Control Estadstico de la Calidad

1. 2. 3. 4. 5. 6. 7. Introduccin Orgenes y evolucin de la Calidad Gurs Tcnicas de administracin de la calidad Aplicaciones de Ejemplos Conclusin Bibliografa

Introduccin El presente trabajo pretende explicar las ventajas que implica aplicar el Control Estadstico en los procesos de produccin con el fin de mejorar los procesos productivos, disminuyendo costos para as ofrecer productos realmente competitivos. Existe mucha literatura de control de calidad en sus distintas modalidades, todos los autores de calidad coinciden en la necesidad de usar tcnicas de calidad, y para cubrir esta necesidad existe un conjunto de tcnicas estadsticas llamadas herramientas bsicas de la calidad que aplicada combinadamente forman el Control Estadstico del Proceso (CEP). Orgenes y evolucin de la calidad Previo a la conformacin de los primeros grupos humanos organizados de importancia, las personas tenan pocas opciones para elegir lo que habran de comer, vestir, en donde vivir y como vivir, todo dependa de sus habilidades en la cacera y en el manejo de herramientas, as como de su fuerza y voluntad, el usuario y el primitivo fabricante eran, regularmente, el mismo individuo. La calidad era posible definirla como todo aquello que contribuyera a mejorar las precarias condiciones de vida de la poca prehistrica, es decir, las cosas eran valiosas por el uso que se les daba, lo que era acentuado por la dificultad de poseerlas. Conforme el ser humano evoluciona culturalmente y se dinamiza el crecimiento de los asentamientos humanos, la tcnica mejora y comienzan a darse los primeros esbozos de manufactura; se da una separacin importante entre usuario o cliente y el fabricante o proveedor. La calidad se determinaba a travs del contacto entre los compradores y lo vendedores, las buenas relaciones mejoraban la posibilidad de hacerse de una mejor mercanca, sin embargo,

no existan garantas ni especificaciones, el cliente escoga dentro de las existencias disponibles. Conforme la tcnica se perfecciona y las poblaciones se transforman poco a poco en pueblos y luego en ciudades de tamao considerable, aparecen los talleres de artesanos dedicados a la fabricacin de gran variedad de utensilios y mercancas, cada taller se dedicaba a la elaboracin de un producto, eran especialistas en ello y basaban su prestigio en la alta calidad de sus hechuras, las que correspondan a las necesidades particulares de sus clientes. En esta etapa surge el comerciante, sirviendo de intermediario entre el cliente y el fabricante. Los gurs de nuestros das Los gurs de esta nueva etapa idealizan las funciones y dinmica de la organizacin para insertarlas en un nuevo modelo de comportamiento, relaciones y disciplinas. Entre estos tenemos: W. EDWARDS DEMING (1900-1993)

William Edwards Deming naci en 1900 en Wyoming, E.U., se dedic a trabajar sobre el control estadstico de la calidad. Japn asumi y desarrollo los planteamientos de Deming, y los convirti en el eje de su estrategia de desarrollo nacional. En 1950 W. Edward Deming visit Japn, dando conferencias sobre Control de Calidad. A dichas conferencias asistieron un grupo numeroso y seleccionado de directivos de empresas para crear las bases sobre las que instaurar el Premio Deming, premiando a aquellas instituciones o personas que se caracterizaran por su inters en implantar la calidad. JOSEPH MOSES JURAN (1904-199)

Nace en Rumania en 1904 y es otra de las grandes figuras de la calidad. Se traslada a Minnesota en 1912. Es contemporneo de Deming. Despus de la II Guerra Mundial trabaj como consultor. Visita Japn en 1954 y convierte el Control de la Calidad en instrumento de la direccin de la empresa. Imparte su conferencia sobre: "Gestin Sistemtica del Control de Calidad". Se le descubre a raz de la publicacin de su libro, desechado por otras editoriales: "Manual de Control de Calidad". Su fundamento bsico de la calidad, es que slo puede tener efecto en una empresa cuando sta aprende a gestionar la calidad. KAORU ISHIKAWA (1915-)

El representante emblemtico del movimiento del Control de Calidad en Japn es el Dr. Kaoru Ishikawa. Nacido en 1915, se gradu en la Universidad de Tokio el ao 1939 en Qumica Aplicada. Fue profesor en la misma Universidad, donde comprendi la importancia de los mtodos estadsticos, ante la dispersin de datos, para hallar consecuencias. Desarrolla el Diagrama Causa-Efecto como herramienta para el estudio de las causas de los problemas. Parte de que los problemas no tienen causas nicas, sino que suelen ser, segn su experiencia, un cmulo de causas. Slo hay que buscar esta multiplicidad de causas, colocarlas en su diagrama. PHILIP B. CROSBY (1926-2001)

Philip Crosby naci en Wheeling, Virginia el 18 de junio de 1926. Entre su participacin en la Segunda Guerra Mundial y Corea, Philip Crosby comenz su trabajo como profesional de la calidad en 1952 en una escuela mdica. La carrera de Philip Crosby comenz en una planta de fabricacin en lnea donde decidi que su meta sera ensear administracin en la cual previniendo problemas sera ms provechoso que ser bueno en solucionarlos. Formo la Crosby Associates, Inc. (PCA), y durante diez aos siguientes la convirti en una organizacin con 300 empleados y con $80 millones de dlares en ganancias. GENICHI TAGUCHI (1924-)

El Dr. Genichi Taguchi naci en Japn en 1924, gradundose en la Escuela Tcnica de la Universidad Kiryu, su principal etapa profesional ha sido dentro de la Electrical Communication Laboratory (ECL) de la Nippon Telephone and Telegraph Co. (1948-1961) en donde se enfoc a la mejora de la productividad en la investigacin y desarrollo. En sus mtodos emplean la experimentacin a pequea escala con la finalidad de reducir la variacin y descubrir diseos robustos y baratos para la fabricacin en serie, reduciendo los tiempos de investigacin, desarrollo y entrega del diseo. SHIGEO SHINGO (1909-1990)

