 5 dgitos.
Pueden encontrarse con facilidad tablas ms extensas. Si no disponemos
de tablas y quisiramos seleccionar una muestra al azar, podemos hacer
uso de los nmeros del listn de telfonos, prescindiendo siempre de las 3
primeras cifras de cada nmero.
Muestreo estratificado aleatorio

Es aplicable cuando en una misma poblacin existen grupos de distintas
categoras.
Para su aplicacin se procede dividiendo el lote o poblacin en grupos o
"estratos", y eligiendo al azar un nmero determinado de elementos en
cada estrato para que conformen la muestra. El nmero de elementos a
considerar en cada estrato suele ser proporcional al tamao del mismo.
De no ser as, sera necesario ponderar los resultados. Con frecuencia se
usa el muestreo estratificado aleatorio en estudios relativos a las personas,
22
estratificando por edades, zonas geogrficas, distritos, posicin social,

ingresos, etc.
En la empresa tambin se aplica la estratificacin, confeccionando los
grupos en proporcin a horas de trabajo, a cantidad o calidad de la
produccin, en funcin de distintos proveedores, etc.
Muestreo sistemtico puro

Se caracteriza por la seleccin con el nico criterio de mantener un
perodo de tiempo fijo entre la recogida de dos piezas consecutivas. Se
realiza el muestreo con una frecuencia dada. Por ejemplo:
1 pieza cada 30 minutos.
5 piezas por turno.
1 pieza de cada 20 fabricadas.
Resulta muy til en procesos de produccin automticos. De hecho, es
el ms simple de aplicar y el que est ms extendido en el sector industrial.
Tambin se usa para la seleccin de muestras en los procesos sometidos a
control estadstico, C.E.P. slo que en este caso son extrados pequeos
grupos para conformar as submuestras que comnmente tienen 4 o 5
piezas cada una. Por ejemplo: 5 piezas cada hora. En este caso, el operario
o persona que efecta el control estadstico del proceso, cada hora anali-
zar las 5 piezas consecutivas que salgan de la mquina.
Cuando el proceso es automtico, ste garantiza que la muestra selec-
cionada con un muestreo sistemtico puro es aleatoria.
En cambio, en los procesos en donde interviene directamente el ser
humano (manuales o semi-automticos) las leyes del azar suelen verse
alteradas, por lo que se hace necesario definir otro tipo de muestreo
sistemtico.
Muestreo sistemtico aleatorio

Pretende cubrir las deficiencias del anterior, en los procesos en que
participa el ser humano, para garantizar la representatividad de la muestra.
Se basa, como el puro, en la eleccin de acuerdo a una frecuencia dada,
pero cambiando ahora al azar los puntos iniciales de perodos sucesivos
de produccin. Algunos prefieren aplicarlo aleatorizando a las frecuencias
de inspeccin.
DATOS PREVIOS AL MUESTREO

Cuando efectuamos una investigacin aplicando tcnicas estadsticas
de muestreo, deseamos que la muestra seleccionada sea representativa
de la poblacin a la cual pertenece. Pero hasta qu punto queremos que
sea significativa? Para responder a este interrogante hemos de atender a los
siguientes aspectos:
Mximo error que deseamos obtener.
Nivel de confianza.
Tamao de la poblacin.
Tamao de la muestra.
23
El grado de exactitud o error admitido, e, viene dado por el porcentaje de

variacin mxima que queremos obtener en los resultados hallados res-
pecto de la realidad. Por ejemplo, si aceptamos un error del 10% y
hallamos en un resultado de muestreo estadstico que el nmero de
elementos defectuosos es del 3 %, puede suceder que en realidad estn
entre el 2,7% (3% menos un 10% sobre s mismo) y el 3,3% (3% ms un
10% sobre s mismo).
El nivel de confianza, NC, que tambin debemos elegir, nos sealar en
qu porcentaje de casos el resultado obtenido es cierto.
l nmero de elementos de la poblacin en estudio, N, puede ser finito
o infinito. Se considera que una poblacin es finita cuando tiene menos de
100.000 elementos. En caso contrario la consideramos infinita.
El nmero de observaciones de la muestra, n, depende de los aspectos
antes sealados.
En el siguiente captulo se profundiza en este tema, por lo que no
abundamos aqu en ms detalles.
PRESENTACIN DE DATOS
El conjunto de datos recogidos en el estudio debe procesarse para que
permita visualizar las variaciones de la caracterstica objeto de anlisis. Una
de las formas ms sencillas es la tabulacin, para la que se puede emplear
Figura 13. Ejemplo de un impreso como el que aparece en el apndice, el cual seguidamente
encabezado del impreso
de presentacin de datos. veremos de qu manera debe usarse.
El encabezado del impreso, figura 13, tiene vital importancia pues en l

se describe la pieza a la que pertenecen los datos presentados despus.
Tambin queda aqu sealada la frecuencia del muestreo, el lugar donde
estaban las piezas cuando fueron inspeccionadas, la fecha y la hora de la
inspeccin as como quin la realiz.
Figura 14. Registro de los

valores obtenidos en
las mediciones de la pieza en
estudio. (Para 50
piezas).
24
Los datos recogidos se anotan en el cuadro correspondiente a VALO-

RES, figura 14, a medida que se van obteniendo.
Obsrvese que el registro de los valores en la forma anterior no da una
idea clara del comportamiento de las piezas estudiadas. Se hace necesaria
una presentacin que ayude ms en el estudio, en la cual los datos aparez-
can ordenados y clasificados.
Figura 15. Tabla de frecuencias
de los datos correspondientes
a la pieza en estudio (datos
individuales).
La figura 15 presenta los valores anteriores clasificados y tabulados de

forma que se pueda observar con facilidad el comportamiento de los
datos.
Para completar esta tabla se procede como sigue:
1) Seleccionar los valores mnimo y mximo entre los registrados en la
figura 14 (15,98 y 16,04 respectivamente).
2) En la columna correspondiente a valores de la figura 15, colocar en
la parte inferior el valor mnimo (15,97).
3) Como las mediciones se han efectuado con apreciacin de 0,01,
puede completarse la columna de valores hacia arriba, aumentando esta
cantidad entre cada valor y el inmediato superior hasta alcanzar el valor
mximo:
15,97 15,98 15,99 16,00 16,01 16,02 16,03 16,04
Aqu hemos procedido a colocar los valores de abajo a arriba y de
menor a mayor. Estadsticamente, es tan vlido hacerlo as como a la in-
versa, es decir, colocando el valor mnimo en la parte superior y el mximo
en la parte inferior de la columna. En el desarrollo del libro seguiremos
usando la ordenacin tal como la hemos explicado, evitando as posibles
errores.
Siguiendo los valores registrados en la figura 14, por ejemplo horizontal-
mente y de izquierda a derecha, fila por fila, se coloca una marca en la
columna de conteo para cada valor ledo, en la casilla que le corresponda.
Para facilitar el conteo posterior suelen colocarse las marcas igualmente
espaciadas y en grupos de 5 (4 marcas verticales y la quinta cruzando en
diagonal las cuatro anteriores).
25
2) En la columna de frecuencias (F) se escribe el nmero correspondien-

te a la cantidad de "marcas" que aparecen en cada fila.
3) Se traduce la frecuencia de cada fila a porcentaje, mediante la expre-
sin:
F x 100
%=
N. total de datos
As, el % correspondiente al valor de 15,99 ser:

3 x 100 300
%= = =6
50 50
En nuestro caso, puede completarse la columna de % multiplicando en

cada fila la F correspondiente por 2. Esto slo puede hacerse cuando el
nmero total de datos sea igual a 50, como sucede aqu.
Si el nmero total de datos fuese de 100, el % toma para cada fila los
mismos valores de F.
Dada esta ventaja, en la prctica, siempre que sea posible, es recomenda-
ble utilizar un total de 50 o 100 datos. De no poder hacerse as, hay que
recurrir a la expresin anterior para calcular los valores.
Figura 16. Procedimiento para

obtener las frecuencias
acumuladas.
26
Para determinar los valores de la frecuencia acumulada (FA) se inicia el

clculo por la parte inferior. El primer valor de Fse repite en la columna FA.
Este valor de FA se suma al siguiente de F y se coloca el resultado en FA. Se
continua el procedimiento hasta sumar el valor superior de F. El resultado
de la ltima suma tiene que ser igual al nmero total de datos. La figura 16
ilustra cmo efectuar las sumas.
Los porcentajes acumulados (% A) se determinan de forma anloga a
las FA, slo que ahora se acumulan los valores de la columna de porcenta-
jes (%), en lugar de (F) como en el caso anterior.
Tambin pueden determinarse los % A, haciendo uso de la expresin:
FA 100
%A=
N total de datos
que es similar a la empleada anteriormente.
Todos estos valores pueden recogerse en el impreso para la tabulacin
de datos que aparece en el apndice del libro.
Habiendo explicado cmo obtener los valores que aparecen en la tabla
de la figura 15, veremos ahora su significado:
La columna de valores permite observar entre qu valor mximo y
mnimo fluctan nuestros datos. Diremos en el ejemplo que nuestros
valores varan desde 15,98 hasta 16,04.
En el apartado de conteo apreciamos grficamente cmo se distribuye
el conjunto de datos.
La frecuencia indica el nmero de veces que se repite cada valor. Por
ejemplo, el valor 16,00 se repite 13 veces.
El porcentaje de aparicin de cada valor, con respecto al total registrado,
aparece en la columna %. El valor 16,04, por ejemplo, aparece un 4% de
las veces. Obsrvese que este valor est fuera de la especificacin (figura
13), por lo que puede afirmarse que la muestra presenta un 4% de piezas
defectuosas.
La frecuencia acumulada indica el nmero de mediciones iguales o
menores que un valor dado. Para el valor 16,00 (medida nominal) obtene-
mos una FA = 17. Esto es, 17 mediciones de las 50 efectuadas han
dado
resultados menores o iguales a la medida nominal. Tal vez pueda ser ste
un indicador de que el proceso est descentrado.
El porcentaje de datos menores o iguales que un valor determinado lo
indica la columna % A para dicho valor. Tenemos entonces que un 34%
de los datos son menores o iguales que 16,00.
Es importante destacar que la columna de valores debe contemplar la
posibilidad de registrar cualquier dato comprendido entre los valores
mximo y mnimo. Deben existir entonces todos y cada uno de los valores
comprendidos entre los extremos.
El hecho de que alguno de estos valores no haya sido registrado por no
haber piezas con dicha medida, no nos da derecho a prescindir de l. En
todo caso debemos procesarlo con frecuencia igual a cero.
27
Figura 17 (a). Pasos a seguir

para el clculo del
rango.
Recorrido o rango
Es una medida de la dispersin de los valores. Podemos definirlo como
la "distancia" existente entre el valor mximo y el mnimo de la muestra:
Para determinarlo podemos seguir las pautas de la figura 17(a). Obsrve-

se el ejemplo que presenta el cuadro de la figura 17(b).
El rango tiene muchas aplicaciones en la empresa, en particular en el
control estadstico de procesos, que desarrollaremos ms adelante.
La moda
Es una medida de tendencia central. Da idea de dnde se centra el
conjunto de datos. Se define como el
o tambin:
En el ejemplo desarrollado en la presentacin y tabulacin de datos,

figura 15, la moda es el valor 16,01, que se repite 17 veces. Mo = 16,01.
El rango en este ejemplo es: R =16,04 15,98 = 0,06
28
Figura 17 (b). Ejemplo de

calculo del rango.
Datos agrupados
Si en el conjunto de datos recogidos aparecen valores muy dispersos (si
el rango es grande), es posible que la tabulacin de datos presentada
antes no sea de gran ayuda, puesto que aparecern muchos valores
distintos que darn lugar a una informacin poco precisa. Considrese a
tal efecto la tabla de datos de la figura 18(a). En ella aparecen 21 valores
distintos, con sus respectivas frecuencias, pudiendo observar que para
algunos la frecuencia es cero y no por eso dejan de aparecer en la tabla.
(a) Figura 18 (a). Peso de 50

sobres de correo. Tabla
de frecuencias con datos
Individuales.
Figura 18 (b). Peso de 50

sobres de correo. Tabla
de frecuencias con tos mismos
datos agrupados en 7
(b) intervalos de clase.
29
En la prctica es bastante frecuente que se presenten tablas como sta o

aun ms largas, en las que la informacin aparece muy extensa aunque
completa. A costa de sacrificar algo de esa informacin, podemos agrupar
los valores formando pequeas clases y tabular estos grupos en lugar de
hacerlo con los valores uno a uno. Los mismos valores de la tabla (a) se
muestran agrupados en la tabla (b) en siete intervalos de clase, con las
frecuencias correspondientes a cada intervalo.
Suele ser recomendable agruparlos cuando tenemos ms de 15 valores
individuales. Tngase en cuenta que al agrupar se pierde parte de la
informacin, tanto ms cuantos menos intervalos de clase aparecen en los
valores agrupados. Estadsticamente se recomienda que el nmero de
intervalos de clase no sea menor que 5 ni mayor que 16. De ser muy pocos,
perdemos mucha informacin y siendo excesivos aparecer de nuevo el
problema de la tabla (a).
Todos los intervalos de clase deben ser del mismo tamao. En la tabla (b)
cada uno abarca 3 valores individuales, por ejemplo el intervalo 2,02-2,04
contiene los valores 2,02; 2,03 y 2,04.
Cuando slo se dispone de los valores individuales registrados en la
medida que se han ido obteniendo, se puede proceder directamente a
formar los intervalos de clase para agrupar los datos al tiempo que se
ordenan. Para esto, el rango es de gran ayuda. El resultado de multiplicar el
nmero de intervalos de clase por el tamao de cada intervalo es aproxi-
madamente igual al rango ms una unidad (expresamos el valor del rango
en unidades).
R + 1 N intervalos de clase x tamao de cada intervalo
Vemoslo en el ejemplo anterior:
Rango = 2,04 1,84 = 0,20 R 20
R+1=20 + 1=21
Buscamos ahora dos nmeros enteros positivos que multiplicados den

como resultado 21. Estos pueden ser 7 y 3. Uno de ellos representa el
nmero de intervalos de clase y el otro el tamao de cada intervalo. Por
esta razn en la tabla (b) observamos 7 intervalos de tamao 3. Puede
resultar imposible encontrar esos dos nmeros en algunos casos. Si es as,
buscaremos de forma que el resultado obtenido en la multiplicacin sea
lo ms prximo posible al valor R + 1, pero siempre por encima. Por
ejemplo, si R (entero) es 22, R + 1 = 23 y este nmero es primo, es decir, no
puede dividirse por ningn entero distinto de s mismo o de la unidad. Lo
aumentamos en una unidad y tratamos de encontrar los dos nmeros:
23 + 1=24
24 = 6X4 24 = 12X2 24 = 8X3
Los nmeros buscados son 8 y 3; 12 y 2 o 6 y 4. Luego podremos
construir:
8 intervalos de clase de tamao 3
30
Cualquiera de las tres formas puede ser vlida. Segn lo visto antes la
que despreciara menos informacin sera la segunda.
Teniendo ya los valores agrupados pueden determinarse las columnas
correspondientes a (%); (FA) y (% A), de igual forma que si se tratara de
valores individuales. Ver las figuras 15 y 16.
En cuanto a la interpretacin, las frecuencias y los porcentajes se refie-
ren ahora al intervalo de clase respectivo y no a valores individuales. Las
frecuencias y los porcentajes acumulados toman como referencia el valor
superior de cada intervalo de clase. Por ejemplo: 6 sobres de la muestra
tienen pesos iguales o inferiores a 1,89 gramos. Ver figura 18(b).
La Media Aritmtica
Cuando se trabaja con conjuntos de valores, resulta muy importante
conocer la tendencia central del conjunto. Antes definimos la moda como
una medida de la tendencia central. Ahora nos referiremos a la media
aritmtica como la principal y ms efectiva de estas medidas. Podra
definirse como el punto de equilibrio entre los valores que estn por
encima y los que quedan por debajo de ella.
Figura 19. Pasos a seguir para

el clculo de la media
aritmtica.
Para determinar la media aritmtica ( x ) seguiremos los pasos que nos

indica la figura 19.
En la figura 20 se presenta un ejemplo del clculo de x . No nos extende-
mos ms en este punto pues, adems de considerarlo sencillo, con ayuda
de una calculadora podemos efectuarlo rpidamente.
La Mediana
Es otra de las medidas de tendencia central. Tiene aplicacin cuando se
trabaja con pequeas muestras impares, como en algunos casos del
control estadstico de procesos. La definimos como el valor tal que el 50 %
de los datos estn por encima de l, mientras que el otro 50 % estn por
debajo.
31
Figura 20. Ejemplo de clculo

de la media aritmtica
en una muestra de 5
elementos.
La figura 21 nos muestra los pasos a seguir para calcularla. Suele denotarse
por x o por las letras Mdn.
En la figura 22 aparece un ejemplo del clculo de la mediana para una
muestra de 5 elementos.
Figura 21. Pasos a seguir para

el clculo de la
mediana.
No debe confundirse la "posicin de la mediana" con el "valor de la

mediana". La primera nos indica el lugar donde se sita el segundo.
Desviacin
Se entiende como tal la distancia existente entre un valor dado pertene-
32
dente a un conjunto y la media aritmtica de los valores de ese conjunto.

