Herramientas+y+Control Estadisticos de Calidad

Herramientas y Control Estadstico de la Calidad
INTRODUCCIN
El ingrediente bsico en la nueva concepcin del control de calidad es la utilizacin

masiva del mtodo cientfico y, en concreto, de la estadstica, en la planificacin de
recogida y anlisis de los datos necesarios para la toma de decisiones tendentes a
mejorar todos los procesos. Un control de calidad del que no se deriven actuaciones
constantes para el perfeccionamiento de los sistemas no es un control de calidad
verdadero.
El control de la calidad es el proceso por el cual medimos las variables del proceso o
producto como por ejemplo el tamao de un producto, su forma, componentes, color y
otras caractersticas fsicas y qumicas, pero tambin puede medir el volumen de
produccin y los costos, o sea el proceso en s.
El control estadstico de la calidad es la recopilacin, anlisis e interpretacin de datos
para su uso en el control de calidad, mediante el Control Estadstico de la Calidad se
determina las variaciones que se dan en el proceso de produccin a travs de sus
diferentes etapas generalmente se utilizan dos mtodos estadsticos: El control del
proceso y muestreo por aceptacin.
La calidad es responsabilidad de todas las personas de la empresa y no slo del
departamento de Control de Calidad, Para que este concepto no se quede en una
simple exhortacin, es necesario suministrar herramientas a todo el personal para que
pueda integrarse en las tareas del control integral de la calidad. Ello requiere
incrementar los esfuerzos en la capacitacin de todo el personal y, sobre todo, la
educacin a partir del propio trabajo cotidiano. Esta educacin, debe comenzar con los
futuros ingenieros de la empresa y, con esta texto, se pretende el inicio de este
proceso
bsico en la formacin de cualquier Ingeniero en especial el Ingeniero
Industrial, el cual tiene como funcin la optimizacin de los proceso en una empresa.
Ing. Martha Tesn Arroyo
INDICE
Pgina
INTRODUCCIN..........................
I. CALIDAD_ COMPETITIVIDAD...................
1.1 Calidad...........................
1.2 Competitividad ...........................
1.3 Productividad ............................
12
II. DEFINICIONES BSICAS ......................
16
2.1 Definiciones Bsicas .......................
16
2.2 Control de Calidad .......................
20
2.3 Control Estadstico ......................
21
2.4 Variabilidad ..........................
21
III. CAPITULO .............................
26
3.1 Medidas de Tendencia Central ....................
28
3.2 Medidas de Dispersin Variabilidad ...............
33
3.3 Medidas de Forma ........................
44
3.4 Medidas de Localizacin .....................
47
3.5 Estudio Real de Capacidad ...................
50
IV. SPSS...............................
4.1 Ejecucin del SPSS ........................
54
4.2 Ventana para la definicin de Variable...............
56
4.3 Ventana de Ingreso de Datos .....................
60
4.4 Guardar datos y resultados .....................
62
4.5 Abrir archivo de datos o resultados ..................
64
4.6 Anlisis de resultados .........................
65
V. HERRAMIENTAS ESTADSTICAS...................
90
5.1 Hojas de control...........................
92
5.2. Histograma................................
94
5.3 Diagrama de Pareto.........................
106
5.4 Diagrama de Dispersin.......................
117
5.5 Graficas de control.......................
126
VI. BIBLIOGRAFA.............................
183
ANEXOS.............................
184
NDICE DE TABLAS
Pgina
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min).....
22
Tabla 2.2 Causa comunes y causas especiales que origina la variabilidad....
23
Tabla 3.1. Datos del peso de conservas de esparrago (g)........
28
Tabla 3.2 Tabla de simetra _valor del sesgo..............
Tabla 3.3 Tabla de apuntamiento _valor de la curtosis ..........
46
Tabla. 3.4. Anlisis de la capacidad del proceso............
51
Tabla 3.5. Caractersticas de los egresados universitarios........
52
Tabla 4.1 Data de la investigacin...................
66
Tabla 4.2. Datos del peso de conservas de esparrago (g)........
76
Tabla 5.1 dimetro de 100 tubos...................
95
Tabla 5.2: Tabla de frecuencia....................
97
Tabla 5.3 Peso de embutidos (g)...................
105
Tabla 5.4 Frecuencias de los defectos encontrados en la pintura.....
108
Tabla 5.5 Tabla para el Diagrama de Pareto................
108
Tabla 5.6. Datos de publicidad versus artculos vendidos .........
122
Tabla 5.7 . Sumatorias de las x y..................
123
Tabla 5.8.Datos para el proceso del empaquetado de jamonadas....
132
Tabla 5.9 Datos de fracciones defectuosas del proceso del empaquetado

de jamonadas......................
133
Tabla 5.10 Datos de inspecciones y pruebas finales de una producto textil
141
Tabla 5.11 muestra de inspecciones y pruebas finales de una producto

textil..........................
Tabla 5.12 Datos del inspeccin de acabado de mesas.........
141
Tabla 5.13 Nmero promedio de defectos por unidad.........
149
Tabla 5.14 Defectos en mototaxis..................
155
Tabla 5.15 Nmero promedio de defectos por mototaxi ui.......
156
Tabla 5.16. Pesos de llenado de bolsas de fresas congeladas.....
167
Tabla 5.17. Peso del llenado de envases de Yogurt...........
168
Tabla 5.18. Peso promedio y rango del llenado de envases de Yogurt....
169
148
NDICE DE FIGURAS
Pgina
Figura 1.1. Factores de la competividad................
12
Figura 1.2. La Productividad y sus Componentes.............
12
Figura 2.1. Clasificacin de las variables.................
18
Fig. 3.1 Histograma del peso de conservas (g)..............
38
Figura 3.2 Interpretacin de los histogramas ...............
43
Figura 4.1.Inicio de Ejecucin SPSS .................
54
Figura 4.2.Inicio del SPSS........................
55
Figura 4.3.Vista de datos y vista de variables..............
55
Figura 4.4.Vista de variables.......................
56
Figura 4.5. Ingreso de variables.....................
56
Figura 4.6. Tipo de variables.......................
57
Figura 4.7. Tipo de variables: anchura..................
57
Figura 4.8. Etiqueta de valor.....................
58
Figura 4.9. Etiqueta...........................
58
Figura 4.10. Etiquetado de variables..................
58
Figura 4.11. Etiquetado de valor....................
59
Figura 4.12. Medida ............................
59
Figura 4.13. Vista de datos ......................
60
Figura 4.14. Ingreso de datos.....................
60
Figura 4.15. Etiquetas de valor....................
61
Figura 4.16. Vista de datos final....................
61
Figura 4.17. Guardar archivos....................
62
Figura 4.18. Guardar archivos en carpetas ................
62
Figura 4.19. Archivo guardado 1...................
63
Figura 4.20. Archivo guardado 2....................
63
Figura 4.21. Guardar resultados....................
64
Figura 4.22 Abrir archivos........................
64
Figura 4.23.Abrir archivos de datos...................
64
Figura 4.24 Anlisis de resultados..................
65
Figura 4.25 Generacin de vista de variables...............
67
Figura 4.26. Ingreso de datos....................
67
Figura 4.27. Etiqueta de valor de la base de datos...........
68
Figura 4.28. Base de datos......................
68
Figura 4.29. Guardar archivo .....................
69
Figura 4.30. Anlisis _Estadsticas_frecuencias............
69
Figura 4.31. Anlisis_Estadsticas_frecuencias............
70
Figura 4.32. Frecuencias_ estadsticas.................
70
Figura 4.33. Frecuencias: Grficos..................
71
Figura 4.34. Anlisis descriptivo opcin explorar............
71
Figura 4.35. Anlisis descriptivo opcin explorar: variables........
72
Figura 4.36. Anlisis descriptivo opcin explorar : Estadsticos.....
72
Figura 4.37. Anlisis descriptivo opcin explorar : grficos.......
73
Figura 4.38. Generacin del anlisis descriptivo.............
73
Figura 4.39. Generacin de resultados del anlisis descriptivo ......
74
Figura 4.40. Presentacin de resultados del anlisis descriptivo.....
74
Figura 4.41. Pegado de los resultados del anlisis descriptivo ......
75
Figura 4.42. Resultados del anlisis descriptivo pegados en Word.....
75
Figura 4.43. Base de datos......................
76
Figura 4.44. Anlisis estadstico descriptivo..............
76
Figura 4.45. Anlisis estadstico descriptivo frecuencias: Estadsticos...
77
Figura 4.46. Anlisis estadstico descriptivo frecuencias: Grficos.....
77
Figura 4.47. Histograma de peso de conservas (g)...........
78
Figura 4.48. Generacin del diagrama de cajas..............
78
Figura 4.49. Diagrama de cajas:....................
79
Figura 4.50. Diagrama de cajas: definicin del diagrama.........
79
Figura 4.51. Diagrama de cajas: resultados...............
82
Figura 4.52. Diagrama de cajas de los pesos de las conservas (g).....
82
Figura 4.53. Edicin del Diagrama de cajas: Paso 1...........
83
Figura 4.54. Edicin del Diagrama de cajas: trasponer..........
83
Figura 4.55. Edicin del Diagrama de cajas: trasponer.........
84
Figura 4.56. Edicin del Diagrama de cajas: cambio de color.......
84
Figura 4.57. Edicin del diagrama de cajas: cambio de color.......
85
Figura 4.58. Edicin del diagrama de cajas: tamao de letra, nmeros..
85
Figura 4.59. Edicin del diagrama de cajas: estilos de texto......
86
Figura 4.60. Edicin del diagrama de cajas: escala............
86
Figura 4.61. Diagrama de cajas editado................
87
Figura 4.62. Histograma a editar...................
87
Figura 5.1 . Hoja de Control de Calidad de Materia Prima.........
93
Figura 5.2. Figura 5.2 Histograma de dimetro en mm.........
99
Figura 5.3 Diagrama de Pareto.....................
109
Figura 5.4 Grfica de Control por atributos...............
130
Figura 5.5 .Grfica de Control p para el proceso de envasado de jamonada
136
Figura 5.6. Grfica de control u para mototaxis defectuosos.........
160
Figura 5.7. Grfica de control de media:peso
182
Figura 5.8. Grfica de control de desviacin: peso...........
183
CAPTULO I
CALIDAD
1.1 Calidad
Definir calidad no es tan fcil, este concepto con el transcurrir del tiempo ha
evolucionado pues tenemos a varios autores denominados filsofos de calidad,
quienes han aportado en su definicin, entre ellos tenemos:
Walter Shewart (1891-1967). Define la calidad como un problema de variacin, el cual
puede ser controlado y prevenido mediante la eliminacin a tiempo de las causas que
lo provocan (grficos de control). Introduce el concepto de control estadstico de
calidad. Fue el primero en reconocer que en toda produccin industrial se da variacin
en el proceso.
William Edwards Deming (1900-1993).
Calidad es un grado predecible de
uniformidad y confiabilidad a bajo costo, y adecuado al mercado. Es lo que el cliente

desea y necesita. Calidad es la reduccin de la variabilidad productividad mejora
cuando la variabilidad disminuye
Feingenbaum (1992-2000).Calidad es la resultante total de las caractersticas de
Marketing, Ingeniera, Produccin y Mantenimiento de un producto o servicio, a travs
de las cuales el mismo producto o servicio, en uso, atender las expectativas del
cliente.
Kaoru Ishikawa (1915-1989). La Calidad tiene que ser construida en cada diseo y
cada proceso. Calidad es lo que realmente trae satisfaccin a los consumidores.
Joseph Moses Juran (1904-2008). Calidad es el nivel de satisfaccin alcanzado por
un determinado producto en el cumplimiento de los objetivos de un usuario, durante su
utilizacin, llamado adecuacin de uso
Philip B. Crosby (1926-2001). Calidad es el cumplimiento de los requerimientos, es
decir la conformidad con las exigencias de consumidor. Adems menciona que se
puede producir con Cero Defectos, un error que ha sido prevenido no necesita
reparacin. Para Crosby prevencin significa perfeccin. La calidad es gratis, lo que
cuesta dinero son las cosas sin calidad todas las acciones que involucran no hacer las
cosas bien a la primera.
Genichi Taguchi (1924).La calidad se debe definir en forma monetaria por medio de
la funcin de prdida, en donde a mayor variacin de una especificacin con respecto
al valor nominal, mayor (exponencialmente) es la prdida monetaria transferida al
consumidor.
Thomas Peters (1942).La calidad definida por los clientes y/o consumidores, en
funcin a sus necesidades y deseos, procediendo a fijar las especificaciones de los
productos y servicios en funcin de aquellos.
Los personajes descritos anteriormente de una manera u otra han contribuido al
concepto de trmino calidad.
Al realizar la pregunta a mis estudiantes Qu es Calidad? las respuestas es variada
pero todos coinciden en estas palabras satisfaccin del cliente
es decir la
percepcin del cliente acerca del grado con el cual sus necesidades o expectativas
han sido cumplidas.
Por lo tanto podemos decir que la calidad es un juicio que el cliente tiene sobre un
servicio o producto, resultado del grado con el cual un conjunto de caractersticas
inherentes al producto cumple con sus requerimientos.
Segn ISO 9000:2005 define calidad como: Grado en el que un conjunto de
caractersticas
requisito a
inherentes cumple con los requisitos. Entendindose como

necesidad o expectativa establecida, generalmente implcita u
obligatoria.[1]
Para los clientes siempre se les deben brindar productos y servicios que satisfagan
sus necesidades. Debemos recordar que un producto o servicio es el resultado de un
proceso mediante el cual un conjunto de actividades mutuamente relacionadas o que
interactan, las cuales transforman elementos de entrada en resultados.
La norma ISO 9000:2005 utiliza la expresin producto para designar el resultado de un
proceso. Considera cuatro categoras genricas de productos:
1. Servicios (transporte,.),
2. Software (aplicaciones informticas, informacin,.),
3. Hardware (partes mecnicas, elementos tangibles,.) y
4. Materiales procesados (lubricantes,.).
La mayora de los productos contienen elementos que pertenecen a diferentes

categoras genricas de producto. Adems menciona que la denominacin del
producto en cada caso como servicio, software, hardware o material procesado
depende del elemento dominante. Por ejemplo, el producto ofrecido "automvil" est
compuesto por hardware (por ejemplo, las ruedas), materiales procesados (por
ejemplo, combustible, lquido refrigerante), software (por ejemplo, los programas
informticos de control del motor, el manual del conductor), y servicios (por ejemplo,
las explicaciones relativas a su funcionamiento proporcionadas por el vendedor). [1].
Un servicio es el resultado de llevar a cabo necesariamente al menos una actividad
en la interfaz entre el proveedor y el cliente y generalmente es intangible. La
prestacin de un servicio puede implicar, por ejemplo:
-
Una actividad realizada sobre un producto tangible suministrado por el cliente

(por ejemplo, reparacin de un automvil);
Una actividad realizada sobre un producto intangible suministrado por el cliente

(por ejemplo, la declaracin de ingresos necesaria para preparar la devolucin
de los impuestos);
La entrega de un producto intangible (por ejemplo, la entrega de informacin en

el contexto de la transmisin de conocimiento);
La creacin de una ambientacin para el cliente (por ejemplo, en hoteles y

restaurantes).
Definir la calidad de un servicio resulta ms subjetivo e impreciso que definir la calidad

de un producto. El producto tangible existe antes de entregarlo al cliente y se puede
inspeccionar y medir sus variables, mientras que el servicio se produce y entrega en el
mismo acto, por lo que debe prestarse con la calidad requerida sin posibilidad de
sustitucin. Como la belleza, la calidad de un servicio depende del color del cristal con
el que se mira.
El software se compone de informacin, generalmente es intangible y puede
presentarse bajo la forma de propuestas, transacciones o procedimientos.
El hardware es generalmente tangible y su magnitud es una caracterstica contable.
Los materiales procesados generalmente son tangibles y su magnitud es una
caracterstica continua. El hardware y los materiales procesados frecuentemente son
denominados como bienes.
10
Los clientes necesitan productos o servicios con caractersticas que satisfagan sus
necesidades y expectativas. Estas necesidades y expectativas se expresan en la
especificacin del
producto o servicio y son generalmente denominadas como
requisitos del cliente con un valor aadido.

Los requisitos son las necesidades o expectativas establecidas por las partes
interesadas, las obligatorias o las que se consideran implcitas por hbito o prctica
comn para la organizacin, sus clientes o partes interesadas. Debemos entender a
las necesidades implcitas son los requerimientos no especificados de forma explcita
por el cliente ni por el proveedor (pero que el cliente espera ver satisfechas), se refiere
a los requerimientos no regulados en un contrato. No es significativo del valor o estima
que genera en el cliente la necesidad de adquirir un bien. ( y es precisamente ese
valor es lo que distingue la calidad de un bien por encima de los dems).
Como se mencion anteriormente la satisfaccin del cliente depende de la percepcin
de ste sobre el grado en que se han cumplido sus requisitos. Los requisitos para los
productos o servicios y, en algunos casos, los procesos asociados pueden estar
contenidos en las especificaciones tcnicas, normas de producto o servicio, normas de
proceso, acuerdos contractuales y requisitos reglamentarios. En cualquier caso, es
finalmente el cliente quien determina la aceptabilidad del producto servicio.
La globalizacin exige ahora an ms a las empresas brindar productos de calidad, la
calidad como se mencion es la satisfaccin del cliente, se dice que hay satisfaccin
cuando el cliente recibe del producto o servicio al menos lo que esperaba.
La importancia del control de calidad va desde la planeacin de las actividades para
que los requisitos de la calidad del producto o servicios se cumplan adems es
necesario implementar estrategias de mejora, con la finalidad de reducir costos e
incrementar la productividad.
La calidad siempre va de la mano con dos trminos :La competitividad y Productividad.
1.2. Competitividad. Se define a la competitividad como la capacidad que tiene una
empresa para generar valor para el cliente y sus proveedores de mejor manera
que sus competidores. [2]
Esta capacidad se manifiesta por medio de niveles adecuados para diferentes
componentes de los factores de la competitividad tales como la calidad de producto,
el precio y la calidad del servicio. Una empresa en ms competitivo cuando ofrece
11
Herramientas
amientas y Control Estadstico de la Calidad
calidad a bajo precio y mediante un buen servicio. En la figura 1.1 se visualiza los
factores de la competitividad.
Esta capacidad
se manifiesta por medio de niveles
adecuados
para diferentes
componentes de los factores de la competitividad tales como la calidad de producto,

el precio y la calidad del servicio. Una empresa en ms competitivo cuando ofrece
calidad a bajo precio y mediante un buen servicio. En la figura 1.1 se visualiza los
factores de la competitividad.
Figura 1.1. Factores de la competividad

Fuente: Adaptado. [2]
relacin entre lo producido y los medios

1.3 La Productividad. Se entiende como la relacin
empleados, por lo tanto se mide mediante el cociente: resultados logrados entre
recursos empleados.

Los resultados logrados

ogrados pueden medirse
en unidades producidas, piezas vendidas,
clientes atendidos etc.
12
Herramientas
Los recursos empleados se cuantifican por medio de nmero de trabajadores, tiempo

total empleado, horas mquina, materia prima utilizada
Nos preguntamos De
De qu manera
manera podemos mejorar la productividad
de una empresa?.
Se puede mejorar la productividad de una empresa maximizando los
resultados y optimizando los recursos empleados. Es as que la
productividad suele dividirse en dos componentes la eficacia y la eficiencia.
eficie
La eficiencia es la relacin entre los resultados logrados y los recursos empleados, se
mejorar optimizando el uso de recursos empleados, lo cual implica reducir tiempos
desperdiciados, paros de equipos, falta de material, retrasos, etc. [2]
La Eficacia. Es el grado de con el cual las actividades previstas son realizadas y los
resultados planeados son logrados. Es decir ser eficaz es cumplir con objetivos y se
atiende maximizando los resultados [2].
Para un mejor entendimiento
suponemos que
en una industria de conservas la
productividad se mide a travs de las latas de conservas producidas entre el tiempo

total empleado.

Entonces
tonces la eficiencia ser la relacin entre el tiempo til y el tiempo total mientras

La eficacia ser el cociente entre las latas de conservas producidas y el tiempo til.

Gutirrez y de la Vara (2009) sugiere dos programas para mejorar la productividad

mejorar la eficiencia y la eficacia. Al mejorar la eficiencia se busca reducir tiempos
13
Herramientas
desperdiciados, paros de equipos, falta de material, retrasos, falta de balances en las

capacidades, retraso en los suministros y en las rdenes de compra, as como el
mantenimientos y reparaciones no programadas etc.
Ahora si hablamos de la mejora de la eficacia en la cual se busca la disminucin de
los productos con defectos, las fallas en los arranques y en la operacin de los
procesos. es decir se busca disminuir las deficiencias en los materiales, diseos y
equipos, adems de incrementar
rementar y mejorar las habilidades del personal y generar
programas que ayuden a las personas a realizar mejor su trabajo.
Por ejemplo en la empresa de conservas se determino que la eficacia era de un 50%,
es decir que en esta empresa se desperdicia el 50%
50% del tiempo en promedio en otros
aspectos como la organizacin, la logstica etc.
Adems se determino que la eficacia promedio fue de un 80% , lo cual significa que si
se planean materiales y actividades para producir 100 latas de conservas al final sol
solo
80 latas en promedio estn libres de defectos y las otras 20 se quedaron a lo largo
del proceso por algn tipo de defecto, de estas 20 algunas podrn recuperarse y otras
se convertirn en desperdicio.
De esta manera la multiplicar la eficiencia con la eficacia se obtendr el una
productividad promedio del 40%.
Figura 1.2. La Productividad y sus Componentes

Fuente: Adoptado de [2]
14
En la figura 1.2 se ejemplifica lo mencionado anteriormente. El reto de los ingenieros

es mejorar esta productividad y se puede realizar mediante la mejora continua ya sea
mediante acciones preventivas y correctivas. Las acciones preventivas sirven para
eliminar la causa de una inconformidad potencial u otra situacin indeseable, con
esto se enfoca a prevenir ocurrencias. Las acciones correctivas son aquellas que
eliminan la causa de la inconformidad detectada y se emplea para prevenir la
recurrencia.
15
CAPTULO II
DEFINICIONES BSICAS
2.1 Definiciones Estadsticas

Antes de iniciar con los la definicin del control estadstico de la calidad es
necesario tener en claro algunas definiciones estadsticas.
Estadstica.
Es la Ciencia que nos proporciona un conjunto de mtodos cientficos para
recolectar, organizar, resumir y analizar datos, para obtener conclusiones vlidas para
la toma de decisiones razonables basadas con tal anlisis. La estadstica se divide en:
Descriptiva y Inferencial. [3]
Estadstica Descriptiva. La estadstica descriptiva, es la estadstica que slo se

ocupa de describir y analizar un grupo de datos, sin sacar conclusiones sobre un
grupo mayor. [3]
Estadstica
Inferencial.
La
estadstica
inferencial,
es
un
conjunto
de
procedimientos que nos permiten efectuar generalizaciones de la muestra a la

poblacin. Se utiliza para probar hiptesis y estimar parmetros, se basa en el
concepto de distribucin muestral. [3]
Unidad de Anlisis o Unidad de Observacin. Es la unidad indivisible a quien se

estudia, del cual se obtiene el dato estadstico. Tambin se define como el objeto
de estudio. Puede ser una paciente, una planta, un pescado, una lata de conserva,
etc.
Poblacin. Es el conjunto de unidades de observacin o elementos de la misma

especie que se pretende estudiar en una investigacin cientfica y de la cual se
obtiene una muestra.
16
Muestra. Es un subconjunto de la poblacin sobre quienes se va estudiar, la cual

debe haberse elegido al azar (aleatorio) y debe ser representativa de la poblacin a
la cual pertenece, esto quiere decir sin sesgos. En general la muestra es toda parte
representativa y adecuada de la poblacin. A partir del anlisis de la muestra
obtenida correctamente y al azar, se puede hallar conclusiones que sean
extrapolables a la poblacin de origen. Para elegir la muestra debe apelarse a un
determinado mtodo de muestreo.
Estadstico. Es una medida de resumen que nos describe algunas caractersticas

de inters y cuyo valor es calculado usando slo los valores de los elementos o
unidades de una muestra.
Algunos estadsticos conocidos y ms usados son:
La media muestral
denotado por
La varianza muestral
denotado por
S2
La proporcin muestral
denotado por
El total muestral
denotado por
El coeficiente de correlacin muestral
denotado por
Dato. Es el valor de la variable asociada a un elemento de la poblacin o muestra.