Naci en Japn en 1909, Shigeo Shingo tal vez no es tan conocido en Occidente como Ishikawa y Taguchi, aunque la incidencia de su trabajo, especialmente en Japn, ha sido inmensa. Despus de graduarse en Ingeniera Mecnica en la Escuela Tcnica Yamanahsi en 1930, se incorpor a la Fbrica de Ferrocarriles Taipei, en Taiwn, donde introdujo los mtodos de gestin cientfica. Es interesante advertir que los sistemas poka-yoke, al utilizar dispositivos que evitan la aparicin de defectos, obvian la necesidad de medicin. En general, los sistemas poka-yoke comprenden dos fases: el aspecto de deteccin y el aspecto de regulacin. Los catorce pasos hacia el "cero defectos" de crosby Denominados para que la administracin conduzca a la organizacin a una posicin productiva y competitiva. En los aos 60s, Philip B. Crosby propuso un programa de 14 pasos a los que denomin "cero defectos", a travs de los cuales hizo entender a los directivos que cuanto se exige perfeccin sta puede lograrse, pero para hacerlo la alta gerencia tiene que motivar a sus trabajadores (Crosby:1979). De esta forma planteaba la importancia de las relaciones humanas en el trabajo. El Control Estadstico de la Calidad y la mejora de procesos. Comenzando con la aportacin de Shewhart sobre reconocer que en todo proceso de produccin existe variacin (Gutirrez:1992), puntualiz que no podan producirse dos partes con las mismas especificaciones, pues era evidente que las diferencias en la materia prima e insumos y los distintos grados de habilidad de los operadores provocaban variabilidad. Shewhart no propona suprimir las variaciones, sino determinar cul era el rango tolerable de variacin que evite que se originen problemas. Para lograr lo anterior, desarroll las grficas de control al tiempo que Roming y Dodge desarrollaban las tcnicas de muestreo adecuadas para solamente tener que verificar cierta cantidad de productos en lugar de inspeccionar todas las unidades. Este periodo de la calidad surge en la dcada de los 30s a raz de los trabajos de investigacin realizados por la Bell Telephone Laboratories.

En su grupo de investigadores destacaron hombres como Walter A. Shewhart, Harry Roming y Harold Dodge, incorporndose despus, como fuerte impulsor de las ideas de Shewhart, el Dr. Edwards W. Deming (Cant:1997). Estos investigadores cimentaron las bases de lo que hoy conocemos como Control Estadstico de la Calidad (Statistical Quality Control, SQC), lo cual constituy un avance sin precedente en el movimiento hacia la calidad, Causas de variacin Existen variaciones en todas las partes producidas en el proceso de manufactura. Hay dos fuentes de variacin: o variacin aleatoria se debe al azar y no se puede eliminar por completo. o variacin asignable es no aleatoria y se puede reducir o eliminar.

Nota: la variacin puede cambiar y cambiar la forma, dispersin y tendencia central de la distribucin de las caractersticas medidas del producto.

Diagramas de diagnstico Controles o registros que podran llamarse "herramientas para asegurar la calidad de una fbrica", esta son las siguientes:
o o o o o o o

Hoja de control (Hoja de recogida de datos) Histograma Anlisis paretiano (Diagrama de pareto) Diagrama de Ishikawa: Diagrama de causa y efecto (Espina de Pescado) Estratificacin (Anlisis por Estratificacin) Diagrama de scadter (Diagrama de Dispersin) Grfica de control

La experiencia de los especialistas en la aplicacin de estos instrumentos o Herramientas Estadsticas seala que bien aplicadas y utilizando un mtodo estandarizado de solucin de problemas pueden ser capaces de resolver hasta el 95% de los problemas. En la prctica estas herramientas requieren ser complementadas con otras tcnicas como son:
o o o o o

La lluvia de ideas (Brainstorming) La Encuesta La Entrevista Diagrama de Flujo Matriz de Seleccin de Problemas, etc

Hay personas que se inclinan por tcnicas sofisticadas y tienden a menospreciar, pero la realidad es que es posible resolver la mayor parte de problemas de calidad, con el uso combinado de estas herramientas en cualquier proceso de manufactura industrial.:
o o o o o o o

Detectar problemas Delimitar el rea problemtica Estimar factores que probablemente provoquen el problema Determinar si el efecto tomado como problema es verdadero o no Prevenir errores debido a omisin, rapidez o descuido Confirmar los efectos de mejora Detectar desfases

Como elaborar un diagrama de Pareto Partiendo de los descubrimientos del celebre economista y socilogo italiano Vilfredo Pareto El diagrama de Pareto es una comparacin ordenada de factores relativos a un problema. Esta comparacin nos va a ayudar a identificar y enfocar los pocos factores vitales diferencindolos de los muchos factores tiles. Esta herramienta es especialmente valiosa en la asignacin de prioridades a los problemas de calidad, en el diagnstico de causas y en la solucin de las mismas, el diagrama de Pareto se puede elaborar de la siguiente manera: 1. Cuantificar los factores del problema y sumar los efectos parciales hallando el total. 2. Reordenar los elementos de mayor a menor. 3. Determinar el % acumulado del total para cada elemento de la lista ordenada. 4. Trazar y rotular el eje vertical izquierdo (unidades). 5. Trazar y rotular el eje horizontal (elementos). 6. Trazar y rotular el eje vertical derecho (porcentajes). 7. Dibujar las barras correspondientes a cada elemento. 8. Trazar un grfico lineal representando el porcentaje acumulado. 9. Analizar el diagrama localizando el "Punto de inflexin" en este ltimo grfico. Se ha llegado a verificar la regularidad con la que se dan en las distintas actividades y fenmenos sociales y productivos, el hecho de que unos pocos factores son responsables de la mayora de los sucesos, en tanto que el resto mayoritario de los elementos o factores generan

o poseen escasos efectos, es lo que ms comnmente se cataloga como los "pocos vitales y los muchos triviales". As en procesos tradicionales de produccin podemos tener que el 20% de las causas de imperfecciones o fallas originan o son responsables de entre un 70 y 80% de los defectos detectados. Y al revs, un 80% de las restantes causas generan tan slo entre un 30 y 20% de los defectos. Que importancia tiene ello? Pues bien, permite atacar unas pocas causas generando un importante impacto total.

Como elaborar un diagrama de Ishikawa El diagrama de Ishikawa conocido tambin como causa-efecto, es una forma de organizar y representar las diferentes teoras propuestas sobre las causas de un problema. Nos permite, por tanto, lograr un conocimiento comn de un problema complejo, sin ser nunca sustitutivo de los datos.

Los Errores comunes son construir el diagrama antes de analizar globalmente los sntomas, limitar las teoras propuestas enmascarando involuntariamente la causa raz, o cometer errores tanto en la relacin causal como en el orden de las teoras, suponiendo un gasto de tiempo importante. El diagrama se elabora de la siguiente manera: 1. 2. Ponerse de acuerdo en la definicin del efecto o problema. Trazar una flecha y escribir el "efecto" del lado derecho.

3. Identificar las causas principales a travs de flechas secundarias que terminan en la flecha principal. 4. Identificar las causas secundarias a travs de flechas que terminan en las flechas secundarias, as como las causas terciarias que afectan a las secundarias. 5. Asignar la importancia de cada factor.

6. Definir los principales conjuntos de probables causas: materiales, equipos, mtodos de trabajo, mano de obra, medio ambiente (5 Ms). 7. 8. Marcar los factores importantes que tienen incidencia significativa sobre el problema. Registrar cualquier informacin que pueda ser de utilidad.

5.

Asignar la importancia de cada factor.

6. Definir los principales conjuntos de probables causas: materiales, equipos, mtodos de trabajo, mano de obra, medio ambiente (5 Ms). 7. Marcar los factores importantes que tienen incidencia significativa sobre el problema.

8.