Supngase que la estatura promedio de un grupo de hombres es de 1,70
m. Un hombre que mida 1,80 m presenta una desviacin con respecto a la
media de +0,10 m, mientras que otro que mida 1,64 m tiene como des-
viacin 0,06 m.
Si hallamos la desviacin correspondiente a cada hombre y sacamos la
media aritmtica de todas ellas, el resultado sera lo que se conoce con el
nombre de desviacin media.
Figura 22. Un ejemplo del

calculo de la mediana
en una muestra de 5
elementos.
En el clculo de esta medida de dispersin, los valores positivos de las

desviaciones individuales se van compensando con los negativos, dando
como resultado una medida poco eficaz.
Para evitar este problema, podemos elevar al cuadrado las desviaciones
individuales, resultando as que todos los valores que se obtengan sern
positivos.
Desviacin tpica
Si sumamos las "desviaciones al cuadrado" y las dividimos entre el
nmero de ellas, obtendremos el promedio. Extrayendo la raz cuadrada a
este promedio compensaremos el haber elevado previamente al cuadra-
do, obteniendo lo que se conoce como Desviacin Estndar o Desviacin
Tpica. Todo esto lo expresamos con la frmula:
33
Figura 23. Desarrollo de un

ejemplo del clculo de
la desviacin estndar (s).
donde:
= Desviacin standard o tpica.

=suma
xi =Valores individuales
=Media aritmtica
n =nmero de valores individuales considerados
Las letras griegas y suelen usarse para denotar parmetros de la
poblacin. Si se trata de valores de una muestra, usamos en su lugar s y x ,
respectivamente.
Cuando el nmero de valores considerados es pequeo (menor que
100) se introduce un factor de correccin, sustituyendo el denominador n
por n1. La expresin anterior queda entonces, en este caso:
Veamos un ejemplo sencillo de cmo calcular la desviacin estndar.

Se ha medido el dimetro de cinco cilindros de latn, obteniendo los
resultados:
10,01 10,05 10,07 10,03 10,09
La media de estas mediciones es x =10,05
Completamos ahora el cuadro de la figura 23.
En la columna xi x colocamos el resultado de la desviacin de cada
valor. Este resultado elevado al cuadrado aparece en la columna de la
derecha. Por ltimo sumamos los valores de esta columna, dividimos
34
entre 4 (puesto que n1 = 51=4) y extraemos la raz cuadrada. El resulta-

do positivo de la raz es la desviacin estndar que buscamos.
No entramos en ms detalles respecto al clculo, pues, hoy en da, con
cualquier calculadora puede efectuarse de forma sencilla y rpida.
En definitiva, tenemos a la desviacin estndar como una medida de la
dispersin o variabilidad, de enorme importancia. En los captulos siguien-
tes se desarrollan aspectos en relacin con su significado y aplicaciones,
as como formas de determinarla grficamente.
Figura 24. (a). Tabla de datos,

(b). Diagrama lineal.
REPRESENTACIN GRFICA
Hasta aqu se han desarrollado distintas formas de recoger informacin,
ordenarla y clasificarla para poder describir el comportamiento de nues-
tros datos de forma ms simple, pudiendo transmitir a otros dicha informa-
cin resumida y fcilmente comprensible. Muchas veces no es suficiente
con esto y necesita acompaarse de grficos que ilustren dicho comporta-
miento y que permitan efectuar mejor los anlisis. Veamos cmo construir
algunos grficos importantes y cmo pueden utilizarse en la empresa.
El Grfico Lineal
Es una de las formas ms sencillas de representar los datos para que
podamos visualizar las variaciones de la caracterstica objeto de anlisis.
Trataremos de explicarlo mediante un ejemplo:
35
Los datos que aparecen a continuacin corresponden al espesor en mm

de varias piezas de chapa, medido a la salida de una regruesadora, figu-
ra 24(a).
Colocaremos las horas en el eje horizontal (o de abscisas) y los espeso-
res en el vertical (o de ordenadas). Cada punto del grfico lo obtenemos
con las parejas de valores (hora, espesor). Por ejemplo, el primer punto
est situado sobre la hora 7,30 y a la altura de 6,4 mm.
Este procedimiento nos permite observar de forma rpida cmo varan
los datos individualmente, a medida que el tiempo transcurre.
Por s slo nos suministra una gran ayuda, pero puede ser mucho ms
valioso si lo utilizamos conjuntamente con un anlisis del comportamien-
to global del proceso.
El diagrama lineal es la base de los grficos de control estadstico del
proceso (C.E.P.).
Figura 25. Representacin

grfica de la media y el
rango en el diagrama lineal.
En la figura 25 se muestra un diagrama lineal en el que adems de

representar los puntos individuales, aparece indicada la lnea media co-
rrespondiente a la ordenada x . Es comn utilizar lneas de trazos para
representar grficamente dicha lnea. Tambin puede observarse la repre-
sentacin del rango o recorrido, como la distancia en ordenadas entre el
valor ms alto (12) y el ms bajo (7). De esta forma, el grfico lineal as
completado da una idea rpida tanto de la tendencia central de los datos,
como de su variabilidad.
Diagrama de Barras
Cuando empleamos tcnicas de representacin, en muchas ocasiones
36
se nos presentan combinaciones de datos cuantitativos y cualitativos en

las que se hace imprescindible el uso de diagramas de barras. Su elabora-
cin resulta muy simple, como veremos en el siguiente ejemplo:
Supongamos un vendedor que trabaja con cinco artculos diferentes y,
para un perodo de tiempo determinado, las ventas en pesetas son las que
aparecen en la figura 26.
Figura 26. Tabla de doble

entrada mostrando la
relacin de ventas por artculo
y por mes.
Construimos dos ejes perpendiculares, colocando en el horizontal los

artculos (A, B, C, D, E) y en el vertical las ventas totales para cada artculo.
Levantaremos barras haciendo corresponder cada artculo con su venta
total. Figura 27.
Las barras pueden construirse tambin en posicin horizontal. Para
ello basta con intercambiar los ejes.
Diagrama de Sectores
Resulta muy ilustrativo en estos casos el diagrama de sectores, tambin
Figura 27. Diagrama de barras.
37
llamado diagrama circular o "del pastel", dada la forma que tiene. El dia-
grama circular suele obtenerse en base a porcentajes. Veamos un ejemplo
con los datos de la tabla de la figura 28.
Figura 28. Cuadro con los

resultados de la
conversin de las ventas a
porcentajes y a ngulos
para poder construir el
diagrama circular.
Para obtener los porcentajes, multiplicamos por 100 las ventas totales
de cada artculo y dividimos el resultado entre el total.
Por ejemplo, para hallar el porcentaje para el artculo B:
Ventas B x 100 284.000
%B= = = 4,67
Total ventas 60.755
Figura 29. Diagrama circular
mostrando las ventas
de cinco artculos, de acuerdo
con la tabla de la figura
28.
38
Para obtener los ngulos multiplicamos los porcentajes anteriores por

3,6
ngulo = % X 3,6
Para construir el grfico, trazaremos un crculo y mediremos los ngulos
antes obtenidos en la figura 28, asignando a cada sector el nombre y % del
artculo al cual corresponda. Figura 29.
Figura 30. Relacin entre

diagramas lineales e
histogramas.
(a) Diagrama lineal en posicin
vertical.
(b) Histograma.
El Histograma
Al observar un diagrama lineal, se aprecia con facilidad el comporta-
miento de los datos, uno a uno. Aunque, como se ha visto, resulta de gran
utilidad este grfico, es difcil extraer de l conclusiones referentes al
conjunto de datos de forma directa, pero puede servirnos de base para la
explicacin de otro grfico que nos permita obtener las conclusiones
deseadas. Nos referimos al Histograma.
39
La relacin entre los diagramas lineales y los histogramas puede verse en

la figura 30. En la parte (a) se muestra un diagrama lineal colocado en
posicin vertical. Los puntos del diagrama han sido sustituidos en este
caso por pequeas bolitas, todas del mismo tamao. Si las bolitas situadas
sobre cada vertical las hacemos descender por la lnea respectiva hasta
llegar a la horizontal inferior, obtendremos un grfico formado por varias
columnas, que recibe el nombre de histograma. Figura 30(b).
En cada columna aparecern tantas bolitas como las existentes sobre la
vertical correspondiente en el grfico lineal. Esto determina la altura de
cada columna, que a su vez es la frecuencia o nmero de veces que se
repeta cada valor en el diagrama lineal. Dicha frecuencia queda reflejada
en el eje vertical o de ordenadas, mientras que los distintos valores
siempre se colocan en el eje horizontal o de abscisas.
El histograma tiene las columnas unidas, a diferencia del diagrama de
barras que las muestra aisladas.
El rea de cada columna del histograma es proporcional a la frecuencia
de ocurrencia del valor sobre el que se levanta dicha columna. Aunque en
ocasiones se construyen estos grficos con columnas de distinto espesor,
es recomendable que todas tengan la misma anchura, con lo cual slo
sera necesario hacer la altura proporcional a la frecuencia de cada valor,
siendo as ms sencilla su construccin.
Figura 31. Regla de los 3/4

para la construccin de
un histograma.
En Estadstica existe una regla llamada "de los tres cuartos" que est
directamente relacionada con la construccin de un histograma. En ella
se seala que la relacin entre los ejes vertical y horizontal de un histogra-
ma debe ser de 3 a 4. Es decir, construido ya el eje horizontal con sus
valores, dividimos el espacio destinado a ste en cuatro partes; tomando
40
tres de estas partes tendremos el espacio disponible en el eje vertical.

Figura 31.
La aplicacin de esta regla es importante para la construccin de las Figura 32 (a). Tabla de
frecuencias para el peso
escalas sobre los ejes. Es una unificacin de criterios para que, indepen- de 100 pastillas de un frmaco.
dientemente de quien construya el grfico, pueda efectuarse el anlisis (b). Histograma
adecuado sin que el resultado del mismo se vea afectado por las escalas construido a partir de
utilizadas. los valores de la tabla de
frecuencias. En el
Tomemos como ejemplo para la construccin de un histograma los grfico se representaron con
dos lneas ms gruesas
pesos de 100 pastillas de un cierto medicamento, cuyo valor debe ser de los lmites de tolerancia
1,1 gr. con unas tolerancias de +0,05 gr. La figura 32(a) es la tabla de superior e inferior y
frecuencias que recoge los pesos de las pastillas y las frecuencias corres- con lneas de trazos la media
pondientes a cada uno. x.
La figura 32(b) muestra el histograma correspondiente a los valores de la

tabla (a). Los lmites de tolerancia sealados en el grfico permiten comparar
el conjunto de los 100 pesos con las especificaciones. La zona rayada
queda por fuera de la tolerancia superior y corresponde, por tanto, a 3
unidades defectuosas.
La media de los 100 pesos es x = 1,1069, representada en el histograma
con una lnea de trazos sobre el valor correspondiente.
Puede observarse que la media no est situada en el centro de las
tolerancias (valor nominal =1,10), sino que aparece desplazada hacia la
derecha. Este hecho es un indicio de que el proceso de fabricacin de las
pastillas tambin est "descentrado". Un estudio ms detallado nos dir si
41
es posible corregirlo, con lo que seguramente disminuiremos el nmero

de defectuosos antes sealado.
Polgono de Frecuencias
Algunas veces resulta de inters construir lo que se conoce con el
nombre de Polgono de Frecuencias en lugar del histograma. Podemos
hacerlo a partir del propio histograma, o independientemente de ste,
con los datos que aparecen en la tabla de frecuencias.
Considerando la figura 32(b), si unimos los puntos medios de los techos
de las columnas en forma consecutiva y mediante segmentos de recta,
obtendremos una lnea poligonal como la que aparece en la figura 33.
Figura 33. Polgono de

frecuencias obtenido a
partir del histograma con los
datos del ejemplo
anterior.
La principal caracterstica del polgono de frecuencia es que el rea

encerrada entre esta lnea poligonal y el eje de abscisas (horizontal) es igual
al rea bajo el histograma (suma de las reas de sus columnas).
Para que esto sea posible es necesario "cerrar" el polgono. Unimos
entonces el extremo de la izquierda con el punto correspondiente al valor
inmediato anterior cuya frecuencia es cero (en la figura 33 aparece este
segmento sealado con la letra A). Procedemos de forma similar con el
extremo de la derecha, unindolo ahora con el punto correspondiente al
valor inmediato siguiente que tiene frecuencia cero (vase, en la figura 33,
el segmento B).
De esta forma queda cerrada la lnea poligonal con la porcin del eje de
abscisas comprendida entre los valores 1,05 y 1,18.
42
Si se desea construir directamente el polgono de frecuencias, puede Figura 34. (a). Tabla de
hacerse marcando los puntos correspondientes a cada pareja (valor, fre- frecuencias del ejemplo
anterior. La pareja de nmeros
cuencia) obtenida de la tabla de frecuencias. encerrados en el
recuadro corresponde al
En la figura 34(b) se muestra el mismo polgono desarrollado con los punto sealado en la
datos de la tabla de frecuencias (figura 34(a)), sin haber construido previa- grfica (b).
mente el histograma. Obsrvese que en la tabla (a) la columna F comienza (b). El mismo
y termina en cero. Esto es para obtener los puntos extremos del polgono polgono del ejemplo
anterior obtenido a partir de la
que permiten cerrar la figura. tabla de frecuencias.
El smbolo empleado en el eje horizontal, indica que se ha cortado una

parte de dicho eje para acercar la figura al eje vertical. De no hacerlo as,
deberan aparecer los valores comprendidos entre el cero (origen de
coordenadas, situado en la interseccin de los ejes), y el valor 1,05 que es
donde se inicia la escala.
Curva de Frecuencias
Los polgonos que desarrollamos en el apartado anterior, presentan una
serie de vrtices ms o menos agudos en los puntos de unin de cada dos
segmentos consecutivos. Si tratamos de "suavizar" los vrtices del polgo-
no por medio de una curva suave y continua que se adapte a l, compen-
sando las reas perdidas en unos casos con las ganadas en otros, obten-
dremos lo que se conoce con el nombre de curva de frecuencias. La figura
35 muestra una curva de frecuencias que puede adaptarse bien al polgo-
no sobre el que est construida.
43
Figura 35. Curva de

frecuencias. Obsrvese que las
zonas del polgono
situadas fuera de la curva se
van compensando con
las zonas internas.
Figura 36. Peso en gramos de