Este valor puede ser un nmero o una palabra.
Variable. Es una caracterstica o propiedad determinada de las unidades de

anlisis, sea medible o no. Esta propiedad hace que las unidades de anlisis de un
grupo pueden diferir de las de otro grupo en la muestra o poblacin de estudio.
Clasificacin de Variables. En la Figura 2.1 se muestran la clasificacin de las
variables.
a. Por Su Naturaleza. Se clasifican en

-
Variable Cuantitativa: Es la que se puede medir. Habitualmente es llamada

variable numrica o mtrica, estas se clasifican en: discretas y continuas
Variables Cuantitativas Discretas: Tienen un recorrido finito o a lo ms
numerable. Ejemplos: Nmero de latas de conserva que ingresan a una
17
autoclave, nmero de alumnos matriculados en el curso de control de

calidad, nmero de plantas Agroindustriales del departamento de
Lambayeque, nmero de dientes con caries, nmero de hijos por familia.
etc.
Variables Cuantitativas Continuas: Tienen un recorrido infinito no

numerable, la variable puede tomar, tericamente, cualquier valor en un
cierto intervalo. Ejemplos: Densidad, humedad, acidez, temperatura, dureza
del agua, Brix, Presin sangunea, nivel de colesterol en la sangre,
estatura, peso, ingreso econmico, edad, longitud, etc.
Variable Cualitativa: Son variables que representan cualidades o atributos de la

muestra, como por ejemplo: El sabor, color, tipos de conservantes, tipos de
licores, gnero (masculino, femenino), VIH (presente, ausente), grupo sanguneo
(A, B, AB, O), grado de instruccin, desnutricin, etc.
Discreta
Cuantitativa
Continua
Por su naturaleza
Cualitativa
Variables
Dependiente
Por su Relacin
Independiente
Interviniente
Figura 2.1. Clasificacin de las variables
18
Herramientas
b. Por su Relacin.- Se clasifican en:

Variables dependientes:
dependientes: Es la variable motivo del estudio, cuyos valores
dependen de otras variables que pueden influir en ella. Tambin se le llama
variable respuesta. Ejemplo: respuesta a un tratamiento,
tratamiento, rendimiento escolar,
ventas, etc.
Variable Independiente
Independiente:: Es la que modifica de una u otra manera a la variable
dependiente, llamndose tambin segn el caso factor de riesgo, factor
predictivo, Ejemplo: Horas de estudio, minutos de publicidad, etc.
etc
Variable Interviniente: Son aquellas que coparticipan con la variable
independiente condicionando a la variable dependiente. Ejemplo: Material de
trabajo, medios de publicidad, etc.
Escalas de Medicin
Variables categricas nominales:
nominales Son variables cualitativas
litativas que no permiten
establecer un orden. Ejemplo: raza (negra, blanca, trigueo, etc.), grupos
sanguneos (A,B,AB,O). Tambin son excluyentes entre si, o sea que cada
individuo pertenece a una u otra categora pero no a las dos al mismo tiempo.
Variables
bles categricas ordinales:
ordinales: Estas si permiten establecer un orden
determinado, por Ejemplo: grado de instruccin de un paciente (inicial, primaria,
secundaria, superior), nivel socioeconmico (bajo, medio, alto). etc. Tambin son
excluyentes entre si.
Escala Intervlica.. Es una escala ordinal, que se usa en mediciones de variables
continuas que adems de tener un orden tienen mantienen una equidistancia entre
s y para lo cual pueden iniciar con un cero relativo o arbitrario y mantener un
intervalo de separacin.
Ejemplo 1: temperatura, presin de vapor, grados brix,

acidez, grado alchlico, las calificaciones de un test o de
un examen de conocimientos. Estas tienen un cero elegido
arbitrariamente, por ejemplo si un alumno obtuvo un
calificativo de cero
o en un examen de matemticas I, esto
significa que no sabe nada de la materia pues con otra
prueba ms fcil podra tener otra calificacin.
19
Herramientas
Ejemplo 2.- Si tres alumnos A, B,C han obtenido los puntajes 2, 4, 16

respectivamente, no solo se verifica las relaciones 2 y 2<4<16, sino que 16
16-4 = 6
(4-2)
2) donde se puede inferir que C y B es igual a seis veces la diferencia
diferencia entre los
puntajes de B y A.
Escala de Razn o Cociente. la escala de razn es una escala de intervalo en

donde adems podemos comprobar cuantas
cuantas veces un valor de la escala es mayor
o menor que otro valor de la escala. La escala de razn tiene cero absoluto.
Ejemplo 1: Peso, talla, nmero de alumnos; en las que el cero

representa la nulidad o ausencia de lo que se estudia. Se dice
que un peso
so de 50 libras es el doble que uno de 25 libras, o
que uno de 100 libras es 4 veces mayor que uno de 25 libras.
Ejemplo 2: si tres objetos A, B y C miden 2, 4 y 16 metros, se pueden establecer
las relaciones: 2, 2 < 4 < 16, 16 - 4 = 6(4-2), y adems = 2 ;
y , es decir que la
longitud de 8 es el doble de A, el de C es 8 veces que el de A y el de C es 4 veces

que el de B.
2.2 Control de Calidad

El Control de Calidad se introduce en Estados Unidos a principios del siglo XX y
puede definirse como:
El conjunto de tcnicas y actividades de carcter operativo utilizadas para verificar los
requisitos relativos a la calidad del producto. Es la actividad tcnica y administrativa
mediante la cual: se mide las caractersticas de calidad de un producto o servicio en
uno o ms puntos de la cadena productiva, se comparan las caractersticas de un
producto con especificaciones o requisitos y se toman acciones correctivas apropiadas
cuando existe una discrepancia entre el funcionamiento real y el estndar. [4]
Lo importante del Control de Calidad es que constituye una herramienta muy eficaz
para incrementar la productividad, permitiendo elevar el nivel tcnico de la empresa,
incrementando la produccin y reduciendo los costos de operacin.
De esta forma, el propsito
psito del control de la calidad es fijar la calidad normal, mantener
y mejorar el nivel, la uniformidad y la confiabilidad de la calidad garantizando sta y
20
reduciendo los costos de fabricacin, suministrar productos a
la satisfaccin del
cliente aumentando los beneficios.
2.3 Control Estadstico de la Calidad (C.E.C)

La estadstica est formada por un conjunto de tcnicas y conceptos orientados a
la recoleccin y anlisis de los datos tomando en cuenta la variacin de los mismos.
Por su lado el Control estadstico de la calidad es la aplicacin de tcnicas
estadsticas
a procesos industriales (mano de obra,
materias
primas,
mediciones, mquinas y medio ambiente) procesos administrativos y /o

servicios con el objetivo de verificar
si todas o cada una de las partes del
proceso o servicio cumplen con las exigencias de calidad.

Control Estadstico de la Calidad es la recopilacin, anlisis e interpretacin de
datos para su uso en el control de calidad. Los elementos importantes del Control
estadstico de la calidad son el Control Estadstico de Procesos y el Muestreo de
Aceptacin
El objetivo del Control estadstico es detectar de manera rpida la ocurrencia de la
variabilidad debido a causas asignables, investigando las causas que la han producido
y de esa manera poder eliminarlas, as mismo informar sobre las causas encontradas
para la toma de decisiones oportunas, pues de lo contrario se produciran unidades de
calidad no aceptable, as mismo tiene como objetivo eliminar si es posible o al menos
reducir la variabilidad del proceso
La aplicacin de tcnicas estadsticas al control de la calidad est basada en el
estudio y evaluacin de la variabilidad existente en cualquier tipo de proceso.
2.4 La Variabilidad
La Variabilidad forma parte de nuestra vida por ejemplo el tiempo que tardamos
en llegar a nuestra casa cuando salimos de las clases de la universidad, la
temperatura del ambiente es variable de un da a otro, esta variacin tambin ocurre
en los procesos de las empresas.
21
Por ejemplo en un supermercado de Chiclayo se registra el

tiempo que los clientes esperan para ser atendidos en caja de
pago, al azar se eligen
50 clientes obtenindose los
siguientes resultados mostrados en la tabla 2.1
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min)
12,1
7,3
15,9
13,2
10,5
9,4
5,4
13,2
5,6
8,9
17,3
6,8
12,4
11,4
15,6
6,6
4,7
11,2
12,8
13.6
15,9
12,8
5,1
7,5
13,4
12,4
12,1
6,2
9,4
14,6
17,8
11,9
13,2
6,9
7,7
13,2
13,5
13,6
7,4
7,7
7,5
6,3
8,2
11,2
2.3
12,2
5,2
11,7
9,2
12,1
En este ejemplo se muestra que el promedio de espera fue de 10,4min. Pero existe
variacin ya que un cliente espero menos de 2,3 minutos y otro fue atendido despus
de 17,8 minutos de espera. De aqu que una de las tareas del Control Estadstico de
un proceso no solo ser conocer su tendencia central sino tambin su variabilidad.
En una empresa an cuando los operarios trabajen cuidadosamente, aunque tanto el

producto como el proceso hayan sido juiciosamente concebidos, aunque el
mantenimiento funcione perfectamente, dos piezas de un mismo producto fabricado
bajo las mismas condiciones no son idnticas, es decir, que existir siempre un cierto
grado de variabilidad llamada variabilidad natural del proceso.
La variabilidad natural del proceso es el efecto conjunto de numerosas y pequeas

causas difcilmente (o al menos, costosamente) eliminables (heterogeneidad en la
materia prima, cansancio en algn operario, desgastes de la maquinaria, iluminacin
irregular, variaciones en la temperatura y la humedad ambiental, imprecisiones de los
22
aparatos de medida y del operario que mide, etc) que hacen que los resultados de la
produccin no sean totalmente idnticos en todas sus unidades. Estas causas que
originan la variabilidad natural del proceso se conocen como causas comunes.
Existen otro tipo de causas que originan aumento del sesgo y/o la variabilidad y que,
en contraposicin a las causas comunes, se presentan de forma accidental son, en
general, fcilmente eliminables. Ejemplo de estas causas son errores de los operarios,
defectos en la materia prima, desajuste de mquinas, etc. A estas causas se les
denomina causas asignables, accidentales o especiales.
Por definicin, se dice que un proceso est bajo control estadstico cuando no hay
causas asignables presentes. El Control Estadstico de Procesos se basa en analizar
la informacin aportada por el proceso para detectar la
presencia de causas
asignables y habitualmente se realiza mediante una construccin grfica denominada

Grfico de Control.
Si el proceso se encuentra bajo control estadstico es posible realizar una prediccin
del intervalo en el que se encontrarn las caractersticas de la pieza fabricada.
A continuacin se presenta una tabla comparativa de las causas comunes y
especiales
Tabla 2.2 Causa comunes y causas especiales que origina la variabilidad
Causas Comunes
Causas Especiales
- Originadas por muchas fuentes de poca - Originadas

importancia.
- Tienen carcter permanente.
- Son las nicas presentes cuando el

proceso est bajo control.
- Su correccin exige actuaciones a nivel

de direccin.
pocas
fuentes
individualmente importantes.
- Tienen carcter puntual e irregular.
- Dan lugar a una distribucin estable y, - Modifican

por tanto, previsible.
por
la
produccin.
distribucin
El
proceso
de
la
es
imprevisible.
- Determinan que el proceso est fuera

de control.
- Se corrigen mediante actuaciones

locales.
23
EJERCICIOS
1. Clasifica las siguientes variables como cualitativas o cuantitativas, y a estas ltimas
como continuas o discretas:
a) Carreras que se estudian en la U.S.A.T
b) N de cartas que se escriben en un mes
c) Nmero de calzado
d) Precio de un producto.
e) Marcas de gaseosa
f) N de empleados de una empresa
g) Altura
h) Temperatura de un enfermo
2. Establecer cules de estos datos son discretos y cules continuos:

a. Temperaturas medidas en un laboratorio cada media hora.
b. Ingresos anuales de los profesores de educacin media.
c. Longitudes de 100 tornillos producidos en una empresa.
d. Nmero de estudiantes en un aula
3. Clasificar cada una de las siguientes variables:

a. Distancia diaria recorrida por cada estudiante para ir de su casa a la universidad.
b. Tiempo que requiere un estudiante para responder a un examen.
c. Llamadas que llegan a la central telefnica de USAT en un da
d. Preferencia por cierta marca de refresco.
e. Color del cabello de las estudiantes que toman el curso de estadstica en el
trimestre
f. Nmero de acciones vendidas en un da en la Bolsa de Valores.
g. Vida media de los tubos producidos por una fbrica
4. Se ha hecho un estudio para determinar la preferencia de una marca especial de

detergente por parte de las amas de casa. Entre las 50 amas de casa entrevistadas,
30 dijeron que preferan esta marca.
a. Qu constituye la muestra?.
b. Qu constituye la poblacin?.
c. Cul es la proporcin, dentro de la muestra, de las amas de casa que prefieren la
marca del detergente?.
24
5. En una fiesta, el 50% de los invitados son hombres. De todos los hombres de la
fiesta, el 40% son calvos y de ellos el 50% habla ingls. Si 4 calvos hablan ingls.
Cuntas mujeres hay en la fiesta?.
6. Para comparar la precisin de 2 instrumentos de medicin, un tcnico de laboratorio

estudia mediciones hechas con ambos instrumentos. El primero se us
recientemente para medir el dimetro de un rodamiento y las mediciones tuvieron
una media de 4,92 mm. con una desviacin estndar de 0,018 mm. El segundo se
emple hace poco para medir la longitud sin extender de un resorte y las
mediciones tuvieron una media de 2,54 pulgadas con una desviacin estndar de
0,012 pulgadas. Cul de los 2 instrumentos es relativamente ms exacto?.
7. Diego utiliza 2 mquinas diferentes para fabricar productos de salida de papel

destinadas a copiadoras. Los conductos de una muestra de la primera mquina
medan 12,2; 11,9 ; 11,8 ; 12,1 ; 11,9 ; 12,4 ; 11,3 y 12,3 pulgadas. Los conductos
hechos con la segunda mquina medan 12,2 ; 11,9 ; 11,5 ; 12,1 ; 12,2 ; 11,9 y
11,8 pulgadas. Diego tiene que utilizar la mquina que produzca conductos de
tamaos ms uniformes. Qu mquina deber utilizar?
8. Instruccin: Identificar la unidad de estudio, tipo de variable, la poblacin y la

muestra en los siguientes casos que se presentan.
La empresa MILK S.A. est realizando un estudio de mercado a nivel del
distrito de Chiclayo. En especial est considerando las familias residentes
en las Urbanizaciones cercanas al permetro de la plaza de armas de esta
ciudad.
Su inters es conocer cunto gastan semanalmente en el consumo de leche de tarro
color azul. Si Ud. fuera el encargado de realizar esta investigacin identifique:
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
25
CAPTULO III
ESTADSTICA DESCRIPTIVA
El presente captulo tiene por finalidad que el estudiante analice las principales
tcnicas para realizar un anlisis descriptivo de un conjunto de datos
donde se
determine la tendencia central la variabilidad as como la distribucin de los datos as

mismo interpretar de manera adecuada el histograma y los percentiles y un diagrama
de cajas. As mismo aplicar los conceptos para realizar una valoracin amplia de la
capacidad de un proceso.
Las variables de salida o de o de respuesta de un proceso deben de cumplir con
ciertas metas y/o
especificaciones
a fin de que sea posible considerar que el
proceso funciona de manera satisfactoria. Por ello, una tarea primordial del control de
calidad es conocer
la capacidad o habilidad de un proceso, que consiste en
determinar la amplitud de la variacin natural del proceso para una caracterstica de

calidad dada. Esto permitir saber en qu medida tal caracterstica de calidad es
satisfactoria.
En este captulo se estudiaran las principales tcnicas de la estadstica descriptiva
para el anlisis de una variable de tipo continuo. Estas tcnicas son de gran utilidad
para entender mejor la capacidad de proceso.
Capacidad de Proceso. La capacidad de proceso consiste en conocer la amplitud

de la variacin
natural del proceso para una caracterstica de calidad dada; esto
permitir saber en qu medida tal caracterstica de calidad es satisfactoria (cumple

con las especificaciones). [2]
Por lo general para realizar un estudio de capacidad se toman datos del proceso
durante un periodo considerable para que se refleje bien el desempeo del proceso.
El periodo de referencia depende de la velocidad del proceso, ya que si se trata de un
proceso masivo que produce muchas piezas por da, entonces un periodo de cuatro a
diez das, y de ah, cada determinado tiempo se toma una pequea cantidad de
productos hasta completar una muestra de 120 a 150. Pero cuando se trate de un
proceso lento, que produce poco productos por da, es necesario
incrementar el
periodo de estudio para completar una muestra de por lo menos 50 a 60 productos.

26
En ambos casos, en la medida que se tengan ms datos y un periodo ms amplio

ser posible conocer mejor el estado real del proceso
En resumen podemos decir que la capacidad de proceso Es el grado de aptitud
que tiene un proceso para cumplir con las especificaciones tcnicas deseadas.
- Cuando la capacidad de un proceso es alta, se dice que es capaz.
- Cuando se mantiene estable a lo largo del tiempo se dice que est bajo control.
- Un proceso va a estudiarse con respecto a una variable aleatoria que es el indicador
de calidad.
Para determinar si un proceso es o no capaz se pueden utilizar las siguientes

herramientas: Histogramas, Grficos de Control, Grficos de Probabilidad, Estudios de
ndices de Capacidad.
A Continuacin tenemos el siguiente ejemplo. 3.1. En un

proceso
de
envasado
de
conservas
de
esparrago,
una
caracterstica de calidad del producto es el peso neto siendo este

de 205 g con una tolerancia de 5 g. As para considerar que el
proceso de envasado
fue satisfactorio, debe estar
entre la
especificacin inferior, EI= 200 y la superior, ES= 210 g. En un

estudio de capacidad para este proceso es necesario contestar las
siguientes interrogantes:
a. Qu tipo de conserva se est produciendo en cuanto al
peso?
b. El peso medio es el adecuado?
c. La variabilidad del peso es mucha o poca?
Para contestar estas preguntas, durante una semana se obtuvieron de una lnea de
produccin
los 125 datos
de tabla
3.1. El muestreo
fue sistemtico: cada
determinado tiempo se tomaban cinco productos y se pesaba. A Continuacin se

analizarn estos datos por medio de diferentes estadsticos. (Ejemplo adaptado de
Gutirrez y De La Vara, 2009)
27
Tabla 3.1. Datos del peso de conservas de esparrago. (g)

215
210
207
206
206
205
207
210
206
209
207
203
210
207
207
210
204
209
203
209
206
208
206
207
207
207
203
206
206
207
210
208
205
203
210
207
207
207
207
208
214
206
208
206
212
213
212
209
208
209
207
206
207
208
209
213
209
206
209
210
210
209
207
209
212
209
208
201
209
209
207
209
210
207
215
206
206
210
210
206
208
211
210
212
206
205
210
202
201
208
205
205
209
203
207
207
209
210
211
213
205
203
210
204
208
205
210
205
212
206
209
207
210
214
212
209
209
207
206
208
207
209
211
210
210
Para contestar estas preguntas haremos uso de la estadstica descriptiva.
3.1. Medidas de Tendencia Central

La estadstica busca entre otras cosas, describir las caractersticas tpicas de
conjuntos de datos y, como hay varias formas de hacerlo, existen y se utilizan varios
tipos de promedios. Se les llama medidas de tendencia central porque generalmente la
acumulacin ms alta de datos se encuentra en los valores intermedios. [2]
Con las mediciones de una caracterstica de la calidad como las del ejemplo anterior
el primer objetivo es conocer la tendencia central de los datos, identificar un valor en
torno al cual los datos tienden a aglomerarse o concentrarse. esto permitir saber si el
proceso est centrado ; es decir si la tendencia central de la variable de salida es
igual o est muy prxima a un valor nominal deseado (En el ejemplo es 205 g)
Tendencia central es el valor en torno al cual los datos o mediciones de una variable
tienden a aglomerarse
o concentrarse. Las
medidas de tendencia central son
estadgrafos de posicin que son interpretados como valores que permiten resumir a
un conjunto de datos dispersos, podra asumirse que estas medidas equivalen a un
centro de gravedad que adoptan un valor representativo para todo un conjunto de
datos predeterminados.
28
Estas medidas son:

1. Promedio Aritmtico (Media o simplemente promedio)
2. Mediana
3. Moda
4. Promedio Geomtrico
5. Promedio Ponderado
6. Promedio Total
7. Media Armnica
Media muestral Promedio aritmtico
Es la medida de tendencia central que es igual al promedio aritmtico de un conjunto
de datos, que se obtiene al sumarlos y el resultado se divide entre el nmero de
datos.
Sea x1, x2, x3,. xn, son las observaciones numricas de una muestra

"#$ #
+ + +

!
!
Para calcular la media de los 125 datos que se muestran en la tabla 2.1 tendremos

215 + 210 + 207 + 210

207,9,
125
Con lo cual, el peso promedio de los conservas de la muestra es 207,9g. Esto no

significa que todos o la mayora tengan un peso de 207,9 g, es ms en el ejemplo,
ningn disco tiene tal peso. En este caso, dado que la media muestral procede de una
muestra significativamente grande que abarca el periodo de una semana, entonces
hay evidencia de que el proceso esta descentrado de forma a la derecha o hacia un
valor superior, ya que el valor objetivo para el peso es 205 g.
Media Poblacional o del proceso,

Si para calcular la media se utilizan todos los elementos de la poblacin (todos los
posibles individuos, especmenes, objetos o medidas de inters sobre los que se hace
29
un estudio), por ejemplo el grosor de todos los
discos producidos en la ltima
semana o mes, entonces el promedio calculado es la media del proceso (o media

poblacional) y se denota con la letra griega (mu).
Es importante destacar que la media del proceso es igual a cierto valor, aun no
siempre se conoce; mientras que el valor de se obtiene para cada muestra y es

diferente de una muestra a otra, ya que su valor depende de las piezas que se
seleccionan. Por lo anterior, el valor que se observa de la media muestral , por lo
general
es diferente a la media del proceso, . Luego es preciso tener cuidado con
las afirmaciones basadas en sobre la media del proceso o poblacin.
En general, lo que se observa
en los estadsticos
muestrales acerca del
comportamiento de los datos es vlido para la muestra, y en qu medida que esta

sea representativa y grande tambin tendr cierto grado de aproximacin para todo el
proceso; sin embargo es necesario utilizar tcnicas estadsticas para evaluar lo que
significan en todo el proceso. (Gutierrez y De La Vara, 2009).
Mediana o Percentil 50
Otra medida de tendencia central de un conjunto de datos es la mediana - , que es
igual al valor que divide a la mitad a los datos cuando son ordenados de menor o
mayor. As para calcular la mediana cuando el nmero de datos es impar, stos se

ordenan de manera creciente y el que quede en medio de dicho ordenamiento ser la
mediana, pero si el nmero es par, entonces la mediana se calcula dividiendo entre
dos la suma de los nmeros que estn en el centro de ordenamiento.
Podramos decir tambin que la mediana es el valor que ocupa la posicin central de
un conjunto de observaciones ordenadas. El 50% de las observaciones son mayores
que este valor y el otro 50% son menores.
La ubicacin de la mediana de n datos ordenados se determina por :
!+1
2
30
Por ejemplo si tenemos 7 datos ordenados: {5, 5, 5, 6, 7, 8, 8 }. La ubicacin de la

mediana es
./

4.
Luego el valor de la mediana es: Me=6

Si tenemos 8 datos ordenados: {2, 4, 5, 5, 6, 7, 8, 8}, la mediana se ubica en el lugar
1/