Registrar cualquier informacin que pueda ser de utilidad.

Identificacin de la problemtica Los elementos y las causas que intervienen en el desarrollo de un proceso y, que pueden en un momento dado, ocasionar que no se cumplan los objetivos o fallas del mismo, son diversos y en ocasiones difciles de identificar. Objetivo de los diagramas de control de la calidad El objetivo de los diagramas de control de la calidad es determinar y visualizar en una grfica el momento en que ocurre una causa asignable en el sistema de produccin para poder identificarla y corregirla. Esto se logra con la seleccin peridica de una pequea muestra de la produccin actual.

Los procedimientos para establecer un control estadstico Los procedimientos para establecer un control estadstico del comportamiento de la empresa 1. 2. 3. 4. 5. 6. establecer la "capacidad del proceso", crear un grfico de control; recoger datos peridicos y representarlos grficamente; identificar desviaciones; identificar las causas de las desviaciones; perpetuar los efectos positivos y corregir las causas de los negativos.

Un grfico de control utiliza medidas de un proceso para determinar el comportamiento normal de dicho proceso. La desviacin tpica es una medida de variabilidad que tambin puede calcularse, con las cuales trazamos los lmites de control superior e inferior. Incluyendo los datos futuros a medida que se obtienen, veremos si los nuevos datos se corresponden con los resultados esperados. Si no es as, inferiremos que ha sucedido algo infrecuente con lo que procederemos a buscar la causa. Estas causas son denominadas causas especiales para diferenciarlas de las causas comunes de variabilidad, las cuales siempre estn presentes y son las causantes de la variacin incluida en las observaciones previas. Las causas comunes se reflejan en los clculos de la media y de la desviacin tpica utilizados para elaborar el grfico de control. Tipos de diagramas de control de la calidad para variables La media o la grfica x barra

La media o la grfica x barra est diseada para variables de control como peso, longitud, etc. El lmite superior de control (LSC) y el lmite inferior de control (LIC) se obtienen a partir de la ecuacin:

donde

es la media de las medias muestrales y

es la media de las amplitudes muestrales.

El diagrama de amplitudes El diagrama de amplitudes est diseado para mostrar si la amplitud total de la medicin est dentro o fuera de control. El lmite superior de control (LSC) y el lmite inferior de control (LIC) se obtienen a partir de la ecuacin:

El diagrama de porcentaje de defectos El diagrama de porcentaje de defectos se llama tambin diagrama p o diagrama de p barra. La grfica muestra la porcin de la produccin que no es aceptable. Esta porcin se puede encontrar con

El diagrama de c con barra El diagrama c o diagrama de c barra est diseado para el control del nmero de defectos por unidad. El LSC y el LIC se obtienen mediante:

Aplicaciones Ejemplo1 Se desea interpretar el siguiente grfico.

De tal forma en el ejemplo podemos observar que el 33% de los factores generadores de costes son responsables del 67% del total de los costes incurridos. De tal forma una reduccin del 20% en los dos tem ms importantes generarn una reduccin en el coste total del orden del 13%. A su vez los costes de reparaciones pueden y deben ser objeto tambin de un anlisis paretiano de manera tal de saber que tipo de reparaciones conforman este coste, y saber tambin a que lnea de productos responden dichos gastos. Lo mismo debe hacerse con los restantes costes (fallas, reprocesos, etc.). Ejemplo 2:

Ejemplo3

Un aspecto de la calidad de servicio en un laboratorio de computacin est representado por la buena disposicin de las computadoras, cuando el estudiante ingresa para seguir su clase. Desde el punto de vista de la buena disposicin es la instalacin de los softwares que necesita utilizar es de particular importancia que todas los programas que se supone posee la computadora (sistema operativo, programa de ofimatica completo, internet, etc.) se encuentren realmente disponibles. De igual manera que los programas instalado sean de versiones que se utilizaran en clase estn funcionando adecuadamente. Se decide estudiar este proceso durante un periodo de 7 das, tomando 10 muestra en cada turno. As pues, se determinar, antes de la llegada de los estudiantes, si las computadoras tienen algn incumplimiento en cuanto a la disponibilidad de las instalaciones y al funcionamiento adecuado de todos los softwares. En la tabla siguiente se presenta el nmero de computadoras que fueron consideradas como no adecuadas para cada da y turno del periodo de 5 das. Computadoras no disponibles 10 10 10 10 10 10 10 10 10 2 4 2 2 2 1 2 5 1

Dias

Turno M T 1 N M T 2 N M T 3 N

Computadoras revisadas

M T 4 N M T 5 N M T 6 N M T 7 Linea Central N

10 10 10 10 10 10 10 10 10 10 10 10

3 1 4 2 3 2 5 1 2 4 1 2

Limite de Control Superior

Limite de Control Inferior

Un examen del diagrama nos indica que se tiene un proceso bajo control estadstico, en el cual los valores individuales estn alrededor de p sin que exista evidencia de algn patrn presente. Muestreo de aceptacin El muestreo de aceptacin es un mtodo para determinar si un lote de productos que se recibe cumple los estndares especificados.
o o o

Est basado en tcnicas de muestreo aleatorio. Una muestra aleatoria de n unidades se obtiene del lote recibido. c es el nmero mximo de unidades defectuosas que se pueden encontrar en la

muestra del lote para considerarse aceptable. Curva caracterstica de operacin

Una curva CO, o curva caracterstica de operacin, se desarrolla usando la distribucin binomial de la probabilidad con el fin de determinar la probabilidad de aceptar un lote con distintos niveles de calidad Conclusiones Del desarrollo de los concepto y ejemplos se puede observar el enorme potencial que posee la utilizacin del Control Estadstico de la calidad como instrumento y herramienta destinada a un mejor control en la evolucin de la empresa, una forma ms eficaz de tomar decisiones en cuanto a ajustes, un mtodo muy eficiente de fijar metas y un excepcional medio de verificar el comportamiento del sistema. Muchos son los que por desconocimiento de la forma en que funcionan los procesos tienden a efectuar prolongados y obstinados anlisis en la bsqueda de las razones que dieron lugar a la variacin de los costos en relacin a los estndares o a los registrados en el perodo anterior, cometiendo el error de adoptar medidas de ajuste, cuando en realidad las variaciones respondan a la naturaleza misma del proceso, por lo que los ajustes dan origen a mayores diferencias en el futuro. Las empresas que no adopten esta nueva metodologa sufrirn el choque frente a empresas de categora mundial que lo aplican en forma metdica.

