Aplicación Del Control Estadístico

Aplicación de la
Estadística al
Control
de Calidad
Ángel Pola Maseda
P R O D U C T I C A
MARCOMBO, S.A., 1993
Reservados todos los derechos
de publicación, reproducción, préstamo,
alquiler o cualquier otra forma de cesión del
uso de este ejemplar en cualquier idioma por
MARCOMBO, S.A.
Gran Via de les Corts Catalanes, 594
08007 Barcelona (España)
Quedan rigurosamente prohibidas, sin la autorización escrita de los

titulares del "Copyright", bajo las sanciones establecidas en las leyes,
la reproducción total o parcial de esta obra por cualquier medio o
procedimiento, comprendidos la reprografía y el tratamiento informá-
tico, y la distribución de ejemplares de ella mediante alquiler o présta-
mo públicos, así como la exportación e importación de esos ejempla-
res para su distribución en venta, fuera del ámbito de la Comunidad
Económica Europea.
ISBN: 978-84-267-0691-1
Depósito Legal: B-42.729-92
Impreso en España
Printed in Spain
Fotocomposición: FOlNSA-Passatge Gaiolà, 13-15 -08013 Barcelona
Impresión: Vanguard Gràfic, S.A. -Joan Miró, 17-19 - 08930 San Adrià
de Besòs (Barcelona)
Presentación
Desde hace algunos años, estamos viviendo una revolución en el tema de

la calidad industrial. Los programas de mejora de la calidad están a la orden
del día en muchas empresas, como caminos a recorrer para alcanzar
niveles de calidad competitivos, diferenciales y que garanticen la supervi-
vencia de la organización.
Esta revolución orienta a las empresas hacia un cambio en su filosofía,
hacia una gestión de la calidad distinta y que tienen que asumir rápida-
mente.
Los programas de mejora se basan en criterios formales, por lo que
recurren a la Estadística como su principal punto de apoyo. Dicha ciencia
es para muchas empresas desconocida, o en el mejor de los casos infrauti-
lizada. Dado el alcance de la misma, se hace necesario un mayor conoci-
miento de las técnicas que nos brinda, así como de su aplicación por parte
de todos los trabajadores, en especial aquellos que tienen relación directa
con la calidad: personal de control de calidad, producción, recepción de
materiales, etc.
El objetivo de esta obra es dar a conocer distintas técnicas estadísticas y
su aplicación en la industria, expresándolas de forma clara y práctica, para
que cualquier persona con mínimos conocimientos pueda comprender-
las.
La primera parte muestra cómo recoger información de acuerdo con
métodos estadísticos, llevándola a representaciones gráficas. El capítulo
de análisis, basado en las distribuciones de probabilidades, iniciará al
lector en temas más profundos, muy poco utilizados en la actualidad, pero
que nos atrevemos a señalar serán de gran aplicación en la industria en los
próximos años.
En la segunda parte se explica de forma detallada toda la metodología
de aplicación del Control Estadístico de Procesos (S.P.C.) con diversidad de
ejemplos y casos prácticos. Se desarrolla ampliamente el control por
variables y por atributos, así como la construcción y análisis de los gráficos
de control.
Por último, dedicamos un capítulo a los estudios de capacidad en sus
distintas formas, cerrando así el ciclo de mejora continua iniciado en el
Control Estadístico.
El autor
5
Índice general
EL CONTROL DE LA CALIDAD. ENFOQUE HISTÓRICO .............. 9

Introducción ................................................................................. 9
Concepto de calidad ................................................................. 10
Estadística y calidad ................................................................. 12
RECOGIDA DE INFORMACIÓN. REPRESENTACIÓN GRÁFICA ... 15

Variaciones .................................................................................. 15
Variables o atributos .................................................................... 17
Recogida de información .......................................................... 18
Inspección total. Muestreo ........................................................... 19
Tipos de muestreo ................................................................. 20
Datos previos al muestreo ........................................................ 23
Presentación de datos .............................................................. 24
Recorrido o rango..................................................................... 28
La moda ................................................................................ 28
Datos agrupados ...................................................................... 29
La media aritmética .................................................................. 31
La mediana ............................................................................. 31
Desviación ............................................................................. 32
Desviación típica ................................................................... 33
Representación gráfica .............................................................. 35
El gráfico lineal ...................................................................... 35
Diagrama de barras ................................................................. 36
Diagrama de sectores ............................................................ 37
El histograma ....................................................................... 39
Polígono de frecuencias ......................................................... 42
Curva de frecuencias ........................................................... 43
PROBABILIDADES. DISTRIBUCIÓN DE PROBABILIDAD ............ 45

Probabilidades .......................................................................... 45
Variable aleatoria ...................................................................... 51
Distribuciones de probabilidad ................................................. 52
Distribución normal ............................................................... 55
Distribución exponencial ....................................................... 61
Distribución binomial .............................................................. 62
Distribución de Poisson ......................................................... 65
Intervalos de confianza para la estimación de parámetros . 66
CONTROL ESTADÍSTICO DEL PROCESO ................................... 69

Introducción ................................................................................. 69
Gráficos de control....................................................................... 73
6
Índice general
GRÁFICOS DE CONTROL POR VARIABLES ................................ 75

Gráfico de individuos ................................................................. 75
Gráfico de medias/rangos............................................................ 76
Límites de control .................................................................... 78
Otros gráficos de control ........................................................... 80
Interpretación de los gráficos de control por variables ................ 81
GRÁFICOS DE CONTROL POR ATRIBUTOS ................................ 87

Introducción.................................................................................. 87
El gráfico p ............................................................................ 87
El gráfico np ........................................................................... 88
El gráfico c ............................................................................ 89
El gráfico u ........................................................................... 89
Interpretación de los gráficos de control por atributos.................. 91
Control continuo del proceso .................................................... 92
ESTUDIOS DE CAPACIDAD .......................................................... 95

Introducción................................................................................. 95
Interpretación de los gráficos de capacidad ................................ 99
APÉNDICE ....................................................................................... 103
7
El Control de la Calidad.
Enfoque histórico
INTRODUCCIÓN
Hasta finales del siglo XIX la empresa era muy distinta de lo que hoy es.
Orientada generalmente a lo agrícola, minero o comercial, la explotaban
sus propietarios, con la aportación del esfuerzo físico de obreros o escla-
vos. La calidad ocupaba un segundo plano, determinado por el descono-
cimiento del consumidor y la falta de competencia.
Con la revolución industrial, el maquinismo, la automatización, las ideas
de pensadores como Marx y la aplicación de nuevos sistemas de gestión
establecidos por Taylor, nace un nuevo tipo de empresa. El mercado se
hace más competitivo, lo que lleva a los empresarios a controlar la calidad
de sus productos.
El inicio del control estadístico de calidad se remonta a 1.924, cuando en
los laboratorios de la Bell Telephone se aplicaron por primera vez gráficos
estadísticos para el control de calidad de productos manufacturados.
En 1.931 se publicaba en Nueva York un libro titulado Control Económi-
co de calidad de productos manufacturados. Aunque este libro buscaba la
"economía" del control de calidad, la mayoría de las aplicaciones resulta-
ron altamente costosas. De aquí que, cuando mencionamos el control de
calidad a muchos fabricantes que vivieron en esa época, el recuerdo que
llega a su mente es de grandes esperanzas sobre reducción de costes,
montones de papeles y trabajo administrativo, seguido de la desilusión
resultante de objetivos valiosos, pero no logrados.
En la década de 1.940 comenzó el desarrollo y aplicación de tablas de
muestreo para inspección. Se publicaban tablas de muestreo para usos
militares y se aprueba su empleo por las fuerzas armadas.
El Dr. Eduards Deming, especialista en Estadística, visitó el Japón en
1.950. El pueblo japonés se recuperaba de los estragos de la guerra, las
industrias trataban de salir a flote, pero la calidad de los productos japone-
ses era muy inferior a la que presentaban los productos importados. El Dr.
Deming en una conferencia ante dirigentes de las grandes industrias,
afirmó que si se implantaba en sus fábricas un adecuado control estadísti-
co de la calidad, la marca "Made in Japan" llegaría a ser un símbolo de alta
calidad.
En 1.954 el Dr. J. M. Juran, experto en control de calidad, difunde el
entusiasmo por los métodos estadísticos y los sistemas de control de
calidad, no sólo entre los especialistas de cada empresa, sino también
entre todos los dirigentes y mandos intermedios.
Esta inquietud se extiende a todo el pueblo japonés, al cual se le
9
Aplicación de la Estadística al Control de la Calidad
comienzan a enseñar las técnicas estadísticas. Se hacen campañas para

promover los sistemas de control y mejora de la calidad.
Los japoneses aceptan el reto a la calidad, dando a sus empresas,
además de varias horas de trabajo físico, su capacidad intelectual, la cual
alcanza hasta los momentos de ocio, que en ocasiones utilizan para dar
solución a problemas relativos a la fábrica.
El Dr. Kaoru Ishikawa sirve de columna vertebral en estos programas. En
1.960 instituye los primeros Círculos de Calidad en el Japón.
El nivel de calidad de los productos japoneses es hoy óptimo. Actual-
mente, Japón es el líder de la calidad como en otros tiempos lo fueron
Alemania e Inglaterra.
En nuestros días la empresa se enfrenta a un consumidor/usuario/clien-
te exigente, que conoce cada vez mejor sus necesidades y gusta de elegir
para sí mismo los productos y servicios que precisa. Exigente en la relación
calidad-precio, pues, sabiendo con más exactitud lo que necesita, puede
gastar menos (proporcionalmente) que hace unos años.
El mundo occidental ha vuelto la mirada hacia el modelo japonés
(competencia en calidad-precio). Probablemente no debamos copiar este
modelo, pero una "traducción" y adaptación de éste a nuestras empresas,
proporcionará resultados altamente positivos.
Como vemos, el control de calidad en productos manufacturados no es
algo nuevo. Lo que sí es más reciente es el control de calidad en cada una
de las etapas del proceso de fabricación. Apoyado por métodos estadísti-
cos, nos permite evitar la producción de piezas defectuosas que darían
lugar a desperdicios o tendríamos que volver a trabajar, con la correspon-
diente pérdida de tiempo y dinero. Tratamos de fabricar sólo productos
buenos, con la seguridad de que si en cada parte del proceso se fabrica
calidad, el resultado final será un producto de calidad.
CONCEPTO DE CALIDAD
Existen distintas definiciones de este término. Una de ellas nos dice que
calidad es el CONJUNTO DE PROPIEDADES Y CARACTERÍSTICAS DE UN
PRODUCTO, PROCESO O SERVICIO, QUE LE CONFIEREN SU APTITUD
PARA SATISFACER NECESIDADES establecidas o implícitas. Figura 1.
Otras definiciones se refieren a la calidad como la IDONEIDAD o
APTITUD PARA EL USO, lo cual refleja los mismos aspectos antes citados.
En la actualidad están tomando gran relevancia otros términos asocia-
dos al concepto clásico de calidad, como son:
— Fiabilidad.
— Mantenibilidad.
— Disponibilidad.
Peter F. Drucker define la calidad como: Lo que el diente está dispuesto a
pagar, en función de lo que obtiene y valora.
Dada la diferencia entre las definiciones escritas, consideramos necesa-
rio dejar claros algunos aspectos que, con frecuencia, producen confu-
10
El Control de la Calidad. Enfoque histórico
sión. Así diremos, calidad no es, necesariamente, lujo, complicación, tama-