4,5.
Luego el valor de la mediana es
23
5+6
5,5
2
Para el ejemplo 2.1 tendremos la ubicacin de la mediana
5/

63, por lo tanto la
mediana es 208 g, lo cual significa que el 50% del peso de la conservas de la

muestra son menores o iguales a 208 g y que el otro 50% son mayores o iguales a
208 g.
Moda
Otra forma de medir la tendencia central de un conjunto de datos es mediante la
moda,
que es igual al dato que se repite ms veces. Si varios datos tienen la
frecuencia ms grande, entonces cada uno de ellos es una moda, y se dice que el
conjunto de datos es multimodal.
Por ejemplo se tienen, durante los ltimos 30 das que el valor de las compras en un
producto fue: { 10,2; 7,0; 7,1; 10,2; 8,3; 9,4, 9,2; 6,5, 7;1; 6,6; 7,8; 6,8; 7,1; 8,4; 9,6;
8,5; 5,7; 6,4; 10,1; 8,2; 9,0; 7,8; 8,2; 5,3; 6,2; 9,1; 8,6; 7,0; 7,7; 8,3} la moda ( Mo) es
igual a 7.1; es el valor ms frecuente, ocurre 3 veces.
En el ejemplo 3.1 de los pesos hay una sola moda y es de 207 g. Esta medicin fue la
ms fue la ms frecuente, se repiti 23 veces. De esta forma, en el ejemplo tenemos
que la media es 207,9, la mediana 208 y la moda 207. Debido a que la media es la
medida de tendencia central ms usual, en ocasiones se comete el error de creer que
31
sta divide los datos a la mitad o que es el dato ms frecuente, es decir, se confunde
el concepto de media con el de mediana y moda, respectivamente.
Un aspecto relevante es tomar en cuenta cuando se utiliza la media, es que sta
resulta afectada por datos extremos o atpicos, por ejemplo la media y la mediana
para los siguientes datos.
1 100; 1 300; 1 000 1 500, 800, 1 600, 1 100
Son promedio =1 200 y mediana -= 1 100, pero si a la lista anterior agregamos un
dato atpico (7 600) entonces : =2 000 y -= 1 200 son muy diferentes entre s,
debido a que 7 600 ha jalado a la media, y ahora que ya no es una buena medida de
tendencia central porque solo un dato est por arriba de la media. En este tipo de
casos, la mediana no es afectada por el dato atpico, lo cual tampoco ocurre cuando
la distribucin de los datos es sesgada. Por lo tanto, bajo estas condiciones, la
mediana es mejor medida de tendencia central.
Cuando la poblacin tiene una distribucin sesgada, con frecuencia la mediana resulta
ser la mejor medida de posicin, debido a que est siempre entre la media y la moda.
La mediana no se ve altamente influida por la frecuencia de aparicin de un solo valor
como es el caso de la moda, ni se distorsiona con la presencia de valores extremos
como la media.
De lo anterior se deriva que, para describir la tendencia central de los datos, es
imprescindible apoyarse tanto en la media como en la mediana y la moda. Cuando la
media es muy diferente a la mediana es seal de que existen datos atpicos o existe
un sesgo importante, por lo que ser mejor reportar como medida de tendencia
central a la mediana e investigar a que se deben los datos atpicos , ya que en
ocasiones reflejan un aspecto importante del proceso
Las medidas de tendencia central son insuficientes como criterio de calidad.

Suponga que la longitud de una pieza debe estar entre 800 5. Para ver si se
cumple con las especificaciones se toma una muestra aleatoria grande y se obtiene
que =801 y -= 800 y moda = 800
Debido a que estos estadsticos estn dentro de las especificaciones se podra creer
que proceso cumple con ests. Sin embargo, esto no necesariamente es cierto ya que
en la muestra podra haber datos desde 750 y 850 y la media de todos ellos ser 801.
32
Pero tambin podra ocurrir que el rango de variacin de los datos vaya de 797 a
803, con lo que s se cumplira con las especificaciones.
En otras palabras, las medidas de tendencia central son insuficiente como
criterio de calidad, ya que no toman en cuenta qu tan dispersos estn los
datos, un hecho vital para la calidad.
3.2 Medida de Dispersin Variabilidad.

Los estadsticos de tendencia central o posicin nos indican donde se sita un
grupo de puntuaciones. Los de variabilidad o dispersin nos indican si esas
puntuaciones o valores estn prximas entre s o si por el contrario estn
muy
dispersas.
Adems de conocer la tendencia central de un conjunto de datos es necesario
saber qu tan diferentes son entre s, es decir, es preciso determinar la variabilidad o
dispersin. Esto es un elemento vital en el estudio de capacidad de un proceso.
Las medidas de dispersin cuantifican la separacin, la dispersin, la variabilidad
de los valores de la distribucin respecto al valor central. Distinguimos entre medidas
de dispersin absolutas, que no son comparables entre diferentes muestras y las
relativas que nos permitirn comparar varias muestras.
En seguida veremos 4 formas de medir la variabilidad

Desviacin estndar muestral.
Es la medida ms usual de la variabilidad e indica qu tan esparcidos estn los
datos con respecto a la media; se denota con la letra S y se calcula, mediante
la
siguiente expresin
9 ; < + 9 ; < + + 9 ; <

78
!1
Donde , , , son las observaciones numricas de la muestra, n tamao de la
muestra y ; es la media muestral (promedio). Como se puede apreciar, S mide la

distancia que en promedio hay entre los datos y la media; por ello, entre ms grande
sea el valor S habr mayor variabilidad en los datos. La Desviacin estndar es
33
expresada en las mismas unidades de medicin que los datos (gramos, milmetros,
etc). Adems, S no muestra la magnitud de los datos, solo refleja lo retirado que estn,
los datos de la media y, al igual que sta, es afectada por datos atpicos.
Desviacin Estndar Poblacional o del proceso,

Refleja la variabilidad de un proceso. Para su clculo se debe utilizar un nmero
grande de datos que hayan sido obtenidos en el transcurso de un lapso de tiempo
amplio, se denota por la letra griega sigma . Para calcular la desviacin estndar se
emplean todos los elementos de la poblacin o proceso.
Por otra parte el cuadrado de la desviacin estndar, S2, conocido como varianza
muestral, es muy importante para propsitos de inferencia estadstica. Y en forma
equivalente 2 es la varianza poblacional.
Otra medida de dispersin es el rango o recorrido R, que es el resultado de la
diferencia entre el dato mayor y el dato menor de la muestra.
El rango mide la amplitud de la variacin de un grupo de datos, y tambin es
independiente de la magnitud de los datos; ejemplo sean los dos conjuntos de datos:
A= {10, 12, 14} y B = {159, 161, 163}
Entonces se observa que la magnitud de los datos es diferente, y eso es reflejado por
la media, que es de 12 y 161, respectivamente. Pero en cuanto a la variabilidad, los
datos de ambos conjuntos estn dispersos de la misma manera, como lo indica la
desviacin estndar que es igual a 2 en ambos casos, el rango que es de 4 para los
dos conjuntos.
El coeficiente de Variacin, CV, es una medida de variabilidad que indica la

magnitud relativa de la desviacin estndar en comparacin con la media. Es til
para contrastar la variacin de dos o ms variables que estn medidas en diversas
escalas.
7
>? 9100<
;
34
El CV es til para comparar la variacin de dos o ms variables que estn medidas en

diferentes escalas o unidades de medicin (por ejemplo, metro frente a centmetro o
metro frente a kilogramo). Este coeficiente suele interpretarse como una medicin en
trminos porcentuales de la variacin. Por ejemplo en el caso de los conjuntos de
datos Ay B que se acaban de presentar en la definicin de rango, se tiene que sus

correspondientes CV son: >?@ 100 16,66 y >?A B 100 1,242
Respectivamente, por lo que la variabilidad en los trminos relativos del CV para el

conjunto A es del 16,66%, mientras que para el conjunto B es solo de 1,242%
En caso del peso de las conservas
tenemos
que S=2,757 y S2=7,6010 R=215-
201=14 y el CV= 1,33 %. La interpretacin del rango es muy directa, ya que indica la
amplitud mxima de la dispersin; as, 14g es la discrepancia mxima que existi
entre los pesos de las conservas de la muestra. Por lo general la interpretacin de la
desviacin estndar se hace en combinacin con la media
como lo veremos en
seguida, y su interpretacin en forma individual se realiza en forma comparativa con

respecto a la desviacin estndar de otras lneas de produccin o lotes. Es necesario
tomar en cuenta, en caso de hacer estas comparaciones, que lo que se observa en
una muestra es
variable, y por lo general
pequeas
diferencias muestrales no
implican diferencias entre procesos o lotes.

Por ltimo, CV = 1,33% indica que la variacin del peso es de 1,33, lo cual puede
considerarse relativamente bajo
Relacin entre
y S (Interpretacin de la desviacin estndar)
Una forma de apreciar claramente el significado de la desviacin estndar como

medida de dispersin en torno a la media, es a travs de la relacin entre la media y
la desviacin estndar, la cual est dada por la desigualdad de Chebyshew y la regla
emprica. Dos hechos particulares que afirman la desigualdad de la muestra, y que
entre - 2S y + 2S estn por lo menos 75% de los datos de la muestra, y que entre
3S estn por lo menos 89% de stos.
En cuanto a la regla emprica se afirma que en muchos de los datos que surgen en
la prctica se ha observado por la experiencia que:
35
Entre - S
y + S est 68% de los datos de la muestra
Entre - 2S y + 2S est 95%
Entre - 3S y + 3S est 99,7%
Todos los intervalos
anteriores
son validos solo para los datos muestrales y no
necesariamente para toda la poblacin o proceso. Sin embargo, si los intervalos se

calculan con la media y la desviacin estndar del proceso poblacin, entonces sern
validos para toda la poblacin. Por lo tanto, en la medida que se tengan muestras
aleatorias grandes y representativas, los intervalos anteriores podrn dar una idea
aproximada de lo que pasa en el proceso.
Lo que afirma el teorema de Chebyshev se aplica para cualquier tipo de datos,
independientemente de su comportamiento o distribucin. Mientras que la regla
emprica, como su nombre lo dice, se obtuvo por medio de observacin emprica y es
vlida para muchos de los casos que se dan en la prctica, sobre todo si los datos
tienen un comportamiento con cierto grado de similitud
a una campana o a la
distribucin normal. De cualquier manera, ambos casos ilustran muy bien como la
desviacin estndar mide la viabilidad en torno a la media.
Al aplicar la regla emprica a los datos del grosor de los discos, se tiene que una alto
porcentaje (cercano a 99%) de las mediciones del grosor del disco vara entre 199,67
y 216,22 g, se derivar del siguiente clculo:
- 3S
207,94 - 3(2,757) = 199,67
y
y
+ 3S
207,94 + 3(2,757) = 216,22 g
Al comparar estos lmites de variacin con las especificaciones (EI=200 y Es = 210),

se aprecia que 199,67 est por abajo de la especificacin inferior, lo cual refleja la
baja capacidad del proceso de envasado para cumplir con especificaciones.
36
Lmites reales o naturales

Los lmites reales o naturales de un proceso indican los puntos entre los cuales vara
la salida de un proceso y, por lo general, se obtienen de la siguiente manera
Limite real Inferior (LRI) = - 3 y
Limite real superior (LRS) = + 3 ,
Los lmites indican de dnde a donde vara la salida de un proceso.
El clculo de estos lmites est inspirado en la regla emprica, que a su vez coincide
con la propiedad de la distribucin normal. En un estudio de capacidad, estos lmites
reales se comparan con las especificaciones para la caracterstica de calidad.
Por ejemplo si las especificaciones para una caracterstica de calidad son que sta
debe tener dimensiones de 8005; luego, la especificacin inferior es EI = 795, y la
superior es ES = 805. Si adems se sabe que la media y la desviacin estndar de
tal caracterstica de calidad son = 800,6 y =1,2, respectivamente entonces los
lmites reales son:
LRI = 800,6 - 3(1,2) =797,0
y LRS = 800,6 + 3(1,2) = 804,2
Por lo tanto, se espera que esta caracterstica de calidad vare de 797,0 a 804,2, con
una media de 800,6. Al comparar esto con las especificaciones se aprecia que los
lmites reales caen dentro de las mismas, entonces se concluye que el proceso es
capaz de cumplir con tales especificaciones.
Histogramas
Para el anlisis de un conjunto de datos la clave es conocer su tendencia
central y su dispersin, siendo el Histograma y la tabla de frecuencias mediante
los cuales se permiten visualizar estos dos aspectos de un conjunto de datos,
adems muestran la forma en que los datos se distribuyen dentro de su rango
de variacin. [2]
De manera especfica, el histograma es una representacin grfica de la distribucin
de un conjunto de datos o de una variable, donde los datos se clasifican por su
magnitud en cierto nmero de clases. Permite visualizar la
tendencia central, la
dispersin y la forma de la distribucin.
37
Comnmente el histograma se obtiene a partir de la tabla de frecuencia.

En la figura 3.1 se muestra el histograma del peso de la conservas, en la que se
aprecia que la tendencia central de los datos se ubica alrededor de 207,94 g , no se
observan datos raros o atpicos y la distribucin de los datos tiene una forma similar a
una campana.
Fig. 3.1 Histograma del peso de conservas (g)
Si en el histograma se insertan las especificaciones (200 y 210) para el peso de la

conserva se observa que la variacin de los datos (amplitud del histograma) es mayor
que las especificaciones. Pero, con respecto a 205 que es el peso ptimo, el proceso
est descentrado a la derecha, como ya se haba visto cuando se calcul la media.
Adems, el peso de las conservas no es satisfactorio, ya que la orilla derecha del
histograma debera estar alejada de la especificacin superior (ES=210), lo cual no
ocurre, cabe comentar que aunque no hay ningn dato por debajo de EI, no se debe
perder de vista que el estudio se hace a partir de una muestra, por lo tanto si se
continua tomando datos es casi seguro que se encontrarn mediciones fuera, como
lo sugiere la prolongacin de la cola derecha de la curva imaginaria que suaviza al
histograma.
38
Con base en lo anterior, la primera accin que se habra de ejecutar para mejorar la
capacidad del proceso de envasado de conservas es mejorar su proceso.
A travs del ejemplo anterior queda claro que el histograma ayuda a ver la tendencia
central de los datos, facilita el entendimiento de la variabilidad y favorece el
pensamiento estadstico, ya que de un solo vistazo se logra tener una idea acerca de
la capacidad de un proceso, se evitan tomar decisiones solo apoyndose en la media
y se detectan datos raros y formas especiales de la distribucin de los datos.
Interpretacin del Histograma

Cuando un histograma se construye de manera correcta, es resultado de un nmero
suficiente de datos (de preferencia ms de 100), y estos son representativos del
estado del proceso durante el perodo
de inters; entonces, se recomienda
considerar los siguientes puntos en la interpretacin del histograma.

1. Observar la tendencia central de los datos. Localizar en el eje horizontal o
escala de medicin las barras con mayores frecuencias. En el histograma de la
figura 3.1, una parte sustancial de las medicin es se localizan entre 205 y 214
g.
2. Estudiar el centrado del proceso. Para ello, es necesario apoyarse en el punto
anterior y observar la posicin central del cuerpo del histograma con respecto a
la calidad ptima y a las especificaciones. Por ejemplo en la figura 3.2 incisos a)
y c) se muestran procesos centrados, el primero presenta poca variabilidad, pero
el segundo ocurre lo contrario. Mientras que en los incisos b) y d) se observan
procesos descentrados, el primero con poca variabilidad y el segundo con mucha.
Aun cuando se cumplan las especificaciones, si el proceso no est centrado, la
calidad que se produce no es adecuada, ya que entre ms se aleje del ptimo
ms mala calidad se tendr. Por ello, en caso de tener un proceso descentrado
se procede a realizar los ajustes o cambios necesarios para centrar el proceso.
3. Examinar el proceso. Consiste en comparar la amplitud de las especificacin es

con el ancho del histograma. Para considerar que la dispersin no es demasiada,
el ancho del histograma debe caber de forma holgada en las especificaciones. En
la figura 3.2 incisos a) y b) hay poca variacin, mientras que en los incisos c) y d)
ocurre lo contrario.
39
4.
Analizar la forma del histograma. Al observar un histograma considerar que la

forma de distribucin de campana es la que ms se da en salidas de proceso y
tiene caractersticas similares a la distribucin normal fig 3,2 a), b), c) y d). Es
frecuente que cuando la distribucin no es de este tipo sea la seal de un hecho
importante que est ocurriendo en el proceso y que tiene un efecto negativo en la
calidad. Por ello, es necesario revisar si la forma del histograma es muy diferente
a la de campana. Algunas de las formas
tpicas que no coinciden
con una
distribucin de campana, son las siguientes.
Distribucin sesgada. Es una forma asimtrica de la distribucin de unos datos

o una variable, donde la cola de un lado de la distribucin es ms larga que la del
otro lado.
En la figura 3,2 e) se aprecia un histograma con una distribucin sesgada a la
derecha, ya que la cola derecha es ms grande que la izquierda. En trminos
generales, un sesgo es una variable de salida refleja el desplazamiento paulatino
de un proceso debido a desgastes
o desajustes; as mismo, puede indicar
procedimientos viciados en la forma de obtener las mediciones o un desempeo

especial del proceso, en el sentido que aparecen algunos valores inusualmente
altos de un solo lado de la distribucin (izquierdo o derecho). Cabe aclarar que
existen caractersticas de calidad que, por su naturaleza, tiene sesgo, como son
tiempos de vida y resistencia a la fatiga. Una forma de decidir si una distribucin
sesgada indica una situacin especial a corregir, consiste en comparar sta con
la distribucin de la misma caracterstica o de variables similares para datos
obtenidos en otro periodo de tiempo. La recomendacin general es que ante la
sospecha de que hay algo especial atrs de una distribucin con sesgo se debe
investigar si efectivamente es as
Distribucin multimodal. Es una forma de la distribucin de unos datos en la que
sea aprecia claramente dos o ms modas (picos). Por lo general, cada moda
refleja
una condicin
o realidad diferente. En la figura 3,2 f) se aprecia un
histograma en el que claramente se notan dos modas o picos que muestran dos
tendencias centrales diferentes. Este tipo de distribuciones con dos o ms modas
reflejan la presencia de dos o ms realidades o condiciones diferentes. Algunas
situaciones que originan una distribucin multimodal son:
40
a. Diferencias importantes de lote en la materia prima que utiliza el proceso,

debido a que proceden de diferentes proveedores o al exceso de variacin de
un mismo proveedor.
b. Cuando en el proceso intervienen varios operadores, con criterios o mtodos de
trabajos diferentes.
c. Las mediciones de la variable
de salida que estn
representadas en el
histograma fueron realizadas por personas o instrumentos diferentes, por lo

tanto, se utilizaron distintos criterios o instrumentos mal calibrados
d. El proceso, cuando gener los resultados de la distribucin multimodal, fue
operando en condiciones diferentes (una condicin para cada moda)
e. En general, una distribucin multimodal se debe a la presencia de fuentes de
variacin
bien definidas que deben ser identificadas y corregidas, a fin de
mejorar la capacidad del proceso correspondiente. Una forma de identificarlas

es analizar por separado los datos en funcin de diferentes lotes de materia
prima, operadores instrumentos de medicin, turnos o das de produccin etc,
para as comparar los resultados y ver si hay diferencias significativas.
Distribucin muy plana. En la figura 3.2 g) se aprecia
un histograma que
muestra una distribucin muy chata o plana y que est lejos de tener forma de
campana. Las situaciones que pueden causar esto son las mismas que las de la
distribucin multimodal, pero con la particularidad de que las diferencias
son
menos fuertes; sin embargo, afectan de manera seria la capacidad de un proceso.