Control de Calidad Estadstico y Gestin de Calidad

Revisin de Agosto de 2000 Profesor de Control de Calidad y Estadstica del Inacap A mis alumnos El presente trabajo tiene como finalidad dar un amplio panorama de las tcnicas estadsticas aplicadas al Control de Calidad e informar adecuadamente de las tcnicas de Gestin aplicadas al Control de Calidad. Considero importante advertir a mis alumnos que ambas partes, las Tcnicas Estadsticas y la Gestin son complementarias y de ninguna manera son reemplazables una por la otra. No es posible edificar una buena Gestin de Calidad si no se han implementado primero las tcnicas de Control de Calidad Estadstico, como tampoco es posible lograr una buena Gestin de la Calidad solo con las Tcnicas Estadsticas. Ambas son vitales y necesarias, ambas son el objetivo primordial de todo Tcnico e Ingeniero de Calidad que se aprecie de profesional. Los conceptos y conocimientos que se resumen en este estudio son suficientes para que, llevadas a cabo, produzcan excelentes resultados en empresas de tipo industrial. Este trabajo es de apoyo a las clases de Control de Calidad que se realizan en distintas carreras de Inacap, como Analistas Qumicos, Ingenieros de Proyectos Industriales, etc. Por esta razn, algunos temas, solo son mencionados y necesariamente se desarrollan en clase. El autor Parte 1: Control de Calidad Estadstico 1 Los defectos 1.1 Introduccin. 1.2 Definicin de la calidad 1.3 El objetivo de los mtodos estadsticos de control en los procesos. 1.4 Qu causa los productos defectuosos? 1.5 Son todos los defectos iguales? Debemos tratar a todos los defectos por igual? 1.6 Clasificacin de los defectos, muestrario de defectos.

2 Distribuciones de frecuencia e histogramas 2.1 Poblacin y muestras 2.2 Cmo se distribuye los valores de las variables que medimos? Qu frecuencia tiene cada valor que la causa llamada "variacin" nos entrega? 2.3 Que tipos de variables conocemos? 2.4 Distribuciones de frecuencias. 2.5 Histogramas 3 Medidores de tendencia central y de dispersin 3.1 Media aritmtica 3.2 Desviacin tpica 3.3 Mtodo de clculo por compilacin 3.4 Ejercicios prcticos en clases 4 Distribucin Continua, o Distribucin Gaussiana, o Distribucin Normal 4.1 Comprensin del concepto de Distribucin Continua, Distribucin Normal 4.2 Propiedades de la Distribucin Normal 4.3 Ejercicios de comprensin sobre la Distribucin Normal 5 Los diagramas 5.1 El diagrama de Pareto 5.1.1 Qu son los diagramas de Pareto? 5.1.2 Como elaborar diagramas de Pareto 5.1.3 Ejercicios prcticos en clase 5.2 El diagrama Espina de Pescado o de Ishikawa o de Causa y Efecto 5.2.1 Que son los diagramas de Causa y Efecto? 5.2.2 Como elaborar diagramas de Causa y Efecto

6 Grficas de control 6.1 Qu son las grficas de control? 6.2 Tipos de grficas de control, X - R , pn, y p Grfico X - R Grfico np, Grfico p 7 Como elaborar una grfica de control _ 7.1 Grfica X - R 7.2 Clculo de los lmites de control 7.2.1 Clculo de lmites sin valores especificados Clculo de los lmites con valores especificados Comparacin de los Lmites Con y Sin Especificaciones. Resultado de la Capacidad de Proceso. Formato Grfica Algunos casos de lecturas de grficas de control por variables. 7.3 Grfica np. 7.4 Clculo de los lmites de control por atributos. Formato de grfico de Control de Proceso por Atributos. Indice de la Capacidad de Proceso Los cuatro casos posibles de los lmites con y sin especificaciones.

Normas Chilenas

Norma Chilena 42 of 53 Resumen de Grficos de Control por variables, Control de Exactitud Resumen de Grficos de Control por variables, Control de Precisn.

 Factores para grficos de Control por variables. 8.2 Norma Chilena 43 of 61 8.3 Norma Chilena 44 of 78 8.3.1 Alcance 8.3.2 Nivel de calidad aceptable (AQL) 8.3.2.1 Uso 8.3.2.2 Definicin 8.3.3 Inspeccin normal, rigurosa y reducida 8.3.4 Plan de muestreo Nivel de inspeccin Tipos de planes de muestreo 9 Bibliografa del Control de Calidad Estadstico Parte 2: Gestin del Control de Calidad 10 Control Total de Calidad (CTC) 10.1 Evolucin Histrica del concepto 10.2 Conceptos del CTC 10.2.1 CTC Segn Armand V.Feigenbaum 10.2.2 CTC Segn Kaoru Ishikawa CTC Segn J. M. Juran Ruta para implementar un programa de Control de Calidad Total. 10.3.1 Etapas de un programa de calidad total. 10.3.2 Etapa previa. 10.3.3 Etapas de un programa de Calidad Total en marcha. 10.3.4 Elementos esenciales en una empresa que hace Control Total de

Calidad 11 Costos de calidad 11.1 Costos de Prevencin 11.2 Costos de Evaluacin 11.3 Costos de Fallas 12 Mtodos de aseguramiento a Nivel Nacional e Internacional. 12.1 Sistema Nacional de Acreditacin 12.2 Internacionales. Familia ISO 9000 13 Concepto de las auditorias en el contexto de las normas ISO 9000 13.1 La auditoria y su significado. 13.2 Tipos de auditoria. 13.3 Elementos de una auditoria. 14 Bibliografa de la Gestin del Control de Calidad Parte 1: Elementos del Control de Calidad Estadstico 1 Los defectos 1.1 Introduccin. Actualmente, todas las empresas modernas saben que lograr un buen nivel de calidad es fundamental para el xito de su gestin. La obtencin de este objetivo, no solo es importante desde el punto de vista de la competencia, sino tambin para la satisfaccin de las necesidades humanas. Estas necesidades humanas evolucionan constantemente, hay cada da mayor demanda de mejor precisin, ms exactitud, intercambiabilidad, confort, etc. y lo que hoy acepta el consumidor, maana puede rechazarlo, pues esta demanda de la cual estamos hablando, se perfecciona cada da, y toda empresa que no se adapte a este movimiento continuo corre el riesgo de quedar desplazada a corto plazo. Para marchar al comps de este ritmo se hacen necesarios mejores instrumentos, maquinarias, mtodos, etc., y lo que es ms importante, un mejor aprovechamiento de los mismos, es decir, obtener mejor calidad con la misma cantidad de dinero. Para lograr este objetivo debemos