ño, etc. Necesitamos efectuar una segmentación del mercado y definir los
parámetros correspondientes para cada segmento, en función de lo que
éste considere como "adecuación al uso". Los parámetros de calidad
cambian del fabricante al cliente, incluso entre los propios clientes. Mien-
tras el cliente entiende la calidad como la adecuación al uso, el fabricante
suele entenderla como un cumplimiento con las especificaciones de
diseño. Surge así la "calidad de diseño", que se alcanzaría cuando las
especificaciones fueran tales que garantizaran la adecuación al uso que
busca el cliente.
Figura 1. Concepto de
Un producto ES DE CALIDAD cuando SATISFACE LAS NECESIDADES calidad.
Y EXPECTATIVAS del usuario.
Obtenemos "calidad de fabricación" en la medida en que los productos

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

calidades.
11
dos anteriores, aunque la realidad no siempre es ésta. La relación entre las

tres calidades podemos observarla en el gráfico de la figura 2.
Debemos concentrar nuestros esfuerzos en hacer que los círculos
correspondientes a las tres calidades sean concéntricos. De esta manera,
la calidad diseñada sería la que busca el cliente, siendo ambas, a su vez,
idénticas a la calidad fabricada.
ESTADÍSTICA Y CALIDAD
Hoy el mercado exige productos de calidad. Para conseguirlos no basta
con un control de calidad que seleccione las unidades buenas y rechace
las defectuosas, pues ésto hace que la calidad buscada tenga un alto
precio, tanto mayor cuantas más unidades defectuosas hayamos fabrica-
do. Además, estadísticamente se demuestra que efectuar una inspección
de la totalidad de los productos fabricados, tiene un elevadísimo coste y
no siempre proporciona la confianza deseada.
Factores como el cansancio del inspector, la monotonía por la repetitivi-
dad de la producción, etc., conllevan la obtención de resultados de hasta
un 15 % de productos aceptados o rechazados incorrectamente, es decir:
— Productos defectuosos que han sido aceptados como no defectuosos,
o
— Productos no defectuosos rechazados por considerarlos defectuo-
sos.
Aquí es donde interviene la Estadística, brindándonos procedimientos
sencillos, rápidos, económicos y que nos permiten obtener resultados
con una fiabilidad muy superior a la citada en el apartado anterior.
El término Estadística surge de la palabra "estado", por ser en losasuntos
referentes a éste, tales como nacimientos, riqueza, tierras, cosechas, etc.,
donde ha sido utilizada para su descripción, desde hace ya varios milenios.
Una definición amplia de la Estadística nos dice que es la ciencia que
establece métodos para la recopilación, ordenación, análisis e interpreta-
ción de datos, con el fin de conocer las características específicas de una
población.
Debemos distinguir entre la Estadística Descriptiva que, como su nom-
bre indica, describe las características de una población en estudio y la
Estadística Inductiva que podríamos definirla como señala la figura 3.
Figura 3. Concepto de
Estadística.
Ciencia que trata de OBTENER INFORMACIÓN DEL TOTAL DE UNA
POBLACIÓN, mediante la OBSERVACIÓN Y EL ESTUDIO DE UNA
MUESTRA REPRESENTATIVA de esa población o conjunto.
En el desarrollo del libro nos referiremos a ambas, siendo nuestro

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

la Estadística en un Programa de Mejora Continua de la Calidad. Figura 4.
En el apartado 1 identificamos el problema. Procedemos a aplicar técni-
cas estadísticas para recoger información, según señala el apartado 2.
Seguimos aplicando técnicas estadísticas en el apartado 3, orientadas
Figura 4. La Rueda de Deming.

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

última etapa, en donde estableceremos programas de acción en base a los
resultados de los análisis efectuados. Aplicadas las acciones correctivas,
estamos en condiciones de iniciar de nuevo el ciclo.
13
Recogida de información.
Representación gráfica
VARIACIONES
Como hemos visto hasta ahora, la Estadística ha venido penetrando en
el sector industrial, alcanzando en nuestros días una vital importancia
como herramienta imprescindible en cualquier tipo de empresa y en las
distintas áreas de trabajo.
Figura 5. Diagrama de las 6M,

donde se observan
los factores causantes de las
variaciones en un
proceso de fabricación.
En nuestro país, la industria del automóvil tal vez sea la que más
aplicación ha dado a esta ciencia, aunque no debemos olvidarnos de otros
sectores como el químico-farmacéutico, metalúrgico, del plástico, textil,
de alimentación, que están desarrollando amplios programas de forma-
ción de su personal e implantación de técnicas estadísticas en las más
variadas áreas de trabajo.
La mayor aplicación se centra en las áreas de producción y control de
calidad, aunque se extiende con rapidez hacia planificación, I+D, adminis-
tración, gerencia y dirección, y en general, a toda la empresa.
Para que la Estadística pueda aplicarse y su aplicación tenga sentido, es
15
necesario que entre los elementos que deseamos estudiar existan "varia-
ciones". Esto puede parecer contradictorio, dado que el objetivo a alcan-
zar es unificar resultados. En el caso de la fabricación de un producto, el
ideal de la empresa sería que todos los productos fabricados tuvieran
exactamente la medida nominal deseada. Ante un caso como éste, no
tendría sentido la aplicación de técnicas estadísticas. Pero la realidad está
muy lejos del ideal antes mencionado. Lo cierto es que en todo proceso
productivo, por muy automático que sea, existen variaciones. Definire-
mos con mayor claridad lo que es una variación:
Conjunto de diferencias que resultan del efecto de una serie de

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

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

variación, agrupadas
según los factores que
intervienen en el
proceso.
16
Recogida de información. Representación gráfica
Teóricamente, decimos que no existen dos piezas iguales. Si no pre-

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

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

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

datos. En la empresa suele emplearse la observación directa en sus dos
versiones, variables o atributos. Podemos hacerlo así porque los elemen-
tos objeto de nuestro estudio están presentes, lo que nos permite compa-
rarlos directamente con el patrón establecido.
Cuando la empresa realiza estudios o investigaciones de mercado,
suele recurrir a las encuestas. Estas no son otra cosa que un conjunto de
preguntas verbales o escritas que debe responder la población que quere-
mos estudiar. Son también ampliamente empleadas por la Administración
y por los medios de comunicación, en sondeos de opinión pública.
18
INSPECCIÓN TOTAL MUESTREO

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

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

1) Inspección al 100%. En teoría, reproduce fielmente el comporta-
miento de la población. En la práctica se cometen errores en la inspección,
ya comentados en el apartado "Estadística y Calidad", que distorsionan su
efectividad, sobre todo en las poblaciones muy numerosas, resultando
antieconómica y poco fiable. Sin embargo, tiene aplicación en lotes muy
pequeños y se hace necesaria ante la presencia de defectos de vital
importancia.
2) Muestreo. Tiene verdadera importancia cuando se aplica a poblacio-
nes muy numerosas, donde el método anterior no es efectivo. En la
aplicación del muestreo existe un riesgo de error, pero puede ser cuantifi-
cado y asumido desde el inicio del estudio.
El empleo de uno u otro método no merma la aplicación de la Estadísti-
ca. Figura 10. Cuando efectuamos una inspección al 100%, la Estadística
19
Descriptiva permite procesar la información obtenida, llevándola a tablas

de datos y gráficos que facilitan su posterior análisis.
Al seleccionar una muestra aplicamos los conocimientos de probabi-
lidades como primera parte del estudio.
Posteriormente describimos el comportamiento de la muestra seleccio-
nada y aplicamos técnicas de inferencia para conocer el comportamiento
del universo o población de la cual fue extraída la muestra.
Figura 10. Actuación de la

Estadística en la
recogida y proceso de datos
de una población en
estudio.
Tipos de muestreo
La figura 10 describe el muestreo como la selección de un subconjunto
de elementos de una población o universo, que posteriormente serán
sometidos a estudio y análisis para obtener resultados aplicables a la
totalidad de la población de donde fueron extraídos.
Para que las conclusiones o resultados obtenidos sean válidos, la mues-
tra seleccionada tiene que ser REPRESENTATIVA del conjunto de donde
procede. De no ser así, se estarían cometiendo errores.
Existen distintos tipos de muestreo que pueden aplicarse para garantizar
la representatividad de la muestra. Figura 11.
20
Muestreo aleatorio o al azar Figura 11. Tipos de muestreo

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

Puede hacerse dejando caer un lápiz bien afilado sobre la tabla de
números al azar. El número sobre el que haya caído será el punto inicial.
Ruta a seguir en la tabla

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

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

tabla de números al
azar.
Comenzando por el número que se resalta, y siguiendo la dirección y

sentido antes indicada, obtenemos los números:
11 39 84 28 78 80 28 78 82 67
47 36 34 66 34 06 54 19 78 09
Si aparecen números repetidos, podemos optar por estudiar el elemen-
to al que representan tantas veces como suceda la repetición, procesan-
do la información en cada caso como si de elementos distintos se tratara, o
sustituir los repetidos por nuevos números de la tabla. Considerando la
última opción, nuestra muestra la formarían las piezas o elementos con los
números:
06 09 11 19 28 34 36 39
47 54 66 67 78 80 82 84
En el apéndice se muestra una tabla de números al azar de 5 dígitos.
Pueden encontrarse con facilidad tablas más extensas. Si no disponemos
de tablas y quisiéramos seleccionar una muestra al azar, podemos hacer
uso de los números del listín de teléfonos, prescindiendo siempre de las 3
primeras cifras de cada número.
Muestreo estratificado aleatorio

Es aplicable cuando en una misma población existen grupos de distintas
categorías.
Para su aplicación se procede dividiendo el lote o población en grupos o
"estratos", y eligiendo al azar un número determinado de elementos en
cada estrato para que conformen la muestra. El número de elementos a
considerar en cada estrato suele ser proporcional al tamaño del mismo.
De no ser así, sería necesario ponderar los resultados. Con frecuencia se
usa el muestreo estratificado aleatorio en estudios relativos a las personas,
22
estratificando por edades, zonas geográficas, distritos, posición social,

ingresos, etc.
En la empresa también se aplica la estratificación, confeccionando los
grupos en proporción a horas de trabajo, a cantidad o calidad de la
producción, en función de distintos proveedores, etc.
Muestreo sistemático puro

Se caracteriza por la selección con el único criterio de mantener un
período de tiempo fijo entre la recogida de dos piezas consecutivas. Se
realiza el muestreo con una frecuencia dada. Por ejemplo:
— 1 pieza cada 30 minutos.
— 5 piezas por turno.
— 1 pieza de cada 20 fabricadas.
Resulta muy útil en procesos de producción automáticos. De hecho, es
el más simple de aplicar y el que está más extendido en el sector industrial.
También se usa para la selección de muestras en los procesos sometidos a
control estadístico, C.E.P. sólo que en este caso son extraídos pequeños
grupos para conformar así submuestras que comúnmente tienen 4 o 5
piezas cada una. Por ejemplo: 5 piezas cada hora. En este caso, el operario
o persona que efectúa el control estadístico del proceso, cada hora anali-
zará las 5 piezas consecutivas que salgan de la máquina.
Cuando el proceso es automático, éste garantiza que la muestra selec-
cionada con un muestreo sistemático puro es aleatoria.
En cambio, en los procesos en donde interviene directamente el ser
humano (manuales o semi-automáticos) las leyes del azar suelen verse
alteradas, por lo que se hace necesario definir otro tipo de muestreo
sistemático.
Muestreo sistemático aleatorio