25 pastillas de alimento
concentrado, (a) Tabla de
valores, (b) Tabla de
Conteo y frecuencia, (c)
Valores del rango y
medidas de tendencia central.
(d) Representacin
grfica del histograma, A continuacin se desarrolla un ejemplo que ilustra el proceso de
polgono y curva de recogida, tabulacin de datos, clculo de medidas centrales y de disper-
frecuencias, rango y medidas y representacin grfica de estas medidas en el histograma, polgono
centrales. y curva de frecuencias. Fig. 36 (a) (b) (c) (d).
44
Probabilidades. Distribucin
de probabilidad
PROBABILIDADES
Antes de entrar directamente en el desarrollo de las probabilidades,
introduciremos algunos conceptos que consideramos necesarios para el
estudio de este tema.
Un Experimento Aleatorio es un proceso que cumple con las siguientes
propiedades:
Se efecta en base a un conjunto de reglas.
Se repite o puede concebirse la repeticin del mismo.
No se puede predecir un resultado nico.
Como ejemplo de experimentos aleatorios podemos citar:
a) Lanzar un dado.
b) Tirar una moneda al aire.
c) Seleccionar aleatoriamente e inspeccionar un grupo de piezas.
Al conjunto de todos los resultados posibles de un experimento aleato-
rio se le denomina Espacio Muestral del experimento. Suele denotarse por
S. As, para los experimentos citados en el ejemplo anterior, tendremos los
siguientes espacios mustrales:
Sa = {1,2, 3, 4, 5, 6}
Sb = {cara, cruz}
Sc = {defectuoso, no defectuoso}
A cada uno de los subconjuntos del espacio muestral se le llama
Evento. Se representa comnmente por la letra E. Siguiendo con los
experimentos antes citados, podemos formar, entre otros, los eventos:
Ea = {1,2}
Eb = {cruz}
Ec = {defectuoso}
Cada uno de ellos contiene elementos del espacio muestral del que fue
obtenido.
Pero revsese atentamente el siguiente ejemplo, pues al ser un caso
comn en la prctica permitir aclarar ms lo antes explicado.
Supongamos que queremos extraer dos piezas del conjunto de cinco
45
que tenemos en la figura 37. El espacio muestral para este experimento

estar formado por las parejas:
S = {1, 2; 1, 3; 1, 4; 1, 5; 2, 3; 2, 4; 2, 5; 3, 4; 3, 5; 4, 5}
Figura 37. Conjunto de piezas

numeradas del 1 al 5.
Las que tienen el * son
defectuosas.
Si nos interesa conocer el nmero de piezas defectuosas, podemos

obtener tres respuestas que se corresponden con los tres eventos posi-
bles:
Ea = Ninguna pieza defectuosa.
Eb = Una pieza defectuosa.
Ec = Dos piezas defectuosas.
El evento Ea slo se dara si las dos piezas seleccionadas fuesen la 4 y la 5.
Ea = {4,5}
El resultado correspondiente a Eb se obtendra en el caso de que la
pareja de piezas seleccionadas fuera una de las siguientes:
Eb = {1,4;1,5;2, 4; 2, 5; 3, 4; 3,5)
Figura 38. Diagrama de Venn

del espacio muestral S
con sus tres posibles eventos:
A, B y C y las parejas de
resultados correspondientes a
cada evento.
46
Probabilidades. Distribucin de probabilidad
En el caso de Ec, se cumplira si la pareja seleccionada fuese una de stas:

Ec={1,2;1,3;2,3)
Todos estos posibles resultados quedan recogidos en el diagrama de
Venn de la figura 38.
Al nmero de veces que ocurre un evento, se le denomina Frecuencia
Absoluta o, simplemente, Frecuencia. La relacin entre sta y el nmero
total de experimentos realizados define lo que se conoce como Frecuen-
cia Relativa. Figura 39.
Figura 39. Expresin de la

frecuencia relativa (Fr) y
valores mximos y mnimos
que puede alcanzar.
La frecuencia relativa puede adoptar cualquier valor comprendido entre

cero y uno, es decir, 0 Fr 1. Toma el valor cero cuando el evento nunca
ocurre, y el valor uno cuando ste siempre ocurre.
Segn la Ley de los Grandes Nmeros de Bernoulli, cuando el nmero
de experimentos realizados se hace "muy grande" (tiende a infinito) la
frecuencia relativa de ocurrencia de un evento se hace igual a la Probabili-
dad de Ocurrencia P(E) de dicho evento.
Fr (E) P(E) cuando n
Figura 40. Concepto clsico

de probabilidad.
Luego, la probabilidad P(E) de que un evento ocurra, est dada por la

relacin entre el nmero de casos en que el evento ocurre y el nmero de
experimentos aleatorios realizados, cuando el nmero de experimentos
tiende a infinito. Figura 40.
Algunos prefieren definir la probabilidad como la relacin entre el n-
mero de casos favorables y el nmero de casos posibles.
47
Figura 41. Probabilidades

correspondientes al
lanzamiento de una moneda.
Aplicando este concepto al lanzamiento de una moneda legal, obsrve-

se que tiene dos posibilidades al caer:
a) Que salga CARA.
b) Que salga CRUZ.
pero, en realidad, slo obtendremos una de esas posibilidades, por eso, la
probabilidad de que salga, por ejemplo, cara, la determinamos dividiendo
el nmero de casos favorables (cara) entre el nmero de casos posibles
(cara o cruz). La figura 41 muestra los valores correspondientes.
Figura 42. Probabilidad de

obtener el tres al
lanzar un dado.
La probabilidad de que suceda uno cualquiera de los resultados del

espacio muestral del experimento, siempre es igual a la unidad:
P(S)=1
Aplicando al ejemplo de la moneda, obtenemos:
P (cara o cruz, indistintamente) = 1
El hecho de que las probabilidades de que salga cara o cruz tengan igual
48
valor, tiene sentido slo si el nmero de lanzamientos de la moneda se

hace infinitamente grande. Para un nmero pequeo de lanzamientos, el
resultado puede ser muy distinto.
El lanzamiento de un dado, como el de la figura 42, es un buen ejemplo
para explicar otros detalles referentes a la probabilidad. La probabilidad
terica de obtencin del "tres" al lanzar un dado es, como puede apreciar-
se, igual a 1/6, pues slo hay una cara as en un dado que tiene 6 caras.
Podramos preguntarnos cul es la probabilidad de que no salga el
"tres"? Resulta muy fcil responder a esto si nos basamos en la relacin:
P (de que no ocurra) = 1 P (de que ocurra)
que aplicada a nuestro caso, sera:
P (de que no salga el "tres") = 1 P (de que si salga) = 11/6 = 5/6
Como la probabilidad de que no salga el "tres" es igual a la probabilidad
de que salga otra cara cualquiera del dado,
P (1; 2; 4; 5; 6) =5/6
Si se tienen eventos mutuamente exclusivos (que no tengan elementos
comunes), la probabilidad de que ocurra indistintamente cualquiera de
ellos (probabilidad de la unin), se obtiene sumando las probabilidades de
ocurrencia de cada uno.
P (A B ...)=P (A) + P (B ) + ...
Aplicado al ejemplo del dado, obtenemos:
P (1 2 4 5 6) = P (1; 2; 4; 5; 6)
Como para cada cara del dado la probabilidad de ocurrencia es igual a
1/6 podemos escribir:
P (1 2 4 5 6) = 1/6 + 1/6 + 1/6 + 1/6 1/6 = 5/6
que coincide con el resultado antes obtenido.
En la prctica, es comn trabajar con eventos que poseen algn elemen-
Figura 43. Interseccin de dos

eventos.
49
to comn, por lo que desarrollaremos un ejemplo que explique esta

situacin.
Considrense los eventos siguientes al lanzar un dado:
E (A) = Obtener el 1 o el 2.
E (B) = Obtener un nmero par.
Las probabilidades correspondientes sern:
P (A) = P (1) + P (2)
P (B) = P (2) + P (4) + P (6)
Como los dos eventos tienen el nmero 2 como elemento comn
(ver figura 43).
A B=2
Cuando calculamos la P (A B) tenemos que restar del resultado la P (2)

pues de no hacerlo se estara considerando en ambos casos:
P (A B) = P (1) + P (2) + P (2) + P (4) + P (6) - P(2)
N = 2/3

P (A ) P (B ) P(A B)
Podemos decir, en general, que:

P(A B) = P(A) + P(B) - P(A B)
Un caso tpico de aplicacin del clculo de probabilidades es en el
muestreo. Si ste se efecta con reemplazo (se selecciona una pieza, se
examina y luego es devuelta al lote y as sucesivamente), podemos em-
plear todo lo visto hasta ahora.
Cuando el muestreo se realiza sin reemplazo (seleccionando el conjun-
to de piezas que conforman la muestra para examinarlas despus), hay que
tener en cuenta la "probabilidad condicional" (probabilidad de que se
cumpla un evento tras haberse cumplido otro previamente). Veamos este
ejemplo:
Una caja contiene 10 tornillos, de los cuales 1 es defectuoso. Encuntre-
se la probabilidad de que al extraer 2 tornillos, stos sean buenos.
El evento E es "extraer dos tornillos buenos".
Para lograrlo en dos extracciones, lo subdividimos:
Evento A: "Que el primer tornillo sea bueno"
Evento B: "Que el segundo tornillo sea bueno"
Si se cumplen A y B se cumplir E, por tanto:
E = A B y
P (E) = P (A B)
Cuando se procede a sacar el primer tornillo, la caja contiene 9 buenos
de un total de 10, luego:
P(A) = 9/10
Al proceder a extraer el segundo, como ya sacamos 1 bueno, quedarn
50
ahora 8 buenos de un total de 9. La probabilidad de que se cumpla B

despus de haberse cumplido A es:
P (B/A) = 8/9 (probabilidad condicional)
La probabilidad de que se cumplan las dos a la vez la obtenemos:
P(A B) = P(A) . P(BlA) = 9/10 . 8/9 = 4/5 = P(E)
Por tanto, la probabilidad de extraer 2 tornillos buenos de un conjunto
de 10 con uno defectuoso es:
P (E) = 0,8 = 80%
Lo que quiere decir que si este experimento se realiza "muchas" veces,
en un 80% de ellas obtendremos los dos tornillos buenos, y en el 20%
restante sacaremos uno bueno y otro defectuoso.
VARIABLE ALEATORIA
Es una funcin que se asocia con un experimento aleatorio. Se define en
el espacio muestral del experimento. El conjunto de todos los resultados
del espacio muestral para los que la variable aleatoria adopta un valor
determinado, tiene una probabilidad definida.
Supngase el ejemplo del lanzamiento de dos monedas (A y B) a la vez.
Vamos a definir nuestra variable aleatoria como:
x = Nmero total de caras que se obtienen en el lanzamiento.
El espacio muestral correspondiente a este experimento es:
S= {(cara, cara); (cara, cruz); (cruz, cara); (cruz, cruz)}

A B A B A B A B
Los valores de x en cada caso, sern respectivamente:
2 1 1 0
La probabilidad de que el nmero de caras sea cero es:
P (x = 0) = 0,25
pues de los cuatro valores posibles para x, el cero slo aparece una vez.
La probabilidad de que el nmero de caras sea 1, es:
P(x = 1) = 0,50
y as:
P (0,5 x 3) = 0,75
Ntese que x slo puede tomar los valores 0,1 o 2, por lo que la expresin
anterior es equivalente a
P (1 x 2) = 0,75
La variable aleatoria elegida en este caso, slo puede tomar algunos
valores enteros positivos. Lo mismo sucede con las variables:
Nmero obtenido al arrojar un dado.
Nmero de piezas defectuosas encontradas en una inspeccin.
Nmero de defectos observados en una muestra.
51
A este tipo de variables aleatorias las definimos como discretas. Existe

otro tipo de variables aleatorias, que no tienen las limitaciones anteriores,
pudiendo adoptar cualquier valor dentro de los nmeros reales. A stas se
las denomina continuas.
DISTRIBUCIONES DE PROBABILIDAD
Considrese una variable aleatoria x discreta:
x = nmero que se obtiene al arrojar un dado.
Los distintos valores que puede tomar x son:
x = (1,2, 3,..., 6)
Las probabilidades de que x adopte cada uno de esos valores, ya son
conocidos:
P(x=1) = 1/6 ; P(x=2)=1/6;...; P(x=6)=1/6
La probabilidad de que x tome un valor a distinto de los anteriores
queda determinada por:
P(x=a)=0
Todo esto podemos expresarlo por medio de la funcin
1/6 si x=(1;2;3;...;6)
f(x)=
0 en cualquier otro caso
La funcin f (x) nos da las probabilidades para los distintos valores de la
variable. Por esta razn, se dice que f(x) es la Funcin de Probabilidades de
la variable aleatoria considerada. Vase en la figura 44 la representacin
grfica.
Figura 44. Funcin de

probabilidades de la
variable X = nmero que se
obtiene al arrojar un
dado.
52
Figura 45. Tabla de valores

correspondientes a la
funcin de probabilidades f(x)
y a la funcin de
distribucin F(x), para cada
valor de la variable x.
Partiendo de los datos anteriores, completamos la tabla de la figura 45.

La columna x muestra los valores que puede tomar la variable aleatoria; F(x)
seala las probabilidades correspondientes a dichos valores, mientras que
en la columna F(x) hemos acumulado las probabilidades dadas en la
columna anterior, es decir
F(x) = f (x )
xi x
i
F(x) as expresada, es la Funcin de Distribucin para la variable discreta de

nuestro ejemplo. En la figura 46 aparece la representacin grfica.
Figura 46. Funcin de

distribucin de la
variable aleatoria x = nmero
que se obtiene al
arrojar un dado.
La funcin de distribucin indica la probabilidad de que la variable

aleatoria tome valores menores o iguales que un valor x dado. Por este
motivo, tambin se la conoce con el nombre de funcin de distribucin
acumulada.
53
Hasta aqu hemos establecido las definiciones en el caso de una varia-

ble aleatoria discreta.
Si la variable fuese continua tendramos:
x
F ( x ) = f (v ) dv

que sera la funcin de distribucin.