recurrir al control estadstico de calidad, como una de las armas ms poderosas para la realizacin de todas estas ideas. El objetivo de este curso es dar una buena informacin de la herramientas existentes para el control estadstico de la calidad, pero debemos dejar bien claro que los objetivos de calidad no se logran esgrimiendo solamente estas herramientas estadsticas. Hoy en da, el concepto de Control Total de Calidad, ensea claramente que todos los estamentos de la empresa estn involucrados en la obtencin de la mejor calidad del producto, y que ste objetivo no es, de ninguna manera, responsabilidad exclusiva de los departamentos tcnicos especializados en el control estadstico de la calidad, sino de todos los integrantes de la empresa, desde el ms humilde empleado, al ms importante de los gerentes. 1.2 Definicin de la calidad Definiremos dos aspectos de la calidad, la Calidad del Diseo y la Calidad del Producto. Entendemos por Calidad del Diseo al grado de concordancia entre el diseo y el fin para el cual fue creado, y por Calidad del Producto, al grado de conformidad entre el producto y su diseo. Los conceptos y mtodos que veremos son aplicables al control de calidad del producto, y son, en general, mtodos universales, es decir que valen para cualquier producto, ya sean cremas dentales, bebidas gaseosas, tractores, medicamentos o ampolletas. Un buen nivel de calidad implica un diseo correcto y un producto de acuerdo con su diseo. 1.3 El objetivo de los mtodos estadsticos de control en los procesos . Podramos preguntarnos, qu es un producto defectuoso? o ms concretamente, qu es un defecto? Juran explica lo que es un defecto haciendo un juego de palabras: " Un defecto es un defecto cuando todos estamos de acuerdo que es un defecto" Definicin tradicional: Un defecto es el incumplimiento de una caracterstica de calidad respecto de un lmite especificado. Pero, los lmites especificados, los determinamos nosotros, previo acuerdo con las partes interesadas o involucradas en el proceso, luego, por carcter transitivo, vale la frase del insigne maestro del control de calidad, Dr. J. M. Juran. Otra ilustre definicin de lo que es un defecto, es la afirmacin de Kahoru Ishikawa, quien dice que un defecto es lo que causa insatisfaccin al cliente.

1.4 Qu causa los productos defectuosos? La respuesta universal a esta pregunta es: la variacin La variacin en los materiales, en las condiciones de la mquina, en los mtodos de trabajo y en las inspecciones. Estas variaciones son las causas de los productos defectuosos. Si no existiera ninguna de esas variaciones, todos los productos seran idnticos y no habra variaciones en la calidad, y no existira la ocurrencia de productos defectuosos y no defectuosos. 1.5 Son todos los defectos iguales? Debemos tratar a todos los defectos por igual? El sentido comn nos dice que no a las dos preguntas. No es lo mismo un defecto considerado leve como ser una imperfeccin superficial en la etiqueta de un producto, que una medida fuera de especificaciones en un repuesto para motor de automviles que lo haga absolutamente inservible. Y consecuentemente, no ser el mismo criterio para tolerar la presencia de ambos defectos, y eso dar paso a distintos planes de calidad segn el tipo de defecto. 1.6 Clasificacin de los defectos, muestrario de defectos. Existen distintas maneras de clasificarlos. aqu utilizaremos el siguiente: Defectos crticos: son aquellos que violan leyes, agreden al consumidor o hacen inservible al producto. Defectos mayores: producen una disminucin en el correcto funcionamiento o utilizacin del producto y es notado por el consumidor. Defectos menores: producen una disminucin leve en el correcto funcionamiento o utilizacin del producto, probablemente no lo note el consumidor. pero si lo nota, el personal calificado de produccin y de control de calidad, Cada tipo de defecto ser objeto de un estudio acabado por las partes interesadas y deber finalizar en un muestrario de defectos, debidamente clasificado por tipo de defecto y firmado por las partes involucradas. En todos los casos posibles deber construirse el muestrario con defectos situados justo en los lmites de aceptacin o rechazo. Unidad 2, Distribuciones de frecuencia e Histogramas 2.1 Poblacin y muestras Una poblacin es el total de las unidades que se consideran.

En esta poblacin queremos investigar una caracterstica para conocer su situacin relativa con los valores del diseo. Una muestra es una cantidad estadsticamente calculada de unidades de dicha poblacin, cada unidad deber ser extrada al azar. La medicin y clculo de una determinada caracterstica nos dar una estimacin del verdadero valor en la poblacin. 2.2 Cmo se distribuyen los valores de las variables que medimos? Qu frecuencia tiene cada valor que la causa llamada "variacin" nos entrega? Tenemos claro que las variaciones nos producen distintas medidas de una variable, la pregunta es como se distribuyen. En general siguen un comportamiento llamado gaussiano o normal De que se trata lo veremos ms adelante pero por ahora nos alcanza con comprender que dicho comportamiento significa que los valores ms cercanos al valor central, son los que ms frecuentemente se repiten, y a medida que nos alejamos del valor central, la frecuencia baja dramticamente. La grfica de este comportamiento tiene una forma de campana. 2.3 Que tipos de variables conocemos? Existen dos tipos de variables a considerar, Variables Continuas y Variables Discretas. Las variables continuas son aquellas que se miden... y las variables discretas se cuentan. Las primeras dan origen al control por variables y las segundas al control por atributos. Las caractersticas de calidad que llamaremos variables son todas aquellas que podemos representar por una cifra. Por ejemplo, la medida de un perno, la resistencia de resistores de alambre, el contenido de cenizas en carbn, etc., etc. Los atributos son aquellas caractersticas de calidad no mensurables, cuya dimensin en general no se puede representar con una cifra. Como por ejemplo podemos tomar las imperfecciones visuales de las superficies de los productos, tales como manchas, diferencias de tono, aspectos de una soldadura, etc., etc. Por fin, debemos tener en cuenta, que tanto los procesos como los lotes terminados pueden ser inspeccionados por atributos o por variables. 2.4 Distribuciones de frecuencias.

Estudiemos el caso de control por variables, es decir estamos midiendo con un instrumento cuya resolucin nos permite medir las variaciones que produce nuestro proceso. Una vez que el inspector recibe la muestra tomada estadsticamente de la poblacin a valorar, procede a las correspondientes mediciones de cada una de las muestras. Tngase presente que lo ms probable es que en cada unidad se hagan varias mediciones por variables y por atributos. Como resultado de esta accin tendremos una tabla de valores desordenados e incomprensibles. Lo primero que deberemos hacer es clasificarlas de menor a mayor, luego agruparlas en clases siguiendo algn criterio que nos permita acumular los datos dentro de clases, esto es dentro de valores que contengan varios de estos datos. Supongamos que tenemos la siguiente tabla de valores experimentales: 38 32 49 44 47 52 68 73 54 46 47 50 61 42 45 40 26 63 65 46 35 35 45 76 28 50 25 40 48 38 19 64 53 35 56 36 44 57 58 42

Total, n: 40 datos Valor mnimo: 19, valor mximo: 76 Rango, 76-19= 57 Nmero de clases: (clculo emprico) : Raz de 40 y se redondea: 6 Ancho de clase : 9 57 dividido 6 y se lleva al numero impar ms cercano: 9 El motivo por el cual conviene usar el ancho de clase como nmero impar es para que la marca de clase sea un nmero entero igual que los datos que se estn estudiando. Si se utilizara un nmero par, el ancho de clase resulta con un decimal que habra que conservar hasta el final del clculo y esto es fuente de errores. Con estos datos procedemos a construir nuestro diagrama de frecuencias, el cual una vez finalizado tiene el siguiente diagrama: LI 18 LS 26 Marca de Clase (mediana) (x) 22 ( 18 + 26 ) / 2