Por lo tanto tambin deben ser identificadas y corregidas mediante la estrategia
recomendada antes.
Distribucin con acantilados. En el histograma de la figura 2.2h) se observa un
acantilado derecho, que es una suspensin o corte muy brusco en la cada de la
distribucin. Alguna de las posibles causas que motivan la presencia de un
acantilado son : un lote de artculos previamente inspeccionados al 100% donde
se excluyo a los artculos que no cumplen con alguna medida mnima o que
exceden una medida mxima (como en la figura ), problemas con el equipo de
medicin , errores en la medicin
o inspeccin (cuando el inspector est
predispuesto a no rechazar un artculo y observa que est casi cumpla con los
41
requisitos, registra la medida mnima aceptable). En general, un acantilado es

anormal y, por lo tanto, se debe buscar la causa del mismo.
5. Datos raros o atpicos. Medicin cuya magnitud es muy diferente a la generalidad
de las mediciones del conjunto de datos correspondientes. Una pequea cantidad
de m ediciones muy extremas o atpicas son identificadas con facilidad mediante
un histograma, debido a que aparecen una o ms barras pequeas bastante
separadas o aisladas del resto. Un dato raro refleja una situacin especial que se
debe investigar, y entre las posibles causas estn las siguientes:
-
El dato es incorrecto, ya sea por error de medicin, de registro de dedo cuando

fue introducido a la computadora.
- La medicin fue realizada sobre un artculo o individuo que no forma parte del
proceso o poblacin a la que pertenece al resto.
- Si han sido descartadas las dos situaciones anteriores, entonces la medicin se
debe a un evento raro o especial. Es decir, cuando se hizo la medicin, en el
proceso estaba ocurriendo una situacin especial o fuera de lo comn.
6. Estratificar. Consiste en clasificar y analizar datos de acuerdo a las distintas
fuentes de donde proceden, como por ejemplo por mquinas, lotes, proveedores,
turnos, etc. En ocasiones en el histograma no se observa ninguna forma particular
pero existe mucha variacin y, en consecuencia, la capacidad del progreso es baja.
Cuando los datos proceden de distintas mquinas, proveedores, lotes, turnos u
operadores, puede encontrarse informacin valiosa si se hace un histograma por
cada fuente (estratificar), con lo que se podr determinar cul es la mquina o el
proveedor ms problemtico
De acuerdo a los puntos anteriores, es recomendable que siempre que se realice un
estudio de la salida de un proceso se utilice el histograma y ste se interprete a
detalle. De esa manera ser posible detectar situaciones problemticas y posibles
soluciones para las mismas. Adems ser una forma concreta de que los datos y
mediciones
sobre los procesos, que
informacin til
en ocasiones
para la toma de decisiones
abundan, se conviertan en
y acciones. Ser necesario tener la
precaucin de que el histograma se haya obtenido de manera correcta, sobre todo el

nmero de clases y la cantidad de datos.
42
Herramientas
a. centrado con poca variabilidad
c. Centrado
rado con mucha variabilidad
b. Descentrado con poca variabilidad
d. Descentrado con mucha

variabilidad
e. con sesgo a la derecha
f. bimodal
40
40
30
30
20
20
10
10
4
g. achata
10
12
14
16
10
12
14
16
h. acantilado derecho
Figura 3.2 Interpretacin de los histogramas [2]
43
Limitaciones del Histograma

Aunque el histograma es una herramienta fundamental para analizar el desempeo
de un proceso, tiene algunas limitaciones
1. No considera
el tiempo en el que obtuvieron los datos; por lo tanto con el
histograma es difcil detectar tendencias que ocurren a travs del tiempo. Por lo
tal razn , no ayuda a estudiar la estabilidad del proceso en el tiempo, lo cual se
analiza por medio de cartas de control.
2. No es la tcnica ms apropiada para comparar de manera prctica varios procesos
o grupo de datos, en esos casos, el diagrama de caja o las grficas de medias son
ms apropiados.
3. La cantidad de clase o barras influye en la forma del histograma, por lo que una
buena prctica es que a partir de la cantidad de clase que de manera inicial
sugiere un software, se analice el histograma con un numero de clases, a fin de
verificar si se observa algo diferente.
3.3 Medidas de Forma

Como se mencion en la seccin anterior, un aspecto relevante en el anlisis de
un conjunto de datos o una variable es estudiar la forma de su distribucin. Entre ellos
tenemos el sesgo y la curtosis.
Sesgo o asimetra
Es una medida numrica de la asimetra en la distribucin de un conjunto de datos.
Evala el grado de distorsin o inclinacin que adopta la distribucin de los datos
respecto a su valor promedio tomado como centro de gravedad.
73D,E
!. "#$9#G <
9! 1<9! 2<7
73D,E3DHI!JIKLMIJE
D3D,E
N6
!
44

Donde n es el tamao de la muestra, S la desviacin estndar y es la media
muestral.
El signo del sesgo indica el lado para el que la cola de la distribucin es ms larga, ya
sea hacia la izquierda (signo -) o hacia la derecha ( signo +) . Para los datos que
siguen una distribucin normal, el valor del sesgo estandarizado debe caer dentro de (2, +2), por lo que si n es grande ( n > 100) y es el sesgo estandarizado esta fuera de
tal intervalo, ser una evidencia de que la distribucin de los datos
tiene un sesgo
significativamente diferente al de la distribucin normal o, en otras palabras, que la

distribucin de los datos no es normal.
En los datos del ejemplo 3.1 del peso de conservas, el sesgo= 0,052 y el sesgo
estandarizado =0,237, indican una distribucin bastante simtrica. Adems, dado el
tamao de la muestra y como el sesgo estandarizado esta dentro del intervalo [-2,
+2], entonces es una evidencia a favor de que los datos provienen de una distribucin
normal.
Tabla 3.2 Tabla de simetra _valor del sesgo
Una medida para determinar que tan elevada o plana (achatada o pcuda) es la
distribucin
de ciertos datos, tomando como referencia la distribucin normal, se
obtiene a travs
del estadstico Curtosis
y del coeficiente de curtosis
estandarizado.
45
Curtosis
Estadstico que mide qu tan elevada o plana es la curva de la distribucin de unos
datos respecto a la distribucin normal. (Evala el grado de apuntamiento de la
distribucin).
OPKHEDLD
39! 1<
!9! + 1< "#$9# ; <Q
Q
9! 2<9! 3<
9! 1<9! 2<9! 3<7
OPKHEDLD3DHI!JIKLMIJE
OPKHEDLD
N24
!
Tabla 3.3 Tabla de apuntamiento _valor de la curtosis
Ku =0,262
Ku> 0,263
Ku> 0,263
Mesocurtica
Leptocrtica
Platicrtica
Donde:
n = tamao de la muestra
S = desviacin estndar y
= la media muestral
Si el signo es de la curtosis es positivo indica que la curva de distribucin de los datos

es ms empinada o alta (picuda) en el centro y con colas relativamente largas; ambos
aspectos se refieren a la distribucin normal. Pero si es signo es negativo, se tendr
una curva ms aplanada y con colas ms cortas con respecto a la normalidad. Para
46
los datos que siguen una distribucin normal el valor de la curtosis estandarizada
debe estar dentro de (-2, +2), por lo que si n es grande (n>100) y el estadstico cae
fuera de este intervalo, ser una evidencia de que la distribucin de los datos no es
normal.
En los datos del ejemplo 3.1 del peso de las conservas, curtosis = 0,249 y curtosis
estandarizado= 0,568, lo cual indica una distribucin muy similar a la distribucin
normal. As tanto para la curtosis como para el sesgo, hay evidencia a favor de que
los datos provienen de una distribucin normal.
3.4 Medidas de Localizacin

Cuantiles (percentiles)
Los cuantiles
son medidas
de localizacin que dividen un conjunto de datos
ordenados en cierto nmero de grupos o partes que contienen la misma cantidad de

datos.
Por ejemplo
si los datos ordenados
se dividen en 3 partes, entonces a los
correspondientes cuantiles se les conoce como terciles, pero si se divide en 4 partes

se le denomina cuartiles, en cinco quintiles, si la divisin es en 10 partes tendremos
los deciles. De esta manera, los cuantiles de una distribucin o de un conjunto de
datos son medidas de localizacin relativa que ayudan a complementar la descripcin
de la distribucin de una caracterstica de calidad. De esta manera ms formal, sea
x1, x2,x3.xn un conjunto de n mediciones ordenadas en forma creciente, se define su
percentil p como el valor x tal que p% de las mediciones es menor o igual a x, y el
(100 p)% mayor o igual. [2]
A manera de ejemplos, a continuacin se muestran varios percentiles para los datos
del peso de las conservas
1.0% = 201
5,0% = 203
10,0% = 205
25,0% = 206
50,0% = 208
75,0% = 210
47
90,0% = 212
95,0% = 213
99,0% = 215
Se observa que el primer decil o percentil 10 es igual a 205 eso quiere decir que 10%
de las mediciones de la tabla 3.1 son menores o iguales a 205. El decil cinco o
percentil 50 que corresponde a la mediana es igual a 208. Mientras que el percentil
95 es igual a 213, lo cual que 95% de las mediciones son menores o iguales que 213
Cuartiles
Los cuartiles son iguales a los percentiles 25, 50, 75 y sirven para separar por
magnitud la distribucin de unos datos en cuatro grupos, donde cada uno contiene
25% de los datos.
Al percentil 25 se le conoce como primer cuartil o cuartil inferior Ci, mientras que la
mediana es el percentil 50 corresponde al cuartil medio Cm, y el percentil 75 es el
cuartil superior Cs o tercer cuartil.
El clculo de estos estadsticos se realiza mediante cualquier software
moderno
estadstico.
En el caso de los datos del ejemplo 3.1 del peso de las conservas Ci=206, Cm=208 y
Cs =210. De aqu que el 25% de los datos sea menor o igual a 206.
Diagrama de Cajas
El diagrama de caja es otra herramienta que sirve para describir el comportamiento de
los datos y es de suma utilidad para comparar procesos, tratamientos y, en general,
para hacer anlisis por estratos (lotes, proveedores, turnos, etc). [2]
El diagrama de cajas es una grafica de la distribucin de un conjunto de datos que
se basa en los cuartiles. Es de gran utilidad para hacer anlisis comparativos. Este
diagrama divide los datos en 4 grupos que contienen cada uno 25% de las
mediciones. De esta forma es posible visualizar dnde termina de acumularse 25%
de los datos menores , y a partir de donde se localiza 25 % de los datos mayores en
entre estos dos cuartiles se ubica el 50% de los datos que estn al centro . Pero
adems de los cuartiles estn involucrados los siguientes conceptos.
48
Rango Intercuartiltico Rc = Cs - Ci
Barrera interior izquierda = Ci 1.5 Rc e interior derecha Cs + 1.5 Rc
Barrera exterior Izquierda = Ci 3 Rc y exterior Cs + 3 Rc
En la figura 3.3 se muestra el diagrama de caja para los datos del peso de las
conservas.
Fig. 3.3 diagrama de cajas para pesos de conservas
Interpretacin del diagrama de caja

-
El largo del diagrama (que incluye el rectngulo ms ambos brazo), ya que

esto indica una medida de la variacin de los datos y resulta de gran utilidad
sobre todo para comparar
la variacin entre procesos, lotes o turnos
de
trabajo o produccin, en general entre ms largo sea este diagrama indicar

una mayor variacin de los datos correspondientes.
La parte central del diagrama indica la tendencia central de los datos, por lo
que tambin ayudar
a comparar dos o ms procesos, maquinas, lotes o
turnos en cuanto a su tendencia central.
49
Comprar de manera visual la longitud de los brazos, si uno es notoriamente

ms largo que el otro, entonces la distribucin de los datos quizs este
sesgada en direccin del brazo ms largo. Tambin es preciso observar la
ubicacin de la lnea mediana que parte la caja , ya que si est ms cerca de
uno de los extremos , ser seal de un probable sesgo en los datos.
En caso de que el diagrama est basado en una cantidad suficiente de datos

(ejemplo 10 como mnimo), es necesario ver si hay datos fuera de las barreras
interiores , marcados con un punto, ya que entre ms alejado este un dato del
final del brazo, ser seal de que probablemente sea un dato atpico. Si los
datos caen mas all de las barreras exteriores, prcticamente es un hecho
que tales datos son atpicos.
3.5 Estudio Real de Capacidad.

Tomando el ejemplo de los pesos de la conserva se determinar la capacidad de
proceso. (Tabla 3.1)
Figura. 3.4 Histograma del peso de conservas

En la tabla se muestran los aspectos ms relevantes para evaluar la capacidad del
proceso para cumplir con las especificaciones del peso de conservas.
50
Tabla. 3.4. Anlisis de la capacidad del proceso

Estadstico
Anlisis y comentario
de - Las medidas de tendencia central Proceso descentrado con
Medidas
tendencia central

Conclusiones
=207,94
son relativamente cercanos

- 50%
Mediana= 208
de las 125
=207,94 g
mediciones fue
mayor o igual a 208 g.
Moda =207
- El peso ms frecuente fue de 207g.

La
Desviacin
estndar
se espera proceso
- En forma aproximada
que el peso de las conservas vare por
S=2,757
variacin
lo
es
real
del
demasiado,
que
se
est
entre 207,94 8,27 (199,67 a 216,2 fabricando producto fuera

Lmites reales
g ). La amplitud de esto lmites es de las especificaciones
aproximados
mayor a la variacin
3S
tolerada (5
g).
LR inf = 199,67
Ambos lmites estn fuera de las
LR Sup= 216,22
especificaciones, por lo que se

estn pesando conservas que no
cumplen con las especificaciones.
Grfica
de
la
- La distribucin se ajusta de forma
capacidad
razonable
(histograma)
observa
a la normal
ningn
y no se Hay mucha variacin en el
comportamiento proceso
especial.
- La
tendencia
central
se
ubica
alrededor de 207 y el cuerpo del

histograma est descentrado con
respecto a las especificaciones..
Conclusiones Finales:
- Para reducir la variabilidad se debe encontrar que aspectos de las 6M estn
distribuyendo ms al exceso de variacin. Esto se realiza estratificando (
separando) los datos por turno , por lote, por condiciones del proceso. Etc.; al hacer
el anlisis es preciso ver si hay diferencias importantes de un estrato a otro. De ser
as, se deben tomar las medidas necesarias para hacer ms homogneos los
estratos.
- Otra posibilidad es analizar a detalle los patrones de comportamiento del proceso
apoyndose
en la carta X-R, y ver si hay patrones en funcin de turnos,
operadores, lotes, etc.
51
En la tabla se muestras los aspectos ms relevantes para evaluar la capacidad del

proceso, de acuerdo con el anlisis realizado, se concluye
que el proceso est
descentrado y que la variacin es grande, por lo que la capacidad real del proceso es
mala. Se deben seguir las recomendaciones dadas al final de la tabla para reducir la
variabilidad y de esa forma mejorar la calidad del peso.
Ejercicios
1. Si una caracterstica de calidad debe estar entre 30 2, y se sabe que su media es
=29,9; entonces Se tiene buena calidad, se cumple con las especificaciones?
2. De qu manera afectan los afectan los datos raros atpicos a la media?. Explique
su respuesta.
3. En empresa se llevan los registros del nmero de fallas de equipos por mes; la
media es de 4 y la mediana de 6.
a. Si usted tiene que reportar la tendencia central
de fallas qu nmero
reportara?por qu?
b. La discrepancia entre la media y la mediana se debi a que durante varios
meses ocurrieron muchas fallas?.
2. Una gran compaa llev a cabo un estudio para ubicar las variables que pudieran
determinar el sueldo de un egresado universitario dos aos despus de haberse
graduado como ingeniera industrial. Los datos recogidos se presentan en la siguiente
tabla.
Tabla 3.5. Caractersticas de los egresados universitarios
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Edad
Sexo
24
25
26
27
27
27
27
25
23
24
26
29
25
31
26
F
M
M
F
M
F
M
F
M
M
F
F
M
F
M
E. Civil
C
C
S
C
D
C
S
C
S
S
C
D
C
D
S
Ingls
A
M
B
B
A
M
A
B
B
B
M
M
A
A
B
Sueldo
2750
2900
2900
2800
2100
2050
2500
2300
1800
2080
2200
2000
2150
2550
2020
52
16
17
18
19
20
24
26
28
25
29
F
F
F
M
M
D
C
S
C
C
M
B
M
B
M
2400
2700
2900
2050
2100
a) Utilice la tcnica de estadstica descriptiva ms apropiada para analizar cada

variable individualmente. Interprete lo obtenido.
b) Realice diagramas de cajas que le ayuden a visualizar como influye cada una de las
variables en el sueldo que gana el individuo.
c) Como futuro Ingeniero industrial, cul sera la(s) caractersticas que usted debera
tomar en consideracin para obtener el sueldo al que usted aspirara al egresar?
4. Dos mquinas, cada una operada por una persona, son utilizadas para cortar tiras
de hule, cuya longitud ideal es de 200mm, con una tolerancia de 3 mm. Al final del
turno
un inspector toma una muestra e inspecciona que la longitud cumpla
especificaciones. A continuacin
se muestran las 110 mediciones para ambas
mquinas.
199,2
199,7
201,8
202,0
201,0
201,5
200,0
199,8
200,7
201,4
200,4
201,7
201,4
201,4
200,8
202,1
200,7
200,9
201,0
201,5
201,2
201,3
200,9
200,7
200,5
201,2
201,7
201,2
201,2
200,5
200,1
201,4
200,2
201,0
201,4
201,4
201,1
201,2
201,0
200,6
202,0
201,0
201,5
201,6
200,6
200,1
201,3
200,6
200,7
201,8
200,5
200,5
200,8
200,3
200,7
199,5
198,6
200,3
198,5
198,2
199,6
198,2
198,4
199,0
199,7
199,7
199,0
198,4
199,1
198,8
198,3
198,9
199,6
199,0
198,7
200,5
198,4
199,2
198,8
198,5
198,9
198,8
198,7
199,2
199,3
199,7
197,8
199,9
199,0
199,0
198,7
199,1
200,3
200,5
198,1
198,3
199,6
199,0
199,7
198,9
199,2
197,9
200,3
199,6
199,4
198,7
198,5
198,7
198,6
198,5
a. Obtenga las medidas de tendencia central y con base en ellas seale si la

tendencia central del proceso es adecuada.
b. Calcule la desviacin estndar y una aproximacin de los lmites reales, y a
partir de stos decida si la variabilidad de los datos es aceptable.
c. Con todos los datos, realice el anlisis de capacidad del proceso y de sus
conclusiones.
53
CAPTULO IV
SPSS
Actualmente para analizar los datos obtenidos de control de calidad contamos con
innumerables software entre ellos tenemos el Minitab, Stat Graphic, SPSS, entre otros.
Statistical Package for the Social Sciences (SPSS) es un programa estadstico
informtico muy usado en las empresas de investigacin de mercado. En la actualidad,
la sigla se usa tanto para designar el programa estadstico como la empresa que lo
produce.
Respecto a sus versiones el SPSS hay ido mejorando siendo actualmente la ms
usada la versin diecinueve, aunque la versin veinte ya est a disposicin.
Este software permite utilizar algunas herramientas para el control estadstica de
calidad. A continuacin explicaremos el uso de este software usando la versin19.
Luego en cada captulo se utilizar de acuerdo a la herramienta usada.
4.1 Ejecucin del SPSS.

Para ejecutar el SPSS primero se debe ubicar el programa en el icono de Windows
Figura 4.1.Inicio de Ejecucin SPSS
54
Hacer click con el cono correspondiente al programa, luego aparecer la siguiente

pantalla, dar clip en cancelar para poder acceder a la hoja de conjunto de datos.
Figura 4.2.Inicio del SPSS
En figura 4.3 se muestra la ventana y en la parte inferior se muestran la pestaa de

vista de datos y vista de variables.
Figura 4.3.Vista de datos y vista de variables
55
4.2. Ventana Para la Definicin de Variable

Para ingresar a esta ventana damos clip en la pestaa de vista de variables de donde
se obtiene la siguiente ventana.
Figura 4.4.Vista de variables
En esta ventana (figura 4.4) se define las variables a analizar, encontramos el nombre
de la variable, tipo, anchura, decimales, etiqueta, valores, perdidos etc.
A manera de ejemplificar el nombre de la variable es el peso de conserva en item de

nombre no acepta espacio por lo que se puede abreviar y en etiqueta se puede
ingresar el nombre completo de la variable. Por lo que el nombre ser pesocons.
Figura 4.5. Ingreso de variables
56
Para poder observar los tipos de variables damos clip en los puntos suspensivos y
tenemos la pantalla en la cual muestra los tipos de variables, aqu se debe escoger el
tipo de variable, puede numrica, si se inserta un valor numrico pero si se inserta una
letra o palabra se puede escoger de cadena adems se puede escoger otro tipo de
variable.
Figura 4.6. Tipo de variables
En esta ventana (figura 4,7) se puede incluir el ancho los dgitos que tendr variable
En nuestro ejemplo como las variables es peso la variable es numrica y tendr tres
dgitos con cero decimales.
Figura 4.7. Tipo de variables: anchura
57
En etiqueta de valor se coloca el nombre completo de la variable (peso de conserva)
Figura 4.8. Etiqueta de valor
Para el uso de este tem, esta es utilizada cuando se desea colocarle un valor a la
variable, para la variable peso no se tendrn valores pero por ejemplo para la variable
sexo que siendo una variable cualitativa se codificar como numrica colocando
valores de ( 1 Femenino y 2 Masculino), para realizarlo se da un clip en los tres puntos
Figura 4.9. Etiqueta

Al dar clip obtenemos la siguiente ventana en valor se coloca el nmero asignado a la
variable ejemplo 1 y en etiqueta el nombre femenino y luego dar clip en agregar.
Figura 4.10. Etiquetado de variables
58
Luego 2 en valor y en etiqueta masculino y luego dar clip en aceptar.
Figura 4.11. Etiquetado de valor

Adems existen otros tems como alineacin, medida, en alineacin se puede escoger
de acuerdo a la preferencia; en medida se puede escoger si esta de escala, ordinal o
nominal.
Figura 4.12. Medida
As sucesivamente se pueden ingresar las variables a analizar. Una vez que se tiene
completo las variables se pueden ingresar los datos de estas variables
59
4.3 Ventana de Ingreso de Datos

Para ingresar a la siguiente ventana, dar clip en la pestaa de vista de datos
Figura 4.13. Vista de datos
Como se puede ver en la parte superior se observan las variables a analizar, es en

esta ventana donde se pueden introducir los datos.
En la variable peso se introduce los valores de los peso respectivo, y en la variable
sexo se colocara 1 o 2 dependiendo del sexo del trabajador. Ver Figura 4.12
Figura 4.14. Ingreso de datos.
60
Si se desea observar el nombre del sexo se debe de seguir el siguiente procedimiento

Ir a tem de ver y dar clip luego colocar el Check( ) en etiqueta de valor.
Figura 4.15. Etiquetas de valor
Luego de esto se observan los datos de la siguiente manera
Figura 4.16. Vista de datos final
61
4. 4 Guardar Datos y Resultados

Para guardar el archivo de datos ir a Archivo y dar clip en guardar
Al dar en guardar se obtiene la siguiente ventana, se puede ubicar la carpeta donde

se desea guardar el archivo, luego en nombre de archivo colocar el nombre respectivo
del archivo en este caso el nombre ser prctica luego dar clip en guardar.
Figura 4.18. Guardar archivos en carpetas
62
Al dar clip se guardar el archivo con el nombre respectivo luego se genera la

siguiente pantalla, se generara una ventana de resultados
Figura 4.19. Archivo guardado 1
Figura 4.20. Archivo guardado 2
63
La ventana de resultados puede guardarse de la misma manera que los datos.
Figura 4.21.Guardar resultados

En este archivo se guardaran los resultados obtenidos del anlisis.
4.5. Abrir Archivo de Datos o Resultados

Para abrir archivos de datos o de resultados debemos ir a archivo y dar clip luego
escoger si se desea abrir archivos de datos o de resultados.
Figura 4.22 Abrir archivos

Si deseamos abrir un archivo de datos se da clip en datos y se obtiene la siguiente
ventana, se busca el archivo que se desea abrir y se da clip en abrir
64
Figura 4.23.Abrir archivos de datos
4.6. Anlisis de Resultados

Una vez realizada la base de datos se debe realizar el anlisis respectivo. Para el
anlisis respectivo ir a Archivo y luego escoger lo que se desea analizar
Figura 4.24 Anlisis de resultados
65
Ejemplo 4.1
A continuacin se muestra un cuadro con
variables y datos
realizados en una
investigacin. Se les solicita realizar el anlisis respectivo con el SPSS. Adems se le

dan las siguientes indicaciones.
Variables: id, sexo, estado civil, edad, peso, altura.
Sexo: (1= Masculino; 2=Femenino)
Lugar de procedencia: ( 1= Chiclayo; 2= Ferreafe; 3= Lambayeque)
Estado Civil: (1=Soltero; 2 = Casado; 3 = viudo).
Tabla 4.1 Data de la investigacin

n de
casos
lugar de
id
Sexo
procedencia
estado
edad
peso
altura
civil
1
exped09
45
72
168
exped10
28
78
171
exped11
35
68
174
exped12
60
64
166
exped13
26
71
164
exped14
30
63
156
exped15
28
53
158
exped16
33
57
155
Solucin
1. Generar la base de datos iniciando la vista de variables teniendo en cuenta las
indicaciones tanto en nombre de las variables as como la codificacin respectiva
de sexo, lugar de procedencia, para esto se deben seguir los pasos indicados
anteriormente.
66
Iniciamos abriendo el programa luego en la ventana vista de variables, colocar las

variables que se analizarn. En la siguiente pantalla se muestra la
vista de
variables.
Figura 4.25 Generacin de vista de variables

2. Una vez definida las variables ingresamos a la ventana de ingreso de datos que se
muestran en la tabla anterior 4.1.
Figura 4.26. Ingreso de datos
67
Si deseamos ver el nombre de los valores debemor ir a ver y dar Check () en
etiqueta de valor.
Figura 4.27. Etiqueta de valor de la base de datos
Figura 4.28. Base de datos

Como se observa en la pantalla (figura 4.28) ahora se muestra el tipo de sexo, el
lugar de procedencia y el estado civil.
68
3. Grabar el archivo dndole un nombre adecuado segn caractersticas o

investigacin que se est realizando, buscando una carpeta donde crea Ud.
Conveniente guardarlos ya que el SPSS por defecto lo guarda en su archivo de
programa. Para este caso se llamar ejemplo1.
Figura 4.29. Guardar archivo