Al integrando f(v) se le llama en este caso Densidad de Probabilidades.
La figura 47 muestra la distribucin de probabilidades para una variable
continua.
Figura 47. Distribucin de

probabilidad para una
variable aleatoria continua. F(x):
Funcin de distribucin.
f(x): densidad.
La parte expuesta hasta el momento en el presente captulo puede dar

al lector la impresin de ser muy terica, pero resulta imprescindible para
definir de forma general las distribuciones de probabilidades.
A partir de aqu, estudiaremos las distribuciones ms importantes em-
pleadas en la empresa, as como sus aplicaciones.
Figura 48. Clasificacin de las

distribuciones de
probabilidad ms empleadas.
La figura 48 presenta un cuadro con la clasificacin de las distribuciones

ms importantes.
54
Distribucin Normal
Fue desarrollada por F. Gauss, de aqu que tambin se conozca como
distribucin gaussiana o "de Gauss". Es la distribucin continua ms impor-
tante, dado que muchas variables, en la prctica, se distribuyen normal-
mente o bien se acercan a la normalidad. Muchas distribuciones halladas
en control de calidad se aproximan a la curva normal. En el caso del control
estadstico de procesos por variables, se parte del supuesto de que la
distribucin de datos se aproxima a la normal.
Las distribuciones normales se presentan grficamente en forma de una
curva suave, acampanada y simtrica. A esta curva de distribucin normal,
suele drsele tambin el nombre de curva de Gauss o campana de Gauss,
dada su forma acampanada.
Mediante un examen visual de la distribucin de frecuencias de la
muestra, se puede apreciar si la poblacin a la cual pertenece dicha
muestra puede suponerse razonablemente normal. En la figura 49 aparece
el histograma de frecuencias de una muestra que se adapta a una normal.
Obsrvese la forma acampanada de la curva, simtrica con respecto a la
media de la muestra ( x ). Debido a la simetra, la media coincide con la
moda (Mo) y con la mediana (Mdn).
Figura 49. Relacin entre la

curva de distribucin
normal con la distribucin de
frecuencias e histograma.
Histograma que se adapta a la
curva normal. Obsrvense
las 3 medidas de tendencia
central, coincidiendo
en el mismo valor.
La distribucin normal se caracteriza por dos parmetros:

La media poblacional
La desviacin estndar
La media determina el centro de la distribucin, mientras que la
desviacin estndar a define la "esbeltez" de la curva. En la figura 50
tenemos dos campanas de Gauss con la misma media, pero con desvia-
ciones distintas.
La campana con =1 corresponde a una distribucin en la que los datos
55
Figura 50. Comparacin entre

dos distribuciones que
tienen la misma media, pero
con distintos valores de
la desviacin estndar.
se agrupan cerca de la media. En el caso de =3 los valores correspondien-

tes a esta curva estn ms dispersos.
Para la aplicacin prctica de la distribucin normal, es imprescindible
conocer el rea bajo la curva, en las distintas zonas. Considerando la base
de la curva dividida en unidades de desviacin estndar, pueden definirse
los porcentajes de rea correspondientes a cada zona. Se comienza la
subdivisin partiendo de la media, haciendo corresponder sta con el
punto cero. Siguiendo hacia la derecha, en la abscisa correspondiente al
punto de inflexin (donde la curva cambia de convexa a cncava) se sita
+ 1 . El espacio comprendido entre la media y +1 corresponde a la
Figura 51. Porcentajes de rea

bajo la curva de
distribucin normal.
56
unidad de desviacin estndar. Se contina la divisin dotando de signo

positivo las unidades a la derecha de la media y con signo negativo las
situadas a la izquierda.
La curva as dividida, en donde =0 y =1 recibe el nombre de curva
normal estndar. Sobre ella, se definen porcentajes de rea, tal como se ve
en la figura 51. Por ejemplo, entre 1 y +1 est situado el 68,26 % del
rea bajo la curva.
Fijando el rea total bajo la curva normal igual a 1 unidad, se pueden
interpretar los porcentajes anteriores como valores de la probabilidad de
ocurrencia de una observacin determinada. Podemos entonces decir
que una observacin tomada al azar de una poblacin que se distribuye
normalmente, tiene una probabilidad P =0,68 (aproximadamente) de per-
tenecer a la zona comprendida entre 1 y +1 .
Generalmente, suponemos que una poblacin es normal en base al
estudio de una muestra, con lo que los valores anteriores resultan aproxi-
mados.
En el apndice aparece una tabla de la distribucin normal mostrando
las probabilidades para distintos valores.
Para poder usar esta tabla tenemos que estandarizar nuestros datos, esto
es, convertirlos en unidades Z o unidades de desviacin, mediante la
expresin:
x-
Z=

donde
Z = Nmero de unidades de desviacin medidas a partir de
= Media de la poblacin
= Desviacin estndar de la poblacin
x = Valor que queremos estandarizar.
Si estudiamos una muestra en lugar del total de la poblacin, estima-
mos la media poblacional por la media muestral x y la desviacin
estndar por la desviacin de la muestra s.
Con lo visto hasta aqu, podemos hacer predicciones para la poblacin,
basndonos en los resultados de la muestra. El siguiente ejemplo ilustra
esta explicacin.
Un fabricante deduce de su experiencia anterior que la vida de una
determinada bombilla se distribuye normalmente. Ha ensayado una mues-
tra, hallando que la vida media es de 60 das, con una desviacin tipo de
16,26 das. Cuntas bombillas de toda la poblacin puede esperar que
sigan funcionando despus de 100 das?.
Estandarizamos el valor 100 das:
x - x 100 60
z= = = 2, 46
s 16,20
Con el valor Z=2,46 buscamos en la tabla la P correspondiente, tal
como indica la figura 52.
57
Figura 52. Fragmento de la Segn la tabla, para Z=2,46 obtenemos 0,49305. Quiere decir que
tabla de reas bajo la entre la media (60 das) y nuestro valor (100 das), tenemos el 49,305 % de
curva normal entre la media y las bombillas. Por ser la distribucin normal simtrica, a la derecha de la
distintos valores de Z.
Para buscar el valor media hay el 50%, luego para saber cuntas bombillas siguen funcionan-
correspondiente a 2,46 do despus de 100 das, restamos los porcentajes anteriores:
entramos por la fila 2,4 hasta
encontrar el nmero % despus de 100 das = 50% - 49,305% = 0,695%
situado en la columna 6.
Diremos entonces que aproximadamente slo el 0,7 % de las bombillas
seguir funcionando despus de 100 das.
La figura 53 representa grficamente el % buscado.

grfica del ejemplo. La
parte rayada corresponde a las
bombillas que superan
los 100 das de
funcionamiento.
58
En la industria suele ser frecuente el uso del papel de probabilidades

para el anlisis de casos como el del ejemplo anterior. Este papel tiene la
propiedad de que en l, la grfica con forma de s de la funcin de distri-
bucin acumulada resulta ser una lnea recta.
Tomando los datos de la tabla de la figura 15 correspondientes a los (%
A) de las piezas del estudio, desarrollaremos un ejemplo de cmo usar el
papel probabilstico para hacer predicciones en una distribucin que se
aproxime a la normal.
Considerando que los valores de la columna (%A) son acumulados, se
toma como lnea de referencia la inmediata superior correspondiente a
cada valor, en las distintas casillas.
Figura 54. Valores (V) y

porcentajes acumulados
(%A) extrados del ejemplo de
la figura 15. En el papel
de probabilidades aparecen
representados los
puntos correspondientes a
dichos valores y la recta
de mejor ajuste que servir
para establecer las
predicciones.
Para cada (%A) seguimos la lnea de referencia hasta obtener el punto de

interseccin con la vertical del impreso de probabilidades, correspondien-
te al mismo valor de %A ledo en la escala inferior del impreso. En la figura
54 se seala con trazos la lnea de referencia del %A=8. La lnea de trazos
contina hacia la derecha hasta intersectarse con la vertical que se levanta
sobre el valor 8 de la escala inferior. El punto buscado se seala en el
impreso encerrado en un crculo. Procediendo de igual forma, se obtienen
los puntos que corresponden a los otros valores de %A. El %A=100 no
tiene representacin en el impreso, por eso no figura el punto.
Con los puntos dibujados en el papel de probabilidades, debe trazarse
la "recta de mejor ajuste". Esta recta no tiene que pasar necesariamente
por cada punto, pero debe ajustarse a la trayectoria definida por todos
ellos. La recta as trazada se conoce con el nombre de recta de Henry, y es
la que permite hacer las predicciones.
Una estimacin de la media se obtiene leyendo en la escala de nuestros
59
valores (V) la altura correspondiente al punto de interseccin de la lnea

media ( x ) del impreso con la recta de Henry. En la figura 54 se observa que
la media de nuestros 50 valores es, aproximadamente, x =16,011 (estima-
cin grfica, en el impreso de probabilidades). Se puede tener una idea de
la buena precisin de la estimacin grfica, si se compara su valor con la
media calculada analticamente: x =16,0108. Entre ambas slo existe una
diferencia de 2 diezmilsimas, error que resulta despreciable para la mayo-
ra de nuestros clculos.
Tambin puede efectuarse una estimacin de la desviacin estndar (s)
buscando ahora el valor correspondiente al punto de interseccin de la
vertical de +1s con la recta de Henry. La altura de este punto leda en
nuestra escala (V) es 16,024, aproximadamente. Restando este valor de la
media antes determinada (grficamente), obtendremos la estimacin gr-
fica de s.
s = 16,024 - 16,011 = 0,013
El valor de la desviacin estndar, calculada analticamente, es:
s = 0,0130696
con lo que el error cometido en este caso es menor que 1 diezmilsima.
En el impreso de probabilidades pueden predecirse con facilidad los
porcentajes de piezas por encima o por debajo de un valor dado. As
diremos, por ejemplo, que el 1 % de las piezas tendrn valores menores
que 15,98. En este caso se lee el % en la escala inferior del impreso de
probabilidades.
Para determinar porcentajes por encima de un valor dado, se usa la
escala superior del impreso de probabilidades. Por ejemplo, por encima
del valor 16,04 existe aproximadamente un 1,7% de las piezas.
El porcentaje de piezas comprendido entre dos valores lo obtendremos
como sigue; por ejemplo, entre 15,99 y 16,03.
El empleo del papel de probabilidades es un mtodo rpido para hacer

predicciones, resulta sencillo en su manejo y permite obtener resultados
suficientemente precisos. Todo esto hace que su uso en la industria sea
cada vez mayor.
La precisin de los resultados est en funcin del acercamiento de
nuestros datos a una distribucin normal, lo que puede apreciarse visual-
mente por la mayor o menor cercana de los puntos dibujados en el
impreso de probabilidades con respecto a la recta de mejor ajuste. Diremos
que nuestros datos corresponden a una poblacin que se distribuye
normalmente cuando todos los puntos estn perfectamente alineados.
En la medida en que los puntos se separan de la recta de mejor ajuste, nos
separamos de la distribucin normal obteniendo resultados menos preci-
sos.
60
En el apndice se presenta un impreso con tabla de datos y papel

probabilstico para la distribucin normal.
Distribucin exponencial
Tiene importancia en la industria para describir el comportamiento del
tiempo entre fallos en equipos complejos cuando se hacen estudios de
fiabilidad. Tambin es til en la construccin, distribucin de cargas, etc.
Se caracteriza porque muchos datos se sitan por debajo de la media,
mientras que slo unos pocos estn por encima. Esto es lo que hace
decidir su aplicacin. En una poblacin exponencial, el 63,2% de los
valores estn por debajo de la media, mientras que el 36,8% estn por
encima. Puede apreciarse en la figura 55. Vase tambin la forma de la
curva, que no llega a tocar a ninguno de los ejes de coordenadas.
Figura 55. Curva de la

distribucin exponencial.
Se sealan los porcentajes por
debajo y por encima
de la media.
Si bien en la distribucin normal coincidan la media y la mediana, en la

exponencial la mediana se sita a la izquierda de la media.
Las predicciones sobre poblaciones exponenciales solo requieren de la
estimacin de un parmetro poblacional, la media . Un estimador de la
media poblacional es la media x de la muestra.
El siguiente ejemplo explica de forma sencilla los pasos a seguir: Supn-
gase que en el estudio del funcionamiento de un equipo electrnico, los
resultados de una muestra indican que el tiempo medio entre fallos es de
340 horas. Cul ser la probabilidad de que el tiempo transcurrido entre
los fallos sucesivos del equipo sea menor de 100 horas?.
La media JJ estimada por el valor de x es:
= 340 horas
61
El valor para el que queremos predecir la probabilidad de fallo es:

x =100 horas
Para buscar en la tabla de la distribucin exponencial, calculamos la
relacin:
x/ = 100/340 = 0,29 = 0,2 + 0,09
Con el valor 0,29, en la tabla, entrando por la fila de 0,2 encontramos
0,7483 en la columna correspondiente a 0,09.
Como la tabla nos da la probabilidad ms all de x, tenemos que existe
una probabilidad P = 0,7483 de que el tiempo entre fallos sea superior a
100 horas.
Para conocer la probabilidad de que el fallo ocurra antes de las 100
horas, buscamos el complementario:
P fallo antes de 100 horas = 1 0,7483 = 0,2517 = 25,17%
Podemos predecir entonces que, aproximadamente, un 25% de los
fallos del equipo se producirn antes de 100 horas de funcionamiento.
Distribucin Binomial
Es una de las distribuciones discretas ms importantes. Suele drsele
tambin el nombre de distribucin de Bernoulli.
Supongamos que la probabilidad P(A) de que ocurra el evento A en un
experimento aleatorio es constante y que los resultados del experimento
no influyen uno sobre otro.
Definimos p como la probabilidad de que ocurra A en un solo ensayo:
p=P(A)
Luego 1p es la probabilidad de que en un solo ensayo no ocurra A que
llamaremos q.
1p=q
En ocasiones se le llama a p probabilidad de xito en un ensayo nico.
Si el experimento se lleva a cabo varias veces, por ejemplo, n veces, el
nmero de xitos x puede ser un valor cualquiera: x = 0,1,2...,n y el
nmero de fracasos queda definido por n x .
Las probabilidades correspondientes a cada nmero determinado de
xitos pueden calcularse por medio de la expresin:
n
f (x )= p x .qn-x para x = (0,1,2, ...,n ) y
x
f (x ) = 0 para cualquier otro valor de x

que es la funcin de probabilidad de la distribucin binomial, donde:
x = nmero de xitos.
n = combinaciones de n en x. En el apndice aparece una tabla para

x
determinar su valor.
62
f(x) = probabilidad correspondiente a la obtencin de exactamente x

xitos.
n = nmero de experimentos realizados.
Consideremos el lanzamiento de una moneda como nuestro experi-
mento aleatorio. Definimos aqu el evento A como la obtencin de "cruz".
Como ya sabemos: P(A) = P cruz = 0 , 5 = p ; luego q = 1 p = 1 0 , 5 = 0 , 5
Si efectuamos 5 lanzamientos, podemos obtener:
Probabilidad de que no salga ninguna vez "cruz" en las 5 tiradas:
P (x= 0) = f (0) = 5 0,5. 0,55 = 0,55 = 0,03125

0
P de que salga 1 sola vez: P (x=1)

f(1) = 5 0,51 . 0,54 = 5 . 0,5 . 0,0625 = 0,15625
1
P (x = 2) = f (2) = 5

0,52 . 0,53 = 10 . 0,25 . 0,125 = 0,3125
2
P (x=3) = f(3) = 5
0,53 . 0,52 = 10 . 0,25 . 0,125 = 0,3125