27 36 45 54 63 72

35 44 53 62 71 80

31 40 49 58 67 76

Una vez obtenido este cuadro procedemos al recuento y anotamos la frecuencia: LI 18 27 36 45 54 63 72 LS 26 35 44 53 62 71 80 total X 22 31 40 49 58 67 76 recuento /// //// //// //// //// //// // //// //// // 40 frecuencia 3 5 9 12 5 4 2 40

Este cuadro es el diagrama de frecuencias obtenido de los 40 datos obtenidos como variables y agrupados convenientemente en clases, este recuento ya nos est informando de que es lo que pasa con esta variable. 2.5 Histograma: El cuadro anterior puede llevarse a un grfico como sigue, dando lugar al Histograma:

Medidores de tendencia central y de dispersin

Son varios los medidores de la tendencia central y de la dispersin de una serie de datos experimentales, de ellos estudiaremos los dos ms frecuentes y tiles en Control de Calidad, estos son : la Media Aritmtica , medidor de la tendencia central, y la Desviacin Tpica, medidor de la dispersin de los datos alrededor de la Media Aritmtica. El desarrollo de las frmulas es materia que se entrega durante el desarrollo de las clases. 3.1 Media aritmtica Mide la tendencia central. Se define como Media Aritmtica al valor central producto del siguiente clculo:

de donde deriva:

Nota: El desarrollo de las Frmulas se explica en clase o pueden consultarse: a) en la obra del autor: Estadstica para Ingenieros y Tcnicos del Inacap. b) en el libro de Estadstica de Murray Spieguel. 3.2 Desviacin tpica Mide la dispersin de los valores con respecto al valor central. Se define como desviacin tpica al valor que surge del siguiente clculo:

pues f = n Esta frmula puede derivarse mediante sencillos clculos a esta otra:

Nota: El desarrollo de las Frmulas se explica en clase o pueden consultarse: a) en la obra del autor: Estadstica para Ingenieros y Tcnicos del Inacap. b) en el libro de Estadstica de Murray Spieguel. 3.3 Mtodo de clculo por compilacin: X 22 31 40 49 f 3 5 9 12 U -3 -2 -1 0 fu -9 -10 -9 0 fu2 27 20 9 0

58 67 76

5 4 2

1 2 3

5 8 6 "fu = - 9

5 16 16 "fu2 = 95

donde: c = 9 y A = 49 Media aritmtica: 46,98 Desviacin tpica: 13.72 Este clculo tiene un error como consecuencia de suponer a todos los datos dentro de cada clase como iguales. Nota: Los decimales de las respuestas obtenidas, debern guardar relacin con los decimales que tengan los datos, sin embargo, cuando use las calculadoras deber conservar en cada clculo, todos los decimales que genera la calculadora, para luego aproximar la respuesta a la cantidad de decimales igual a los que tengan los datos, nunca menos. En particular en estos clculos es costumbre usar uno o dos decimales ms que los datos. Tampoco es correcto usar muchos decimales pues no tienen significado alguno. Ejercicios prcticos en clases: Mediante la extraccin de datos de una urna normal se construye la correspondiente distribucin de frecuencias, el histograma, se calcula la Media Aritmtica y la Desviacin Tpica. Se usarn dos mtodos de clculo, uno por medio de la calculadora y otro por medio de las frmulas vistas en clases. Nota: se exigir un correcto manejo algebraico de nmeros escritos de forma exponencial. 4 Distribucin Continua, o Distribucin Gaussiana, o Distribucin Normal 4.1 Comprensin del concepto de distribucin continua, Distribucin Normal Un histograma se construye a partir de un cierto nmero de datos. Pero que le pasara al histograma si continuamos aumentando el nmero de datos? Si el intervalo de clase se reduce poco a poco a medida que aumenta el nmero de datos, se obtiene una distribucin de frecuencias continua, como lmite de una distribucin de frecuencia relativa. En realidad es una expresin de la poblacin misma, puesto que se obtiene de un nmero infinito de datos. Existen muchas clases de distribucin, y una de las ms frecuentes es la Distribucin Normal. En muchos casos, cuando la variacin de una caracterstica de calidad es causada por la suma de un gran nmero de errores infinitesimales independientes debidos a diferentes factores, la distribucin de la caracterstica de calidad se aproxima a una distribucin normal. La forma de la Distribucin Normal puede describirse como la de una campana.

La siguiente figura muestra la forma de esta distribucin:

4.2 Propiedades de la Distribucin Normal La curva caracterstica queda determinada totalmente por dos parmetros:

Si bien en este curso no tenemos espacio para desarrollar el concepto de probabilidades, ser necesario definir los siguientes puntos: Un suceso es ms o menos probable segn la frecuencia con que ocurre. a mayor frecuencia de ocurrencia pasada ser mayor la probabilidad de ocurrencia futura. Los histogramas y los grficos de frecuencia, tambin pueden interpretarse como grficos de probabilidades de ocurrencia. En particular, la Campana de Gauss, o Curva Normal, es una funcin de probabilidades, y la superficie que se encierra debajo de la curva, y limitada por dos valores de x es directamente una medida de la probabilidad de ocurrencia de un suceso determinado. Aceptando estos conceptos veremos como se puede hacer los clculos partiendo de la Curva Normal. En primer trmino, la Curva Normal hay que transformarla en lo que se llama forma cannica, esto significa que el cero de las X ir al medio del grfico. Para lograrlo se usa una variable llamada z y es:

Esta transformacin hace que siempre el valor de la desviacin tpica, en una curva cannica, sea igual a uno, y el valor de z no es ms que un dato medido en relacin a su propia

desviacin. Esto hace que la curva tenga caractersticas muy particulares que veremos luego de los siguientes comentarios. Esta variable depende de datos conocidos, es decir la media de la muestra y su desviacin, por lo tanto para determinados valores de x, se hace el clculo y las tablas dan la respuesta en trminos de probabilidad de ocurrencia. Este punto es muy importante pues de aqu parte todos los criterios de control del control de la calidad. De todo esto se desprende lo siguiente: La superficie, y por lo tanto la probabilidad de ocurrencia del suceso, vale: 68.27 % para una desviacin tpica a ambos lados del cero 95.45 % para dos desviaciones tpicas a ambos lados del cero 99.73 % para tres desviaciones tpicas a ambos lados del cero Esto se aprecia en los siguientes grficos:

4.3 Ejercicios de comprensin sobre la Distribucin Normal. Los siguientes ejercicios, tienen como objetivo aprender el uso de las tablas de Gauss. Ejercicio n 1 Hallar el rea bajo la CURVA NORMAL en cada uno de los 7 casos siguientes: a) Entre z = 0 y z = 1.20