4. Estando lista la base de datos, se procede a encontrar los diferentes estadsticos
necesarios.
5 . Pasos a Seguir Para el Anlisis.
Una vez ingresado los datos al SPSS, se procede a realizar los anlisis
estadsticos. Se realizar un anlisis Estadsticos descriptivo (frecuencias)
Figura 4.30. Anlisis _Estadsticas_frecuencias
69
Al dar clip en frecuencia se obtienen la siguiente pantalla.
Figura 4.31. Anlisis_Estadsticas_frecuencias

Si se pasan las variables a la ventana de dialogo y si se desea encontrar estadsticas y
grficos, dar clip .
Figura 4.32. Frecuencias_ estadsticas

Como se puede observar en esta pantalla [(Figura 4.31) podemos elegir medidas de
tendencia central, de dispersin, distribucin o valores percentiles.
70
Ahora si damos clip en grficos obtenemos la siguiente pantalla en esta ventana se

puede escoger el tipo de grfico que se desea obtener tales como grfico de barras,
grfico de sectores, histogramas.
Figura 4.33. Frecuencias: Grficos

Tambin se puede realizar el anlisis estadstico descriptivo : opcin explorar :
Dar clip en explorar
Figura 4.34. Anlisis descriptivo opcin explorar
71
En lista de dependiente tenemos el peso y en lista de factores sexo
Figura 4.35. Anlisis descriptivo opcin explorar: variables
Dar clip en estadstico o grficos segn lo que se desea, hacer click en Descriptivos y
luego dar clip en continuar. Ver figura 4.36
Figura 4.36. Anlisis descriptivo opcin explorar : Estadsticos
72
En grficos se obtiene las siguiente pantalla, en este se puede escoger diagrama de

de tallo , histograma etc, luego de escoger lo deseado dar clip en continuar.
Figura 4.37. Anlisis descriptivo opcin explorar : grficos
Finalmente dar clip en aceptar y esperar los resultados ver figura 4.38
Figura 4.38. Generacin del anlisis descriptivo
73
Al aceptar se obtienen la ventana de los resultados como se muestra en la siguiente

pantalla.
Figura 4.39. Generacin de resultados del anlisis descriptivo
Si de desea extraer los datos y copiar en word lo que puede realizar es el siguiente
paso: seleccionar, dar anticlip y en la pantalla obtenida clip en copiar.
Figura 4.40. Presentacin de resultados del anlisis descriptivo
74
Luego se puede abrir el Word, se pueden copian y pegar los resultados, finalmente
se muestran los resultados obtenidos y copiados en word
Figura 4.41. Pegado de los resultados del anlisis descriptivo
Figura 4.42. Resultados del anlisis descriptivo pegados en Word.
75
Ejemplo 2.
Tomando el ejercicio 3.1 del captulo anterior, se obtendrn los resultados mediante el
uso del SPSS.
En un proceso de envasado de conservas de esparrago, una caracterstica de calidad
del producto es el peso neto siendo este de 205 g con una tolerancia de 5 g. As
para considerar que el proceso de envasado fue satisfactorio, debe estar entre la
especificacin inferior, EI= 200 y la superior, ES= 210 g.
Tabla 4.2. Datos del peso de conservas de esparrago (g)
215
210
207
206
206
205
207
210
206
209
207
203
210
207
207
210
204
209
203
209
206
208
206
207
207
207
203
206
206
207
210
208
205
203
210
207
207
207
207
208
214
206
208
206
212
213
212
209
208
209
207
206
207
208
209
213
209
206
209
210
210
209
207
209
212
209
208
201
209
209
207
209
210
207
215
206
206
210
210
206
208
211
210
212
206
205
210
202
201
208
205
205
209
203
207
207
209
210
211
213
205
203
210
204
208
205
210
205
212
206
209
207
210
214
212
209
209
207
206
208
207
209
211
210
210
Solucin
Primero se debe de identificar la variable a analizar en este caso sera el peso de la
conserva, luego escribirla en vista de variables.
76
Luego ir a vista de datos para ingresar los datos de peso de conserva al final
obtendremos la siguiente pantalla.
Figura 4.43. Base de datos.
Luego realizar el anlisis estadstico descriptivas dar clip en frecuencias
Figura 4.44. Anlisis estadstico descriptivo

Luego traspasar la variable como es en este caso el peso de la conserva (g), luego
dar clip en estadsticos, y finalmente
escoger las medidas de tendencia central,
dispersin, distribucin y valores de percentiles. Finalmente dar clip en continuar
77
Figura 4.45. Anlisis estadstico descriptivo frecuencias: Estadsticos

Lo mismo se puede realizar con los grficos, escoger en tipo de grficos histograma ,
dar check en mostrar curva normal en el histograma.
Figura 4.46. Anlisis estadstico descriptivo frecuencias: Grficos

Finalmente se obtendrn los siguientes resultados
78
Frecuencias : Tabla N 4.4: Resultados obtenidos con el SPSS

Estadsticos
peso de la conserva (g)
N
Vlidos
Perdidos
Media
125
3
207,94
Error tp. de la media

Mediana
,247
208,00
Moda
207
Desv. tp.
2,757
Varianza
7,602
Asimetra
,052
Error tp. de asimetra
,217
Curtosis
,249
Error tp. de curtosis
,430
Rango
14
Mnimo
201
Mximo
215
Suma
Percentiles
25993
10
205,00
20
206,00
25
206,00
30
207,00
40
207,00
50
208,00
60
209,00
70
209,00
75
210,00
80
210,00
90
212,00
79
Histograma
Figura 4.47. Histograma de peso de conservas (g)

Tambin se puede obtener el grfico de cajas siguiendo la siguiente pantalla
Figura 4.48. Generacin del diagrama de cajas
80
Figura 4.49. Diagrama de cajas:
Luego dar clip en definir pasar la variable al recuadro de Cajas de representan y dar
clip en aceptar .Observar la siguiente pantallas y esperar el resultados
Figura 4.50. Diagrama de cajas: definicin del diagrama
81
Figura 4.51. Diagrama de cajas: resultados
El grfico obtenido es
Figura 4.52. Diagrama de cajas de los pesos de las conservas (g)
82
Si deseamos girar el grfico se pueden seguir los siguientes pasos

Paso 1. dar doble clip sobre el grfico al realizar esta accin obtendremos la siguiente
pantalla, en esta pantalla dar clip en trasponer sistema de coordenadas.
Figura 4.53. Edicin del Diagrama de cajas: Paso 1

Al trasponer el sistema de coordenadas tendremos el siguiente resultado
Figura 4.54. Edicin del Diagrama de cajas: trasponer
83
Paso 2: Si se desea modificar el grfico ya sean en tamao de letra, color, etc , se

realiza la misma accin dar doble clip e ir a la pantalla siguiente y en ella realizar los
cambios requeridos ejm en este caso se cambiara de color y tamao de letra.
En esta misma pantalla da doble clip y obtener la siguiente ventana en esta tendremos
las propiedades del grfico tales como Tamao del grafico, relleno y borde, categoras
opcin de las barras y variables , aqu cambiaremos el color de grafico.
Figura 4.55. Edicin del Diagrama de cajas: trasponer
Para este ejemplo se cambio el color, escogiendo el color blanco para realizar esto se
debi escoger el color y luego dar clip en aplicar.
Figura 4.56. Edicin del Diagrama de cajas: cambio de color
84
Finalmente se no se desea realizar ms cambios dar clip en cerrar.
Figura 4.57. Edicin del diagrama de cajas: cambio de color.
Ahora para cambiar el tipo, tamao de los nmeros se da clip en estos.
Figura 4.58. Edicin del diagrama de cajas: tamao de letra, nmeros
85
Al Dar clip se obtiene la siguiente pantalla
Figura 4.59. Edicin del diagrama de cajas: estilos de texto
En esta ventana se puede realizar los cambios que se requiera ya sea estilo de texto,
escala, etc. Para ingresar a escala solo debemos darle clip a la pestaa, en ella se
puede
modificar el mximo, mnimo, incremento etc. Luego de escoger dar clip en
aplicar y finalmente en cerrar. En esta ventana se modifico el incremento de 3 a 1.
Figura 4.60. Edicin del diagrama de cajas: escala
86
Figura 4.61. Diagrama de cajas editado
De la misma manera se pueden realizar las modificaciones necesarias a los grficos.

Por ejemplo en el histograma anteriormente obtenido del ejemplo 3.1 se puede colocar
los lmites dado en las especificaciones.
Figura 4.62. Histograma a editar

Los pasos son los mismos anteriormente descritos.
87
a. Dar doble clip sobre el grafico se obtiene la siguiente ventana
Figura 4.63. Histograma : editor de grficos

b. Dar clip en Aadir una lnea de referencia en el eje x
Figura 4.64. Histograma: lnea de referencia en el eje x

c. Al dar clip se obtiene la siguiente ventana luego en esta ventana de propiedades en
recuadro Posicin colocar el valor en este caso el primer valor es 205 , adicional se
puede ver el detalle de la lnea es decir cambiar color, tamao. Etc.
88
Figura 4.65. Histograma: lnea de referencia en el eje x, posicin
Luego dar clip en aplicar y luego en cerrar para incluir los siguientes valores de 200 y
210 proceder de la misma forma descrita anteriormente. Finalmente se obtiene el
siguiente grfico
Figura 4.66. Histograma final
Como se podr observa se ha obtenido el histograma mediante el SPSS, este

Software ser de gran ayuda para aplicarlos en las dems herramientas bsicas de
calidad.
89
Herramientas
CAPITULO V
HERRAMIENTAS ESTADSTICAS DE CALIDAD
En la dcada de los 50 se comenzaron a aplicar en Japn las herramientas

estadsticas de Control de Calidad, desarrolladas anteriormente
anteriormente por Shewhart y
Deming. Los progresos, en materia de mejora continua de la calidad, se debieron en
gran medida, al uso de estas tcnicas.
Fue el profesor Kaoru Ishikawa quien extendi su utilizacin en las industrias

manufactureras de su pas, e
en
n los aos 60, acuando la expresin de 7 herramientas
para el control de la calidad. Estas herramientas pueden ser descritas genricamente
como "mtodos para la mejora continua y la solucin de problemas".
Las herramientas estadsticas cconsisten en tcnicas

icas grficas que ayudan a
comprender los procesos de trabajo de las organizaciones para promover su
mejoramiento. Son de creacin occidental, excepto el diagrama causacausa efecto que fue
ideado por Ishikawa.
El xito de estas tcnicas radica en la capacidad que han demostrado para ser
aplicadas en un amplio conjunto de problemas, desde el control de calidad hasta las
reas de produccin, marketing y administracin.
Cules
Cules son las Herramientas Estadsticas Bsicas de Control de
Calidad?
tadsticas bsicas de control de calidad son:
Las herramientas estadsticas
1.
2.
3.
4.
5.
6.
7.
Hojas de control (hoja de recojo de datos)

Estratificacin
Diagrama de Pareto
efecto
Diagrama causa-efecto
Diagrama de dispersin
Histograma
Grficas de control
90
Herramientas
En la dcada de los 50 se comenzaron

comenzaron a aplicar en Japn las herramientas
estadsticas de Control de Calidad, desarrolladas anteriormente por Shewhart y
Deming. Los progresos, en materia de mejora continua de la calidad, se debieron en
gran medida, al uso de estas tcnicas. [3]
Fue ell profesor Kaoru Ishikawa quien extendi su utilizacin en las industrias
manufactureras de su pas, en los aos 60, acuando la expresin de 7 herramientas
para el control de la calidad. Estas herramientas pueden ser descritas genricamente
como "mtodos para la mejora continua y la solucin de problemas".
El xito de estas tcnicas radica en la capacidad que han demostrado para ser
aplicadas en un amplio conjunto de problemas, desde el control de calidad hasta las
reas de produccin, marketing y administracin.
adminis
Las organizaciones de servicios tambin son susceptibles de aplicarlas, aunque su
uso comenz en el mbito industrial.
Cules son las Herramientas Estadsticas Bsicas de Control de

Cules
Calidad?
Las herramientas estadsticas bsicas de control d
de calidad son:
1.
Hojas de control (hoja de recojo de datos)
2.
Estratificacin
3.
Diagrama de Pareto
4.
efecto
Diagrama causa-efecto
5.
Diagrama de dispersin
6.
Histograma
7.
Grficas de control
A continuacin empezaremos a describir la primera herramienta estadstica:

es
91
5.1HOJA DE CONTROL
La informacin es una gua para nuestras acciones, a partir de la informacin

conocemos hechos y tomamos decisiones en una empresa. Antes de recoger la
informacin se debe conocer que se a realizar con ella. [3]
En el control de calidad los objetivos de la recoleccin de informacin son:
- El control y el monitoreo del proceso de produccin.
- El anlisis de que no se ajusta a las normas, especificaciones.
El recojo de la informacin es esencial por lo cual se debe tener en claro para que se
desea. Los datos se deben recoger de manera clara, precisa y fcil de usar. Una hoja
de registro es un formato preimpreso en el cual aparecen las variables que se van a a
registrar, de tal manera que los datos puedan recogerse fcil y concisamente.
Una Hoja de registro control tambin llamada hoja de verificacin u hoja de recogida
de datos, es un formato de tabla o diagrama, destinado a registrar y compilar datos
mediante un mtodo sencillo y sistemtico, como la anotacin de marcas asociadas a
la ocurrencia de determinados sucesos. Esta tcnica de recogida de datos se prepara
de manera que su uso sea fcil e interfiera lo menos posible con la actividad de quien
realiza el registro.
Ventajas
Supone un mtodo que proporciona datos fciles de comprender y que son obtenidos
mediante un proceso simple y eficiente que puede ser aplicado a cualquier rea de la
organizacin. Las Hojas de control reflejan rpidamente las tendencias y patrones
subyacentes en los datos.
Se utilizan tanto en el estudio de los sntomas de un problema, como en la
investigacin de las causas o en la recogida y anlisis de datos para probar alguna
hiptesis. Tambin se usa como punto de partida para la elaboracin de otras
herramientas, como por ejemplo los grficos de Control.
La recoleccin de los datos debe efectuarse de manera cuidadosa y exacta y para ello
se deben utilizar plantillas especialmente diseadas para cada caso.
Los objetivos que se pretenden con el uso de la hoja de recojo de datos son:
-
Facilitar las tareas de recogida de datos de la informacin.

92
Evitar en lo posible errores o malos entendidos
Permitir el anlisis rpido de los datos
Los formatos para la recogida de datos pueden tener distintas finalidades:

-
Controlar una variable de un proceso
Llevar un control de productos defectuosos
Estudiar la localizacin de defectos en un producto
Estudiar las causas que originan los defectos o
Realizar la revisin global de un producto
Se debe de tener en cuenta ciertos para la elaboracin de las hojas de control:

Esta debe tener un titulo el cual exprese el contenido de la informacin de cogida
Debe estar bien claro la variable (s) a medir, debe incluir la fecha quien llena la hoja y
firma del responsable. Se debe tener en cuenta que se debe optimizar el recojo de la
informacin, no es factible que se diseo una hoja para cada variable. Al momento
del diseo de la hoja debe conocer con qu objetivo se desea recoger la informacin,
esto permitir construir la hoja incluyendo las variables necesarias
A continuacin se detallan ejemplos de hoja de recojo de datos.
Control de Calidad de Materia prima
Empresa S.A
Fecha
Hora
Materia Prima:..........
Cantidad de
ingreso
(kg)
% punta
florido
%
Tacn
Responsable
%
dimetro
>10 mm
%
dimetro
<10 mm
Jefe de Calidad
Figura 5.1 . Hoja de Control de Calidad de Materia Prima
93
5.2 HISTOGRAMA
Un histograma es un grfico de barras verticales que representa la distribucin de un
conjunto de datos. Una representacin grfica de datos numricos que permite ver tres
propiedades de los mismos:
-
Forma en la que se distribuyen las observaciones
Tendencia central
Dispersin
Ventajas
Su construccin ayudar a comprender la tendencia central, dispersin y frecuencias
relativas de los distintos valores.
Muestra grandes cantidades de datos dando una visin clara y sencilla de su
distribucin.
Utilidades
-
El Histograma es especialmente til cuando se tiene un amplio nmero de

datos que es preciso organizar, para analizar ms detalladamente o tomar
decisiones sobre la base de ellos.
Es un medio eficaz para transmitir a otras personas informacin sobre un

proceso de forma precisa.
Permite la comparacin de los resultados de un proceso con las

especificaciones previamente establecidas para el mismo. En este caso,
mediante el Histograma puede determinarse en qu grado el proceso est
produciendo buenos resultados y hasta qu punto existen desviaciones
respecto a los lmites fijados en las especificaciones.
Proporciona, mediante el estudio de la distribucin de los datos, un excelente

punto de partida para generar hiptesis acerca de un funcionamiento
insatisfactorio.
ELABORACIN DE HISTOGRAMA
Para elaborar un histograma se siguen los siguientes pasos
94
1. Calcule el rango (R):

R se obtiene a partir de los valores mximos y mnimos observados.
2.
Determinar el nmero de intervalos de clase K, mediante la frmula de

Sturges:
K= 1 + 3.322log(n)
K= n
3. Obtener la amplitud de los intervalos de clase, C, mediante:
C=
R
k
4. Construir los intervalos

5. Construccin de la tabla de frecuencia
6. Elaboracin del grfico
Ejemplo 5.1. En la tabla .5.1 se recogen las medidas del dimetro de 100 tubos
fabricados consecutivamente cuyas especificaciones son 32.21 0.05 mm. Construir
el histograma. [4]
Tabla 5.1 dimetro de 100 tubos
32,2
32,23 32,2
32,22 32,18 32,23 32,17 32,19 32,21 32,19
32,23 32,21 32,21 32,24 32,21 32,23 32,2

32,22 32,25 32,2
32,21 32,19 32,2
32,24 32,19 32,18 32,21 32,17 32,22 32,23
32,18 32,21 32,22 32,24 32,23 32,2
32,19 32,18 32,17 32,2
32,22 32,22 32,22 32,2
32,22 32,23 32,18 32,25
32,21 32,22 32,2
32,17 32,2
32,25 32,17 32,21 32,22 32,2
32,19 32,19
32,18 32,25 32,22 32,21 32,24 32,22 32,19 32,25 32,23 32,2
32,25 32,18 32,23 32,21 32,21 32,24 32,22 32,16 32,22 32,21
32,19 32,19 32,2
32,21 32,2
32,19 32,2
32,22 32,23 32,24 32,19 32,2
32,21 32,23 32,21 32,19 32,26 32,23 32,21 32,21
95
Solucin
1 Calculo del rango (R):
Valor max = 32,26
Valor min = 32,16
R = 32,26 32,16= 0,1
2. Determinar el nmero de intervalos de clase K, mediante la frmula de Sturges:
K= 1 + 3,322 * log(n)
K = 1 + 3.322. log(100) = 7.644 8
3. Obtener la amplitud de los intervalos de clase, C, mediante:
C=
R 0.1
=
= 0.0125 0.013
k
8
4. Construir los intervalos

32.16+ 0.013= 32.173
...
..
= 32.264
Al realizar los intervalos obtenemos el valor final de 32,264. Si observamos, este valor
es mayor al valor mximo 32.26 por lo cual hay que realizar una recodificacin.
Calculo del exceso
Exceso = 32.264 -32.26 = 0,004
Este exceso lo dividimos entre 2 teniendo el valor de 0,002
El 0,002 se resta al valor mnimo y se suma el valor mximo
valor mnimo
Valor mximo
Xmin = 32,16 0,002 = 32,158
Xmx = 32,26 + 0,002 = 32,262
96
Los nuevos rangos sern : V max = 32,158
V min = 32,262
Con estos nuevos valores se vuelven a calcular los nuevos intervalos

Vmax = 32,158
V min = 32,262
Amplitud de intervalo de clase C= 0.013

Los nuevos intervalos sern
Intervalos
32,158 + 0.013 = 32,171
32,171 + 0,013 = 32,184
32,184 + 0,013 =
32,197 + 0,013 =
32,210 + 0,013 =
32,223 + 0,013 =
32,236 + 0,013 =
32,249 + 0,013 = 32.262
Luego se determina la marca de clase, esta se obtiene promediando los lmites de
cada intervalo. Una frmula para calcular la marca de clase de un intervalo es:
Tabla 5.2: Tabla de frecuencia
Intervalo de clase
Marca de clase
Y + Yi
Yi = i 1
2
32,158 - 32,171
32,1645
32,171 - 32,184
32,1775
32,184 - 32,197
32,1905
32.197 - 32.210
32,2035
32.210 - 32,223
32,2165
32.223 - 32,236
32,2295
32.236 - 32,249
32,2425
32.249 - 32,262
32,2555
Conteo
Frecuencia
ni
A continuacin debemos realizar la clasificacin y conteo de los datos, es decir,

colocar cada uno de ellos dentro de su clase, todos representados por un mismo
signo:
97
Tabla 5.2: Tabla de frecuencia

Intervalo
Promedio
Frecuencia
Absoluta
Frecuencia
Relativa
Frecuencia
acumulada
Frecuencia
Relativa
acumulada
(Conteo)
32.158 - 32.171
32.1645
32.171 - 32.184
32.1775
32.184 - 32.197
32.1905
13
32.197 - 32.210
32.2035
34
32.210 - 32.223
32.2165
15
32.223 - 32.236
32.2295
12
32.236 - 32.249
32.2425
32.249 - 32.262
32.2555
Total
100
5. Construccin de la tabla de frecuencia. Luego se determinar las frecuencias:
32.158 - 32.171
Promedio Frecuencia Frecuencia

Absoluta
Relativa
(Conteo)
32.1045
6
0.06
32.171 - 32.184
32.1775
0.07
13
0.13
32.184 - 32.197
32.1905
13
0.13
26
0.26
32.197 - 32.210
32.2035
34
0.34
60
0.60
32.210 - 32.223
32.2165
15
0.15
75
0.75
32.223 - 32.236
32.2295
12
0.12
87
0.87
32.236 - 32.249
32.2425
0.06
93
0.93
32.249 - 32.262
2.2555
0.07
100
1.00
100
1.00
Intervalo
Total
Frecuencia Frecuencia
Acumulada Relativa
cumulada
6
0.06
98
Herramientas
Elaboracin del grfico. Finalmente se realiza la grafica del histograma
Figura 5.2 Histograma de dimetro en mm