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

Cuando efectuamos una investigación aplicando técnicas estadísticas
de muestreo, deseamos que la muestra seleccionada sea representativa
de la población a la cual pertenece. Pero ¿hasta qué punto queremos que
sea significativa? Para responder a este interrogante hemos de atender a los
siguientes aspectos:
— Máximo error que deseamos obtener.
— Nivel de confianza.
— Tamaño de la población.
— Tamaño de la muestra.
23
El grado de exactitud o error admitido, e, viene dado por el porcentaje de

variación máxima que queremos obtener en los resultados hallados res-
pecto de la realidad. Por ejemplo, si aceptamos un error del 10% y
hallamos en un resultado de muestreo estadístico que el número de
elementos defectuosos es del 3 %, puede suceder que en realidad estén
entre el 2,7% (3% menos un 10% sobre sí mismo) y el 3,3% (3% más un
10% sobre sí mismo).
El nivel de confianza, NC, que también debemos elegir, nos señalará en
qué porcentaje de casos el resultado obtenido es cierto.
Él número de elementos de la población en estudio, N, puede ser finito
o infinito. Se considera que una población es finita cuando tiene menos de
100.000 elementos. En caso contrario la consideramos infinita.
El número de observaciones de la muestra, n, depende de los aspectos
antes señalados.
En el siguiente capítulo se profundiza en este tema, por lo que no
abundamos aquí en más detalles.
PRESENTACIÓN DE DATOS
El conjunto de datos recogidos en el estudio debe procesarse para que
permita visualizar las variaciones de la característica objeto de análisis. Una
de las formas más sencillas es la tabulación, para la que se puede emplear
Figura 13. Ejemplo de un impreso como el que aparece en el apéndice, el cual seguidamente
encabezado del impreso
de presentación de datos. veremos de qué manera debe usarse.
El encabezado del impreso, figura 13, tiene vital importancia pues en él

se describe la pieza a la que pertenecen los datos presentados después.
También queda aquí señalada la frecuencia del muestreo, el lugar donde
estaban las piezas cuando fueron inspeccionadas, la fecha y la hora de la
inspección así como quién la realizó.
Figura 14. Registro de los

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

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

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

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

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

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

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

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

para el cálculo del
rango.
Recorrido o rango
Es una medida de la dispersión de los valores. Podemos definirlo como
la "distancia" existente entre el valor máximo y el mínimo de la muestra:
Para determinarlo podemos seguir las pautas de la figura 17(a). Obsérve-

se el ejemplo que presenta el cuadro de la figura 17(b).
El rango tiene muchas aplicaciones en la empresa, en particular en el
control estadístico de procesos, que desarrollaremos más adelante.
La moda
Es una medida de tendencia central. Da idea de dónde se centra el
conjunto de datos. Se define como el
o también:
En el ejemplo desarrollado en la presentación y tabulación de datos,

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

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

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

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

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

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

el cálculo de la media
aritmética.
Para determinar la media aritmética ( x ) seguiremos los pasos que nos

indica la figura 19.
En la figura 20 se presenta un ejemplo del cálculo de x . No nos extende-
mos más en este punto pues, además de considerarlo sencillo, con ayuda
de una calculadora podemos efectuarlo rápidamente.
La Mediana
Es otra de las medidas de tendencia central. Tiene aplicación cuando se
trabaja con pequeñas muestras impares, como en algunos casos del
control estadístico de procesos. La definimos como el valor tal que el 50 %
de los datos están por encima de él, mientras que el otro 50 % están por
debajo.
31
Figura 20. Ejemplo de cálculo

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

el cálculo de la
mediana.
No debe confundirse la "posición de la mediana" con el "valor de la

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

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

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

desviaciones individuales se van compensando con los negativos, dando
como resultado una medida poco eficaz.
Para evitar este problema, podemos elevar al cuadrado las desviaciones
individuales, resultando así que todos los valores que se obtengan serán
positivos.
Desviación típica
Si sumamos las "desviaciones al cuadrado" y las dividimos entre el
número de ellas, obtendremos el promedio. Extrayendo la raíz cuadrada a
este promedio compensaremos el haber elevado previamente al cuadra-
do, obteniendo lo que se conoce como Desviación Estándar o Desviación
Típica. Todo esto lo expresamos con la fórmula:
33
Figura 23. Desarrollo de un

ejemplo del cálculo de
la desviación estándar (s).
donde:
σ = Desviación standard o típica.

Σ =suma
xi =Valores individuales
μ =Media aritmética
n =número de valores individuales considerados
Las letras griegas σ y μ suelen usarse para denotar parámetros de la
población. Si se trata de valores de una muestra, usamos en su lugar s y x ,
respectivamente.
Cuando el número de valores considerados es pequeño (menor que
100) se introduce un factor de corrección, sustituyendo el denominador n
por n—1. La expresión anterior queda entonces, en este caso:
Veamos un ejemplo sencillo de cómo calcular la desviación estándar.

Se ha medido el diámetro de cinco cilindros de latón, obteniendo los
resultados:
10,01 10,05 10,07 10,03 10,09
La media de estas mediciones es x =10,05
Completamos ahora el cuadro de la figura 23.
En la columna xi – x colocamos el resultado de la desviación de cada
valor. Este resultado elevado al cuadrado aparece en la columna de la
derecha. Por último sumamos los valores de esta columna, dividimos
34
entre 4 (puesto que n–1 = 5–1=4) y extraemos la raíz cuadrada. El resulta-

do positivo de la raíz es la desviación estándar que buscamos.
No entramos en más detalles respecto al cálculo, pues, hoy en día, con
cualquier calculadora puede efectuarse de forma sencilla y rápida.
En definitiva, tenemos a la desviación estándar como una medida de la
dispersión o variabilidad, de enorme importancia. En los capítulos siguien-
tes se desarrollan aspectos en relación con su significado y aplicaciones,
así como formas de determinarla gráficamente.
Figura 24. (a). Tabla de datos,

(b). Diagrama lineal.
REPRESENTACIÓN GRÁFICA
Hasta aquí se han desarrollado distintas formas de recoger información,
ordenarla y clasificarla para poder describir el comportamiento de nues-
tros datos de forma más simple, pudiendo transmitir a otros dicha informa-
ción resumida y fácilmente comprensible. Muchas veces no es suficiente
con esto y necesita acompañarse de gráficos que ilustren dicho comporta-
miento y que permitan efectuar mejor los análisis. Veamos cómo construir
algunos gráficos importantes y cómo pueden utilizarse en la empresa.
El Gráfico Lineal
Es una de las formas más sencillas de representar los datos para que
podamos visualizar las variaciones de la característica objeto de análisis.
Trataremos de explicarlo mediante un ejemplo:
35
Los datos que aparecen a continuación corresponden al espesor en mm

de varias piezas de chapa, medido a la salida de una regruesadora, figu-
ra 24(a).
Colocaremos las horas en el eje horizontal (o de abscisas) y los espeso-
res en el vertical (o de ordenadas). Cada punto del gráfico lo obtenemos
con las parejas de valores (hora, espesor). Por ejemplo, el primer punto
está situado sobre la hora 7,30 y a la altura de 6,4 mm.
Este procedimiento nos permite observar de forma rápida cómo varían
los datos individualmente, a medida que el tiempo transcurre.
Por sí sólo nos suministra una gran ayuda, pero puede ser mucho más
valioso si lo utilizamos conjuntamente con un análisis del comportamien-
to global del proceso.
El diagrama lineal es la base de los gráficos de control estadístico del
proceso (C.E.P.).
Figura 25. Representación

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

representar los puntos individuales, aparece indicada la línea media co-
rrespondiente a la ordenada x . Es común utilizar líneas de trazos para
representar gráficamente dicha línea. También puede observarse la repre-
sentación del rango o recorrido, como la distancia en ordenadas entre el
valor más alto (12) y el más bajo (7). De esta forma, el gráfico lineal así
completado da una idea rápida tanto de la tendencia central de los datos,
como de su variabilidad.
Diagrama de Barras
Cuando empleamos técnicas de representación, en muchas ocasiones
36
se nos presentan combinaciones de datos cuantitativos y cualitativos en

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

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

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

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

3,6
Ángulo = % X 3,6
Para construir el gráfico, trazaremos un círculo y mediremos los ángulos
antes obtenidos en la figura 28, asignando a cada sector el nombre y % del
artículo al cual corresponda. Figura 29.
Figura 30. Relación entre

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

la figura 30. En la parte (a) se muestra un diagrama lineal colocado en
posición vertical. Los puntos del diagrama han sido sustituidos en este
caso por pequeñas bolitas, todas del mismo tamaño. Si las bolitas situadas
sobre cada vertical las hacemos descender por la línea respectiva hasta
llegar a la horizontal inferior, obtendremos un gráfico formado por varias
columnas, que recibe el nombre de histograma. Figura 30(b).
En cada columna aparecerán tantas bolitas como las existentes sobre la
vertical correspondiente en el gráfico lineal. Esto determina la altura de
cada columna, que a su vez es la frecuencia o número de veces que se
repetía cada valor en el diagrama lineal. Dicha frecuencia queda reflejada
en el eje vertical o de ordenadas, mientras que los distintos valores
siempre se colocan en el eje horizontal o de abscisas.
El histograma tiene las columnas unidas, a diferencia del diagrama de
barras que las muestra aisladas.
El área de cada columna del histograma es proporcional a la frecuencia
de ocurrencia del valor sobre el que se levanta dicha columna. Aunque en
ocasiones se construyen estos gráficos con columnas de distinto espesor,
es recomendable que todas tengan la misma anchura, con lo cual sólo
sería necesario hacer la altura proporcional a la frecuencia de cada valor,
siendo así más sencilla su construcción.
Figura 31. Regla de los 3/4

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

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

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

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

frecuencias obtenido a
partir del histograma con los
datos del ejemplo
anterior.
La principal característica del polígono de frecuencia es que el área

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

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

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

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

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

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

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

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

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

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

cero y uno, es decir, 0 ≤ Fr ≤ 1. Toma el valor cero cuando el evento nunca
ocurre, y el valor uno cuando éste siempre ocurre.
Según la Ley de los Grandes Números de Bernoulli, cuando el número
de experimentos realizados se hace "muy grande" (tiende a infinito) la
frecuencia relativa de ocurrencia de un evento se hace igual a la Probabili-
dad de Ocurrencia P(E) de dicho evento.
Fr (E) ≈ P(E) cuando n → ∞
Figura 40. Concepto clásico

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

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

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

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

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

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

hace infinitamente grande. Para un número pequeño de lanzamientos, el
resultado puede ser muy distinto.
El lanzamiento de un dado, como el de la figura 42, es un buen ejemplo
para explicar otros detalles referentes a la probabilidad. La probabilidad
teórica de obtención del "tres" al lanzar un dado es, como puede apreciar-
se, igual a 1/6, pues sólo hay una cara así en un dado que tiene 6 caras.
Podríamos preguntarnos ¿cuál es la probabilidad de que no salga el
"tres"? Resulta muy fácil responder a esto si nos basamos en la relación:
P (de que no ocurra) = 1 – P (de que ocurra)
que aplicada a nuestro caso, sería:
P (de que no salga el "tres") = 1 – P (de que si salga) = 1–1/6 = 5/6
Como la probabilidad de que no salga el "tres" es igual a la probabilidad
de que salga otra cara cualquiera del dado,
P (1; 2; 4; 5; 6) =5/6
Si se tienen eventos mutuamente exclusivos (que no tengan elementos
comunes), la probabilidad de que ocurra indistintamente cualquiera de
ellos (probabilidad de la unión), se obtiene sumando las probabilidades de
ocurrencia de cada uno.
P (A ∪ B ∪ ...)=P (A) + P (B ) + ...
Aplicado al ejemplo del dado, obtenemos:
P (1 ∪ 2 ∪ 4 ∪ 5 ∪ 6) = P (1; 2; 4; 5; 6)
Como para cada cara del dado la probabilidad de ocurrencia es igual a
1/6 podemos escribir:
P (1 ∪ 2 ∪ 4 ∪ 5 ∪ 6) = 1/6 + 1/6 + 1/6 + 1/6 1/6 = 5/6
que coincide con el resultado antes obtenido.
En la práctica, es común trabajar con eventos que poseen algún elemen-
Figura 43. Intersección de dos