4
P (x=4) = f(4)= 5 0,54 . 0,51 = 5 . 0,5 . 0,0625 = 0,15625

4
P(x=5) = f (5) = 5 0,55 . 0,50 = 0,55 = 0,03125

5
Estos valores pueden obtenerse en la tabla de la distribucin binomial

presentada en el apndice.
Segn esto, al lanzar cinco veces una moneda, lo ms probable es que
obtengamos dos cruces y tres caras o bien tres cruces y dos caras. Vase en
la figura 56 para p =0,5, la representacin grfica.

grfica de la funcin de
distribucin binomial para
n=5 y distintos valores
de p. Para p=0,5 se tiene la
grfica correspondiente
al ejemplo anterior.
Hacemos una observacin con respecto a la grfica para diferenciar el

comportamiento entre las variables aleatorias continuas y las discretas. Las
primeras nos llevan a distribuciones de probabilidad continuas (normal,
exponencial, etc.) representndose en la grfica por curvas como las vistas
en el desarrollo de las mismas. En el caso de las distribuciones discretas,
slo existen valores de probabilidad para algunos puntos del eje de
63
abcisas (x =0,1,2,....,n). No tiene sentido hablar de 2,4 xitos. Sern 2 o 3 los

xitos obtenidos, pero no hay valores intermedios. Por esto, la figura 56
presenta las grficas con lneas verticales situadas sobre cada nmero
posible de xitos. La altura de la lnea define la probabilidad de obtener
exactamente el nmero de xitos deseado.
Sin embargo, cuando la grfica de una distribucin discreta quiere
compararse con una continua, suele representarse la primera con una
curva, al igual que la segunda.
Esta distribucin resulta ser la base del control estadstico de procesos
por atributos, en funcin del nmero de piezas defectuosas.
As, la media de la distribucin binomial es, expresada en nmero de
sucesos:
= n.p
La desviacin estndar o de una poblacin binomial es:
= n.p.q
o tambin:
= n . p . (1-p ) dado que q =1 p
Si lo expresamos en proporcin de sucesos, tenemos:
= p
= p (1-p ) / n
Considrese que los valores n . p y p antes expresados, son valores
poblacionales rara vez conocidos, por lo que se estiman en la prctica a
partir de las respectivas medias aritmticas n . p y p de los resultados
mustrales.
La distribucin binomial es aplicable entonces para definir la probabili-
dad de x xitos en n pruebas de un experimento que tiene una probabili-
dad p = c t e en cada prueba.
Luego si p tiene que ser constante, el muestreo, en teora, tendra que
realizarse con reemplazo, es decir, tomar la primera pieza, examinarla,
anotar el resultado (defectuosa o no defectuosa) y devolverla de nuevo al
lote antes de tomar la segunda, siguiendo de esta forma hasta haber
examinado el nmero de piezas correspondiente al tamao de la muestra.
Esto hara que el lote presentara exactamente las mismas condiciones ante
la extraccin de cada pieza.
En la prctica es poco usado el muestreo con reemplazo, pero cuando
el tamao del lote es suficientemente grande puede ser lo mismo mues-
trear con o sin reemplazo.
Suele fijarse que si el lote tiene como mnimo un nmero de elementos
igual a diez veces el tamao de la muestra, resulta adecuado aplicar la
distribucin binomial, independientemente de que el muestreo se realice
con o sin reemplazo.
Luego, aplicaremos la binomial si p = c t e y N 0 n. Si n es grande, la
distribucin binomial puede aproximarse por medio de la normal, con
64
media = n p y desviacin standard = n p q . La aproximacin resulta conve-

niente si np>5 con p<0,5 y nq>5 con p>3,5.
Distribucin de Poisson
Fue introducida a principios del siglo pasado por S.D. Poisson. Es otra de
las distribuciones discretas con importantes aplicaciones.
Resulta ser una buena aproximacin de la distribucin binomial cuando
existe un gran nmero de ensayos y una probabilidad de xito pequea en
un solo ensayo, siendo aplicable cuando:
n 16 N 10n y p 0,1
La figura 57 muestra la grfica de la funcin de probabilidades de la
distribucin de Poisson para varios valores de la media .
La distribucin de Poisson se aplica para el estudio por atributos del
nmero de piezas defectuosas (np) y del nmero de defectos (c). La media
de la distribucin es:
=np o = c segn los casos.
Donde np o c son los valores esperados de piezas defectuosas o
defectos de la poblacin, respectivamente.
La desviacin estndar de la distribucin de Poisson es la raz cuadrada
de la media, por lo que:
= np o = c
Como los valores np y c de la poblacin normalmente se desconocen,

en la prctica se estiman determinando la media aritmtica de los npi o ci
valores obtenidos en un nmero determinado m de muestras. Luego lo
que se determina es:
m m
np i c i
np = i =1
; c= i =1
m m
Esto que acabamos de desarrollar tiene especial importancia para los

grfica de la funcin de
distribucin de Poisson para
distintos valores de .
65
grficos de control estadstico del proceso por atributos, que veremos en

el siguiente captulo.
Obsrvese en la figura 57 que la distribucin de Poisson puede ser muy
asimtrica (para valores pequeos de ) o acercarse a la simetra (en la
medida en que crece, la distribucin se hace ms simtrica).
Otra de las importantes aplicaciones de esta distribucin es el mues-
treo de aceptacin de lotes por atributos, que ser objeto de desarrollo
detallado en otro nmero de esta misma coleccin.
Intervalos de confianza para la estimacin de parmetros

En el desarrollo de los puntos anteriores, cada vez que se desconoca un
parmetro poblacional se efectuaba una estimacin partiendo de los
datos obtenidos de la muestra. As, la media de la poblacin se conside-
r a partir de la media x de la muestra, en el caso de la distribucin normal,
o bien a partir de p , en el caso de la binomial, etc. A este tipo de
estimaciones se las conoce como estimaciones puntuales.
Existe otro tipo de estimacin, en el que determinamos un intervalo de
valores al cual pertenecer, con una probabilidad conocida, el parmetro
que estamos buscando. A esta estimacin se le denomina estimacin por
intervalo.
Al intervalo de valores que contiene el parmetro con una probabilidad
dada, lo llamamos intervalo de confianza.
La probabilidad de que el parmetro pertenezca al intervalo de confian-
za es el nivel de confianza que fijamos para efectuar la estimacin.
La "longitud" del intervalo de confianza, o distancia entre sus extremos,
en ocasiones se expresa en forma de porcentaje de error.
Veamos unos ejemplos:
Determinar un intervalo con un nivel de confianza del 99% para la
media de una distribucin normal con desviacin estndar = 3 usando
una muestra de 100 valores con media x = 12.
Para = 99% = 0,99 obtenemos en la tabla de distribucin normal
z = 2,58; esto es lo que muestra la figura 58.
El intervalo que buscamos es:
{x K x + K}
donde K es:
K=z. / n
Efectuando los clculos para K:
K = 2,58 . 3 / 100 = 0,774
con lo que el intervalo de confianza es:
{12 0,774 12 + 0,774} que es lo mismo que:
{11,226 12,774}
A veces se expresa como = 12 0,774
66
El resultado obtenido significa que, si de una muestra de 100 medicio-

nes la media es x = 12, en una poblacin con = 3, tenemos una probabili-
dad del 99% de que la media poblacional est comprendida entre los
valores 11,226 y 12,774.
Figura 58. Intervalo desde

-2,58 a +2,58 o que
contiene el 99 % del rea total
bajo la curva normal.
El intervalo de confianza se hace ms pequeo en la medida en que

tomemos muestras de mayor tamao. Por otro lado, para niveles de
confianza superiores resultan intervalos de confianza ms grandes.
Si deseamos conocer el tamao de muestra necesario para obtener un
intervalo de longitud preasignada y con un nivel de confianza dado,
podemos calcularlo con la expresin:
n = 4z 2 2 / L2
donde:
n: tamao de la muestra.
z: coeficiente de la distribucin normal que depende del nivel de
confianza elegido.
: desviacin estndar de la poblacin.
L = 2k: longitud que deseamos que tenga el intervalo (algunas veces se
expresa como el error permitido).
Supngase que se necesita conocer n para obtener un intervalo del
95% de confianza, de longitud 0,5, en una poblacin con = 2.
Hara falta tomar una muestra de 246 unidades.
67
Existen tablas que dan estos resultados de forma directa e incluso

grficamente. Pueden encontrarse en casi todos los libros de Estadstica
Inductiva que hay en el mercado.
68
Control estadstico del proceso
INTRODUCCIN
Consideramos un proceso como una combinacin de mquinas, mate-
riales, mtodos, mano de obra, medio ambiente y mantenimiento, que
intervienen en la produccin.
El control de calidad tradicional en un proceso de fabricacin, se carac-
teriza por desarrollarse despus de la fabricacin del lote de producto,
como indica la figura 59. Los productos fabricados son sometidos a una
"deteccin", que permite decidir cules son productos buenos, separn-
dolos de los que resultan defectuosos. Los productos buenos siguen su
curso hacia el mercado. Los defectuosos que pueden recuperarse regre-
san para ser reprocesados, mientras que los no-recuperables pasan a la
"chatarra", convirtindose en desperdicios.
Figura 59. Control tradicional

de un proceso de
produccin.
Este sistema es poco fiable ya que, al existir un nico punto de detec-

cin, pueden pasar desapercibidos algunos productos defectuosos. Es
antieconmico, pues tolera el desperdicio. La informacin de los resulta-
dos de la produccin es tarda.
Pueden pasar perodos de varios das o an mayores, en los que se
siguen fabricando productos defectuosos, por no disponer de una infor-
69
macin rpida y fluida en el sistema que permita tomar acciones correcti-

vas en el menor tiempo posible.
En la actualidad est ms que probado que del diseo del proceso
productivo y de la forma de desarrollarlo dependen la calidad y la produc-
tividad. Por esto la filosofa actual intenta pasar del tradicional control por
deteccin a un control preventivo que evite el desperdicio y resulte ms
fiable y econmico. La figura 60 nos muestra un esquema del control
preventivo del proceso. En este grfico se sealan unas lneas finas vertica-
les que salen de cada una de las operaciones que se efectan, transmitien-
do constantemente informacin sobre el comportamiento del proceso
de produccin. Esta informacin se obtiene estudiando las "caractersticas
significativas" en cada uno de los estados intermedios u operaciones,
recopilando, analizando e interpretando los datos obtenidos. A travs del
anlisis e interpretacin de estos datos se decide la necesidad de adoptar
medidas correctivas.
Figura 60. Control preventivo

del proceso de
produccin.
Si las medidas correctivas van orientadas a modificar el proceso, tienen

un carcter preventivo, pues pretenden evitar la produccin defectuosa
en el futuro. Entre ellas pueden citarse:
Cambio de operaciones (variaciones de caractersticas).
Cambio de elementos bsicos como material, ajuste de equipos,
formacin de operarios...
Diseo de un nuevo proceso.
Las medidas correctivas que tienden a modificar la produccin, estn
orientadas al pasado. Tienen carcter de deteccin.
Consisten fundamentalmente en retirar o reprocesar los elementos
no conformes. En este sistema la informacin fluye con rapidez, convir-
70
tindose en un plazo de tiempo muy corto en acciones correctivas que

hacen mnimos los defectos fabricados, si los comparamos con el sistema
anterior.
En el proceso as diseado se crea un ciclo que se inicia con la recogida
de informacin, sigue con el anlisis e interpretacin, eleccin de las
medidas correctivas y aplicaciones de las mismas al proceso. Cada recorri-
do del ciclo puede ser entonces traducido aun grado de mejora, situndo-
nos otra vez en el punto inicial pero con un proceso que ha sido ya
mejorado. Por esta razn se le conoce como ciclo de mejora continua.
Figura 61. Representacin de

la variacin, debida a
causas comunes, a lo largo del
tiempo.
Considerando que en el proceso intervienen los factores antes seala-

dos y que todos ellos, como vimos en el primer captulo, pueden generar
variaciones por distintas causas, diferenciaremos ahora entre dos tipos
de causas de variacin:
Causas comunes de variacin.
Causas especiales de variacin.
Las causas comunes o aleatorias, llamadas tambin causas no asignables
producen muchas variaciones de pequea magnitud que, sumadas unas a
otras, dan lugar a un comportamiento patrn que resulta estable en el
tiempo. La figura 61 permite observar la estabilidad del comportamiento a
lo largo del tiempo. Por tener las variaciones debidas a causas comunes, un
comportamiento patrn, y ser estables en el tiempo, se puede predecir la
variacin que existir en un futuro prximo, pues sta tiene carcter
permanente, con lo cual slo puede modificarse mediante la adopcin de
medidas correctivas.
Las medidas correctivas, tendentes a minimizar la variacin debida a
71
causas aleatorias, por lo general no estn al alcance del operario; precisan

una amplia participacin de la direccin.
Las causas especiales de variacin, tambin conocidas como causas
asignables, se manifiestan por una o pocas variaciones de gran magnitud
que aparecen de forma irregular, no son estables en el tiempo, lo que las
hace imprevisibles. La figura 62 ilustra este comportamiento mediante
distribuciones que cambian bruscamente a lo largo del tiempo. Predecir
en base a un comportamiento inestable resulta imposible.
Este tipo de variaciones aparecen en los momentos ms inesperados,
pero pueden seguir reapareciendo a menos que se adopten medidas
correctivas. La aplicacin de estas medidas queda generalmente en manos
de los operarios o encargados, requiriendo en algunos casos la participa-
cin de sus superiores.
Figura 62. Variacin a lo largo

del tiempo, debida a
causas especiales.
Mediante la identificacin de las causas especiales y la toma de medidas

correctivas para evitar que reaparezcan, llegaremos a obtener un proceso
afectado nicamente por causas comunes de variacin. En estas condi-
ciones, el proceso se hace previsible permitindonos cuantificar dicha
variacin para intentar minimizarla. Este es el objetivo fundamental del
control estadstico del proceso. Podemos citar otros objetivos, ventajas y
beneficios del control estadstico del proceso, que quedan resumidos en
el cuadro de la figura 63. Cuando en el segundo apartado sealamos la
relacin cuantitativo cualitativo, nos referimos a que puede ser aplicable
a caractersticas de tipo variable o atributo. Los operarios juegan un papel
importantsimo en el C.E.P. pues para identificar las causas de variacin y
adoptar medidas correctivas es necesario un perfecto conocimiento de la
mquina o proceso que slo puede poseer la persona que "vive" directa-
mente el proceso productivo, como es el operario.
72
Figura 63. Objetivos-ventajas-

beneficios del control
estadstico del proceso.
El control estadstico pone en nuestras manos un ciclo continuo de

actuacin que nos llevar a una "mejora continua de la calidad".
Para dar inicio al control estadstico del proceso se debe atender a un
conjunto de etapas o pasos previos que hay que establecer para asegurar
el xito del programa. La figura 64 seala los pasos a seguir previos a la
implantacin del C.E.P.
Figura 64. Pasos previos al

control.
GRFICOS DE CONTROL
Para que el proceso sea predecible es necesario que la variabilidad en el
producto se deba slo a causas aleatorias. Esto se logra identificando y
73
eliminando las causas especiales de variacin. Para ello, se toman mues-