Ejercicio Solucin con SPSS
1. Abrir un nuevo archivo en el SPSS y realizar la base de datos, es este caso la
variable ser dimetro de los tubos (mm).
2. Una vez realizada la vista de variables, introducir los datos en la ventana vista de
datos.
99
3. Una vez realizada la base de datos se procede a realizar el grfico, para esto se
debe dar clip en el item grfico y buscar histograma.
4. Escoger la variable (dimetro del tubo) y dar clip en aceptar para general el grfico
100
Finalmente se generar el siguiente grfico
Como se puede observar en el grfico generado, se tienen ms intervalos de clase

que los obtenidos en el clculo manual, pero es posible en el SPSS modificar estos
intervalos , por lo cual se deben seguir los siguientes pasos.
a. Dar doble clip en el grfico y en la nueva ventana generada Editor de grficos dar
clip en las barras del histograma luego se generar una ventana (propiedades), en
clase de punto modificar dar check () y colocar el nmero de intervalos de clase.
101
b. En eje x dar clip en personalizado y colocar el nmero de intervalos, siendo este

igual a 8 y el ancho del intervalo igual a 0,013
Al colocar los valores tanto en nmero como ancho de intervalo, se da clip en aplicar y
se obtiene la siguiente pantalla.
102
c. De igual manera se puede modificar la amplitud del intervalo, mnimo, mximo en el

eje x, para poder cambiar se debe clip al grfico luego en la ventana de Editor de
grficos dar clip en los nmeros del eje x, generando una ventana de propiedades,
luego modificamos la escala, en este caso se modificar el incremento de 0,02 a
0,013 de igual manera el mnimo igual a 32,158 y mximo igual a 32,262.
d. Finalmente se generar el siguiente histograma con las modificaciones realizadas.
103
Ejercicios
1. Dos mquinas, cada una operada por una persona, son utilizadas para cortar tiras
de hule, cuya longitud ideal es de 200mm, con una tolerancia de +/-3 mm. Al final
del turno un inspector toma una muestra e inspecciona que la longitud cumpla
especificaciones. A continuacin se muestran las 110 mediciones es ara ambas
mquinas.
199,2
199,7
201,8
202,0
201,0
201,5
200,0 199,8
200,7
201,4
200,4
201,7
201,4
201,4
200,8 202,1
200,7
200,9
201,0
201,5
201,2
201,3
200,9 200,7
200,5
201,2
201,7
201,2
201,2
200,5
200,1 201,4
200,2
201,0
201,4
201,4
201,1
201,2
201,0 200,6
202,0
201,0
201,5
201,6
200,6
200,1
201,3 200,6
200,7
201,8
200,5
200,5
200,8
200,3
200,7 199,5
198,6
200,3
198,5
198,2
199,6
198,2
198,4 199,0
199,7
199,7
199,0
198,4
199,1
198,8
198,3 198,9
199,6
199,0
198,7
200,5
198,4
199,2
198,8 198,5
198,9
198,8
198,7
199,2
199,3
199,7
197,8 199,9
199,0
199,0
198,7
199,1
200,3
200,5
198,1 198,3
199,6
199,0
199,7
198,9
199,2
197,9
200,3 199,6
199,4
198,7
198,5
198,7
198,6
198,5
a) Obtenga las medidas de tendencia central y con base en ellas seale si la

tendencia central del proceso es adecuada.
b) Calcule la desviacin estndar y una aproximacin de los lmites reales, y a
partir de estos decida si la variabilidad de los datos es aceptable.
c) Realizar el grfico del histograma e interprtelo
104
2. Una empresa de embutidos ha detectado que tiene problemas en el envasado de

su producto. La especificacin del peso del embutido es de 220 10 g.
Para investigar este problema se toma una muestra, aleatoriamente durante 20 das,
del peso en gramos del embutido tomado de dos maquinas de produccin, que su
vez son atendidas indistintamente por dos operarios ( A y B).
- Determine el histograma de los datos globales
- Determine el histograma de las maquinas 1 y 2
- Determine el histograma de los operarios A y B
Cul es el diagnstico de la situacin y cul es la propuesta de medidas a tomar a la
vista de estos datos?
Tabla 5.3 Peso de embutidos (g)

Da
Operador
Maquina 1
215.5
219.1
220.3
215.8
222
220.4
221.5
215.7
222.7
216
219.4
219.8
10
11
12
Maquina 2
214.4
208
219.2
220.3
218.9
213.6
216.9
213.4
217.7
221.6
218.7
218.6
219.6
222.9
219.7
209.4
221.6
226.8
219.5
222.5
223.1
215.3
220.4
215.6
225.3
223
218
216
210.6
221.4
210.9
215.1
219.6
217.3
212.1
213
218
216.5
218.8
217.3
213
216.9
216
213.5
219.2
218.3
216.7
224.1
216.2
218.4
216.6
214.9
222.6
219.1
217.7
216.2
212.3
216.9
214.9
220.2
219.5
222.4
219.9
222.9
214.3
219.1
216.7
218
223.9
219.6
221.9
214.9
212.6
219.4
212.3
219.3
219.6
218.8
219.9
219
216.7
216.4
213.5
13
220
214.1
224.3
217.4
218
219.5
219.5
222.3
14
223.9
220.6
219.5
219.6
211.8
218.2
218.3
217.4
15
218.1
218.8
218.4
217.9
214.6
215.7
218
216.4
16
216.9
221.6
220.6
222.6
215.6
220.4
217.3
216.2
17
217.9
225.7
222.2
216.1
212.5
214.6
209.7
211.3
18
224.2
216.2
219.9
220.4
215.8
219.9
216.5
211.9
19
214.1
219.7
222.4
224.5
213.7
209.7
216.9
213.1
20
221.1
225
222.7
222.2
212.5
217.5
217.4
215.7
219.2
105
5.3 PARETO
Los problemas de calidad se presentan como prdidas (productos defectuosos y su
costo). Es muy importante aclarar el patrn de la distribucin de la perdida. La mayora
de las prdidas se debern a unos pocos tipos de defectos, y estos defectos pueden
atribuirse a un nmero muy pequeo de causas. Si se identifican las causas de estos
pocos defectos vitales, podremos eliminar casi todas las perdidas, concentrndonos
en esas causas particulares y dejando de lado por el momento otros muchos defectos
triviales.
El Diagrama de Pareto es un grfico de barras similar al histograma que se conjuga
con una ojiva o curva de tipo creciente y que representa en forma decreciente el grado
de importancia o peso que tienen los diferentes factores que afectan a un proceso,
operacin o resultado. El nombre de Pareto fue dado por el Dr. Joseph Juran en honor
del economista italiano Wilfredo Pareto (Paris 1848 Turn 1923). Pareto realiza un
estudio sobre la distribucin de la riqueza, en el cual descubri que la minora de la
poblacin posea la mayor parte de la riqueza y la minora de la poblacin posea la
menor parte de la riqueza.
Juran aplic este concepto de calidad, obtenindose lo que hoy se conoce como la
regla 80/20. Segn este concepto, si se tiene un problema con muchas causas,
podemos decir que el 20% de las causas resuelven el 80% del problema y el 80% de
las causas solo resuelven el 20% del problema.
La grfica de Pareto es utilizada para separar grficamente los aspectos significativos
de un problema desde los triviales, de manera que un equipo sepa dnde dirigir sus
esfuerzos para mejorar.
5.3.1 Principio del Diagrama de Pareto

El Diagrama de Pareto fue creado sobre la base del principio de Pareto, segn el
cual, el 80% de los problemas son provenientes de apenas el 20% de las causas.
5.3.3 Para qu se usa el Diagrama de Pareto?

El diagrama de Pareto se usa para:
- Identificar un producto o servicio para el anlisis para mejorar la calidad.
106
- Identificar oportunidades para mejorar.

- Analizar las diferentes agrupaciones de datos (ej: por producto, por segmento del
mercado, rea geogrfica, etc.)
- Buscar las causas principales de los problemas y establecer la prioridad de las
soluciones.
- Evaluar los resultados de los cambios efectuados a un proceso (antes y despus).
- Cuando el rango de cada categora es importante.
- Identificar y dar prioridad a los problemas ms significativos de un proceso.
- Evaluar el comportamiento de un problema, comparando los datos entre el "antes" y
el "despus.
- Analizar los problemas de calidad pero tambin de los problemas de la ms
diversas naturaleza.
- Detectar las causas de defectos y los reclamos de clientes corresponden al rea de
la calidad, pero las causas de las paradas de las maquinas, las causas del ausencia
laboral, la desigual distribucin de los costos, la desigual distribucin del consumo
de energa, la desigual distribucin de los trabajos de mantenimiento, las causas de
accidentes, etc. son tambin problemas que podrn ser abordados desde la
perspectiva del Principio de Pareto.
5.3.4 Cmo se Construye el Diagrama de Pareto

El diagrama de Pareto, trata de poner de manifiesto grficamente la importancia
real de cada causa en el problema que, siguiendo el principio de Pareto, en muchas
ocasiones, unas pocas causas generan la mayor parte del problema. De esta forma,
centrando esfuerzos en unas pocas causas resolveremos la mayor parte del problema.
Para elaborar un diagrama de Pareto debemos seguir los siguientes pasos:
1. Definir el tipo de problemas que se va a investigar.
Por ejemplo, tipos de defectos, causas que producen interrupciones en el proceso
de fabricacin, causas de ausencia
laboral, quejas de clientes, mantenimiento,
control de tiempos, costos, etc.

2. Definir el mtodo y el perodo de recoleccin de los datos.
Por ejemplo, se tomar una muestra al azar de las fichas de bajas laborales durante el
ao anterior al del estudio, o se toman 100 piezas consecutivas y se analizan los
diferentes tipos de defectos de cada una de ellas.
107
3. Construir una tabla para conteo de datos.

Por ejemplo la tabla 5.4. Contiene las razones del despegue retrasado en el
aeropuerto defectos encontrados en la pintura de unas piezas metlicas fabricadas a
lo largo de una semana.
Tabla 5.4 Frecuencias de los defectos encontrados en la pintura
4. Elaborar una tabla para el Diagrama de Pareto.

Calculando las frecuencias, las frecuencias acumuladas, los porcentajes y los
porcentajes acumulados a partir de los datos de la tabla de conteo. Todo ello
ordenando las clases de mayor a menor frecuencia. As se ha procedido en la tabla
5.5.
Tabla 5.5 Tabla para el Diagrama de Pareto
108
Herramientas
5. Construir el Diagrama de Pareto.

Como se observa en la figura consiste de un histogramas de barras (frecuencias y
porcentajes) y una curva acumulada (frecuencias y porcentajes).
5.3 Diagrama de Pareto
Para la construccin del Diagrama de Pareto realice los siguientes pasos

-
Trace dos ejes verticales de la misma longitud, en un eje horizontal.
En el eje vertical izquierdo, haga una escala de 0 hasta el nmero

correspondiente al total de la Lista de verificacin.
En el eje vertical
cal derecho haga una escala de 0 a 100%. El 100%
corresponder al total de la Lista de Verificacin.
Divida el eje horizontal en intervalos iguales, de acuerdo con la cantidad de

categoras de la Lista de Verificacin.
Construya y denomine las barras, colocando

colocando las categoras en orden
decreciente de frecuencia, de izquierda a derecha.
109
Herramientas
Trace una lnea punteada que conecte el origen con la esquina superior
derecha de la primera barra, as:
Sume, a la altura de la primera barra, la altura de la segunda. Marque con un

punto el valor obtenido en la prolongacin del lado derecho de la segunda
barra
Sume a esta nueva altura la altura de la tercera barra. Marque con un punto el
valor obtenido en la prolongacin del lado derecho de la tercera barra.
Haga eso sucesivamente,

amente, hasta la ltima barra.
Enlace todos los puntos marcados con una lnea, dando continuidad a la lnea
punteada iniciada en el origen, para formar la curva de Pareto.
El ltimo punto representa el 100 % de los eventos.
Complete el grfico con informaciones

informaciones tales como: nombre del grfico, perodo,
responsable, etc.
5.3.5 Ejemplos de Tales Minoras Vitales Seran:

- La minora de devoluciones que representa la mayora de quejas de la clientela.
- La minora de compradores que representen la mayora de las ventas.
- La minora de productos, procesos, o caractersticas de la calidad causantes del
grueso de desperdicio o de los costos de reproceso.
- La minora de vendedores que est vinculada a la mayora de partes impugnadas.
110
- La minora de productos servicios que representan la mayora de las ganancias

obtenidas.
- La minora de elementos que representan al grueso del costo de un inventario.
Solucin Con SPSS

En la tabla 5.4. se muestran los defectos encontrados en la pintura de unas piezas
metlicas fabricadas a lo largo de una semana.
Tabla 5.4 Frecuencias de los defectos encontrados en la pintura
Solucin
A continuacin se desarrollar el ejercicio con el SPSS
1. Se debe elaborar la base de datos en este caso se tendrn los defectos como tipo
de variable (cadena) y luego la frecuencia es tipo de variable numrica.
111
Lista la base de datos se realizar el diagrama, para esto debe dar clip en la hoja de
vista de datos, luego deben ir al tem analizar y luego desplegar hasta encontrar
control de calidad y ubicar grfico de pareto.
Al dar clip en Grficos de Pareto se obtendr la siguiente pantalla
112
.
En el tem de detalles del grafico escoger valores individuales de los casos luego dar
clip en definir.
Al dar clip en definir obtendremos la siguiente pantalla, en esta se debe en valores

incluir la frecuencia y la variable (defectos)
113
En esta pantalla se debe dar clip en aceptar para finalmente obtener el diagrama de
pareto.
Al obtener el diagrama de pareto se puede observar que no muestran las lineas , por
lo cual se debe dar clip sobre el grfico para poder acceder al editor de grficos
114
En el editor de grficos dar clip en mostrar lneas de cuadriculas.
En la ventana que se muestra escoger tanto marcar mayores como menores, dar clip
en aplicar y luego cerrar.
115
Al final se obtiene el grfico, luego cerrar la ventana de editor de grficos
Luego se obtendr el grfico de pareto
116
Como se observa en el grfico si solucionamos el 20% de las causas (impurezas,

crteres, aspersin) se arreglaran el 80 % de los problemas (otros, goteos,rasguos,
opacidad.
5.4 DIAGRAMA DE DISPERSIN

Es muy comn escuchar por ejemplo en la industria alimentaria cuando se desea
desarrollar un nuevo producto, hasta que punto afectar en el sabor, color
la
concentracin del aditivo a usar, o cual sera la relacin entre tipo de conservante y el
tiempo de vida til de un alimento, para determinar esta relacin entre estas dos
variables se utiliza el diagrama de dispersin. Este diagrama es una herramienta
grfica que permite demostrar la relacin existente entre dos clases de variables y
cuantificar la intensidad de dicha relacin. Se utiliza para conocer si efectivamente
existe una correlacin entre dos magnitudes o parmetros de un problema y, en caso
positivo, de qu tipo es la correlacin.
Las dos variables pueden enmarcarse en:
a. Una caracterstica de calidad y un factor que la afecta
b. Dos caractersticas de calidad relacionadas, o
c. Dos Factores relacionados con una sola caracterstica de calidad.
117
Herramientas
COMO SE ELABORA EL DIAGRAMA DE DISPERSIN?

Paso 1: realizar la tabla de pares de datos (x,y) valores de la
variables cuya relacin se quiere investigar. Se requiere como
mnimo 30 pares de datos
ntrar los valores mnimos y mximos para x y y. Decidir las escalas que
Paso 2. Encontrar
se van a utilizar en el eje horizontal y vertical de manera que ambas longitudes sean
aproximadamente iguales.
Paso 3. Situar la causa sospechada en el eje horizontal, dibujar y rotular
rotular los ejes
horizontales y verticales.
Paso 4. Registrar los datos en el grfico. Cuando se tenga los mismos valores en
diferentes observaciones, muestre estos puntos haciendo crculos concntricos.
Paso 5. Colocar el ttulo al grfico y rotular.
Paso
o 6. Identificar y clasificar el modelo de correlacin.
Paso 7. Comprobar los posibles fallos en el anlisis.
Cmo se interpreta el diagrama de dispersin?
El anlisis de un diagrama de dispersin consta de un proceso de cuatro pasos.
1. Se elabora una teora
eora razonable,
2. Se obtienen los pares de valores y
3. Se dibuja el diagrama,
4. Se identifica la pauta de correlacin y se estudian las posibles explicaciones.
Las pautas de correlacin ms comunes son:

- Correlacin fuerte positiva (Y aumenta claramente con
c X),
- Correlacin fuerte negativa (Y disminuye claramente con X),
- Correlacin dbil positiva (Y aumenta algo con X),
- Correlacin dbil negativa (Y disminuye algo con X),
- Correlacin compleja (Y parece relacionarse con X pero no de un modo lineal) y
- correlacin nula (no hay relacin entre X e Y).
118
Errores comunes son no saber limitar el rango de los datos y el campo de operacin
del proceso, perder la visin grfica al sintetizarlo todo en resmenes numricos, etc.
COEFICIENTE DE CORRELACIN.
El coeficiente de correlacin sirve para cuantificar en trminos numricos el grado de

relacin lineal entre dos variables.
Para poder determinar la relacin que existe entre x y y es importante primero realizar
el diagrama de dispersin; sin embargo para determinarlo de manera cuantitativa se
debe calcular el coeficiente de correlacin (r) :
! " R 9" <9" R<
S! "
9" < S! " R 9" R<
n= nmero de pares de datos

El coeficiente de correlacin r se encuentra en el rango de -1 r 1
Si el valor absoluto de r es mayor a 1, se debe revisar los clculos pues debi existir
un error en estos.
Si el valor de r es cercano a +1 existe una correlacin fuerte positiva
Si el valor de r es cercano a -1 existe una correlacin fuerte negativa
Cuando r =1, los datos aparecern en lnea recta
Interpretacin Clsica
a) -0,3 0,3
< r correlacin lineal inexistente
b) -0,5 0,5
< r correlacin lineal de moderada a dbil.
c) -0,85 0,85 < r Existe es una correlacin fuerte.

d) 0.85 < r 1.00
Existe alta correlacin.
119
ANLISIS DE REGRESIN
El trmino regresin surgi de estudios de la herencia biolgica realizados por
Galton durante el siglo pasado. En su conocida experiencia, Galton not que los
padres altos tenan hijos cuya altura era mayor a la altura promedio, pero no eran ms
altos que sus padres. Tambin, padres bajos tenan hijos con altura menor a la altura
promedio pero eran ms altos que sus padres. Esta tendencia de las caractersticas de
los grupos de moverse, en la siguiente generacin, hacia el promedio de la poblacin o
de regresin hacia la media fue descubierta por Galton. El trmino no tiene hoy el
mismo significado que le dio Galton, pero se usa extensamente para referirse al
estudio de relaciones funcionales entre variables cuando hay una componente
aleatoria involucrada.
Al estudiar la relacin entre dos o ms variables surge la idea de encontrar una

expresin matemtica que la describa. Para el caso de dos variables, si se denota
como :
Y a la variable que se supone dependiente y como

X a la variable que se postula como independiente,
Resulta familiar utilizar el concepto de funcin y decir Y es funcin de X, para indicar

que de acuerdo a los valores asignados a X se pueden
predecir los valores que tomar Y. Dicho de otra manera, se puede conocer el
comportamiento de Y a travs de un modelo que relaciona la variacin en Y con la
variacin de X.
El anlisis de regresin tiene por objetivo identificar un modelo funcional que describa
cmo vara la esperanza de la variable dependiente, E(Y), frente a cambios en X. Al
igual que en el anlisis de varianza el modelo para Y tambin presenta constantes
desconocidas que se llaman parmetros, por lo que otro objetivo del anlisis es la
estimacin de los parmetros a partir de una muestra aleatoria de observaciones en
Y y en X.
120
El anlisis de regresin se ocupa tambin de la validacin del modelo propuesto y de

las pruebas de hiptesis sobre los parmetros del modelo; por ltimo, la modelacin
por regresin tambin tiene como objetivo la prediccin, es decir el uso del modelo
para dar el valor esperado de Y cuando X toma un valor particular.
La complejidad matemtica del modelo de regresin y la adecuacin de ste

depender de cunto se conoce acerca del proceso o fenmeno que se est
estudiando.
En la prctica es posible adoptar modelos de regresin que se pueden agrupar o

clasificar en lineales y no lineales. Los primeros hacen referencia a aquellos modelos
en que la funcin adopta la forma de una suma de trminos, cada uno conformado
por el producto de un parmetro y una variable independiente. Los modelos no lineales
son aquellos donde los parmetros no se encuentran multiplicando a las variables
independientes como en el modelo lineal de tal forma que no pueden ser estimados
resolviendo un sistema de ecuaciones lineales.
Por ejemplo, los parmetros pueden encontrarse como exponentes de las variables
independientes. La estimacin de los parmetros en modelos no lineales se realiza
usando herramientas diferentes a las presentadas en este captulo. Aqu se abordan
solamente los modelos lineales, no slo por ser ms simples, sino porque permiten dar
respuesta a un gran nmero de problemas en las Ciencias, Ingenieras Adems,
algunos de los modelos no lineales pueden, mediante adecuadas transformaciones,
ser expresados de la forma lineal (en estos casos los modelos se dicen
intrnsecamente lineales).
El modelo de regresin lineal ms sencillo es el que se presenta a continuacin
Modelo de regresin lineal simple. Es una tcnica estadstica que analiza si los
valores de una variable dependiente e independiente pueden predecirse mediante un
modelo lineal. Las variables implicadas en el modelo deben ser cuantitativas y
continuas. Para ajustar una lnea recta de Regresin, se considera la ecuacin de la
recta:
121
Herramientas
T
U VW + V
# X YP3HL3!3JEDZIK[3HKEDb0 RV
Donde :
b0= Distancia que existe entre el origen de coordenadas y el punto de interseccin de
la recta con el eje Y
(pendient proporcin de cambio)
b1 = Coeficiente de Regresin (pendiente,
X = Variable independiente. ( estimulo, de influencia, causa,)
Y = variable dependiente (respuesta, criterio, efecto)
Estimacin de la Regresin Lineal Simple
mediante el Mtodo de mnimos
cuadrados
Una tarea principal en el anlisis de regresin lineal, es estimar los parmetros b0 y

b1, cuyos valores se determinan a partir de los datos bidimensionales.
El mtodo de los mnimos cuadrados consiste en hacer mnima la suma de los

cuadrados de la diferencia entre los
los valores observados (yi), y los valores estimados
( Y ) es decir:
122
SCD = (YI Y ) 2 = Sea mnima
El clculo de los estimadores de los coeficientes de regresin a partir de los datos

muestrales, viene dado por la siguiente expresin.
n XY ( Xi)( Yi)
b1 =
n( X i2 ) ( Xi ) 2
b0 = Y b1 ( X )
Ejemplo de aplicacin
Una empres desea realizar un estudio de la relacin entre la publicidad por radio y las
ventas de un producto, para esto durante 30 semanas se han recopilado los tiempos
de duracin en minutos de la publicidad por semana (X) y el nmero de artculos
vendidos (Y), resultando.
Tabla 5.6. Datos de publicidad versus artculos vendidos
Semana
10
Publicidad min (X)
20
30
30
40
50
60
60
60
70
80
n de artculos vendidos (Y)
50
73
69
87
108 128 135 132 148 170
Semana
11
12
13
14
15
16
17
18
19
20
Publicidad min (X)
25
35
40
50
55
60
60
65
70
80
60
80
88
112 116 130 136 140 149 172
Semana
21
22
23
24
25
26
27
28
29
30
Publicidad min (X)
85
25
35
35
50
60
65
65
75
85
178 55
83
84
110 132 136 139 160 181
123
Herramientas
a. Trazar el diagrama de dispersin, e indicar la tendencia

b. Calcular el coeficiente de correlacin
c. Calcular la ecuacin de la recta de regresin de mnimos cuadrados con el fin de
predecir las ventas.
d. Si en la novena semana se incrementara
incrementara la publicidad en 5 minutos determine en
cuanto se estima se incrementen las ventas.
Solucin.
a. Al trazar el diagrama de dispersin, se observa que existe una relacin lineal
positiva entre el nmero de artculos vendidos y el tiempo de publicidad ssemanal
por radio.
Diagrama de dispersin de minutos de publicidad y nmero de artculos vendidos.