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

situación.
Considérense los eventos siguientes al lanzar un dado:
E (A) = Obtener el 1 o el 2.
E (B) = Obtener un número par.
Las probabilidades correspondientes serán:
P (A) = P (1) + P (2)
P (B) = P (2) + P (4) + P (6)
Como los dos eventos tienen el número 2 como elemento común
(ver figura 43).
A ∩ B=2
Cuando calculamos la P (A ∪ B) tenemos que restar del resultado la P (2)

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

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

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

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

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

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

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

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

La columna x muestra los valores que puede tomar la variable aleatoria; F(x)
señala las probabilidades correspondientes a dichos valores, mientras que
en la columna F(x) hemos acumulado las probabilidades dadas en la
columna anterior, es decir
F(x) = ∑ f (x )
xi ≤ x
i
F(x) así expresada, es la Función de Distribución para la variable discreta de

nuestro ejemplo. En la figura 46 aparece la representación gráfica.
Figura 46. Función de

distribución de la
variable aleatoria x = número
que se obtiene al
arrojar un dado.
La función de distribución indica la probabilidad de que la variable

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

ble aleatoria discreta.
Si la variable fuese continua tendríamos:
x
F ( x ) = ∫ f (v ) ⋅ dv
−∞
que sería la función de distribución.

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

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

al lector la impresión de ser muy teórica, pero resulta imprescindible para
definir de forma general las distribuciones de probabilidades.
A partir de aquí, estudiaremos las distribuciones más importantes em-
pleadas en la empresa, así como sus aplicaciones.
Figura 48. Clasificación de las

distribuciones de
probabilidad más empleadas.
La figura 48 presenta un cuadro con la clasificación de las distribuciones

más importantes.
54
Distribución Normal
Fue desarrollada por F. Gauss, de aquí que también se conozca como
distribución gaussiana o "de Gauss". Es la distribución continua más impor-
tante, dado que muchas variables, en la práctica, se distribuyen normal-
mente o bien se acercan a la normalidad. Muchas distribuciones halladas
en control de calidad se aproximan a la curva normal. En el caso del control
estadístico de procesos por variables, se parte del supuesto de que la
distribución de datos se aproxima a la normal.
Las distribuciones normales se presentan gráficamente en forma de una
curva suave, acampanada y simétrica. A esta curva de distribución normal,
suele dársele también el nombre de curva de Gauss o campana de Gauss,
dada su forma acampanada.
Mediante un examen visual de la distribución de frecuencias de la
muestra, se puede apreciar si la población a la cual pertenece dicha
muestra puede suponerse razonablemente normal. En la figura 49 aparece
el histograma de frecuencias de una muestra que se adapta a una normal.
Obsérvese la forma acampanada de la curva, simétrica con respecto a la
media de la muestra ( x ). Debido a la simetría, la media coincide con la
moda (Mo) y con la mediana (Mdn).
Figura 49. Relación entre la

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

— La media poblacional μ
— La desviación estándar σ
La media μ determina el centro de la distribución, mientras que la
desviación estándar a define la "esbeltez" de la curva. En la figura 50
tenemos dos campanas de Gauss con la misma media, pero con desvia-
ciones distintas.
La campana con σ =1 corresponde a una distribución en la que los datos
55
Figura 50. Comparación entre

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

tes a esta curva están más dispersos.
Para la aplicación práctica de la distribución normal, es imprescindible
conocer el área bajo la curva, en las distintas zonas. Considerando la base
de la curva dividida en unidades de desviación estándar, pueden definirse
los porcentajes de área correspondientes a cada zona. Se comienza la
subdivisión partiendo de la media, haciendo corresponder ésta con el
punto cero. Siguiendo hacia la derecha, en la abscisa correspondiente al
punto de inflexión (donde la curva cambia de convexa a cóncava) se sitúa
+ 1 σ . El espacio comprendido entre la media y +1 σ corresponde a la
Figura 51. Porcentajes de área

bajo la curva de
distribución normal.
56
unidad de desviación estándar. Se continúa la división dotando de signo

positivo las unidades a la derecha de la media y con signo negativo las
situadas a la izquierda.
La curva así dividida, en donde μ =0 y σ =1 recibe el nombre de curva
normal estándar. Sobre ella, se definen porcentajes de área, tal como se ve
en la figura 51. Por ejemplo, entre –1 σ y +1 σ está situado el 68,26 % del
área bajo la curva.
Fijando el área total bajo la curva normal igual a 1 unidad, se pueden
interpretar los porcentajes anteriores como valores de la probabilidad de
ocurrencia de una observación determinada. Podemos entonces decir
que una observación tomada al azar de una población que se distribuye
normalmente, tiene una probabilidad P =0,68 (aproximadamente) de per-
tenecer a la zona comprendida entre –1 σ y +1 σ .
Generalmente, suponemos que una población es normal en base al
estudio de una muestra, con lo que los valores anteriores resultan aproxi-
mados.
En el apéndice aparece una tabla de la distribución normal mostrando
las probabilidades para distintos valores.
Para poder usar esta tabla tenemos que estandarizar nuestros datos, esto
es, convertirlos en unidades Z o unidades de desviación, mediante la
expresión:
x-μ
Z=
σ
donde
Z = Número de unidades de desviación medidas a partir de μ
μ = Media de la población
σ = Desviación estándar de la población
x = Valor que queremos estandarizar.
Si estudiamos una muestra en lugar del total de la población, estima-
mos la media poblacional μ por la media muestral x y la desviación
estándar σ por la desviación de la muestra s.
Con lo visto hasta aquí, podemos hacer predicciones para la población,
basándonos en los resultados de la muestra. El siguiente ejemplo ilustra
esta explicación.
Un fabricante deduce de su experiencia anterior que la vida de una
determinada bombilla se distribuye normalmente. Ha ensayado una mues-
tra, hallando que la vida media es de 60 días, con una desviación tipo de
16,26 días. ¿Cuántas bombillas de toda la población puede esperar que
sigan funcionando después de 100 días?.
Estandarizamos el valor 100 días:
x - x 100 − 60
z= = = 2, 46
s 16,20
Con el valor Z=2,46 buscamos en la tabla la P correspondiente, tal
como indica la figura 52.
57
Figura 52. Fragmento de la Según la tabla, para Z=2,46 obtenemos 0,49305. Quiere decir que
tabla de áreas bajo la entre la media (60 días) y nuestro valor (100 días), tenemos el 49,305 % de
curva normal entre la media y las bombillas. Por ser la distribución normal simétrica, a la derecha de la
distintos valores de Z.
Para buscar el valor media hay el 50%, luego para saber cuántas bombillas siguen funcionan-
correspondiente a 2,46 do después de 100 días, restamos los porcentajes anteriores:
entramos por la fila 2,4 hasta
encontrar el número % después de 100 días = 50% - 49,305% = 0,695%
situado en la columna 6.
Diremos entonces que aproximadamente sólo el 0,7 % de las bombillas
seguirá funcionando después de 100 días.
La figura 53 representa gráficamente el % buscado.

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

para el análisis de casos como el del ejemplo anterior. Este papel tiene la
propiedad de que en él, la gráfica con forma de s de la función de distri-
bución acumulada resulta ser una línea recta.
Tomando los datos de la tabla de la figura 15 correspondientes a los (%
A) de las piezas del estudio, desarrollaremos un ejemplo de cómo usar el
papel probabilístico para hacer predicciones en una distribución que se
aproxime a la normal.
Considerando que los valores de la columna (%A) son acumulados, se
toma como línea de referencia la inmediata superior correspondiente a
cada valor, en las distintas casillas.
Figura 54. Valores (V) y

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

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

media ( x ) del impreso con la recta de Henry. En la figura 54 se observa que
la media de nuestros 50 valores es, aproximadamente, x =16,011 (estima-
ción gráfica, en el impreso de probabilidades). Se puede tener una idea de
la buena precisión de la estimación gráfica, si se compara su valor con la
media calculada analíticamente: x =16,0108. Entre ambas sólo existe una
diferencia de 2 diezmilésimas, error que resulta despreciable para la mayo-
ría de nuestros cálculos.
También puede efectuarse una estimación de la desviación estándar (s)
buscando ahora el valor correspondiente al punto de intersección de la
vertical de +1s con la recta de Henry. La altura de este punto leída en
nuestra escala (V) es 16,024, aproximadamente. Restando este valor de la
media antes determinada (gráficamente), obtendremos la estimación grá-
fica de s.
s = 16,024 - 16,011 = 0,013
El valor de la desviación estándar, calculada analíticamente, es:
s = 0,0130696
con lo que el error cometido en este caso es menor que 1 diezmilésima.
En el impreso de probabilidades pueden predecirse con facilidad los
porcentajes de piezas por encima o por debajo de un valor dado. Así
diremos, por ejemplo, que el 1 % de las piezas tendrán valores menores
que 15,98. En este caso se lee el % en la escala inferior del impreso de
probabilidades.
Para determinar porcentajes por encima de un valor dado, se usa la
escala superior del impreso de probabilidades. Por ejemplo, por encima
del valor 16,04 existe aproximadamente un 1,7% de las piezas.
El porcentaje de piezas comprendido entre dos valores lo obtendremos
como sigue; por ejemplo, entre 15,99 y 16,03.
El empleo del papel de probabilidades es un método rápido para hacer

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

probabilístico para la distribución normal.
Distribución exponencial
Tiene importancia en la industria para describir el comportamiento del
tiempo entre fallos en equipos complejos cuando se hacen estudios de
fiabilidad. También es útil en la construcción, distribución de cargas, etc.
Se caracteriza porque muchos datos se sitúan por debajo de la media,
mientras que sólo unos pocos están por encima. Esto es lo que hace
decidir su aplicación. En una población exponencial, el 63,2% de los
valores están por debajo de la media, mientras que el 36,8% están por
encima. Puede apreciarse en la figura 55. Véase también la forma de la
curva, que no llega a tocar a ninguno de los ejes de coordenadas.
Figura 55. Curva de la

distribución exponencial.
Se señalan los porcentajes por
debajo y por encima
de la media.
Si bien en la distribución normal coincidían la media y la mediana, en la