De tablas leemos que para z = 1,2 es 0,3849, por lo tanto: Pr {0 " z " 1,2} = 0,3849 Esto significa que el rea bajo la curva normal para z entre 0 y 1,2 es del 38.49% b) Entre z = - 0.68 y z = 0

En tablas se lee para z = 0.68 es 0.2518 por lo tanto, Pr {-0,68 " z " 0} =0.2518 Esto significa que el rea bajo la curva, para z= -0,68 y z=0 es el 25.18% c) Entre z = - 0.46 y z 2.21

En tablas se lee que, para z = 0.46 es 0.1772 por lo tanto, Pr {-0,46 " z " 0} =0.1772 Ntese que en la lectura se prescindi del signo menos. Por otra parte, para z = 2.21 se lee 0.4864. lo cual significa : Pr {0 " z " 2.21} =0.4864 Para encontrar el rea total debemos sumar ambos resultados: 0.1772+0.4864 = 0.6636 Esto significa que el rea bajo la curva, para z= - 0.46 y z=2.21 es del 66.36% d) Entre z = 0.81 y z = 1.94

Para z = 0.81 es 0.2910 por lo tanto, Pr {0.81 " z " 0} =0.2910

Para z = 1.94 es 0.4738 esto es : Pr {0 " z " 1.94} =0.4738 Para encontrar el rea entre los dos puntos elegidos, debemos restar ambos resultados: 0.4738 - 0.2910 = 0.1828 Esto significa que el rea bajo la curva, para z= 0.81 y z=1.94 es del 18.28% e) A la izquierda de z = - 0.6, esto significa, entre z = - " y z = - 0.6 Tener presente que desde z = - " y z = 0 la superficie bajo el rea es 0.5000 (50%)

Clase N 4: Error Standard Raul E. Ortego, Carlos R. Secotaro Index curso - Clase anterior - Clase siguiente A la desviacin estandard de una distribucin muestral se le conoce como error estandard del estadstico. La diferencia entre la desviacin estandard y el error estandard es que la desviacin estandard trabaja con datos originales y el error estandard con datos obtenidos de la distribucin muestral. As se tienen, un error estandard de la media o desviacin estandard de la distribucin de medias o se tendr tambin un error estandard de la proporcin o desviacin estandard de la distribucin muestral de proporciones.

El Error Standard podramos expresarlo conceptualmente como el error que se puede cometer al intentar conocer a una Poblacin por una Mue s tra de s misma. La frecuencia absoluta de aparicin de rangos de glucemias en una Poblacin (estn todos, no es una muestra) de 4600 pacientes No diabticos fue la siguiente:

Tabla de Resultados

Histograma de frecuencia y polgono de frecuencia

Conceptos y tipo de variable Para facilitar la comprensin del ejemplo hemos transformado una variable continua como es la Glucemia en una cardinal como es el "rango de glucemia". Lo hemos hecho para que la "localizacin" de los valores de la variable sea ms simple. Los conceptos sobre las limitaciones (el Error ) de conocer a la poblacin por una muestra se aplican en los estudios que utilizan variables cualitativas nominales o cardinales, que "cuentan" para obtener la frecuencia de aparicin en cualquiera de sus modalidades. Por supuesto que ocurre lo mismo si se trabaja con relaciones de las frecuencias obtenidas, como son el "Riesgo o Prevalencia", el "Odds Ratio",

etc. Es conveniente destacar que las "ideas fuerzas" que expondremos a continuacin son las mismas cuando se trabaja con variables cuantitativas continuas o discontinuas. En la analoga propuesta en este ensayo, se trata del mismo idioma, el mismo lenguaje.

Localizacin en la "Campana": Al histograma de frecuencia que se denomina "Campana", lo simplificaremos para trabajar, "colgando" en cada "localizacin" el nmero de "habitantes" de ese valor de la variable all "alojados" o "ubicados" si se prefiere.

La lnea gruesa vertical que divide a esta "campana" con distribucin simtrica en fracciones iguales, es la lnea que ya estudiamos pasando simultnemente por el valor PROMEDIO , por el valor de la MEDIANA y por el valor del MODO. No est de ms recordar que en cada "localizacin" se alojan habitantes que comparten la identidad en cuanto al valor de la variable en el Eje de las X, pero que pertenecen a otras comunidades (Poblaciones). En este caso, esos otros "ocupantes" en cada "rango", podran pertenecer a poblaciones de pacientes Diabticos y de diversos tipos de Diabetes. A esos valores de la variable ("individuos") "alojados" en la misma localizacin que

los miembros de la poblacin en estudio, pero que no pertenecen a ella, los ignoraremos, los discriminaremos, como si no "existiesen".

El Azar del Muestreo Si observa la campana de la poblacin del ejemplo encontrar, a los 4600 "pobladores", la totalidad, "localizados" segn cada valor de la variable de la poblacin. Observe que los valores en este caso son 7 (siete) rangos, las localizaciones tambin son 7 (siete), los pobladores son 4600 distribudos simtricamente. Una muestra es una fraccin de una poblacin que se obtiene tomando azarosamente a algunos miembros de la poblacin "muestreada". Idealmente una muestra sera una "miniatura " de la poblacin. La idea de muestra est concebida imaginando que la misma es una "copia a escala" de la poblacin. En el imaginario, la muestra no slo representa sino que reproduce (a escala) a la poblacin con sus caractersticas de distribucin. En nuestro ejemplo, no necesitamos hacer ningn "clculo de probabilidades" para saber que una muestra del 10% de la poblacin (460 pacientes) no ser obtenida, si de verdad es por azar, tomando un 10% de cada "localizacin". El azar, que garantiza ecuanimidad en la representacin; conspira contra la exactitud de la "copia a escala". Obtener tal tipo de copia sera "sacar la lotera", es posible pero muy poco probable.

Cantidad y representacin Si por el azar del muestreo la "extraccin" no es proporcionalmente idntica para cada "localizacin", no hacen falta frmulas para intuir que las campanas de diversas muestras no sern iguales entre s, ni tampoco una "miniatura" exacta de la poblacin. Las campanas de las muestras no son un calco entre s; tampoco la contraccin (fraccin proporcional exacta si se prefiere) de la campana de la poblacin.

La muestra "ideal", la "miniatura" o "copia" a escala, en color rojo en el grfico, es muy til para captar algunas ideas que luego se expresarn en el "lenguaje" estadstico. Las localizaciones con pocos "habitantes" tienen menos probabilidades de obtener representantes en el muestreo; sin hacer clculos de probabilidades, slo observe las flechas punteadas en color rojo "buscando" representantes y en color celeste la frecuencia de aparicin de ese valor en la poblacin y en la muestra. No slo eso, mirando el grfico, reflexione sobre las chances de lograr "copia exacta" en la representacin si las posibilidades de simplemente "aparecer" ya son escasas. Tampoco es necesario un clculo matemtico complejo para percibir que cuanto menor proporcin de la poblacin sea includa en la muestra (ms pequea la muestra), mayor ser el Error en la Representacin de la Poblacin. Error por muestreo Comprendida la idea de que la muestra no es una representacin "exacta" de la poblacin, debemos asumir un Error en la representacin, un Error por muestreo, en las proyecciones y en las inferencias que inducimos desde una muestra a su poblacin. Si la mala noticia es que las muestras tienen ERROR, la buena noticia es que ese error puede ser calculado con notable precisin. En los prrafos y grficos anteriores se explic la idea de que hay una relacin inversa entre tamao de la muestra y Error por muestreo. El concepto "cuanto menor la muestra, mayor el Error" tiene una expresin matemtica que la Estadstica incluye en los clculos de proyeccin e inferencias.