Si observamos a simple vista el diagrama en este caso podemos decir que si existe
relacin entre las variables de minutos de publicidad versus el nmero de artculos
vendidos. Pero ahora es necesario conocer de manera cuantitativa esta correlacin
por lo cual debemos de calcular el coeficiente de correlacin.
b. Para calcular el coeficiente de correlacin podremos calcular de manera manual Se
recomienda realizar
zar el siguiente tabla.
124
Tabla 5.7 . Sumatorias de las x y

x
Xy
x2
Y2
20
50
1000
400
2500
30
73
2190
900
5329
30
69
2070
900
4761
40
87
3480
1600
7569
50
108
5400
2500
11664
60
128
7680
3600
16384
60
135
8100
3600
18225
60
132
7920
3600
17424
70
148
10360
4900
21904
80
170
13600
6400
28900
25
60
1500
625
3600
35
80
2800
1225
6400
40
88
3520
1600
7744
50
112
5600
2500
12544
55
116
6380
3025
13456
60
130
7800
3600
16900
60
136
8160
3600
18496
65
140
9100
4225
19600
70
149
10430
4900
22201
80
172
13760
6400
29584
85
178
15130
7225
31684
25
55
1375
625
3025
35
83
2905
1225
6889
35
84
2940
1225
7056
50
110
5500
2500
12100
60
132
7920
3600
17424
65
136
8840
4225
18496
65
139
9035
4225
19321
75
160
12000
5625
25600
85
181
15385
7225
32761
1620
3541
211880
97800
459541
125
Luego realizar el clculo teniendo en cuenta la formula
n=30
" R 211880
" 97800
! " R 9" <9" R<
S! "
" R 459541
9" < S! " R 9" R<
" 1620 " R 3541
Reemplazando tenemos
K
309211880< 91620<93541<
S30997800< 91620< S309459541< 93541<
0,998
Con este valor podemos corroborar lo mencionado anteriormente, demostrando que

existe una alta correlacin positiva lineal entre el tiempo de publicidad y el nmero de
artculos vendidos
c. Clculo la ecuacin de la recta de regresin de mnimos cuadrados con el fin de

predecir las ventas
Para determinar la recta de regresin por el mtodo de mnimos cuadrados a partir

de los datos, es decir para calcular b0 y b1 se requiere realizar los siguientes clculos
que se tienen a continuacin.
U VW + V # X YP3HL3!3JEDZIK[3HKEDb0 RV

T
Estimando el Parmetro b1:
126
Estimando el Parmetro b0:

bo= ] V19< 118,033 92,003<954< 9,87
La Ecuacin de Regresin Estimada:

]^ 9,9 + 2L
Como ya se tiene la ecuacin se puede predecir las ventas
e. Si en la novena semana se incrementara la publicidad en 5 minutos determine en
cuanto se estima se incrementen las ventas.
c. Incremento de las Ventas. El valor estimado de las ventas en la novena semana

es : Si en la novena semana se invirti x = 70 minutos se espera vender.
Y9 = 9,9 + 2 ( 70 ) = 150 artculos
En la novena semana se espera vender 150 artculos.
Si en la novena semana se incrementa el tiempo de la propaganda en 5 minutos,

entonces, el tiempo invertido con el incremento ser de X = 75 minutos, entonces la
venta estimada ser de.
Y = 9,9 + 2( 75 ) = 160 artculos,
Entonces el incremento de las ventas despus de aumentar los 5 minutos es de 160

150= 10 artculos.
127
5.5 GRFICAS DE CONTROL

Walter Shewhart, de los laboratorios de la Bell telephone, fue el primero en
proponer, en 1924, una grfica de control con el fin de eliminar una variacin anormal,
distinguiendo las variaciones debidas a causas al azar. S todos los valores ocurren
dentro de los lmites de control, sin ninguna tendencia especial, se dice que el proceso
est en estado controlado.
Sin embargo, si ocurren por fuera de los lmites de control o muestran una forma
peculiar, se dice que el proceso est fuera de control.
QU ES UN GRFICO DE CONTROL?
Los grficos de control se definen
como un mtodo grfico para conocer si un
proceso est o no en un estado de control Estadstico. Es una comparacin grfica

tecnolgica (hora a hora, da a da) de las caractersticas
de calidad reales del
producto, parte u otra unidad, con lmites que reflejan la capacidad de producir, de
acuerdo con la experiencia
Los objetivos fundamentales de los Grficos de Control se pueden concretar en:
a. Vigilancia y control del proceso con el fin de conseguir que este sea estable,
evitando la produccin de defectos. Este objetivo corresponde a la filosofa "hgalo
bien a la primera
b. Aumento de la homogeneidad de la produccin mediante la disminucin de la
variabilidad del proceso y, de est forma, conseguir una mejora continuada de la
calidad.
c. Los Grficos de Control son una norma clara de actuacin sobre el proceso, por lo
que se evitan ajustes innecesarios que tanto dao pueden causar a la
homogeneidad del proceso.
d.
Los Grficos de Control suministran la informacin necesaria para la

determinacin, mediante la correspondiente estimacin estadstica, de los
parmetros del proceso, lo que permitir conocer mejor nuestra actividad
128
productiva. De esta manera, podremos comparar la produccin realmente obtenida

con las especificaciones de calidad, determinando, as mismo, la capacidad para
obtener el producto diseado.
El objetivo fundamental de los Grficos de Control consiste, precisamente, en la

deteccin de las causas especiales.
Cuando los puntos se ubican por fuera de los lmites de control o muestran una
tendencia particular, decimos que el proceso est fuera de control, y esto equivale a
decir, "Existe variacin por causas asignables y el proceso est en un estado de
descontrol".
LIMITES DE CONTROL
Se debe tener en cuenta que los lmites de una grfica de control
no son las
especificaciones, tolerancias o deseos para el proceso, por el contrario se calculan a

partir de la variacin de los datos que se representan en la grfica. De esta forma la
clave est en establecer los lmites para cubrir cierto porcentaje de la variacin
natural del proceso, pero se debe tener cuidado
de que tal porcentaje sea el
adecuado, ya que si es demasiado alto ( 99,999999%) lo lmites sern muy amplios y

ser ms difcil detectar los cambios en el proceso; mientras que si el porcentaje es
pequeo , los lmites sern demasiados estrechos y con ello se incrementar el error
tipo 1 ( decir que se presento un cambio cuando en realidad no lo hubo).
Una manera sencilla y usual se obtiene a partir de la relacin entre la media y la

desviacin estndar.
PROPOSITOS Y BENEFICIOS
Los grficos de control se usan para vigilar la estabilidad de un proceso.
Se agregan los lmites de control a la grfica como ayuda para decidir cundo se debe
ajustar el proceso. Estos lmites se basan en la variabilidad inherente al proceso.
129
TIPOS DE GRFICOS DE CONTROL

En funcin al tipo de caracterstica de calidad (caracterstica parmetro) los grficos
de control pueden ser: para variables y atributos
En Control de Calidad se denomina.
Variable. a cualquier caracterstica de calidad "medible"
Ejm : longitud, peso,
resistencia a la rotura, el volumen de gas de una bebida
gaseosa, el pH de un producto agroindustrial, etc.,
Atributo a las caractersticas de calidad que no son medibles y que presentan

diferentes estados (normalmente dos) tales como conforme y disconforme o
defectuoso y no defectuoso.
5.5.1 GRFICOS DE CONTROL PARA ATRIBUTOS

Un grfico de control para atributos es un trazo de una estadstica que por lo general
se calcula a partir de subgrupos que muestran la conducta de una caracterstica de
proceso con el transcurso del tiempo.
Las grficas de control para atributos muestran la conducta de una caracterstica de:
-
Fracciones defectuosas (p: sub grupo de tamao variable y np: sub grupo de
tamao constante)
Nmero de defectuosos (c: sub grupo de tamao variable y u: sub grupo de

tamao constante.
CONSTRUCCIN DE LOS GRFICOS DE CONTROL PARA ATRIBUTOS

Los Pasos bsicos para desarrollar un grfico de control de atributos son:
1. Determinar el proceso a vigilar.
Grfico p.
(Fraccin de unidades defectuosas)
Grfico np.
(Nmero de unidades defectuosas)
130
Herramientas
Grfico c.
(Nmero de defectos).
defecto
Grfico u.
(Nmero de defectos por unidad).
2. Determinar el tamao de sub grupo y la frecuencia.

El tamao del subgrupo y la frecuencia de muestreo dependen de la cantidad de
factores tales como el costo de muestreo, otros costos, facilidades
facilidades de adquisicin y
nivel de cambio en el proceso.
3. Recabar y registrar los datos.
4. Calcular la fraccin defectuosa para cada sub grupo.
5. Trazar las fracciones defectuosas. Dejar espacio en la grfica para el valor o
fraccin defectuosa ms elevados que se esperan ver. Por lo general el valor
menor es cero.
6. Obtener la fraccin defectuosa global
7. Calcular los lmites de control para cada sub grupo
8. Trazar la lnea de centro y los lmites de control. Usar estas lneas para vigilar el
proceso
En la figura 5.6 podemos observar la clasificacin de las grficas de control por

Atributos.
Figura 5.4 Grfica de control por atributos
131
Existen muchas caractersticas de calidad del tipo pasa o no pasa y, de acuerdo

con stas, un producto es juzgado como defectuoso o no defectuoso (conforme o no
conforme) dependiendo de si cumple o no las especificaciones criterios de calidad. En
estos, si el producto no tiene la calidad
deseada
no se permite que pase a la
siguiente etapa del proceso; adems es separado y se le llama producto defectuoso
GRFICO P (FRACCIN DE UNIDADES DEFECTUOSAS)

Esta grfica permite mostrar las variaciones en la fraccin o proporcin de artculos
defectuosos por muestra o sub grupo Se grfica la proporcin p de unidades
defectuosas en la muestra. Muestras no necesariamente del mismo tamao.
La grfica P es ampliamente usada para evaluar el desempeo de u8na parte de o de
todo un proceso, tomando en cuenta su variabilidad, con el propsito de detectar
causas o cambios especiales.
Por ejemplo de cada lote o de cada cierta parte de la produccin
se toma una
muestra o subgrupo de ni artculos, que puede ser la totalidad o una parte de las
piezas bajo anlisis.
Las ni piezas de cada subgrupo son inspeccionadas y cada una es catalogada como
defectuosa o no. La caracterstica o atributo de calidad por los que una pieza es
evaluada como defectuosa, pueden ser ms de uno
Si de las ni piezas del subgrupo i se encuentra que di son defectuosas ( no pasan),
entonces en la carta p se grafica y se analiza la variacin de la proporcin pi de
unidades defectuosas por subgrupo.
Z#
J#
!#
- Cuando se dispone de un nmero k suficiente (20 ms) de muestras, calcular el p

medio:
p=
total de defectuosos
total inspeccionado
- y el n medio (en caso de que no sea constante).
132
n=
ni + n2 + ... + nk
k
Los lmites de control para el grfico p, se obtienen a partir de:
Lmites Superior
LCS = p + 3 p (1 p ) / n
Lmites Central LC = p
Lmites Inferior
LCI = p 3 p (1 p ) / n
Cuando el tamao de subgrupo
n no se mantiene constante a lo largo de las
muestras se tienen dos alternativas.

1. Es posible usar el tamao promedio de subgrupo !, en lugar de n.
2. La segunda es construir una grfica de control con lmites variables
Si es proceso medido
a travs de Z;
es desconocido, entonces ser necesario
estimarlo por medio de un estudio inicial.

Ejemplo.(Adapatado de Gutirrez y De la Vara 2009). En una empresa de alimentos
se empaquetan jamonadas. En el proceso se ha detectado un problema pues el
empacado al vacio no se est realizando de forma correcta. El problema se detecta
mediante inspeccin visual; los empaques con aire son separados y despus se
abren para recuperar la salchicha y volverlas a envasar.
Se debe tener el cuenta que se debe envasar el embutido en optimas condiciones
pues si ingresa aire al envase produce deterioro en el alimento, inicialmente empieza
a cambiar el color y perder su frescura. Esto ocasiona que los clientes se quejen y se
genere una insatisfaccin
en los clientes generando
una mala imagen de la
compaa.
Por lo anterior, a los operadores de las diferentes mquinas continuamente se les
recordaba la importancia de no dejar pasar paquetes con aire. Sin embargo, como no
se llevaba un registro de la magnitud del problema, no existan bases tangibles para
133
detectar cambios en el desempeo de las mquinas, ni haba forma de saber si las

medidas tomadas para reducir el problema haban dado resultado.
De ah surgi la necesidad de registrar los resultados y analizarlos mediante una
grfica de control. Cada hora se registra el nmero de paquetes detectados con aire di
y del contador de la mquina se obtiene el total de paquetes ni durante esa hora. Los
datos obtenidos durante tres das en una mquina se muestra en la tabla 5.7
Tabla 5.8.Datos para el proceso del empaquetado de jamonadas.
Subgrupo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Paquetes ni
595
593
607
596
602
599
600
590
599
601
598
600
597
594
595
597
599
596
607
Paquetes di
15
5
8
10
6
5
5
7
2
4
9
17
4
5
3
10
7
5
4
Subgrupo
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
Paquetes ni
594
606
601
598
599
590
588
597
604
605
597
603
596
597
607
596
598
600
608
Paquetes di
7
5
7
4
2
3
5
3
6
5
7
9
5
3
8
15
4
6
8
20
601
40
592
Solucin. Es claro que este problema es del tipo pasa no pasa por lo tanto para
analizar la variacin de las proporciones de tabla 9.1 se debe aplicar la grfica p.
Para calcular los lmites de control se necesita calcular la fraccin promedio p y el
tamao del subgrupo
promedio !, que corresponde al nmero promedio de
jamonadas empaquetadas por hora .
134
5.9 Datos de fracciones defectuosas del proceso del empaquetado de jamonadas.
135
Subgrupo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Total
Paquetes ni
595
593
607
596
602
599
600
590
599
601
598
600
597
594
595
597
599
596
607
601
594
606
601
598
599
590
588
597
604
605
597
603
596
597
607
596
598
600
608
592
23942
Paquetes di
15
5
8
10
6
5
5
7
2
4
9
17
4
5
3
10
7
5
4
9
7
5
7
4
2
3
5
3
6
5
7
9
5
3
8
15
4
6
8
5
257
Fraccin Pi
0.025
0.008
0.013
0.017
0.010
0.008
0.008
0.012
0.003
0.007
0.015
0.028
0.007
0.008
0.005
0.017
0.012
0.008
0.007
0.015
0.012
0.008
0.012
0.007
0.003
0.005
0.009
0.005
0.010
0.008
0.012
0.015
0.008
0.005
0.013
0.025
0.007
0.010
0.013
0.008
136
De la tabla anterior se obtiene que el nmero total de paquetes inspeccionados

fueron 23942 y de estos 257 tuvieron el problema de falta de vaco, por lo que la
fraccin promedio de paquetes defectuosos esta dado por
Z;
257
HEHI`J3J3a3OHPEDED

0,0107
HEHI`J3L!DZ3OOLE!IJED 23942
Como
!
HEHI`J3L!DZ3OOLE!IJE 232942

598,55 599
HEHI`J3DPV,KPZED
40
Por lo tanto los lmites de control sern
LCI = p + 3
Lmites Superior
p (1 p )
n
LCI = 0,0107 + 3
Lmites Central
0,0107(1 0,0107)
= 0,023
599
LC = p = 0,0107
Lmites Inferior
LCI = p 3
p (1 p )
n
LCI = 0,0107 3
0,0107(1 0,0107)
= 0,0019
599
Como el lmite inferior no puede ser negativo
debido a que las proporciones o
fracciones siempre son mayores a cero, entonces el LCI=0

Una vez que se tienen los lmites se realizar el grfico de control.
En el eje x se encontraran los subgrupos y el eje de la Y la fraccin de defectuosos,
137
Luego de ubica en el eje de la Y los valores de los limites de control y se trata un lnea
horizontal
Despus se ubican en la grfica de control se ubican los valores de la fraccin pi.
Despus de realizar los pasos se obtiene la siguiente grfica de control
Figura 5.5 .Grfica de Control p para el proceso de envasado de jamonada

Segn lo observado en la grfica el proceso de envasado al vaco no fue estable ya
que proporciones de los sub grupos 1,12,36 rebasan el LCS. De aqu se desprende
que durante el envasado al vaco
de esos sub grupos el proceso funcion en
presencia de causas o situaciones especiales que por lo general no estn presentes

en el proceso y que causaron que la proporcin de defectuosos fuera anormalmente
grande.
Se recomienda buscar las causas podra ser el cambio de rollo del envase, operario,
etc.
138
A continuacin se desarrollar el mismo ejercicio con el spss

Paso 1. Generar la base de datos
Luego se debe llenar la base de datos
139
Paso 2. Generar el grfico de debe realizar lo siguiente, ir a tem de analizar bajar

hasta control de calidad y buscar el grafico de control
Al dar clip en grfico de control obtendremos la siguiente ventana en esta podemos

escoger el tipo de grfico.
Es este caso escogeremos el grfico p y en organizacin de los datos dar clip en los
casos son sub grupo.
140
Luego de haber escogido el tipo de grafico dar clip en definir.
Al dar clip en definir se obtiene la siguiente pantalla en la cual se debe colocar en

nmero de disconformes los paquetes de jamonada y en subgrupo se colocar la
variable subgrup0, adems incluir el tamao de la muestra en este caso daremos chek
en constante con el valor de 599
141
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
Finalmente se generar el grfico de control p, es este grfico se obtienen los limites

de control junto a la grfica.
142
GRFICO nP (NMERO DE UNIDADES DEFECTUOSAS)
Cuando el tamao de subgrupo o muestras en las grficas p es constante, es ms

conveniente usar la carta np. Se grfica el nmero total de unidades defectuosas en la
muestra. Las muestras deben ser del mismo tamao.
En esta grfica se grafica el nmero de defectuosos por subgrupo di en lugar de la
proporcin.
Los lmites de control se obtienen estimado la media y la desviacin estndar de di ,
que bajo el supuesto de la distribucin binomial esta dado por:
Pb # !Z
c Rdb# S!Z; 91 Z; <
Donde en es el tamao del subgrupo
y p
es la proporcin promedio de artculos
defectuosos. De aqu que los lmites de control de la grfica np estn dados por las
expresiones:
Lmites Superior
LCS = np + 3 np (1 p )
Lmites Central
LC = np
Lmites Inferior
LCI = np 3 np (1 p )
Ejemplo
Del anlisis de los datos de inspecciones y pruebas finales de una producto textil se
detecto a travs de una estratificacin y un anlisis de pareto que la causa principal
por lo que las prendas salen defectuosas est relacionada por el tipo de hilo (A)
usado en la prendas. Por lo tanto se decide analizar ms de cerca el proceso. Para
ello, de cada lote de hilo (A) se decide inspeccionar una muestra de 120 prendas
(n=120). Los datos obtenidos en los 20 lotes consecutivo se muestran en la tabla.
5.10
143
Tabla 5.10 Datos de inspecciones y pruebas finales de una producto textil

Prendas
Defectuosas
9
6
10
8
5
5
14
12
9
8
Lote
1
2
3
4
5
6
7
8
9
10
Lote
11
12
13
14
15
16
17
18
19
20
Prendas
Defectuosas
10
20
12
10
10
0
13
5
6
11
Solucin
-
Como n es contante
la cantidad
de defectuosos por muestra se puede
analizar con una carta np.
Para determinar los limites de control primero debemos calcular p
Tabla 5.11. muestra de inspecciones y pruebas finales de un producto textil

Prendas
Lote Muestra Defectuosas
Prendas
Lote
Muestra Defectuosas
120
11
120
10
120
12
120
20
120
10
13
120
12
120
14
120
10
120
15
120
10
120
16
120
120
14
17
120
13
120
12
18
120
120
19
120
10
120
20
120
11
suma total
2400
183
144
Z;
183
0,076
2400
Los lmites de control ser

Lmite Superior
LCS = np + 3 np (1 p )
e>7 12090,076< + 3S1200,07691 0,076< 17,87
Lmite Central
Lmite Inferior
LC = np
e> 12090,076< 9,15
LCI = np 3 np (1 p )
e>f 12090,076< 3S1200,07691 0,076< 0,43
Obtenidos los lmites se genera la grfica de control
En la grfica se puede observar que el proceso no funcion de manera estable ya que

el nmero de prendas defectuosas en la muestra del lote 12 es mayor que el lmite
superior, mientras que en la muestra del lote 16 el nmero de defectuosos es menor
145
que el lmite inferior. De aqu que se tenga una evidencia objetiva

en la fabricacin del lote 12
para afirmar que
se presento una causa o situacin especial que
normalmente no est presente en el proceso y que lo empeor de forma seria;

mientras que en el lote 16 ocurri una causa especial que mejor el desempeo del
proceso de fabricacin. Es necesario localizar ambas causas, ya que as se estar en
posibilidades de prevenir la primera y en caso de no haber un error en el registro de
los datos fomentar la segunda.
Solucin del Problema con el SPSS

146
Paso 2. Para generar el grfico de control debe realizar lo siguiente, ir a tem de

analizar bajar hasta control de calidad y buscar el grafico de control

147
Es este caso escogeremos el grfico np y en organizacin de los datos dar clip en los
casos son sub grupo.

nmero de disconformes prendas defectuosas y en subgrupo se colocar la variable
lote, adems incluir el tamao de la muestra en este caso daremos check en
constante con el valor de 120
148
Finalmente se generar el grfico de control np, es este grfico se obtienen los limites
149
GRFICA DE CONTROL P FRENTE A GRFICA NP

Si el tamao del subgrupo es variable se tendr que optar por la grfica p, pero si el
tamao del subgrupo es constante estas grficas son la misma, salvo un cambio de
escala. Por ejemplo para convertir la grfica np de la grfica 10.2 en una carta p, basta
con dividir la escala entre el tamao de la muestra (120). De aqu que cuando se
quieren analizar las variables del tipo pasa no pasa en un proceso
y se toman
muestras de tamao constante, el criterio para elegir entre la carta p y la np es segn

se prefiera entre proporcin de defectuosos o numero de defectuosos : en ocasiones
se considera que el nmero de defectuosos ofrece una cuantificacin ms directa de
la perdida de dinero que se est teniendo en el proceso, lo cual lleva a preferir la
grfica np en la que no es necesario calcular en proporcin por cada subgrupo. Por
otra parte con la grfica p es ms fcil evaluar en trminos porcentuales el nivel de
defectuosos en el proceso, pero es necesario recordar el tamao del lote para tener
una idea ms precisa de la prdida en que se est incurriendo.
GRFICO c (NMERO TOTAL DE DEFECTOS)

Es frecuente que al inspeccionar una unidad ( unidad representa un artculo , un lote
de artculos) se cuente el nmero de defectos que tiene en lugar de limitarse de
concluir que es o no defectuosa. Ejemplo en un zapato, en una prenda de vestir,
cada uno de estas unidades pueden tener ms de un defecto y no necesariamente
se considera al producto o unidad como defectuosa.
En trminos generales , las variables mencionadas se pueden ver como el nmero de
eventos
que ocurren por unidad
y tienden a comportarse de acuerdo con la
distribuccin de Poisson. Las variables que se ajusten de emanera moderada a esta

distribucin se pueden examinar a travs de las grfica c y u que analizan el nmero
de defectos pos usb grupo o muestra (grafica c) o el nmero promedio de defectos
por unidad (grfica u)
El objetivo de la grfica c es analizar la variabilidad del nmero de defectos por
subgrupo, cuando el tamao de este se mantiene constante. En esta grfica ci que
es igual al nmero de defectos en el i-esimo subgrupo (muestra).
150
Los lmites de control se obtiene suponiendo
que el estadstico ci sigue una
distribucin de Poisson; por lo tanto , las estimaciones de la media y la desviacin

estnadar :
Los lmites de control son obtenidos a partir de:

Pgh O;
iEHI`J3J3a3OHED
Rdgh O;
iEHI`J3DPV,KPZE
LCS = c + 3 c
Lmite superior.
Lmite central
LC = c
Lmite Inferior
LCI = c 3 c
Ejemplo. En una carpintera
se inspecciona al detalle el acabado de las mesas,
cuando salen del rea de pintado. La cantidad de defectos que son encontrados en
cada silla son registrados con el fin de conocer y mejorar el proceso.
En la tabla se muestran los defectos encontrados en las ltimas 30 sillas.
Tabla 5.12 Datos del inspeccin de acabado de mesas
Mesas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos
ci
7
5
10
2
6
5
4
9
7
8
6
7
8
4
5
Mesas
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Defectos
ci
12
8
10
4
7
3
10
6
6
7
4
5
6
8
5
151
Solucin
De la tabla 5.13 se obtiene que el nmero promedio de defectos por unidad
Tabla 5.13 Nmero promedio de defectos por unidad
mesa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos ci
7
5
10
2
6
5
4
9
7
8
6
7
8
4
5
Total

silla
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
mesa
12
8
10
4
7
3
10
6
6
7
4
5
6
8
5
191
jkj
n, o
lm
LCS = c + 3 c
Lmite superior.
e>7 6,4 + 3p6,4 14
Lmite central
LC = c = 6,4
Lmite Inferior
LCI = c 3 c
e>f 6,4 3p6,4 1,2
152
Como se puede observar el LCI es negativo, pero como no puede haber cantidades
negativas de defectos, entonces el lmite inferior se iguala a cero.
Luego de haber obtenido los lmites se dibuja la grfica c
Figura 6.1. Grafico de Control c

Como se observa en la grafica el proceso estuvo funcionando de manera estable , ya
que no hay puntos fuera de los lmites de control.
El mismo ejercicio ser desarrollado por el SPSS

153
Paso 2. Para generar el grfico de control debe realizar lo siguiente, ir a tem de

154

Es este caso escogeremos el grfico c y en organizacin de los datos dar clip en los
casos son unidades

caractersticas (defectos) y en sub grupo (mesa).
155
Finalmente se generar el grfico de control c, es este grfico se obtienen los limites

156
GRFICO u (NMERO DE DEFECTOS POR UNIDAD)

La grfica u analiza la variacin del nmero promedio de defectos por artculo o por
unidad de referencia. Se usa cuando el tamao del subgrupo no es constante.
En esta grfica un subgrupo lo forman varias unidades. De manera que para cada
subgrupo se grafica.
P#
O#
!#
Donde ci es la cantidad de defectos en el subgrupo i y ni es el tamao del subgrupo i.