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

x =100 horas
Para buscar en la tabla de la distribución exponencial, calculamos la
relación:
x/ μ = 100/340 = 0,29 = 0,2 + 0,09
Con el valor 0,29, en la tabla, entrando por la fila de 0,2 encontramos
0,7483 en la columna correspondiente a 0,09.
Como la tabla nos da la probabilidad más allá de x, tenemos que existe
una probabilidad P = 0,7483 de que el tiempo entre fallos sea superior a
100 horas.
Para conocer la probabilidad de que el fallo ocurra antes de las 100
horas, buscamos el complementario:
P fallo antes de 100 horas = 1 – 0,7483 = 0,2517 = 25,17%
Podemos predecir entonces que, aproximadamente, un 25% de los
fallos del equipo se producirán antes de 100 horas de funcionamiento.
Distribución Binomial
Es una de las distribuciones discretas más importantes. Suele dársele
también el nombre de distribución de Bernoulli.
Supongamos que la probabilidad P(A) de que ocurra el evento A en un
experimento aleatorio es constante y que los resultados del experimento
no influyen uno sobre otro.
Definimos p como la probabilidad de que ocurra A en un solo ensayo:
p=P(A)
Luego 1–p es la probabilidad de que en un solo ensayo no ocurra A que
llamaremos q.
1–p=q
En ocasiones se le llama a p probabilidad de éxito en un ensayo único.
Si el experimento se lleva a cabo varias veces, por ejemplo, n veces, el
número de éxitos x puede ser un valor cualquiera: x = 0,1,2...,n y el
número de fracasos queda definido por n –x .
Las probabilidades correspondientes a cada número determinado de
éxitos pueden calcularse por medio de la expresión:
⎛n⎞
f (x )= ⎜ ⎟ p x .qn-x para x = (0,1,2, ...,n ) y
⎝x⎠
f (x ) = 0 para cualquier otro valor de x

que es la función de probabilidad de la distribución binomial, donde:
x = número de éxitos.
⎛ n ⎞ = combinaciones de n en x. En el apéndice aparece una tabla para
⎜ ⎟
⎝x⎠
determinar su valor.
62
f(x) = probabilidad correspondiente a la obtención de exactamente x

éxitos.
n = número de experimentos realizados.
Consideremos el lanzamiento de una moneda como nuestro experi-
mento aleatorio. Definimos aquí el evento A como la obtención de "cruz".
Como ya sabemos: P(A) = P cruz = 0 , 5 = p ; luego q = 1 – p = 1 – 0 , 5 = 0 , 5
Si efectuamos 5 lanzamientos, podemos obtener:
— Probabilidad de que no salga ninguna vez "cruz" en las 5 tiradas:
P (x= 0) = f (0) = ⎛5 ⎞ 0,5°. 0,55 = 0,55 = 0,03125
⎜ ⎟
⎝0 ⎠
— P de que salga 1 sola vez: P (x=1)

f(1) = ⎛⎜ 5 ⎞⎟ 0,51 . 0,54 = 5 . 0,5 . 0,0625 = 0,15625
⎝1 ⎠
P (x = 2) = f (2) = ⎛5⎞
⎜ ⎟
0,52 . 0,53 = 10 . 0,25 . 0,125 = 0,3125
⎝2⎠
P (x=3) = f(3) = ⎛ 5 ⎞
0,53 . 0,52 = 10 . 0,25 . 0,125 = 0,3125
⎜ ⎟
⎝ 4 ⎠
P (x=4) = f(4)= ⎛5 ⎞ 0,54 . 0,51 = 5 . 0,5 . 0,0625 = 0,15625

⎜ ⎟
⎝ 4 ⎠
P(x=5) = f (5) = ⎛5 ⎞ 0,55 . 0,50 = 0,55 = 0,03125
⎜ ⎟
⎝5 ⎠
Estos valores pueden obtenerse en la tabla de la distribución binomial

presentada en el apéndice.
Según esto, al lanzar cinco veces una moneda, lo más probable es que
obtengamos dos cruces y tres caras o bien tres cruces y dos caras. Véase en
la figura 56 para p =0,5, la representación gráfica.

gráfica de la función de
distribución binomial para
n=5 y distintos valores
de p. Para p=0,5 se tiene la
gráfica correspondiente
al ejemplo anterior.
Hacemos una observación con respecto a la gráfica para diferenciar el

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

éxitos obtenidos, pero no hay valores intermedios. Por esto, la figura 56
presenta las gráficas con líneas verticales situadas sobre cada número
posible de éxitos. La altura de la línea define la probabilidad de obtener
exactamente el número de éxitos deseado.
Sin embargo, cuando la gráfica de una distribución discreta quiere
compararse con una continua, suele representarse la primera con una
curva, al igual que la segunda.
Esta distribución resulta ser la base del control estadístico de procesos
por atributos, en función del número de piezas defectuosas.
Así, la media de la distribución binomial es, expresada en número de
sucesos:
μ = n.p
La desviación estándar o de una población binomial es:
σ= n.p.q
o también:
σ = n . p . (1-p ) dado que q =1– p
Si lo expresamos en proporción de sucesos, tenemos:
μ= p
σ = p (1-p ) / n
Considérese que los valores n . p y p antes expresados, son valores
poblacionales rara vez conocidos, por lo que se estiman en la práctica a
partir de las respectivas medias aritméticas n . p y p de los resultados
muéstrales.
La distribución binomial es aplicable entonces para definir la probabili-
dad de x éxitos en n pruebas de un experimento que tiene una probabili-
dad p = c t e en cada prueba.
Luego si p tiene que ser constante, el muestreo, en teoría, tendría que
realizarse con reemplazo, es decir, tomar la primera pieza, examinarla,
anotar el resultado (defectuosa o no defectuosa) y devolverla de nuevo al
lote antes de tomar la segunda, siguiendo de esta forma hasta haber
examinado el número de piezas correspondiente al tamaño de la muestra.
Esto haría que el lote presentara exactamente las mismas condiciones ante
la extracción de cada pieza.
En la práctica es poco usado el muestreo con reemplazo, pero cuando
el tamaño del lote es suficientemente grande puede ser lo mismo mues-
trear con o sin reemplazo.
Suele fijarse que si el lote tiene como mínimo un número de elementos
igual a diez veces el tamaño de la muestra, resulta adecuado aplicar la
distribución binomial, independientemente de que el muestreo se realice
con o sin reemplazo.
Luego, aplicaremos la binomial si p = c t e y N ≥ 0 n. Si n es grande, la
distribución binomial puede aproximarse por medio de la normal, con
64
media μ = n p y desviación standard σ = n p q . La aproximación resulta conve-

niente si np>5 con p<0,5 y nq>5 con p>3,5.
Distribución de Poisson
Fue introducida a principios del siglo pasado por S.D. Poisson. Es otra de
las distribuciones discretas con importantes aplicaciones.
Resulta ser una buena aproximación de la distribución binomial cuando
existe un gran número de ensayos y una probabilidad de éxito pequeña en
un solo ensayo, siendo aplicable cuando:
n ≥ 16 N ≤ 10n y p ≤ 0,1
La figura 57 muestra la gráfica de la función de probabilidades de la
distribución de Poisson para varios valores de la media μ .
La distribución de Poisson se aplica para el estudio por atributos del
número de piezas defectuosas (np) y del número de defectos (c). La media
de la distribución es:
μ =np o μ= c según los casos.
Donde np o c son los valores esperados de piezas defectuosas o
defectos de la población, respectivamente.
La desviación estándar de la distribución de Poisson es la raíz cuadrada
de la media, por lo que:
σ = np o σ= c
Como los valores np y c de la población normalmente se desconocen,

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

gráfica de la función de
distribución de Poisson para
distintos valores de μ .
65
gráficos de control estadístico del proceso por atributos, que veremos en

el siguiente capítulo.
Obsérvese en la figura 57 que la distribución de Poisson puede ser muy
asimétrica (para valores pequeños de μ ) o acercarse a la simetría (en la
medida en que μ crece, la distribución se hace más simétrica).
Otra de las importantes aplicaciones de esta distribución es el mues-
treo de aceptación de lotes por atributos, que será objeto de desarrollo
detallado en otro número de esta misma colección.
Intervalos de confianza para la estimación de parámetros

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

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

-2,58 σ a +2,58 o que
contiene el 99 % del área total
bajo la curva normal.
El intervalo de confianza se hace más pequeño en la medida en que

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

gráficamente. Pueden encontrarse en casi todos los libros de Estadística
Inductiva que hay en el mercado.
68
Control estadístico del proceso
INTRODUCCIÓN
Consideramos un proceso como una combinación de máquinas, mate-
riales, métodos, mano de obra, medio ambiente y mantenimiento, que
intervienen en la producción.
El control de calidad tradicional en un proceso de fabricación, se carac-
teriza por desarrollarse después de la fabricación del lote de producto,
como indica la figura 59. Los productos fabricados son sometidos a una
"detección", que permite decidir cuáles son productos buenos, separán-
dolos de los que resultan defectuosos. Los productos buenos siguen su
curso hacia el mercado. Los defectuosos que pueden recuperarse regre-
san para ser reprocesados, mientras que los no-recuperables pasan a la
"chatarra", convirtiéndose en desperdicios.
Figura 59. Control tradicional

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

ción, pueden pasar desapercibidos algunos productos defectuosos. Es
antieconómico, pues tolera el desperdicio. La información de los resulta-
dos de la producción es tardía.
Pueden pasar períodos de varios días o aún mayores, en los que se
siguen fabricando productos defectuosos, por no disponer de una infor-
69
mación rápida y fluida en el sistema que permita tomar acciones correcti-

vas en el menor tiempo posible.
En la actualidad está más que probado que del diseño del proceso
productivo y de la forma de desarrollarlo dependen la calidad y la produc-
tividad. Por esto la filosofía actual intenta pasar del tradicional control por
detección a un control preventivo que evite el desperdicio y resulte más
fiable y económico. La figura 60 nos muestra un esquema del control
preventivo del proceso. En este gráfico se señalan unas líneas finas vertica-
les que salen de cada una de las operaciones que se efectúan, transmitien-
do constantemente información sobre el comportamiento del proceso
de producción. Esta información se obtiene estudiando las "características
significativas" en cada uno de los estados intermedios u operaciones,
recopilando, analizando e interpretando los datos obtenidos. A través del
análisis e interpretación de estos datos se decide la necesidad de adoptar
medidas correctivas.
Figura 60. Control preventivo

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

un carácter preventivo, pues pretenden evitar la producción defectuosa
en el futuro. Entre ellas pueden citarse:
— Cambio de operaciones (variaciones de características).
— Cambio de elementos básicos como material, ajuste de equipos,
formación de operarios...
— Diseño de un nuevo proceso.
Las medidas correctivas que tienden a modificar la producción, están
orientadas al pasado. Tienen carácter de detección.
Consisten fundamentalmente en retirar o reprocesar los elementos
no conformes. En este sistema la información fluye con rapidez, convir-
70
tiéndose en un plazo de tiempo muy corto en acciones correctivas que

hacen mínimos los defectos fabricados, si los comparamos con el sistema
anterior.
En el proceso así diseñado se crea un ciclo que se inicia con la recogida
de información, sigue con el análisis e interpretación, elección de las
medidas correctivas y aplicaciones de las mismas al proceso. Cada recorri-
do del ciclo puede ser entonces traducido aun grado de mejora, situándo-
nos otra vez en el punto inicial pero con un proceso que ha sido ya
mejorado. Por esta razón se le conoce como ciclo de mejora continua.
Figura 61. Representación de

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

dos y que todos ellos, como vimos en el primer capítulo, pueden generar
variaciones por distintas causas, diferenciaremos ahora entre dos tipos
de causas de variación:
— Causas comunes de variación.
— Causas especiales de variación.
Las causas comunes o aleatorias, llamadas también causas no asignables
producen muchas variaciones de pequeña magnitud que, sumadas unas a
otras, dan lugar a un comportamiento patrón que resulta estable en el
tiempo. La figura 61 permite observar la estabilidad del comportamiento a
lo largo del tiempo. Por tener las variaciones debidas a causas comunes, un
comportamiento patrón, y ser estables en el tiempo, se puede predecir la
variación que existirá en un futuro próximo, pues ésta tiene carácter
permanente, con lo cual sólo puede modificarse mediante la adopción de
medidas correctivas.
Las medidas correctivas, tendentes a minimizar la variación debida a
71
causas aleatorias, por lo general no están al alcance del operario; precisan