tras del proceso, que se contrastan para ver si existen diferencias significati-
vas entre cada una y el conjunto de todas las muestras. Si se observase que
no hay diferencias significativas, indicara que en el momento de tomar
dicha muestra slo existan en el proceso causas de variacin aleatorias.
Aunque estas comprobaciones pueden efectuarse analticamente, resul-
tan mucho ms simples si se realizan a travs de un grfico de control. La
figura 65 seala los beneficios que ofrece el uso de grficos de control.
Figura 65. Beneficios de los

grficos de control.
En general, los grficos de control dirigen la atencin hacia las causas

especiales y hacia la magnitud de la variacin. Aportan pruebas de que el
proceso est bajo control estadstico. Se pueden analizar en ellos tanto
variables como atributos. Sealaremos, adems, que es importante que
los operarios participen en la construccin y anlisis de los mismos, por lo
que deben hacerse en el propio lugar de trabajo.
Los grficos de control pueden clasificarse segn las caractersticas a
estudiar:
Por variables
Grfico de medias x .
Grfico de rangos R.
Grfico de medianas x .
Grfico de desviaciones s.
Grfico de individuos x.
Por atributos
Proporcin defectuosa p.
Nmero de defectuosos np.
Nmero de defectos c.
Proporcin de defectos u.
Estos grficos son objeto de amplio desarrollo en los captulos siguien-
tes.
74
Grficos de control por variables
GRFICO DE INDIVIDUOS
El grfico ms sencillo de construir es el de valores individuales o
individuos. El procedimiento a seguir es el mismo que el desarrollado para
la construccin de un diagrama lineal. Se recogen los datos de las piezas a
estudiar de uno en uno, sealando la medida de cada pieza y la hora
exacta en que fue fabricada. Obtendremos as parejas de valores (hora,
medida) que representaremos grficamente en un diagrama como el de la
figura 66. La lnea de trazos horizontal que aparece en el grfico correspon-
de a la media x de los datos recogidos. Es conveniente que esta lnea se
Figura 66. Un ejemplo de
site siempre en el centro de la zona destinada al grfico. Calculando la aplicacin del grfico
desviacin estndar s de los datos, se pueden fijar los lmites de control de control de individuos al
estadsticos o lmites experimentales superior e inferior, que quedan de- estudio de la resistencia
terminados por los puntos +3s y 3s, respectivamente, medidos a partir a la rotura en la fabricacin de
correas. Obsrvese que
de la media x . En el grfico estn representados por lneas gruesas conti- para el valor sealado con el
nuas situadas a ambos lados de la lnea media. asterisco, el punto del
grfico sale fuera del limite de
En el apndice se presenta un impreso para la construccin de este tipo control.
75
de grficos. Tambin aparece all una hoja de registro para el control del
proceso, que debe acompaar siempre a todo grfico de control. Esta hoja
tiene gran importancia para el anlisis del grfico al que corresponde, pues
en ella quedan registradas todas las incidencias que se han presentado a lo
largo de la fabricacin y que pueden haber dado lugar a variaciones
sustanciales en el grfico.
Una simple revisin de los registros anotados puede darnos a conocer,
en muchos casos, las causas de variacin que estn influyendo en el
proceso.
El grfico de individuos tiene aplicacin cuando se dispone de pocos
datos para el estudio, como en el caso de lotes de fabricacin pequeos.
Uno de los inconvenientes de su aplicacin es que dependen del compor-
tamiento de la distribucin de los datos, que puede ser muy irregular en
algunos casos, lo que dificulta su posterior anlisis. Otro de los inconve-
nientes que presenta es la poca sensibilidad para detectar cambios en el
proceso de fabricacin.
GRFICO DE MEDIAS/RANGOS
Si en vez de considerar los datos uno a uno, los agrupamos en peque-

as muestras, determinamos la media de cada una y las representamos en
un diagrama lineal como el anterior, el resultado ser lo que se conoce con
el nombre de grfico demedias. Se caracteriza por ser mucho ms sensible
a los cambios que el grfico de individuos, pues la desviacin de una
distribucin de medias es menor que la correspondiente a los individuos
de la misma poblacin, segn indica la expresin:
donde:
x = Desviacin de la distribucin de medias.
= Desviacin de la distribucin de valores individuales.
n = Tamao de las muestras de donde se han extrado las medias.
Esto hace que la probabilidad de deteccin de un cambio en el proceso
sea mayor si se emplean medidas de pequeas muestras que en el caso
de trabajar con valores individuales.
Adems, estadsticamente se comprueba que una distribucin de me-
dias de pequeas muestras tomadas de una poblacin cualquiera, se
aproxima a la distribucin normal en la medida en que el nmero de
muestras procesadas se hace mayor. Esta afirmacin tiene vital importancia
en el anlisis de los grficos, permitiendo fijar pautas nicas basadas en las
propiedades ya conocidas de la distribucin normal.
Por otro lado, se presenta la desventaja de que al trabajar con medias
puedan aparecer uno o varios valores individuales fuera de los lmites
permitidos, que resulten compensados en el clculo de la media, obte-
nindose en definitiva un punto "bueno" en el grfico, que est encu-
briendo a la pieza o piezas defectuosas individualmente analizadas.
76
Podemos hacer desaparecer tal desventaja si, paralelamente al grfico

de medias, desarrollamos otro que permita controlar la variabilidad para
cada muestra. Aparece as el grfico combinado de medias y rangos ( x /R),
en el que no existe la desventaja antes citada.
En la figura 67 aparece un grfico de control x /R con los datos corres-
pondientes al coeficiente de expansin de escamas de frita. Se han consi-
derado muestras de cuatro valores, en cada una de las cuales se calcul la
media x y el rango R. Los puntos del diagrama lineal superior correspon-
den a la representacin de las medias de cada muestra, que aparecen en la
penltima lnea. El diagrama de la parte inferior ha sido construido en base
a los rangos de cada muestra, sealados en la ltima lnea del impreso. A la
derecha est representado el histograma de los valores individuales, en el
que se consider un cuadro por cada valor individual presentado, segn la
escala que rige al grfico de medias. Debajo del histograma se sealan los
principales criterios para el anlisis del grfico de control, que requieren la
toma inmediata de acciones correctivas. Ms abajo aparece el cuadro de
clculo con los resultados relativos al presente grfico y, por ltimo, una
tabla reducida de constantes a emplear para el clculo de los lmites de
control, en funcin del tamao de la muestra. En el apndice se presenta Figura 67. El grfico de medias
y rangos aplicado al
un impreso para la contruccin de estos grficos. control del coeficiente de
Tanto en el grfico de medias como en el de rangos se representan dos expansin en escamas
de frita.
77
lneas de trazos que corresponden a los valores x (media de medias) y R

(medias de rangos).
La media de medias x es una buena estimacin de la media poblacional.

Para calcular su valor seguimos los pasos de la figura 68(a). En el apartado (b)
de la misma figura se muestra un ejemplo del clculo de x para un
conjunto de 8 muestras.
Figura 68. La media de

medias, (a) Pasos a
seguir para su obtencin, (b)
Ejemplo del clculo de
la media de medias x en un
grupo de 8 muestras.
El clculo de R es similar al anterior. La figura 69 indica cmo determinar-

lo, agregando un ejemplo para un grupo de 10 muestras.
Se procede de igual forma en el ejemplo de la figura 67, considerando
que en ese caso el nmero de muestras es igual a 26.
Lmites de control
Habiendo determinado ya los valores de x y R podemos pasar a calcular
los lmites de control que servirn de pautas para el anlisis.
Tomando los datos correspondientes al ejemplo de la figura 67:
x =301,8 R =12,65
procederemos a desarrollar los pasos a seguir para obtener los lmites.
78
Como hemos tomado muestras de tamao 4, las constantes correspon-

dientes se seleccionan de la tabla situada en el extremo inferior derecho
del impreso, para la fila de n =4.
Estas son:
A2 = 0,729 D3 = 0 y D4 = 2,282
Los lmites superior e inferior para la media sern, respectivamente:
LSx = x + A2 . R = 301,8 + 0,729 . 12,65 = 311,02 311
LI x = x + A2 . R = 301,8 0,729 . 12,65 = 311,02 311
y para el rango:
LSR = D4 . R =2,282 . 12,65 = 28,87 28,9
U R =D 3 . R = 0 .12,65= 0
Por estos valores, segn las escalas correspondientes a cada diagrama,
se trazan lneas gruesas continuas horizontales, que representan a los
Figura 69. El rango medio, (a)

Pasos a seguir para
calcularlo, (b) Un ejemplo del
clculo del rango
medio para 10 muestras.
79
lmites calculados y sirven de pauta para un correcto y rpido anlisis de los

grficos de control.
En el apndice hay una tabla ms amplia de constantes para el clculo
de los lmites de control. Existen tablas ms extensas que pueden encon-
trarse en la bibliografa que trata este tema.
Los lmites de control calculados entre 3s y +3s, que son los que
hemos obtenido con ayuda de la tabla anterior, nos indican que si la
variacin es ocasionada nicamente por causas comunes, de cada 370
puntos del grfico slo 1 debera estar fuera de los lmites. Por esta razn,
cada vez que un punto se salga fuera de los lmites de control, debemos
considerarlo ocasionado por causas especiales que actan sobre el proce-
so, siendo entonces la seal para un anlisis inmediato del mismo.
OTROS GRFICOS DE CONTROL

Aunque el grfico de medias y rangos es el que tiene ms aplicacin,
existen otras versiones en el control estadstico del proceso, como son:
Grficos de medias y desviaciones ( x /s).
Grficos de medianas y rangos ( x /R).
El primero tiene aplicacin cuando se consideran muestras de 8 o ms
elementos, pues a partir de aqu el rango es cada vez menos preciso. En
cuanto a su construccin, determinamos, en lugar de los rangos de cada
muestra, las desviaciones (s) correspondientes, que representaremos en el
diagrama al igual que antes lo hacamos con los rangos. La lnea media ser
ahora s . El grfico de medias ( x ) no sufre alteracin, pues utilizamos el
mismo impreso que para ( x /R).
Los lmites de control en los grficos ( x /s) se determinan con ayuda de las
frmulas:
Los valores de las constantes A1 B3 y B4 pueden encontrarse en la tabla

de constantes para el clculo de lmites que aparece en el anexo.
Los lmites para x en el caso ( x /s) podramos obtenerlos como lo hicimos
en el ejemplo de la figura 67, pero empleando las ltimas frmulas
evitaremos el clculo de los rangos individuales y de R .
El grfico de medianas y rangos ( x /R) resulta algo ms sencillo por
necesitar menos clculos. Esto hace que sea mejor aceptado por parte de
los operarios. Tambin se construye en el mismo formato que los anterio-
res. Los resultados que proporciona son comparables a los de los grficos
( x /R).
La mediana es ms variable que la media, por lo que requiere lmites de
control ms amplios que pueden llevar a perder el control del proceso.
Esta limitacin hace que, en ocasiones, el grfico de medianas no pueda
ser usado.
80
Para que los clculos resulten en verdad ms sencillos, se necesita que

las muestras sean de tamao impar, por ejemplo de 5 unidades.
En la construccin del grfico x necesitamos determinar:
La mediana x de cada muestra.
La media de las medianas x .
Los lmites de control superior e inferior.
En el captulo de Presentacin de datos vimos cmo calcular la mediana
(figuras 21 y 22).
La media de medianas es la media aritmtica de las medianas de cada
muestra.
Los lmites de control los obtenemos a partir de las expresiones:
Los valores de la constante A 2 podemos determinarlos en la tabla de

constantes, segn el tamao de las muestras.
Se puede construir el grfico x /R, previamente fijadas las escalas en el
impreso, con ayuda de una regla graduada con los mismos valores de la
escala x . Necesitan ser representados los puntos correspondientes a cada
valor individual, en el grfico de medianas. Determinando de antemano la
posicin de la mediana, se cuentan los lugares en los puntos representa-
dos para cada muestra, hasta obtener el que corresponde a la mediana,
encerrndolo en un crculo.
La figura 70 expone este procedimiento en el caso de muestras de
tamao 5, en donde la posicin de la mediana ser el 3er punto.
El rango puede obtenerse con la regla graduada, colocando el cero de la
misma en el punto ms bajo de la muestra y leyendo el valor correspon-
diente al ms alto. La lectura tomada es el rango de esa muestra que se
representa en el grfico correspondiente.
Este mtodo exige que las muestras sean impares. Sin embargo, resulta
interesante porque el operario no necesita efectuar ningn clculo.
INTERPRETACIN DE LOS GRFICOS DE CONTROL POR VARIABLES

Para poder sacar conclusiones vlidas de los grficos de control, es
necesario poseer informacin correspondiente a un mnimo de 20 mues-
tras.
Los grficos se analizan en base a los siguientes criterios:
Puntos fuera de los lmites de control.
Distribucin de los puntos en la zona comprendida entre los lmites.
Tramos o tendencias.
Cuando hay algn punto fuera de los lmites de control se debe revisar,
en primer lugar, si el lmite o punto est bien calculado o marcado. En el
caso de que se construyan los grficos con ayuda de un ordenador, el
problema puede haberlo causado la entrada incorrecta de algn dato.
81
Verifquese, adems, que no haya habido modificaciones en el sistema

Figura 70. Mtodo para la de medicin, como cambio de inspector o del instrumento de medida en
obtencin de la el perodo correspondiente a la aparicin del punto.
mediana y el rango sin
necesidad de clculos, Cuando se lleva de forma adecuada la hoja de registro del proceso, sta
en un grfico x /R. puede indicar si se han dado estos cambios.
82
De no ser la causa alguna de las anteriores, el significado de los puntos

fuera de los lmites de control es, segn los grficos, el siguiente:
En el grfico R o s
Aumento de la variabilidad (el proceso ha empeorado) cuando el punto
est por encima del lmite superior.
La existencia de un punto por debajo del lmite inferior indica, general-
mente, que la dispersin ha disminuido (mejorado).
Si el tamao de la muestra es menor que 7, siempre que los puntos se
acerquen a cero, ser un indicativo de que la variabilidad ha disminuido.
Conviene investigar las causas de esta mejora para introducirlas en el
proceso de forma permanente.
En el grfico x o x
Un punto fuera de los lmites representa un cambio en la tendencia
central que indica que el proceso ha empeorado, independientemente de
que el punto se site por encima del lmite superior o por debajo del
inferior. Figura 71.