Para calcular los lmites es necesario estimar la media y la desviacin estndar del
estadstico ui, que bajo supuesto de que ci sigue una distribucin de Poisson
resultando:
Pqh P
iEHI`J3J3a3OHED
iEHI`J3IKHrOP`EDL!DZ3OOLE!IJED
P
dqh 8
!
157
Donde n es el tamao de subgrupo. De esta manera, los lmites de control en la carta

u estn dados por :
LCS = u + 3 u / n
Lmite superior.
Lmite central
LC = u
LCI = u 3 u / n
Lmite Inferior
Ejercicios.
1. En la Casa de Motos S.A, ensamblan mototaxis y al final del proceso se realiza
una inspeccin por muestreo para detectar defectos. en la tabla 9.4 se presentan el
nmero de defectos
en muestreos realizados en 25 lotes consecutivos
de
motototaxis. El nmero de mototaxis inspeccionados en cada lotes es variable.

Tabla 5.14 Defectos en mototaxis
Tamao de
la muestra
20
22
21
21
15
18
16
18
23
23
23
28
28
30
26
defectos
encontrados
16
24
17
27
16
18
16
20
26
11
26
32
23
48
30
Lote
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
defectos
Tamao de
la muestra encontrados
32
34
32
32
32
36
32
31
30
32
30
34
16
12
18
15
16
31
15
18
17
19
17
18
17
22
17
26
17
28
158
Solucin
Como el nmero de mototaxis inspeccionados por lote es variable, por lo que no es
apropiado aplicar la carta c. Es mejor analizar el nmero promedio de defectos por
mototaxi ui. Para calcular los lmites de control a partir de la tabla 5. 15se tiene :
Tabla 5.15 Nmero promedio de defectos por mototaxi ui.
Tamao
defectos
de la
encontrad
Lote muestra
Tamao de
defectos
os
ui=ci/ni
Lote
la muestra
encontrados
ui=ci/ni
20
16
0.80
16
32
34
1.06
22
24
1.09
17
32
32
1.00
21
17
0.81
18
32
36
1.13
21
27
1.29
19
32
31
0.97
15
16
1.07
20
30
32
1.07
18
18
1.00
21
30
34
1.13
16
16
1.00
22
16
12
0.75
18
20
1.11
23
18
15
0.83
23
26
1.13
24
16
31
1.94
10
23
11
0.48
25
15
18
1.20
11
23
26
1.13
26
17
19
1.12
12
28
32
1.14
27
17
18
1.06
13
28
23
0.82
28
17
22
1.29
14
30
48
1.60
29
17
26
1.53
15
26
30
1.15
30
17
28
1.65
670
738
Suma total
159
c

slt
j, jmj
nsm
Como el tamao del subgrupo o muestra es variable, se tiene dos alternativas: usar el
tamao de subgrupo promedio o construir una grfica de control con lmites variables.
Se realizarn ambas. El tamao del subgrupo promedio se obtiene dividiendo el total
de unidades inspeccionadas (670) entre el nmero de subgrupo (30); de esta manera;
!
Lmite superior.
B.W
W
22,
LCS = u + 3 u / n
,W

e>7 1,101 + N
1,77
Lmite central LC = u
e> 1,101
Lmite Inferior
LCI = u 3 u / n
e>f 1,101 3N
,W

0,429
Despus de obtener los lmites obtendremos la grfica
160
Figura 5.6. Grfica de control u para mototaxis defectuosos
El ejercicio ser desarrollado por el SPSS
161
Paso 2. Para generar el grfico de control u debe realizar lo siguiente, ir a tem de


escoger el tipo de grfico c,u, en organizacin de datos dar clip en los casos son
subgrupos, luego dar clip en definir.
162
Es este caso escogeremos el grfico u
En esta ventana en organizacin de los datos dar clip en los casos son subunidades,
luego en nmero de disconformidades colocar (defectos encontrados) y en subgrupo
163
colocar lotes, en tamao de la muestra a pesar de que en este ejercicio es variable

aqu debemos colocar el promedio que es de 22.
Luego de haber escogido el tipo de grafico
dar clip en aceptar. Finalmente se
generar el grfico de control u, es este grfico se obtienen los limites de control junto
a la grfica.
Si observamos los datos del ejercicio, podemos ver que el tamao de muestra es
variable. En el software podemos obtener esta grfica
164
Lo primero es que en lote se debe colocar el tamao de la muestra de la tabla.
1. En este caso se generar una nueva base de datos.
2. Al llenar la base de datos se debe colocar el tamao de la muestra.
165
Luego ir a Analizar y ubicar control de calidad y luego grficos de control
Al dar clip en grficos de control se obtendr la siguiente pantalla.
166
Se escoger la grafica c,u , luego dar clip en definir, as obtendremos la siguiente

pantalla.
Aqu en nmero de disconformidades colocar defectos encontrados y en tamao de

muestra colocar variable
y colocar tamao de la muestra finalmente dar clip en
aceptar.
167
Finalmente obtendremos la siguiente grfica
GRFICA DE CONTROL PARA VARIABLES
La grfica de control para variables se aplican a caractersticas de calidad de tipo

continuo, aquellas que requieren
un instrumento
de medicin
(peso, volumen,
voltaje, longitud, humedad, actividad de agua, resistencia, temperatura, etc).
Una grfica de control para variables es un trazo estadstico que por lo general se
calcula a partir de los sub grupos que muestran la conducta de una caracterstica de
proceso con el transcurso del tiempo.
Las grficas para variables ms usuales son :
9J3[3JLID<
R (rangos)
S( desviacin estndar)
X ( medias individuales)
168
GRFICO DE LA MEDIA
El grfico de control de Shewhart
es el dispositivo estadstico ms popular para
supervisar la media de un proceso industrial. Su popularidad se debe a su simplicidad

y efectividad en general.
Lmite Superior: LCS = X + A 2 R
Lmite central : LC = X
Lmite Inferior :
LCI = X A 2 R
A2 se encuentran en la tabla A1 (anexo 1)
GRFICA DEL RANGO

Con esta grfica se detectaran los cambios o magnitud de la variacin del proceso.
Los lmites de control para la grfica de control del rango tenemos:
Limite Superior: LCS = D4 R
Limite central : LC = R
Lmite Inferior:
LCI = D3 R
A2 se Hallan en la tabla A1
169
Ejercicio. Se desea conocer la variabilidad del proceso de llenado de fresas

congeladas a fin de determinar qu porcentaje de los pesos se encuentran arriba del
peso nominal de 100 gramos. Para tal efecto se colectan 5 bolsas y se registran los
pesos considerando la variabilidad en decimas de gramos. Los datos son registrados
en la siguiente tabla
Tabla 5.16. Pesos de llenado de bolsas de fresas congeladas
GRFICA DE DESVIACIN ESTANDAR

S
Limite Superior:
Limite central :
LCS = B4 S
LC = S
Limite Inferior : LCI = B S

3
B3 y B4 se Hallan en la tabla A1
Si tenemos el tamao de cada subgrupo es de n.
La desviacin estndar de cada muestra se calcula de la forma usual:
170
GRFICA DE MEDIA Y DESVIACIN ESTANDAR
Ejercicio. Se desea establecer un grfico de control para el peso de llenado de

envases de Yogurt. El peso nominal es 115 grs y la especificacin 5 grs. A lo largo
de 25 das se ha tomado cada 2 horas (4 muestras por da) muestras constituidas por
4 envases consecutivos. Los pesos obtenidos, que para comodidad de clculo se
expresan en exceso sobre 100 g. Se recogen a continuacin:
Tabla 5.17 : Peso del llenado de envases de Yogurt.
Muestra
peso1
peso2
peso3
peso4
15,8
16
17,4
17,8
17
16,4
13,4
12,4
12,8
14,7
15,1
14,2
14,5
15,6
13,3
17,8
15,1
16,2
15,3
12,5
15,1
16,3
14,8
16,1
16,7
16
15
15,7
15,1
14,9
13,9
13,5
14,2
15,6
15,5
14,9
10
14,1
13,2
13,9
14,1
11
13,8
15,3
13,6
13,9
12
15,2
14,5
14,7
13,6
13
16,1
14,9
14
14
14
14,4
13,2
15,9
13,1
15
14,3
18,3
14,7
13,3
16
19,4
16,9
14,9
14,7
17
12,9
17,1
14,7
13,8
18
14,5
12,8
11,9
13,9
19
16,6
13,4
14,3
16,9
20
17,3
14,8
17,5
15
21
19,5
17,1
15
14,5
22
12,5
14,7
14,8
14,2
23
15,1
16
15,4
13,2
24
14,2
15,3
15,5
14,7
25
19,2
16,8
15,2
14,9
171
- Generar una grfica de control media - rango

- Utilizando la misma informacin realizar un grfico mediadesviacin estndar.
-
Interprete los resultados
Solucin.
1) Calcular la media y el rango de cada muestra o subgrupo.
Tabla 5.18. Peso promedio y rango del llenado de envases de Yogurt
Desviacin
muestra
peso 1 peso 2 peso 3 peso 4
Promedio
Rango
estndar
15.8
16
17.4
17.8
16.75
1.00
17
16.4
13.4
12.4
14.8
4.6
2.24
12.8
14.7
15.1
14.2
14.2
2.3
1.00
14.5
15.6
13.3
17.8
15.3
4.5
1.91
15.1
16.2
15.3
12.5
14.775
3.7
1.59
15.1
16.3
14.8
16.1
15.575
1.5
0.74
16.7
16
15
15.7
15.85
1.7
0.70
15.1
14.9
13.9
13.5
14.35
1.6
0.77
14.2
15.6
15.5
14.9
15.05
1.4
0.65
10
14.1
13.2
13.9
14.1
13.825
0.9
0.43
11
13.8
15.3
13.6
13.9
14.15
1.7
0.78
12
15.2
14.5
14.7
13.6
14.5
1.6
0.67
13
16.1
14.9
14
14
14.75
2.1
0.99
14
14.4
13.2
15.9
13.1
14.15
2.8
1.31
15
14.3
18.3
14.7
13.3
15.15
2.18
16
19.4
16.9
14.9
14.7
16.475
4.7
2.19
17
12.9
17.1
14.7
13.8
14.625
4.2
1.81
18
14.5
12.8
11.9
13.9
13.275
2.6
1.16
19
16.6
13.4
14.3
16.9
15.3
3.5
1.72
20
17.3
14.8
17.5
15
16.15
2.7
1.45
21
19.5
17.1
15
14.5
16.525
2.28
22
12.5
14.7
14.8
14.2
14.05
2.3
1.07
23
15.1
16
15.4
13.2
14.925
2.8
1.21
24
14.2
15.3
15.5
14.7
14.925
1.3
0.59
25
19.2
16.8
15.2
14.9
16.525
4.3
1.97
15.04
2.83
1.30
promedios
172
X
X 1. =
j =1
ij
15,8 + 16,0 + 17,4 + 17,8

= 16,75
4
R1= X1,max - X1, min =17,8 15,8 = 2.0
Asi sucesivamente se calcular para los dems

2) Calcular la media y rango promedio:
25
X
X=
i =1
25
375,95
= 15,04
25
25
R=
i =1
25
70,8
= 2,83
25
3) Calcular los lmites de control del grfico de medias.
LCS X = X + A2 R = 15,038 + 0,729 2,832 = 17,025

LCS X = X A2 R = 15,038 0,729 2,832 = 12,9735
4) Calcular los lmites de control del grfico de rangos. Utilice los factores segn el
tamao de muestra.
LCS R = D4 R = 2,282 2,832 = 6,4626
LCI R = D3 R = 0.000 2.832 = 0.00
5) Graficar los promedios y rangos separadamente. Los grficos de control que

incluyen los lmites calculados se muestran en la siguiente grfica.
173
Grafico de control de medias.

18
LCS=17.10
X- barra
17
16
LC=15.038
15
14
13
LCI=12.97
12
0
10
15
20
25
N de muestra
Grafico de control R.
8
LCS=6.46
Rango, R
6
4
LC= 2.83
2
0
LCI=0.00
0
10
15
20
25
N de muestra
6) En el grfico de medias, se verifica que no hay ningn valor que salga de los lmites.
En caso contrario, elimine el o los valores y recalcule los lmites.
En el rango de rangos, no hay ningn punto fuera de los lmites de control en caso
contrario, elimine el o los valores y recalcule los lmites.
7) Interprete los grficos de control.
Grfico X :
Variacin aleatoria.
Grfico R:
Patrn no aleatorio y ciclos. Existe una racha de 8 puntos consecutivos
debajo de la lnea central.

Decisin: No, instalar los grficos e investigar las causas para eliminarlas, luego repetir
el estudio.
174
Utilizando la misma informacin del ejemplo anterior, calcular un grfico mediadesviacin estndar.
1) Calcular la media y el rango de cada muestra o subgrupo. Por ejemplo:
X
X 1. =
ij
j =1
15.8 + 16.0 + 17.4 + 17.8

= 16.75
4
(X
S1 =
X1)2
1j
j =1
n 1
2.99
= 0.9983
3
2) Calcular la media y la desviacin estndar promedio:

25
X
X=
i =1
25
375,95
= 15.038
25
25
S
S=
i =1
25
32,94
= 1,3
25
3) Calcular los lmites de control del grfico de medias.
LCS X = X + A3 S = 15.038 + 1.628 1.2958 = 17.1475

LCS X = X A3 S = 15.038 1.628 1.2958 = 12.9284
4) Calcular los lmites de control del grfico de desviaciones. Utilice los factores segn
el tamao de muestra.
LCS S = B4 S = 2.266 1.2958 = 2.9363

LCI S = B3 S = 0.000 1.2958 = 0.00
175
5) Graficar los promedios y desviaciones estndar separadamente. Los grficos de

control que incluyen los lmites calculados se muestran enseguida.
Grafico de control de medias.

18
LCS=17.15
X barra
17
16
LC = 15.04
15
14
13
LCI=12.93
12
0
10
15
20
25
N de muestra
:
Grfico de control S
Desviacin estndar, S
LCS = 2.94
2,5
2
1,5
LC = 1.30
1
0,5
0
LCI = 0.00
10
15
20
25
N de muestra
6) Tanto en el grfico de la media como el de la desviacin, se verifica que no hay

ningn valor que salga de los lmites de control.
7) Interprete los grficos de control.
Grfico X :
Variacin aleatoria.
Grfico R:
Patrn no aleatorio y ciclos. Existe una racha de 8 puntos consecutivos
debajo de la lnea central.
176
Decisin: No, instalar los grficos e investigar las causas que afectan a la variabilidad
para eliminarlas, luego repetir el estudio.
A Continuacin se realizar el ejercicio con el SPSS

177
Paso 2. Para generar el grfico de control por variable debe realizar lo siguiente, ir a
tem de analizar bajar hasta control de calidad y buscar el grafico de control

escoger el tipo de grfico por variable, en organizacin de datos dar clip en los casos
son unidades, luego dar clip en definir.
178
Al dar clip a grfico en definir escogeremos el grfico por variables
En esta ventana en medida del proceso colocar peso y en subgrupos definidos por
das, en grficos dar clip en x- barra con rango.
179
Luego de haber escogido el tipo de grafico
dar clip en aceptar. Finalmente se
generar los grficos de control de media, rango, es estos grficos se obtienen los
lmites de control junto a la grfica.
Los grficos obtenidos tenemos
180
Utilizando la misma informacin del ejemplo anterior, calcular un grfico mediadesviacin estndar.
Como la base de datos ya est generada solo debemos ir a Analizar, bajar hasta
control de calidad y buscar el grfico de control.
181

escoger el tipo de grfico por variable, en organizacin de datos dar clip en los casos
son unidades, luego dar clip en definir.
Luego al dar clip en definir se obtiene la siguiente ventana. Aqu se escoge el tipo de
grfico x-barra con desviacin tpica.
Al dar clip en aceptar se tiene la siguiente grfica de medias y desviacin tpica.
182
Figura 5.7. Grfica de control de media:peso
183
Figura 5.8. Grfica de control de desviacin: peso
SEALES DE FALTA DE CONTROL
Para que una grfica de control sea correctamente interpretada debe estar
conformada por lo menos por 20 puntos.
Una vez que ya se ha instalado una grfica de control, es decir, una vez que ya se han
determinado los lmites de superior y e inferior, se puede afirmar que el proceso est
fuera de control en las siguientes situaciones:
Al menos un punto ms all de los lmites de control.
Racha: si hay 7 puntos consecutivos a un lado de la lnea central, si 10 de 11
puntos consecutivos estn a un lado de la lnea central, 12 de 14, 16 de 20.
Tendencia: si forman una curva contina ascendente o descendente.
Acercamiento de los lmites de control: si 2 de 3 puntos consecutivos est
comprendidos entre 2 y 3.
184
Acercamiento de la lnea central: si la mayora de los puntos estn entre -1.5 y

+1.5. Esto se debe a que las muestras se han tomado en forma inapropiada.
Periodicidad: si hay tendencia ascendente y descendente para casi el mismo

intervalo.
185
BIBLIOGRAFIA.
[1]. Norma ISO 9000:2005. Sistemas de Gestin
la Calidad _ Fundamentos y
Vocabularios.
[2]. H. Gutirrez, Control Estadstico de la Calidad y Seis Sigma. Ed. Mc Graw Hill.
Mxico 2007.
[3]. O Tinoco, S.Crispin. Estadstica Bsica. Fondo Editorial UCH. 2007.
[4]
D. Montgomery. "Control Estadstico de la Calidad" ED. Iberoamrica. Mxico 1995
[5] Kume Hitoshi: "Herramientas Estadsticas Bsicas para el mejoramiento de la calidad"

ED. Norma, Colombia 1992
186
Herramientas
ANEXO
FACTORES PARA EL CLCULO DE LOS LMITES DE CONTROL DE LOS
GRFICOS DE CONTROL POR VARIABLES. [4]
(CRITERIO 3)
187

Herramientas+y+Control Estadisticos de Calidad

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Herramientas+y+Control Estadisticos de Calidad

Enviado por

Direitos autorais:

Formatos disponíveis

Herramientas y Control Estadstico de la Calidad

El ingrediente bsico en la nueva concepcin del control de calidad es la utilizacin

bsico en la formacin de cualquier Ingeniero en especial el Ingeniero

Ing. Martha Tesn Arroyo

Herramientas y Control Estadstico de la Calidad

1.2 Competitividad ...........................

1.3 Productividad ............................

II. DEFINICIONES BSICAS ......................

2.1 Definiciones Bsicas .......................

2.2 Control de Calidad .......................

2.3 Control Estadstico ......................

2.4 Variabilidad ..........................

III. CAPITULO .............................

3.1 Medidas de Tendencia Central ....................

3.2 Medidas de Dispersin Variabilidad ...............

3.3 Medidas de Forma ........................

3.4 Medidas de Localizacin .....................

3.5 Estudio Real de Capacidad ...................

4.2 Ventana para la definicin de Variable...............

4.3 Ventana de Ingreso de Datos .....................

4.4 Guardar datos y resultados .....................

4.5 Abrir archivo de datos o resultados ..................

4.6 Anlisis de resultados .........................

5.1 Hojas de control...........................

5.3 Diagrama de Pareto.........................

5.4 Diagrama de Dispersin.......................

5.5 Graficas de control.......................

Ing. Martha Tesn Arroyo

Herramientas y Control Estadstico de la Calidad

Tabla 2.2 Causa comunes y causas especiales que origina la variabilidad....

Tabla 3.1. Datos del peso de conservas de esparrago (g)........

Tabla 3.2 Tabla de simetra _valor del sesgo..............

Tabla 3.3 Tabla de apuntamiento _valor de la curtosis ..........

Tabla. 3.4. Anlisis de la capacidad del proceso............

Tabla 3.5. Caractersticas de los egresados universitarios........

Tabla 4.1 Data de la investigacin...................

Tabla 4.2. Datos del peso de conservas de esparrago (g)........

Tabla 5.1 dimetro de 100 tubos...................

Tabla 5.2: Tabla de frecuencia....................

Tabla 5.3 Peso de embutidos (g)...................

Tabla 5.4 Frecuencias de los defectos encontrados en la pintura.....

Tabla 5.5 Tabla para el Diagrama de Pareto................

Tabla 5.6. Datos de publicidad versus artculos vendidos .........

Tabla 5.7 . Sumatorias de las x y..................

Tabla 5.8.Datos para el proceso del empaquetado de jamonadas....

Tabla 5.9 Datos de fracciones defectuosas del proceso del empaquetado

Tabla 5.10 Datos de inspecciones y pruebas finales de una producto textil

Tabla 5.11 muestra de inspecciones y pruebas finales de una producto

Tabla 5.13 Nmero promedio de defectos por unidad.........

Tabla 5.14 Defectos en mototaxis..................

Tabla 5.15 Nmero promedio de defectos por mototaxi ui.......

Tabla 5.16. Pesos de llenado de bolsas de fresas congeladas.....

Tabla 5.17. Peso del llenado de envases de Yogurt...........

Tabla 5.18. Peso promedio y rango del llenado de envases de Yogurt....

Ing. Martha Tesn Arroyo

Herramientas y Control Estadstico de la Calidad

Figura 1.2. La Productividad y sus Componentes.............

Figura 2.1. Clasificacin de las variables.................

Fig. 3.1 Histograma del peso de conservas (g)..............

Figura 3.2 Interpretacin de los histogramas ...............

Figura 4.1.Inicio de Ejecucin SPSS .................

Figura 4.2.Inicio del SPSS........................

Figura 4.3.Vista de datos y vista de variables..............