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

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

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

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

actuación que nos llevará a una "mejora continua de la calidad".
Para dar inicio al control estadístico del proceso se debe atender a un
conjunto de etapas o pasos previos que hay que establecer para asegurar
el éxito del programa. La figura 64 señala los pasos a seguir previos a la
implantación del C.E.P.
Figura 64. Pasos previos al

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

tras del proceso, que se contrastan para ver si existen diferencias significati-
vas entre cada una y el conjunto de todas las muestras. Si se observase que
no hay diferencias significativas, indicaría que en el momento de tomar
dicha muestra sólo existían en el proceso causas de variación aleatorias.
Aunque estas comprobaciones pueden efectuarse analíticamente, resul-
tan mucho más simples si se realizan a través de un gráfico de control. La
figura 65 señala los beneficios que ofrece el uso de gráficos de control.
Figura 65. Beneficios de los

gráficos de control.
En general, los gráficos de control dirigen la atención hacia las causas

especiales y hacia la magnitud de la variación. Aportan pruebas de que el
proceso está bajo control estadístico. Se pueden analizar en ellos tanto
variables como atributos. Señalaremos, además, que es importante que
los operarios participen en la construcción y análisis de los mismos, por lo
que deben hacerse en el propio lugar de trabajo.
Los gráficos de control pueden clasificarse según las características a
estudiar:
Por variables
— Gráfico de medias x .
— Gráfico de rangos R.
— Gráfico de medianas x .
— Gráfico de desviaciones s.
— Gráfico de individuos x.
Por atributos
— Proporción defectuosa p.
— Número de defectuosos np.
— Número de defectos c.
— Proporción de defectos u.
Estos gráficos son objeto de amplio desarrollo en los capítulos siguien-
tes.
74
Gráficos de control por variables
GRÁFICO DE INDIVIDUOS
El gráfico más sencillo de construir es el de valores individuales o
individuos. El procedimiento a seguir es el mismo que el desarrollado para
la construcción de un diagrama lineal. Se recogen los datos de las piezas a
estudiar de uno en uno, señalando la medida de cada pieza y la hora
exacta en que fue fabricada. Obtendremos así parejas de valores (hora,
medida) que representaremos gráficamente en un diagrama como el de la
figura 66. La línea de trazos horizontal que aparece en el gráfico correspon-
de a la media x de los datos recogidos. Es conveniente que esta línea se
Figura 66. Un ejemplo de
sitúe siempre en el centro de la zona destinada al gráfico. Calculando la aplicación del gráfico
desviación estándar s de los datos, se pueden fijar los límites de control de control de individuos al
estadísticos o límites experimentales superior e inferior, que quedan de- estudio de la resistencia
terminados por los puntos +3s y –3s, respectivamente, medidos a partir a la rotura en la fabricación de
correas. Obsérvese que
de la media x . En el gráfico están representados por líneas gruesas conti- para el valor señalado con el
nuas situadas a ambos lados de la línea media. asterisco, el punto del
gráfico sale fuera del limite de
En el apéndice se presenta un impreso para la construcción de este tipo control.
75
de gráficos. También aparece allí una hoja de registro para el control del
proceso, que debe acompañar siempre a todo gráfico de control. Esta hoja
tiene gran importancia para el análisis del gráfico al que corresponde, pues
en ella quedan registradas todas las incidencias que se han presentado a lo
largo de la fabricación y que pueden haber dado lugar a variaciones
sustanciales en el gráfico.
Una simple revisión de los registros anotados puede darnos a conocer,
en muchos casos, las causas de variación que están influyendo en el
proceso.
El gráfico de individuos tiene aplicación cuando se dispone de pocos
datos para el estudio, como en el caso de lotes de fabricación pequeños.
Uno de los inconvenientes de su aplicación es que dependen del compor-
tamiento de la distribución de los datos, que puede ser muy irregular en
algunos casos, lo que dificulta su posterior análisis. Otro de los inconve-
nientes que presenta es la poca sensibilidad para detectar cambios en el
proceso de fabricación.
GRÁFICO DE MEDIAS/RANGOS
Si en vez de considerar los datos uno a uno, los agrupamos en peque-

ñas muestras, determinamos la media de cada una y las representamos en
un diagrama lineal como el anterior, el resultado será lo que se conoce con
el nombre de gráfico demedias. Se caracteriza por ser mucho más sensible
a los cambios que el gráfico de individuos, pues la desviación de una
distribución de medias es menor que la correspondiente a los individuos
de la misma población, según indica la expresión:
donde:
σ x = Desviación de la distribución de medias.
σ = Desviación de la distribución de valores individuales.
n = Tamaño de las muestras de donde se han extraído las medias.
Esto hace que la probabilidad de detección de un cambio en el proceso
sea mayor si se emplean medidas de pequeñas muestras que en el caso
de trabajar con valores individuales.
Además, estadísticamente se comprueba que una distribución de me-
dias de pequeñas muestras tomadas de una población cualquiera, se
aproxima a la distribución normal en la medida en que el número de
muestras procesadas se hace mayor. Esta afirmación tiene vital importancia
en el análisis de los gráficos, permitiendo fijar pautas únicas basadas en las
propiedades ya conocidas de la distribución normal.
Por otro lado, se presenta la desventaja de que al trabajar con medias
puedan aparecer uno o varios valores individuales fuera de los límites
permitidos, que resulten compensados en el cálculo de la media, obte-
niéndose en definitiva un punto "bueno" en el gráfico, que está encu-
briendo a la pieza o piezas defectuosas individualmente analizadas.
76
Podemos hacer desaparecer tal desventaja si, paralelamente al gráfico

de medias, desarrollamos otro que permita controlar la variabilidad para
cada muestra. Aparece así el gráfico combinado de medias y rangos ( x /R),
en el que no existe la desventaja antes citada.
En la figura 67 aparece un gráfico de control x /R con los datos corres-
pondientes al coeficiente de expansión de escamas de frita. Se han consi-
derado muestras de cuatro valores, en cada una de las cuales se calculó la
media x y el rango R. Los puntos del diagrama lineal superior correspon-
den a la representación de las medias de cada muestra, que aparecen en la
penúltima línea. El diagrama de la parte inferior ha sido construido en base
a los rangos de cada muestra, señalados en la última línea del impreso. A la
derecha está representado el histograma de los valores individuales, en el
que se consideró un cuadro por cada valor individual presentado, según la
escala que rige al gráfico de medias. Debajo del histograma se señalan los
principales criterios para el análisis del gráfico de control, que requieren la
toma inmediata de acciones correctivas. Más abajo aparece el cuadro de
cálculo con los resultados relativos al presente gráfico y, por último, una
tabla reducida de constantes a emplear para el cálculo de los límites de
control, en función del tamaño de la muestra. En el apéndice se presenta Figura 67. El gráfico de medias
y rangos aplicado al
un impreso para la contrucción de estos gráficos. control del coeficiente de
Tanto en el gráfico de medias como en el de rangos se representan dos expansión en escamas
de frita.
77
líneas de trazos que corresponden a los valores x (media de medias) y R

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

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

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

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

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

Pasos a seguir para
calcularlo, (b) Un ejemplo del
cálculo del rango
medio para 10 muestras.
79
límites calculados y sirven de pauta para un correcto y rápido análisis de los

gráficos de control.
En el apéndice hay una tabla más amplia de constantes para el cálculo
de los límites de control. Existen tablas más extensas que pueden encon-
trarse en la bibliografía que trata este tema.
Los límites de control calculados entre –3s y +3s, que son los que
hemos obtenido con ayuda de la tabla anterior, nos indican que si la
variación es ocasionada únicamente por causas comunes, de cada 370
puntos del gráfico sólo 1 debería estar fuera de los límites. Por esta razón,
cada vez que un punto se salga fuera de los límites de control, debemos
considerarlo ocasionado por causas especiales que actúan sobre el proce-
so, siendo entonces la señal para un análisis inmediato del mismo.
OTROS GRÁFICOS DE CONTROL

Aunque el gráfico de medias y rangos es el que tiene más aplicación,
existen otras versiones en el control estadístico del proceso, como son:
— Gráficos de medias y desviaciones ( x /s).
— Gráficos de medianas y rangos ( x /R).
El primero tiene aplicación cuando se consideran muestras de 8 o más
elementos, pues a partir de aquí el rango es cada vez menos preciso. En
cuanto a su construcción, determinamos, en lugar de los rangos de cada
muestra, las desviaciones (s) correspondientes, que representaremos en el
diagrama al igual que antes lo hacíamos con los rangos. La línea media será
ahora s . El gráfico de medias ( x ) no sufre alteración, pues utilizamos el
mismo impreso que para ( x /R).
Los límites de control en los gráficos ( x /s) se determinan con ayuda de las
fórmulas:
Los valores de las constantes A1 B3 y B4 pueden encontrarse en la tabla

de constantes para el cálculo de límites que aparece en el anexo.
Los límites para x en el caso ( x /s) podríamos obtenerlos como lo hicimos
en el ejemplo de la figura 67, pero empleando las últimas fórmulas
evitaremos el cálculo de los rangos individuales y de R .
El gráfico de medianas y rangos ( x /R) resulta algo más sencillo por
necesitar menos cálculos. Esto hace que sea mejor aceptado por parte de
los operarios. También se construye en el mismo formato que los anterio-
res. Los resultados que proporciona son comparables a los de los gráficos
( x /R).
La mediana es más variable que la media, por lo que requiere límites de
control más amplios que pueden llevar a perder el control del proceso.
Esta limitación hace que, en ocasiones, el gráfico de medianas no pueda
ser usado.
80
Para que los cálculos resulten en verdad más sencillos, se necesita que
las muestras sean de tamaño impar, por ejemplo de 5 unidades.
En la construcción del gráfico x necesitamos determinar:
— La mediana x de cada muestra.
— La media de las medianas x .
— Los límites de control superior e inferior.
En el capítulo de Presentación de datos vimos cómo calcular la mediana
(figuras 21 y 22).
La media de medianas es la media aritmética de las medianas de cada
muestra.
Los límites de control los obtenemos a partir de las expresiones:
Los valores de la constante A 2 podemos determinarlos en la tabla de

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

Para poder sacar conclusiones válidas de los gráficos de control, es
necesario poseer información correspondiente a un mínimo de 20 mues-
tras.
Los gráficos se analizan en base a los siguientes criterios:
— Puntos fuera de los límites de control.
— Distribución de los puntos en la zona comprendida entre los límites.
— Tramos o tendencias.
Cuando hay algún punto fuera de los límites de control se debe revisar,
en primer lugar, si el límite o punto está bien calculado o marcado. En el
caso de que se construyan los gráficos con ayuda de un ordenador, el
problema puede haberlo causado la entrada incorrecta de algún dato.
81
Verifíquese, además, que no haya habido modificaciones en el sistema

Figura 70. Método para la de medición, como cambio de inspector o del instrumento de medida en
obtención de la el período correspondiente a la aparición del punto.
mediana y el rango sin
necesidad de cálculos, Cuando se lleva de forma adecuada la hoja de registro del proceso, ésta
en un gráfico x /R. puede indicar si se han dado estos cambios.
82
De no ser la causa alguna de las anteriores, el significado de los puntos

fuera de los límites de control es, según los gráficos, el siguiente:
En el gráfico R o s
Aumento de la variabilidad (el proceso ha empeorado) cuando el punto
está por encima del límite superior.
La existencia de un punto por debajo del límite inferior indica, general-
mente, que la dispersión ha disminuido (mejorado).
Si el tamaño de la muestra es menor que 7, siempre que los puntos se
acerquen a cero, será un indicativo de que la variabilidad ha disminuido.
Conviene investigar las causas de esta mejora para introducirlas en el
proceso de forma permanente.
En el gráfico x o x
Un punto fuera de los límites representa un cambio en la tendencia
central que indica que el proceso ha empeorado, independientemente de
que el punto se sitúe por encima del límite superior o por debajo del
inferior. Figura 71.