esquemtica de un
grfico de control, en el que
se muestran puntos
fuera de los lmites.
La posicin de los puntos dentro del rea de control. Entendiendo como tal
la zona comprendida entre los lmites, es la siguiente, para un conjunto de
20 a 25 muestras:
En la zona central se sita el 68% del total de puntos del grfico.
Figura 72(a). Equivale a decir que en esta zona deben existir entre 12 y 18
puntos, aproximadamente. Es necesario intervenir el proceso si hay 13 o
ms puntos consecutivos en la zona central.
En la zona media debe aparecer el 27 % de los puntos. Deben existir
entre 6 y 10 puntos, aproximadamente. Se hace necesario intervenir si hay
4 o ms consecutivos. Figura 72(b).
La zona externa contiene aproximadamente el 5 % del total de pun-
tos. Deben existir entre 1 y 3 puntos, aproximadamente. Hay que interve-
83
nir si aparecen dos consecutivos. La figura 72(c) define esta zona como la
ms prxima a los lmites de control.
Si los puntos del grfico que estamos analizando no se corresponden
con lo antes sealado, verifiquemos que los lmites estn bien calculados y
marcados.
De no haber errores de clculo o representacin, las posiciones indebi-
das de los puntos pueden indicar mezclas o estratificaciones en las piezas
Figura 72. rea de control o

espacio entre lmites
subdividido en zonas, (a) Zona
central que debe estar
ocupada por el 68 % de los
puntos, aproximadamente.
(b) Zona media, donde debe
ubicarse un 27%. (c)
Zona externa, destinada al 5 %
de los puntos del
grfico.
medidas. Tambin puede ser debido al cambio u omisin de valores que

se apartan mucho de la media.
La figura 73 nos muestra los tres casos que pueden darse:
a) Puntos muy cerca de la media.
b) Puntos muy cerca de los lmites de control.
c) Posicin correcta de los puntos.
Las pautas o tendencias dentro de los lmites de control indicaran:

a) Falta de control en el proceso.
b) Cambio en la dispersin.
84
Deben estudiarse porque pueden ser aviso de condiciones desfavora-

bles que hemos de corregir.
Tambin pueden indicar una tendencia favorable, que nos puede llevar
a una mejora permanente en el proceso.
Han de estudiarse cuando la pauta sea de 7 puntos o ms.
Diferenciaremos entre cuatro tipos de tendencias:
1) Por encima de la media.
2) Hacia arriba (creciente)
3) Por debajo de la media.
4) Hacia abajo (decreciente).

esquemtica de grficos
de control (a) Fuera de control
por presentar los
puntos muy cercanos a la lnea
media, (b) Caso
contrario al anterior, puntos
muy cercanos a los
lmites de control, (c) Posicin
correcta de los puntos.
Para los grficos R y s el significado sera el que sigue:

Los tipos 1 y 2 indican mayor dispersin en los valores. Se requiere la
toma de medidas correctivas.
Los tipos 3 y 4 sealan menor dispersin en los valores; la produccin ha
mejorado. Es importante realizar un estudio para tratar de obtener una
mejora permanente.
85
Debemos actuar con precaucin porque pudo haber cambios en el

sistema de medicin, resultando ser entonces una falsa alarma.
En la figura 74 se muestran tramos o tendencias que ilustran la explica-
cin. El grfico (a) contiene un tramo por encima de la media. En el (b)
aparece una tendencia creciente.
Figura 74. Grficos de control

en forma esquemtica,
mostrando irregularidades, (a)
Un tramo largo por
encima de la media, (b)
Tendencia creciente.
Para los grficos x y x el significado cambia como veremos ahora:

Los tipos 1 y 3 indican cambios temporales de la tendencia central, por
encima o por debajo del valor establecido. El proceso se ha descentrado
durante el perodo de tiempo que dura el tramo. Es necesario estudiar la
causa que produjo el desajuste para establecer medidas correctivas. Pue-
den ser ocasionados por un cambio de lote de materia prima, distinto
turno de trabajo o cambio del sistema de medicin.
En los casos 2 y 4 se produce una degradacin lenta del proceso,
aumentando o disminuyendo la medida nominal. Hay que estar alerta
pues puede comenzar a producir piezas defectuosas si no se toman las
medidas necesarias. Es un caso tpico asociado al desgaste de herramien-
tas de la mquina, a la fatiga del operario, a la degradacin de soluciones
en baos qumicos, a dilataciones por calentamiento de la mquina, etc.
86
Grficos de control por atributos
INTRODUCCIN
En la industria es frecuente encontrarse con caractersticas que no son
medidas como variables, en unos casos porque corresponden a aspectos
cualitativos y en otros porque supondra un coste elevado. Aqu es donde
intervienen los controles por atributos, brindndonos un mtodo sencillo,
rpido y que puede ser fcilmente comprendido por todo el personal.
Adems, en todos los procesos hay atributos, bien por tratarse de aspec-
tos cualitativos como decamos antes, o porque se han convertido las
caractersticas variables en atributos para simplificar el control.
Entre los grficos de control por atributos citaremos:
p : Proporcin de unidades defectuosas.
np : Nmero de unidades defectuosas.
c: Nmero de defectos.
u : Nmero de defectos por unidad de inspeccin.
Estos cuatro grficos se agrupan de dos en dos, segn estudien:
Unidades defectuosas (p y np).
Defectos (c y u).
Pero por otro lado tambin pueden agruparse de acuerdo a cmo
procesen los datos:
Cantidad de defectos o de piezas defectuosas (np o c).
Proporcin de defectos o de piezas defectuosas (p o u).
Si bien para procesar estadsticamente los datos de caractersticas varia-
bles era necesario que existieran variaciones, para trabajar con atributos es
necesaria la presencia de defectos o de piezas defectuosas.
Al igual que en el estudio por variables, los grficos por atributos
distinguen entre causas comunes y especiales de variacin.
Estos grficos son de gran utilidad en la mejora de procesos que produ-
cen cantidades significativas de defectos.
Entre sus desventajas puede citarse que no cuantifican la variacin. Por
regla general, necesitan muestras de tamao grande. Diremos tambin que
se prestan a subjetividades por parte de las personas que califican las
piezas, aunque esta desventaja puede minimizarse si se establecen crite-
rios de conformidad adecuados.
El grfico p
Mide la proporcin de unidades defectuosas en relacin al tamao de la
muestra.
87
Cada unidad objeto de control debe registrarse slo una vez (conforme-
/no conforme) sin importar el nmero de defectos que presente.
Se necesitan muestras grandes, recogidas en un mismo perodo de
operacin del proceso. Las muestras han de tener un tamao tal que
permita la aparicin de defectos o piezas defectuosas. Es aconsejable que
el tamao de la muestra sea constante. En su defecto, la variacin mxima
permitida ser de un 25 % en relacin con el tamao medio de la muestra.
Si el tamao de una muestra excede este mximo permitido, habr que
calcular lmites de control especiales para dicha muestra.
La frecuencia de muestreo debe establecerse en consonancia con los
perodos de produccin.
Para estimar el comportamiento del proceso deben examinarse al menos
20 muestras.
La obtencin de valores y lmites correspondientes al grfico p se
muestra en la figura 75.
Figura 75. Frmulas para el

clculo de valores y
lmites del grfico "p .
El grfico np
Mide el nmero de unidades defectuosas encontradas en las muestras.
Necesita muestras grandes, pero por tratarse de un grfico de "cantida-
des" es obligatorio que tengan tamao constante.
Los datos se obtienen con ms facilidad que en el grfico p, pues no es
88
necesario determinar las proporciones para cada muestra, evitando as los

errores que ocasiona el trabajar con decimales.
Cada unidad slo se registrar una vez, sin importar el nmero de
defectos que tenga.
La frecuencia de muestreo se fija en consonancia con los perodos de
produccin.
Para estimar el comportamiento del proceso, se debe examinar un
mnimo de 20 muestras.
El clculo de valores y lmites para el grfico np puede observarse en la
figura 76.
Figura 76. Frmulas para

calcular valores y lmites
del grfico "np".
El grfico c
Mide el nmero de defectos encontrados en la muestra.
Requiere cantidades constantes de material en cada muestra. Por ejem-
plo:
Defectos por cada 100 metros de tela.
Defectos de aislamiento en 100 metros de cable.
Burbujas en un cristal.
Defectos de pintura en una pieza.
Tiene aplicacin cuando en una misma unidad de inspeccin pueden
encontrarse defectos de muchas fuentes distintas.
La figura 77 nos indica cmo efectuar el clculo de los valores y lmites
correspondientes al grfico c.
El grfico u
Mide el nmero de defectos por unidad de inspeccin. Es similar al
89
Figura 77. Expresiones que

permiten calcular
valores y lmites para
el grfico "c".
grfico c, slo que aqu se obtiene el resultado por unidad. Utiliza los
mismos datos bsicos que el tipo anterior. Debe emplearse si el tamao
de la muestra no puede mantenerse constante de un perodo del proceso
a otro.
Conviene que las muestras sean de tamao constante para facilitar los
clculos, aunque utilizando los mismos lmites de control se permite una
variacin del 25 % en el tamao con respecto a la muestra media.
En la figura 78 podemos ver cmo determinar los valores y lmites de
control del grfico u.
Si en cualquier grfico por atributos, el lmite inferior diera un resultado
negativo, se despreciara dicho valor, situando el lmite en la lnea del cero.
Figura 78. Frmulas para

determinar la lnea
media y los lmites
del grfico "u".
90
La figura 79 contiene un grfico p. Se han recogido en l datos corres-

pondientes a muestras de tamao variable, siendo el tamao medio
muestral igual a 120 unidades. Los valores que aparecen en el apartado
"cantidad" corresponden al nmero de forros defectuosos, por tener hilos
sueltos, encontrados en cada muestra.
Dividiendo el nmero de defectuosos entre el tamao de la muestra
correspondiente, obtenemos el valor de p (proporcin defectuosa).
A partir de aqu, se determina la media p que, por un lado, usaremos
para el clculo de los lmites (figura 75) y por otro, para representar la
media con lnea gruesa de trazos en el grfico. En base al valor del lmite
superior construimos la escala del grfico y a partir de ella dibujamos los
lmites, la media y los puntos. En la figura 79 puede apreciarse un descenso
sustancial a partir del da 20 como resultado de una mejora introducida en
el proceso. En el apndice aparece un impreso para la construccin de
estos grficos.
INTERPRETACIN DE LOS GRFICOS DE CONTROL POR ATRIBUTOS

Para interpretar los grficos de control por atributos debe atenderse a
los siguientes aspectos:
Puntos fuera de los lmites de control. Figura 79. Ejemplo de grfico
Tendencias o tramos. "p" para control del
Distribucin de los puntos en el rea de control. proceso por atributos, en una
empresa textil.
91
Puntos fuera de los lmites de control

Pueden estar situados:
Por encima del lmite superior, lo que significa generalmente que:
Hay error en el clculo o en la sealizacin.
El proceso ha empeorado.
El criterio de aceptacin es ms riguroso.
Por debajo del lmite inferior indicndonos:
Error de clculo o de representacin.
Que el proceso ha mejorado.
Un criterio de aceptacin menos riguroso.
Tendencias o tramos
Existen dos tipos de tendencias o tramos:
Tendencias ascendentes o tramos por encima de la media. Dan a
entender que:
El proceso ha empeorado y puede estar empeorando an.
El criterio de aceptacin ha sido modificado.
Tendencias descendentes o tramos por debajo de la media. Indican
que:
El proceso ha mejorado y puede seguir mejorando. Debemos estu-
diarlo para introducir mejoras permanentes.
El criterio de aceptacin fue modificado.
Distribucin de los puntos en el rea de control

Se identifica como sigue:
Si ms del 90 % de los puntos estn cerca de la media, puede ser debido
a:
Errores de clculo o trazado.
Muestreo estratificado.
Datos modificados (eliminando o cambiando valores que se alejan
mucho de la media).
Si menos del 40% de los puntos estn cerca de la media, podemos
atribuirlo a:
Errores de clculo o trazado.
Que las muestras contienen medidas de dos o ms fuentes de
comportamientos muy diferentes.
CONTROL CONTINUO DEL PROCESO

Hemos desarrollado distintas tcnicas que brinda el control estadstico
del proceso, todas ellas sencillas y aplicables en su totalidad. Debemos
elegir las ms adecuadas para el proceso en que van a ser aplicadas. Asi-
mismo, es muy importante seleccionar las caractersticas crticas que sern
objeto de control, para que la implantacin del C.E.P. no se vuelva buro-
92
Figura 80. Esquema de

actuacin cuando se
aplica un control estadstico
del proceso.
crtica. Controlemos slo aquello que verdaderamente requiera ser con-

trolado.
Para alcanzar la mejora continua de la calidad, debe establecerse un
control continuo del proceso acorde con las pautas que seala la figura 80.
Se entra en el grfico por la parte superior, pues al iniciar el control siempre
habr causas especiales presentes.
En el siguiente tema se desarrollan aspectos tendentes a valorar las
mejoras alcanzadas.
93
Estudios de capacidad
INTRODUCCIN
El estudio de capacidad es una forma de comparacin entre la variabili-
dad permitida en el diseo de una pieza y la variabilidad obtenida en la
fabricacin de la misma. La variabilidad permitida en el diseo se refleja en
las especificaciones y tolerancias de la pieza. La variabilidad obtenida en la
fabricacin la determinamos con el estudio estadstico de un conjunto de
piezas fabricadas.
Para iniciar un estudio de capacidad debe definirse la caracterstica a
estudiar, con sus correspondientes especificaciones.
Es necesario que los instrumentos de medida a utilizar estn en perfecto
estado, teniendo como mnimo una precisin de 1 /10 de la tolerancia que
tiene la caracterstica a medir.
Figura 81. Tipos de estudios

de capacidad.
Estudios de Capacidad
Se selecciona un conjunto de 50 piezas, consecutivas si se desea hacer

un estudio a corto plazo y de forma aislada (por ejemplo 5 por turno) si se
quiere realizar el estudio a largo plazo. El estudio a corto plazo determina
la variabilidad que la mquina genera en el producto, considerando que
los dems factores que intervienen en el proceso de fabricacin se man-
tienen constantes.
El estudio a largo plazo, por el contrario, determina la variabilidad
ocasionada por todos los factores que intervienen en el proceso. En
95
consecuencia, el primero da a conocer la capacidad de la mquina,

mientras que el segundo seala la capacidad del proceso.
El estudio a corto plazo requiere que el 99,994% de la produccin est
dentro de los lmites de tolerancia. Podemos expresarlo tambin diciendo
que los lmites de tolerancia establecidos deben abarcar como mnimo 8
desviaciones estndar del conjunto de datos en estudio, 4s por encima de
la media y 4s por debajo. La figura 82 aclara esta idea.
Figura 82. Estudio de

capacidad a corto
plazo. Para cumplir con el
requisito del 99,994 %
de la produccin dentro de
tolerancias, la distribucin
de los datos recogidos en el
estudio debe ser tal
que permita que los lmites de
tolerancia se siten
como mnimo a 4s de la
media x . El grfico
muestra la posicin lmite.
Para la capacidad a largo plazo o capacidad del proceso, el nivel de

exigencia es menor, pues aqu, adems de intervenir las variaciones de la
mquina, intervienen las de la mano de obra, material, etc.. Se requiere en
este caso que el 99,73 % de la produccin est dentro de la tolerancia.
Corresponde a situar los lmites de tolerancia como mnimo a 3s de la
media.
El estudio de capacidad puede efectuarse analtica o grficamente.
El mtodo analtico permite determinar los ndices de capacidad a partir
de los valores x y s de la muestra seleccionada y de las tolerancias
especificadas. Veamos un ejemplo:
Supngase que x = 25,0125 s = 0,002 TI = 25 Ts = 25,02
Hallamos las diferencias:
Ts x = 0,0075
x TI = 0,0125
Seleccionamos entre las dos diferencias, la ms pequea (0,0075).
Calculamos el ndice con la expresin:
96
Diferencia menor 0,0075 0,0075

CmK o CpK = = = = 1,25
3s 3 0,002 0,006
Si la muestra fue tomada para un estudio a corto plazo (capacidad de

mquina) obtendramos:
CmK = 1,25
Si fue recogida para estudio a largo plazo (capacidad del proceso), sera:
CpK = 1,25
El resultado debe evaluarse de acuerdo a:
El proceso es capaz si CpK>1,00
La mquina es capaz si CmK>1,33
Luego, si los datos estudiados corresponden al proceso, como 1,25 >1,00 Figura 83. Ejemplo de estudio
el proceso en cuestin es capaz. En cambio, si corresponden a un estudio de de capacidad a corto plazo. La
mquina, como 1,25 < 1,33 diremos que la mquina no es capaz. mquina no es capaz porque la
recta de probabilidades corta
La expresin para el clculo de los ndices de capacidad puede definirse los lmites de tolerancia.
en funcin de As, en lugar de 3s como se ha usado aqu. Los ndices as Adems est descentrada.
Ajustndola correctamente
obtenidos son igualmente vlidos, pero para su anlisis se necesitan otros puede lograrse una reduccin
patrones de comparacin distintos. del 6,3 % de piezas
defectuosas.
El mtodo grfico es ms completo que el anterior. Suele ser empleado
97
para estudios de capacidad de mquina, pero puede aplicarse tambin a

estudios de capacidad del proceso.
Los pasos a seguir para el estudio de capacidad en forma grfica son:
1) Seleccin de las piezas a estudiar.
2) Medir la caracterstica objeto de estudio en las piezas seleccionadas.
3) Anotar los datos en el formato para el estudio de capacidad.
4) Marcar la escala de medida en el grfico.
5) Marcar los lmites de tolerancia.
6) Construir la tabla de conteo con los datos.
7) Analizar si la pauta formada por las marcas de conteo concuerda con
una distribucin normal, de no ser as, tmense otras 50 piezas ms.
8) Completar las columnas F, FA y %A con las anotaciones hechas en la
tabla de conteo.
9) Trazar la recta de probabilidad, como se ha visto en captulo 2, y
determinar los porcentajes defectuosos.
Figura 84. Ciclo de mejora

continua en la
aplicacin del control
estadstico del proceso.
98
Vase la figura 83 donde se desarrolla un ejemplo prctico muy completo.