Error promedio o error standard En nuestro conocida campana, dejamos la muestra ideal (miniatura) en color negro e incorporamos al grfico las imgenes de dos muestras de diferente tamao. La muestra mayor en color celeste y la muestra menor en color rojo. En la poblacin y en cada una de las muestras inclumos la lnea vertical que divide en dos fracciones iguales a cada campana. Es la lnea que contiene a la medida de tendencia central ; la lnea que en nuestro intento de comprensin, asumamos como referencia de localizacin o "Km 0".

El grfico no es "caprichoso" al dibujar cada lnea de referencia de localizacin, la referencia obtenida con la muestra ideal "miniatura" es coincidente con la medida de tendencia central verdadera, es decir la de la poblacin. No tiene Error de Muestreo. Conforme a las ideas que se discutieron previamente, las muestras reales no tendrn la medida de tendencia central igual a la de la poblacin de origen. En la realidad hay Error de Muestreo. La diferencia de la medida de tendencia central de la muestra con la referencia verdadera de la poblacin depender inversamente del tamao de la muestra. En el grfico, la muestra celeste, ms grande, tiene una referencia de localizacin ms prxima a la verdadera, con menor Error, que la muestra roja, ms pequea. El Error de muestreo se expresa en el lenguaje estadstico agregando a la medida de tendencia central de la muestra un valor, calculado teniendo en cuenta el tamao de la muestra, que informa cuan alejada est esa referencia de la real de la

poblacin. El valor del Error de la muestra se denomina Error Promedio o Error Standard. Clculo del error standard Conocemos el nmero que figurar en el denominador de cualquier frmula que calcule el Error Standard (ES), ser el nmero de casos analizados, ser el tamao de la muestra en relacin inversa al ES. Nos falta colocar un nmero en el numerador de la Ecuacin que calcule el Error. En el caso de variables cuantitativas continuas , se utiliza como numerador al Desvo Standard obtenido en el muestreo. El Desvo Standard la estudiamos como una medida de distribucin; para nosotros, legos, una expresin de la dispersin de las localizaciones, de la manera en que se ubican con respecto a la lnea de referencia los valores de la variable. En nuestras humildes analogas, entendamos al Desvo como el "domicilio" del valor de la variable. En esa idea, el Desvo Standard (DS) o Desvo Promedio, como valor agregado a la medida de tendencia central (media y/o mediana) informa con la expresin DS si las localizaciones en general estn ms o menos alejadas de la lnea de referencia, del "Km 0" para nuestra traduccin al lenguaje cotidiano. Una muestra con gran DS, con mucha dispersin de las localizaciones, con amplia distribucin si se prefiere, ser ms difcil asumirla como representacin homognea (sin error de representacin) de una poblacin, ms an si las inclusiones son azarosas. Se comprende que para calcular el Error Standard de muestreo, el DS es directamente proporcional al ES ; DS y ES tienen relacin directa ( mayor DS , mayor ES ). As se llega a la expresin matemtica, en la que "n" es el tamao de la muestra.

Las razones matemticas para utilizar como denominador la raz cuadrada del tamao de la muestra escapan a la finalidad de este ensayo, nos basta con entender que tal artilugio aritmtico no cambia la esencia de las ideas que hemos

discutido. Para trabajar matemticamente con variables cualitativas, la estadstica apela al recurso simple de contar las apariciones (frecuencia de aparicin) de cada opcin de la variable, ya que contamos cualidades y no valores cuantitativos. Obtenidas las frecuencias de aparicin en la muestra, la Estadstica relaciona estas frecuencias entre s de diversas maneras para trabajar con ellas (Riesgo, Odds , etc.) Estas relaciones o proporciones resultan de referir un nmero a otro. Ese otro nmero es el utilizado como referencia. Si de Riesgo o Prevalencia se trata, la relacin o proporcin se construye colocando en el numerador el nmero de Eventos contados y en el denominador el nmero total de referencia, el tamao de la muestra . De esta manera se expresa, por ejemplo, que el Riesgo de muerte durante la internacin por Infarto de miocardio (IAM) es de 0.1 o lo que es lo mismo 10% 10 / 100 . Con ello se dice que de cada 100 pacientes internados por IAM se mueren 10 pacientes. En realidad la muestra de estudio fue de 1040 pacientes y la cantidad de pacientes fallecidos fue de 104. El clculo de 104/1040 arroja como resultado 0.1 o sus expresiones porcentuales. En estos tratamientos matemticos se capta rpidamente que cuanto mayor sea el tamao de la muestra, cuanto ms cercano el tamao de la muestra al total de la poblacin, mayor ser la probabilidad de que la relacin hallada sea verdadera, se percibe que el Error de muestreo, el error por "reclutamiento" azaroso sea menor. Se ratifica la idea previa, a mayor tamao de la muestra, menor error. Estas relaciones proporcionales o, simplemente proporciones, aritmticamente, se calculan utilizando al tamao de la muestra como denominador, como referente; luego la proporcin hallada tiene relacin inversa con el tamao de la muestra. En un sentido aritmtico estricto, se podra decir que a mayor tamao de muestra, menor proporcin; "Riesgo" si fuese esa la proporcin estudiada. Esto carece de sentido porque es evidente que a mayor tamao de la muestra, mayor nmero de eventos, mayor numerador; el resultado neto es una proporcin ms cercana a la verdadera. En la expresin Riesgo, es mejor como idea interpretar que a mayor tamao de muestra, menor Error en la estimacin del Riesgo. Por la construccin matemtica del Riesgo, surge que el Error del Riesgo est en relacin directa al valor calculado . En realidad se sigue vinculando al Error con el tamao de la muestra y de manera inversa; mayor tamao de muestra,

menor error. Si "P " es la proporcin hallada en la muestra, la ecuacin para calcular el Error Estndar (ES) que utilizan los expertos en Estadstica es:

Si repasamos lo expuesto previamente, caemos en la cuenta que el tamao de la muestra ( n ) aparece explcito en el denominador y est implcito en el numerador. Quizs lo nico que debamos recordar de esta ecuacin para nuestras expresiones idiomticas estadsticas es que, para calcular el ES en las relaciones obtenidas con variables cualitativas, el nmero "llave" es el tamao de la muestra; ratificando la idea de que a mayor tamao de muestra, menor error de muestreo, menor ES.