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

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

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

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

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

esquemática de gráficos
de control (a) Fuera de control
por presentar los
puntos muy cercanos a la línea
media, (b) Caso
contrario al anterior, puntos
muy cercanos a los
límites de control, (c) Posición
correcta de los puntos.
Para los gráficos R y s el significado sería el que sigue:

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

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

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

Los tipos 1 y 3 indican cambios temporales de la tendencia central, por
encima o por debajo del valor establecido. El proceso se ha descentrado
durante el período de tiempo que dura el tramo. Es necesario estudiar la
causa que produjo el desajuste para establecer medidas correctivas. Pue-
den ser ocasionados por un cambio de lote de materia prima, distinto
turno de trabajo o cambio del sistema de medición.
En los casos 2 y 4 se produce una degradación lenta del proceso,
aumentando o disminuyendo la medida nominal. Hay que estar alerta
pues puede comenzar a producir piezas defectuosas si no se toman las
medidas necesarias. Es un caso típico asociado al desgaste de herramien-
tas de la máquina, a la fatiga del operario, a la degradación de soluciones
en baños químicos, a dilataciones por calentamiento de la máquina, etc.
86
Gráficos de control por atributos
INTRODUCCIÓN
En la industria es frecuente encontrarse con características que no son
medidas como variables, en unos casos porque corresponden a aspectos
cualitativos y en otros porque supondría un coste elevado. Aquí es donde
intervienen los controles por atributos, brindándonos un método sencillo,
rápido y que puede ser fácilmente comprendido por todo el personal.
Además, en todos los procesos hay atributos, bien por tratarse de aspec-
tos cualitativos como decíamos antes, o porque se han convertido las
características variables en atributos para simplificar el control.
Entre los gráficos de control por atributos citaremos:
— p : Proporción de unidades defectuosas.
— np : Número de unidades defectuosas.
— c: Número de defectos.
— u : Número de defectos por unidad de inspección.
Estos cuatro gráficos se agrupan de dos en dos, según estudien:
— Unidades defectuosas (p y np).
— Defectos (c y u).
Pero por otro lado también pueden agruparse de acuerdo a cómo
procesen los datos:
— Cantidad de defectos o de piezas defectuosas (np o c).
— Proporción de defectos o de piezas defectuosas (p o u).
Si bien para procesar estadísticamente los datos de características varia-
bles era necesario que existieran variaciones, para trabajar con atributos es
necesaria la presencia de defectos o de piezas defectuosas.
Al igual que en el estudio por variables, los gráficos por atributos
distinguen entre causas comunes y especiales de variación.
Estos gráficos son de gran utilidad en la mejora de procesos que produ-
cen cantidades significativas de defectos.
Entre sus desventajas puede citarse que no cuantifican la variación. Por
regla general, necesitan muestras de tamaño grande. Diremos también que
se prestan a subjetividades por parte de las personas que califican las
piezas, aunque esta desventaja puede minimizarse si se establecen crite-
rios de conformidad adecuados.
El gráfico p
Mide la proporción de unidades defectuosas en relación al tamaño de la
muestra.
87
Cada unidad objeto de control debe registrarse sólo una vez (conforme-
/no conforme) sin importar el número de defectos que presente.
Se necesitan muestras grandes, recogidas en un mismo período de
operación del proceso. Las muestras han de tener un tamaño tal que
permita la aparición de defectos o piezas defectuosas. Es aconsejable que
el tamaño de la muestra sea constante. En su defecto, la variación máxima
permitida será de un 25 % en relación con el tamaño medio de la muestra.
Si el tamaño de una muestra excede este máximo permitido, habrá que
calcular límites de control especiales para dicha muestra.
La frecuencia de muestreo debe establecerse en consonancia con los
períodos de producción.
Para estimar el comportamiento del proceso deben examinarse al menos
20 muestras.
La obtención de valores y límites correspondientes al gráfico p se
muestra en la figura 75.
Figura 75. Fórmulas para el

cálculo de valores y
límites del gráfico "p” .
El gráfico np
Mide el número de unidades defectuosas encontradas en las muestras.
Necesita muestras grandes, pero por tratarse de un gráfico de "cantida-
des" es obligatorio que tengan tamaño constante.
Los datos se obtienen con más facilidad que en el gráfico p, pues no es
88
necesario determinar las proporciones para cada muestra, evitando así los
errores que ocasiona el trabajar con decimales.
Cada unidad sólo se registrará una vez, sin importar el número de
defectos que tenga.
La frecuencia de muestreo se fija en consonancia con los períodos de
producción.
Para estimar el comportamiento del proceso, se debe examinar un
mínimo de 20 muestras.
El cálculo de valores y límites para el gráfico np puede observarse en la
figura 76.
Figura 76. Fórmulas para

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

permiten calcular
valores y límites para
el gráfico "c".
gráfico c, sólo que aquí se obtiene el resultado por unidad. Utiliza los
mismos datos básicos que el tipo anterior. Debe emplearse si el tamaño
de la muestra no puede mantenerse constante de un período del proceso
a otro.
Conviene que las muestras sean de tamaño constante para facilitar los
cálculos, aunque utilizando los mismos límites de control se permite una
variación del 25 % en el tamaño con respecto a la muestra media.
En la figura 78 podemos ver cómo determinar los valores y límites de
control del gráfico u.
Si en cualquier gráfico por atributos, el límite inferior diera un resultado
negativo, se despreciaría dicho valor, situando el límite en la línea del cero.
Figura 78. Fórmulas para

determinar la línea
media y los límites
del gráfico "u".
90
La figura 79 contiene un gráfico p. Se han recogido en él datos corres-

pondientes a muestras de tamaño variable, siendo el tamaño medio
muestral igual a 120 unidades. Los valores que aparecen en el apartado
"cantidad" corresponden al número de forros defectuosos, por tener hilos
sueltos, encontrados en cada muestra.
Dividiendo el número de defectuosos entre el tamaño de la muestra
correspondiente, obtenemos el valor de p (proporción defectuosa).
A partir de aquí, se determina la media p que, por un lado, usaremos
para el cálculo de los límites (figura 75) y por otro, para representar la
media con línea gruesa de trazos en el gráfico. En base al valor del límite
superior construimos la escala del gráfico y a partir de ella dibujamos los
límites, la media y los puntos. En la figura 79 puede apreciarse un descenso
sustancial a partir del día 20 como resultado de una mejora introducida en
el proceso. En el apéndice aparece un impreso para la construcción de
estos gráficos.
INTERPRETACIÓN DE LOS GRÁFICOS DE CONTROL POR ATRIBUTOS

Para interpretar los gráficos de control por atributos debe atenderse a
los siguientes aspectos:
— Puntos fuera de los límites de control. Figura 79. Ejemplo de gráfico
— Tendencias o tramos. "p" para control del
— Distribución de los puntos en el área de control. proceso por atributos, en una
empresa textil.
91
Puntos fuera de los límites de control

Pueden estar situados:
Por encima del límite superior, lo que significa generalmente que:
— Hay error en el cálculo o en la señalización.
— El proceso ha empeorado.
— El criterio de aceptación es más riguroso.
Por debajo del límite inferior indicándonos:
— Error de cálculo o de representación.
— Que el proceso ha mejorado.
— Un criterio de aceptación menos riguroso.
Tendencias o tramos
Existen dos tipos de tendencias o tramos:
Tendencias ascendentes o tramos por encima de la media. Dan a
entender que:
— El proceso ha empeorado y puede estar empeorando aún.
— El criterio de aceptación ha sido modificado.
Tendencias descendentes o tramos por debajo de la media. Indican
que:
— El proceso ha mejorado y puede seguir mejorando. Debemos estu-
diarlo para introducir mejoras permanentes.
— El criterio de aceptación fue modificado.
Distribución de los puntos en el área de control

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

Hemos desarrollado distintas técnicas que brinda el control estadístico
del proceso, todas ellas sencillas y aplicables en su totalidad. Debemos
elegir las más adecuadas para el proceso en que van a ser aplicadas. Asi-
mismo, es muy importante seleccionar las características críticas que serán
objeto de control, para que la implantación del C.E.P. no se vuelva buro-
92
Figura 80. Esquema de

actuación cuando se
aplica un control estadístico
del proceso.
crética. Controlemos sólo aquello que verdaderamente requiera ser con-

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

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

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

mientras que el segundo señala la capacidad del proceso.
El estudio a corto plazo requiere que el 99,994% de la producción esté
dentro de los límites de tolerancia. Podemos expresarlo también diciendo
que los límites de tolerancia establecidos deben abarcar como mínimo 8
desviaciones estándar del conjunto de datos en estudio, 4s por encima de
la media y 4s por debajo. La figura 82 aclara esta idea.
Figura 82. Estudio de

capacidad a corto
plazo. Para cumplir con el
requisito del 99,994 %
de la producción dentro de
tolerancias, la distribución
de los datos recogidos en el
estudio debe ser tal
que permita que los límites de
tolerancia se sitúen
como mínimo a 4s de la
media x . El gráfico
muestra la posición límite.
Para la capacidad a largo plazo o capacidad del proceso, el nivel de

exigencia es menor, pues aquí, además de intervenir las variaciones de la
máquina, intervienen las de la mano de obra, material, etc.. Se requiere en
este caso que el 99,73 % de la producción esté dentro de la tolerancia.
Corresponde a situar los límites de tolerancia como mínimo a 3s de la
media.
El estudio de capacidad puede efectuarse analítica o gráficamente.
El método analítico permite determinar los índices de capacidad a partir
de los valores x y s de la muestra seleccionada y de las tolerancias
especificadas. Veamos un ejemplo:
Supóngase que x = 25,0125 s = 0,002 TI = 25 Ts = 25,02
Hallamos las diferencias:
Ts– x = 0,0075
x –TI = 0,0125
Seleccionamos entre las dos diferencias, la más pequeña (0,0075).
Calculamos el índice con la expresión:
96
Diferencia menor 0,0075 0,0075

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

máquina) obtendríamos:
CmK = 1,25
Si fue recogida para estudio a largo plazo (capacidad del proceso), sería:
CpK = 1,25
El resultado debe evaluarse de acuerdo a:
— El proceso es capaz si CpK>1,00
— La máquina es capaz si CmK>1,33
Luego, si los datos estudiados corresponden al proceso, como 1,25 >1,00 Figura 83. Ejemplo de estudio
el proceso en cuestión es capaz. En cambio, si corresponden a un estudio de de capacidad a corto plazo. La
máquina, como 1,25 < 1,33 diremos que la máquina no es capaz. máquina no es capaz porque la
recta de probabilidades corta
La expresión para el cálculo de los índices de capacidad puede definirse los límites de tolerancia.
en función de As, en lugar de 3s como se ha usado aquí. Los índices así Además está descentrada.
Ajustándola correctamente
obtenidos son igualmente válidos, pero para su análisis se necesitan otros puede lograrse una reducción
patrones de comparación distintos. del 6,3 % de piezas
defectuosas.
El método gráfico es más completo que el anterior. Suele ser empleado
97
para estudios de capacidad de máquina, pero puede aplicarse también a

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

continua en la
aplicación del control
estadístico del proceso.
98
Véase la figura 83 donde se desarrolla un ejemplo práctico muy completo.