Para determinar la capacidad estimada, mdase con la escala construida
en el grfico la distancia en ordenadas desde el punto de corte de la recta
de probabilidad con el extremo izquierdo del impreso (4s) hasta el punto
de corte con el extremo derecho (+4s).
INTERPRETACIN DE LOS GRFICOS DE CAPACIDAD

Si al prolongar la lnea de mejor ajuste no se corta ninguno de los lmites
de tolerancia, podr considerarse que la mquina es capaz (produce piezas
dentro de especificacin).
Figura 85. Objeciones de los

empleados, con sus
correspondientes respuestas.
Si la lnea de mejor ajuste corta cualquiera de los lmites de tolerancia,

la mquina no est cumpliendo con las especificaciones. Esto puede ser
debido a que:
Su localizacin central puede ser demasiado alta o demasiado baja.
Tal vez ajustando la mquina resolvamos el problema.
La lnea de trazos de la figura 83 representa el centrado ideal, pero aun
en este caso corta los lmites de tolerancia, por lo que se considera la
mquina como no-capaz.
La dispersin puede ser grande. El problema puede estar crendolo
99
una mala colocacin de las piezas o un exceso de tolerancias dentro de la

mquina, debido al desgaste de partes.
Los estudios de capacidad tienen una gran importancia en los progra-
mas de mejora de la calidad. Los resultados de estos estudios deben ser
conocidos por todos los departamentos de la empresa. En diseo se
usarn estos resultados para fijar especificaciones realistas, que puedan
alcanzarse con "cero defectos". Producccin los tomar en cuenta para
seleccionar las mquinas idneas para la fabricacin de cada pieza. Direc-
cin los tomar como punto de partida para un estudio econmico
tendente a efectuar inversiones en nueva maquinaria. Tienen importancia
tambin para valorar la capacidad de los proveedores, dentro de los
programas de auditoras.
Figura 86. Objeciones de los

dirigentes, con su
correspondientes respuestas.
Adems, en el ciclo de mejora continua de la calidad que muestra la

figura 84, los estudios de capacidad cierran el ciclo, cubriendo la etapa de
perfeccionamiento en la que se evala la capacidad y se adoptan las
medidas correctivas necesarias para mejorarla.
Como seala la figura 84, para efectuar un estudio de capacidad es
necesario que el proceso se mantenga "bajo control estadstico", pues de
hacerlo de otra forma, el resultado del estudio sera vlido slo en el
momento de efectuarlo al no haber nada que asegure la estabilidad a lo
largo del tiempo.
100
Ya para finalizar el tema referente al control estadstico y estudios de

capacidad, queremos resaltar la importancia que tiene la motivacin del
personal para lograr su participacin en un programa de mejora continua
de la calidad. De hecho, cualquier cambio es mirado siempre con recelo, y
ms an cuando implica el aprendizaje y la aplicacin de tcnicas "nue-
vas" como las desarrolladas en estos captulos.
Surgen as una serie de objeciones por parte de empleados y dirigentes,
de las que hemos recogido algunas por considerarlas significativas, sea-
lando la respuesta adecuada en cada caso. Los cuadros de las figuras 85 y
86 ilustran varias objeciones con sus respectivas respuestas.
101
Apndice
1) Impreso para la tabulacin de datos.

2) Tabla de nmeros al azar de cinco dgitos.
3) Tabla de datos e impreso de probabilidades para la distribucin normal.
4) reas bajo la curva normal.
5) Distribucin exponencial.
6) Tabla de nmeros combinatorios.
7) Distribucin binomial.
8) Impreso para la construccin de grficos de control del proceso (individuos).
9) Hoja de registro para el control del proceso.
10) Impreso para la construccin de grficos de control del proceso (x/R) (x/R) (x/s).
11) Tabla de constantes para el clculo de los lmites de control.
12) Impreso para la construccin de grficos de control del proceso por atributos.
13) Impreso para estudios de capacidad en forma grfica.
14) Lista de smbolos y abreviaturas empleadas en el libro.
1) Impreso para la tabulacin de datos
103
2) Tabla de nmeros al azar de cinco dgitos
104
Apndice
3) Tabla de datos e impreso de probabilidades para la distribucin

normal.
105
4) reas bajo la curva normal entre la media y un valor xi
Considrese
xi
Z=

Si Z es negativo bsquese el rea para Z
106
Apndice
5) Distribucin exponencial
Los valores tabulados corresponden a la expresin 1/e x/

determinan el rea bajo la curva, ms all de x
n
6) Tabla de nmeros combinatorios
k
107
7) Distribucin binomial
108
Apndice
109
110
Apndice
111
11) Tabla de constantes para el clculo de los lmites de control
n : Tamao de la muestra.
A1: Factor para el clculo de lmites en el grfico x (a partir de s )
A2: Factor para el clculo de lmites en el grfico x (a partir de R )
A 2 : Factor para el clculo de lmites en el grfico x (a partir de R )
D3: Factor a partir de R) para el clculo del lmite inferior Grficos R
D4: Factor para el clculo del lmite superior
B3: Factor para el clculo del lmite inferior
Grficos s
B4: Factor para el clculo del lmite superior
12) Impreso para Grficos de Control del Proceso por Atributos
112
Apndice
113
14) Lista de smbolos y abreviaturas empleadas en el libro
(Por orden de aparicin)
C.E.P. Control estadstico del proceso (S.P.C.).

e Porcentaje de error admitido en una estimacin.
NC Nivel de confianza de una estimacin.
N Nmero de elementos de la poblacin o lote en estudio.
n Nmero de elementos de la muestra.
F Frecuencia absoluta o, simplemente frecuencia. Suele expresarse tam-
bin por f.
% Tanto por ciento o porcentaje.
FA Frecuencia acumulada. A veces se expresa por fa.
%A Porcentaje acumulado. Tambin se expresa por %a.
R Rango o recorrido.
Mo Moda o valor modal. Puede expresarse tambin por x .
Igualdad por aproximacin.
x Media aritmtica de la muestra.
Xi Cada uno de los valores individuales.
Letra griega SICMA, que significa suma.
x Mediana. Tambin se denota por Mdn.
DM Desviacin media o media aritmtica de las desviaciones individuales.
Desviacin estndar de la poblacin.
Media aritmtica de la poblacin.

s Desviacin estndar de la muestra.
TI Lmite de tolerancia inferior.
TS Lmite de tolerancia superior.
S Espacio muestral de un experimento.
E Evento. Cada uno de los subconjunto del espacio muestral.
FR Frecuencia relativa.
Relacin de menor o igual que.
Relacin de mayor o igual que.
P Probabilidad.
n el valor de n tiende a infinito.
Unin (Indica que puede ser uno, el otro o ambos).
Interseccin (Cuando se dan ambos a la vez, uno y el otro).
f(x) Funcin de probabilidades de la variable aleatoria .
F(x) Funcin de distribucin acumulada de la variable aleatoria x.
Suma de todos los valores x menores o iguales que un x dado.
xi X
x Integral definida desde hasta x (suma de todas las reas infinitesi-
males comprendidas entre y x bajo una curva dada).
Z Nmero de unidades de desviacin estndar correspondientes a un
valor dado.
V Conjunto de valores obtenidos en el estudio.
p Probabilidad de "xito" en un solo ensayo de Bernoulli. Proporcin
defectuosa en cada muestra, en el C.E.P.
q Probabilidad de "fracaso" en un solo ensayo de Bernoulli.
n

x Nmero de combinaciones de n elementos tomados en grupos de x.
np Nmero de xitos en un solo ensayo de Bernoulli. Nmero de defec-
tuosos en cada muestra, en el C.E.P.
p
Probabilidad media de xitos o "proporcin media de piezas defec-
tuosas".
np
Nmero medio de xitos o "nmero medio de piezas defectuosas".
nq Nmero de fracasos o "nmero de piezas buenas".
c Nmero de defectos en cada muestra.
Nivel de confianza (NC).
K Mitad de la longitud de un intervalo de confianza.
L Longitud del intervalo de confianza L=2K
c Nmero medio de defectos del total de muestras.
u Proporcin de defectos en cada muestra.
u Proporcin media de defectos del total de muestras.
LSx Lmite superior en el grfico de individuos.
LIx Lmite inferior en el grfico de individuos.
114
Apndice
x
Desviacin standard en una distribucin de medias.
x /R Grfico de control de medias y rangos.
x Media de medias (lnea central del grfico x ).
LSx Lmite superior del grfico de medias.
LI x Lmite inferior del grfico de medias.
R Media de los rangos. (Lnea central del grfico R).
A2 Constante para el clculo de los lmites de control en el grfico x
cuando ste se combina con R.
D3 Constante para el clculo del lmite inferior del grfico R.
D4 Constante para el clculo del lmite superior del grfico R.
x /s Grfico de control de medias y desviaciones.
A1 Constante para el clculo de los lmites de control en grfico x cuando
ste se combina con s.
s Media aritmtica de las desviaciones estndar de las muestras.
x /R Grfico de medianas y rangos,
x Media aritmtica de las medianas de las muestras.
A
2 Constante para el clculo de los lmites de control para el grfico x .
B3 Constante para el clculo del lmite inferior del grfico s.
B4 Constante para el clculo del lmite superior del grfico s.
LSp Lmite superior del grfico p.
LIp Lmite inferior del grfico p.
LSnp Lmite superior del grfico np.
Llnp Lmite inferior del grfico np.
LSc Lmite superior del grfico c
LIc Lmite inferior del grfico c
LSu Lmite superior del grfico u.
Llu Lmite interior del grfico u.
115

Aplicacion de Estadistica

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Aplicacion de Estadistica

Hochgeladen von

Copyright:

Verfügbare Formate

Subido por:

Libros de Ingeniera Qumica y ms

Si te gusta este libro y tienes la posibilidad,

Quedan rigurosamente prohibidas, sin la autorizacin escrita de los

Desde hace algunos aos, estamos viviendo una revolucin en el tema de

EL CONTROL DE LA CALIDAD. ENFOQUE HISTRICO .............. 9

RECOGIDA DE INFORMACIN. REPRESENTACIN GRFICA ... 15

PROBABILIDADES. DISTRIBUCIN DE PROBABILIDAD ............ 45

CONTROL ESTADSTICO DEL PROCESO ................................... 69

GRFICOS DE CONTROL POR VARIABLES ................................ 75

GRFICOS DE CONTROL POR ATRIBUTOS ................................ 87

ESTUDIOS DE CAPACIDAD .......................................................... 95

APNDICE ....................................................................................... 103

comienzan a ensear las tcnicas estadsticas. Se hacen campaas para

sin. As diremos, calidad no es, necesariamente, lujo, complicacin, tama-

Obtenemos "calidad de fabricacin" en la medida en que los productos

Figura 2. Diagrama de las tres

dos anteriores, aunque la realidad no siempre es sta. La relacin entre las

En el desarrollo del libro nos referiremos a ambas, siendo nuestro

La rueda de Deming muestra de forma sencilla la importancia que tiene

Figura 4. La Rueda de Deming.

ahora al anlisis y estudio de la informacin antes recogida, para pasar a la

Figura 5. Diagrama de las 6M,

En nuestro pas, la industria del automvil tal vez sea la que ms

Conjunto de diferencias que resultan del efecto de una serie de

Estos factores podemos clasificarlos como nos muestra el diagrama de

Figura 6. Algunas causas de

Tericamente, decimos que no existen dos piezas iguales. Si no pre-

Es de destacar que cualquier caracterstica variable puede ser procesada

Si los datos son atributos hemos de ser cuidadosos con la subjetividad

Figura 8. Recogida de datos.

En la figura 8 se observan distintas formas de efectuar la recogida de

INSPECCIN TOTAL MUESTREO

Figura 9. Alternativas ante la

La figura 9 presenta dos formas de actuacin:

Descriptiva permite procesar la informacin obtenida, llevndola a tablas

Figura 10. Actuacin de la

Muestreo aleatorio o al azar Figura 11. Tipos de muestreo

Eleccin del punto inicial

Ruta a seguir en la tabla

Cantidad de dgitos a tomar en cada lectura

Figura 12. Fragmento de una

Comenzando por el nmero que se resalta, y siguiendo la direccin y

Muestreo estratificado aleatorio

estratificando por edades, zonas geogrficas, distritos, posicin social,

Muestreo sistemtico puro

Muestreo sistemtico aleatorio

DATOS PREVIOS AL MUESTREO

El grado de exactitud o error admitido, e, viene dado por el porcentaje de

El encabezado del impreso, figura 13, tiene vital importancia pues en l

Figura 14. Registro de los

Los datos recogidos se anotan en el cuadro correspondiente a VALO-

La figura 15 presenta los valores anteriores clasificados y tabulados de

2) En la columna de frecuencias (F) se escribe el nmero correspondien-

As, el % correspondiente al valor de 15,99 ser:

En nuestro caso, puede completarse la columna de % multiplicando en

Figura 16. Procedimiento para

Para determinar los valores de la frecuencia acumulada (FA) se inicia el

Figura 17 (a). Pasos a seguir

Para determinarlo podemos seguir las pautas de la figura 17(a). Obsrve-

En el ejemplo desarrollado en la presentacin y tabulacin de datos,

Figura 17 (b). Ejemplo de

(a) Figura 18 (a). Peso de 50

Figura 18 (b). Peso de 50