Para determinar la capacidad estimada, mídase con la escala construida
en el gráfico la distancia en ordenadas desde el punto de corte de la recta
de probabilidad con el extremo izquierdo del impreso (–4s) hasta el punto
de corte con el extremo derecho (+4s).
INTERPRETACIÓN DE LOS GRÁFICOS DE CAPACIDAD

Si al prolongar la línea de mejor ajuste no se corta ninguno de los límites
de tolerancia, podrá considerarse que la máquina es capaz (produce piezas
dentro de especificación).
Figura 85. Objeciones de los

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

la máquina no está cumpliendo con las especificaciones. Esto puede ser
debido a que:
— Su localización central puede ser demasiado alta o demasiado baja.
Tal vez ajustando la máquina resolvamos el problema.
La línea de trazos de la figura 83 representa el centrado ideal, pero aun
en este caso corta los límites de tolerancia, por lo que se considera la
máquina como no-capaz.
— La dispersión puede ser grande. El problema puede estar creándolo
99
una mala colocación de las piezas o un exceso de tolerancias dentro de la

máquina, debido al desgaste de partes.
Los estudios de capacidad tienen una gran importancia en los progra-
mas de mejora de la calidad. Los resultados de estos estudios deben ser
conocidos por todos los departamentos de la empresa. En diseño se
usarán estos resultados para fijar especificaciones realistas, que puedan
alcanzarse con "cero defectos". Produccción los tomará en cuenta para
seleccionar las máquinas idóneas para la fabricación de cada pieza. Direc-
ción los tomará como punto de partida para un estudio económico
tendente a efectuar inversiones en nueva maquinaria. Tienen importancia
también para valorar la capacidad de los proveedores, dentro de los
programas de auditorías.
Figura 86. Objeciones de los

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

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

capacidad, queremos resaltar la importancia que tiene la motivación del
personal para lograr su participación en un programa de mejora continua
de la calidad. De hecho, cualquier cambio es mirado siempre con recelo, y
más aún cuando implica el aprendizaje y la aplicación de técnicas "nue-
vas" como las desarrolladas en estos capítulos.
Surgen así una serie de objeciones por parte de empleados y dirigentes,
de las que hemos recogido algunas por considerarlas significativas, seña-
lando la respuesta adecuada en cada caso. Los cuadros de las figuras 85 y
86 ilustran varias objeciones con sus respectivas respuestas.
101
Apéndice
1) Impreso para la tabulación de datos.

2) Tabla de números al azar de cinco dígitos.
3) Tabla de datos e impreso de probabilidades para la distribución normal.
4) Áreas bajo la curva normal.
5) Distribución exponencial.
6) Tabla de números combinatorios.
7) Distribución binomial.
8) Impreso para la construcción de gráficos de control del proceso (individuos).
9) Hoja de registro para el control del proceso.
10) Impreso para la construcción de gráficos de control del proceso (x/R) (x/R) (x/s).
11) Tabla de constantes para el cálculo de los límites de control.
12) Impreso para la construcción de gráficos de control del proceso por atributos.
13) Impreso para estudios de capacidad en forma gráfica.
14) Lista de símbolos y abreviaturas empleadas en el libro.
1) Impreso para la tabulación de datos
103
2) Tabla de números al azar de cinco dígitos
104
Apéndice
3) Tabla de datos e impreso de probabilidades para la distribución

normal.
105
4) Áreas bajo la curva normal entre la media μ y un valor xi
Considérese
xi − μ
Z=
σ
Si Z es negativo búsquese el área para –Z
106
Apéndice
5) Distribución exponencial
Los valores tabulados corresponden a la expresión 1/e x/μ

determinan el área bajo la curva, más allá de x
⎛n⎞
6) Tabla de números combinatorios ⎜ ⎟
⎝k ⎠
107
7) Distribución binomial
108
Apéndice
109
110
Apéndice
111
11) Tabla de constantes para el cálculo de los límites de control
n : Tamaño de la muestra.
A1: Factor para el cálculo de límites en el gráfico x (a partir de s )
A2: Factor para el cálculo de límites en el gráfico x (a partir de R )
A 2 : Factor para el cálculo de límites en el gráfico x (a partir de R )
D3: Factor a partir de R) para el cálculo del límite inferior Gráficos R
D4: Factor para el cálculo del límite superior
B3: Factor para el cálculo del límite inferior
Gráficos s
B4: Factor para el cálculo del límite superior
12) Impreso para Gráficos de Control del Proceso por Atributos
112
Apéndice
113
14) Lista de símbolos y abreviaturas empleadas en el libro
(Por orden de aparición)
C.E.P. Control estadístico del proceso (S.P.C.).

e Porcentaje de error admitido en una estimación.
NC Nivel de confianza de una estimación.
N Número de elementos de la población o lote en estudio.
n Número de elementos de la muestra.
F Frecuencia absoluta o, simplemente frecuencia. Suele expresarse tam-
bién por f.
% Tanto por ciento o porcentaje.
FA Frecuencia acumulada. A veces se expresa por fa.
%A Porcentaje acumulado. También se expresa por %a.
R Rango o recorrido.
Mo Moda o valor modal. Puede expresarse también por x̂ .
≈ Igualdad por aproximación.
x Media aritmética de la muestra.
Xi Cada uno de los valores individuales.
∑ Letra griega SICMA, que significa suma.
x Mediana. También se denota por Mdn.
DM Desviación media o media aritmética de las desviaciones individuales.
σ Desviación estándar de la población.
μ
Media aritmética de la población.
s Desviación estándar de la muestra.
TI Límite de tolerancia inferior.
TS Límite de tolerancia superior.
S Espacio muestral de un experimento.
E Evento. Cada uno de los subconjunto del espacio muestral.
FR Frecuencia relativa.
≤ Relación de «menor o igual que».
≥ Relación de «mayor o igual que».
P Probabilidad.
n →∞ el valor de n tiende a infinito.
∪ Unión (Indica que puede ser uno, el otro o ambos).
∩ Intersección (Cuando se dan ambos a la vez, uno y el otro).
f(x) Función de probabilidades de la variable aleatoria .
F(x) Función de distribución acumulada de la variable aleatoria x.
∑ Suma de todos los valores x menores o iguales que un x dado.
xi ≥ X
x Integral definida desde −∞ hasta x (suma de todas las áreas infinitesi-
∫ males comprendidas entre −∞ y x bajo una curva dada).
Z −∞ Número de unidades de desviación estándar correspondientes a un
valor dado.
V Conjunto de valores obtenidos en el estudio.
p Probabilidad de "éxito" en un solo ensayo de Bernoulli. Proporción
defectuosa en cada muestra, en el C.E.P.
q Probabilidad de "fracaso" en un solo ensayo de Bernoulli.
⎛n ⎞
⎜ ⎟
⎝x⎠ Número de combinaciones de n elementos tomados en grupos de x.
np Número de éxitos en un solo ensayo de Bernoulli. Número de defec-
tuosos en cada muestra, en el C.E.P.
p
Probabilidad media de éxitos o "proporción media de piezas defec-
tuosas".
np
Número medio de éxitos o "número medio de piezas defectuosas".
nq Número de fracasos o "número de piezas buenas".
c Número de defectos en cada muestra.
γ Nivel de confianza (NC).
K Mitad de la longitud de un intervalo de confianza.
L Longitud del intervalo de confianza L=2K
c Número medio de defectos del total de muestras.
u Proporción de defectos en cada muestra.
u Proporción media de defectos del total de muestras.
LSx Límite superior en el gráfico de individuos.
LIx Límite inferior en el gráfico de individuos.
114
Apéndice
σx
Desviación standard en una distribución de medias.
x /R Gráfico de control de medias y rangos.
x Media de medias (línea central del gráfico x ).
LSx Límite superior del gráfico de medias.
LI x Límite inferior del gráfico de medias.
R Media de los rangos. (Línea central del gráfico R).
A2 Constante para el cálculo de los límites de control en el gráfico x
cuando éste se combina con R.
D3 Constante para el cálculo del límite inferior del gráfico R.
D4 Constante para el cálculo del límite superior del gráfico R.
x /s Gráfico de control de medias y desviaciones.
A1 Constante para el cálculo de los límites de control en gráfico x cuando
éste se combina con s.
s Media aritmética de las desviaciones estándar de las muestras.
x /R Gráfico de medianas y rangos,
x Media aritmética de las medianas de las muestras.
A
2 Constante para el cálculo de los límites de control para el gráfico x .
B3 Constante para el cálculo del límite inferior del gráfico s.
B4 Constante para el cálculo del límite superior del gráfico s.
LSp Límite superior del gráfico p.
LIp Límite inferior del gráfico p.
LSnp Límite superior del gráfico np.
Llnp Límite inferior del gráfico np.
LSc Límite superior del gráfico c
LIc Límite inferior del gráfico c
LSu Límite superior del gráfico u.
Llu Límite interior del gráfico u.
115

Aplicación Del Control Estadístico

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

Aplicación Del Control Estadístico

Enviado por

Direitos autorais:

Formatos disponíveis

Aplicación de la

Quedan rigurosamente prohibidas, sin la autorización escrita de los

Desde hace algunos años, estamos viviendo una revolución en el tema de

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

RECOGIDA DE INFORMACIÓN. REPRESENTACIÓN GRÁFICA ... 15

PROBABILIDADES. DISTRIBUCIÓN DE PROBABILIDAD ............ 45

CONTROL ESTADÍSTICO DEL PROCESO ................................... 69

GRÁFICOS DE CONTROL POR VARIABLES ................................ 75

GRÁFICOS DE CONTROL POR ATRIBUTOS ................................ 87

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

APÉNDICE ....................................................................................... 103

comienzan a enseñar las técnicas estadísticas. Se hacen campañas para

sión. Así diremos, calidad no es, necesariamente, lujo, complicación, tama-

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

Figura 2. Diagrama de las tres

dos anteriores, aunque la realidad no siempre es ésta. La relación entre las

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

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

Figura 4. La Rueda de Deming.

ahora al análisis y estudio de la información antes recogida, para pasar a la

Figura 5. Diagrama de las 6M,

Conjunto de diferencias que resultan del efecto de una serie de

Estos factores podemos clasificarlos como nos muestra el diagrama de

Figura 6. Algunas causas de

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

Es de destacar que cualquier característica variable puede ser procesada

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

Figura 8. Recogida de datos.

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

INSPECCIÓN TOTAL MUESTREO

Figura 9. Alternativas ante la

La figura 9 presenta dos formas de actuación:

Descriptiva permite procesar la información obtenida, llevándola a tablas

Figura 10. Actuación de la

Muestreo aleatorio o al azar Figura 11. Tipos de muestreo

Elección del punto inicial

Ruta a seguir en la tabla

Cantidad de dígitos a tomar en cada lectura

Figura 12. Fragmento de una

Comenzando por el número que se resalta, y siguiendo la dirección y

Muestreo estratificado aleatorio

estratificando por edades, zonas geográficas, distritos, posición social,

Muestreo sistemático puro

Muestreo sistemático aleatorio

DATOS PREVIOS AL MUESTREO

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

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

Figura 14. Registro de los

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

La figura 15 presenta los valores anteriores clasificados y tabulados de

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

Así, el % correspondiente al valor de 15,99 será:

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

Figura 16. Procedimiento para

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

Figura 17 (a). Pasos a seguir

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

En el ejemplo desarrollado en la presentación y tabulación de datos,

Figura 17 (b). Ejemplo de

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

Figura 18 (b). Peso de 50

En la práctica es bastante frecuente que se presenten tablas como ésta o

Buscamos ahora dos números enteros positivos que multiplicados den