Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Art 63 1
Art 63 1
CONTENIDO INTRODUCCION CAPITULO I CONTROL DE CALIDAD Objetivos Introduccin Conceptos de calidad Control de calidad Principios del Control de Calidad Funciones del Control de Calidad Costos de Calidad CAPITULO II MEJORAMIENTO CONTINUO E INNOVACIN Investigaciones estadsticas La Estadstica en lo Analtico y en lo Enumerativo Elementos Bsicos sobre Variacin Clasificacin de Procesos El experimento de Deming CAPITULO III. LA TEORIA MUESTRAL Necesidad de Muestreo Tipos de Muestreo Distribuciones Muestrales 1. Distribucin muestral de medias 2. Distribucin muestral para la diferencia de medias 3. Distribucin muestral de proporciones y diferencias 4. Distribucin muestral de varianzas Tamao de la muestra
Pag 1 3 3 3 3 4 5 7 8 10 15 15 16 17 19 22 27
35 35 36 37 40 41 47 51 54 56
CAPITULO IV CONTROL ESTADISTICO DEL PROCESO Objetivos Introduccin Mtodos Estadsticos Cartas de control Diagrama Causa-Efecto Diagrama de Pareto Grfico de corridas Histogramas de Frecuencia Anlisis de Regresin Ajustes de Curvas BIBLIOGRAFIA
61 61 61 62 62 64 75 76 79 80 81
94
INTRODUCCION
El presente trabajo representa un breve, general e introductorio tratado sobre herramientas estadsticas aplicables al control de procesos, como un material de apoyo dirigido a los gerentes. Es de hacer notar que este papel de trabajo est sujeto a revisin y que cualquier sugerencia al respecto ser muy bien aceptada. As mismo, es conveniente sealar que los autores no pretenden reclamar la autora de algunos trabajos a los cuales se hace referencia, dado que los mismos son productos de congresos, seminarios, lecturas, cursos y de su experiencia profesional. De esta forma, lo original de este escrito consiste en haberlos recopilados y en presentarlos de una forma resumida como una gua de estudio. Este texto difiere de las publicaciones comunes de estadstica y/o control de calidad porque su principal propsito es, adems de conceptualizar el control de calidad, mostrar cmo aplicar la teora estadstica a problemas derivados de la experiencia del campo laboral. La estadstica descriptiva, per s no resuelve los problemas de produccin y los mtodos estadsticos son herramientas que ayudan a mejorar el proceso, dando objetividad a las observaciones y no serviran si no son utilizados apropiadamente. De esta forma, se dar mayor importancia a los hechos que a los conceptos abstractos, utilizando cifras derivadas de observaciones reales, aceptando como confiable la informacin proveniente de la distribucin normal hacia la cual tiende las observaciones cuando son grandes.
Los mtodos estadsticos constituyen un medio efectivo para controlar la calidad en el proceso de produccin; sin embargo, "lo importante no es el conocimiento de los mtodos estadsticos sino ms bien la actitud mental hacia su utilizacin",(Kume, 1992; p.9)).
OBJETIVOS: Conocer los conceptos bsicos aplicados en el control de calidad y familiarizar al lector con los principios, funciones y los costos que la calidad implica.
INTRODUCCIN: La finalidad de todo proceso industrial es la reproduccin del prototipo de un producto. Cuando el producto est bien diseado y se fabrica cumpliendo las normas establecidas, el mismo llenar las expectativas para el cual fue elaborado y para el usuario. En consecuencia, se hace necesario que todos los productos se fabriquen ajustados a las normas, el control de calidad interviene para asegurar el fiel cumplimiento de estas normas por el producto. Lgicamente no hay dos productos iguales, por lo que la calidad vara continuamente, dependiendo del nivel de refinamiento tcnico alcanzado. Puesto que la calidad es variable, va en contraposicin a la uniformidad y en la prctica esta situacin se obvia llegando a la transaccin entre ambos, estableciendo lmites para definir las variaciones con respecto a las especificaciones cualitativas permisibles y tolerables en el producto final, sin desmedro del principio de normalizacin.
Sin embargo existen elementos perturbadores que impiden que la produccin se ajuste lo mejor posible a las especificaciones cualitativas, tales como: 1.- Irregularidad en las mquinas 2.- Imprecisiones humanas 3.- Errores de los instrumentos de control 4.- Condiciones ambientales 5.- Otros La desviacin cualitativa del producto representa un aumento de los costos puesto que implica un gasto extra de materia prima o de tiempo y trabajos para realizar las correcciones de los defectos del producto acabado. Este aumento de los costos de produccin sumados a los retrasos de la produccin, la disminucin del prestigio de la empresa, etc. son hechos graves como para necesarias. no estudiarlos atentamente y buscar las medidas correctivas
El diseo de este trabajo bibliogrfico va orientado a proporcionar los conocimientos mnimos necesarios que permitan comprender las tcnicas estadsticas, metodologa e interpretacin y anlisis de resultados. Para ello es necesario basarse en fundamentos de estadsticas matemticas, as como en matemticas avanzadas; sin embargo, la mayora de las aplicaciones descritas slo requieren de conocimientos aritmticos.
2.-
CONCEPTO DE CALIDAD
Calidad es la aptitud de un producto para satisfacer una necesidad al menor costo posible.
Es el grado de concordancia entre el diseo y el fin para el cual fue creado; en la medida que las caractersticas previstas, los materiales y las formas concebidas por el diseador cumplen con las necesidades del usuario.
b.
Es el grado de concordancia entre el producto y sus especificaciones. Siendo el grado en el que el proceso de manufactura y mano de obra han reproducido el producto lo ms cercano del diseo original.
3.-
CONTROL DE CALIDAD:
Es el proceso mediante el cual se miden las caractersticas de un producto, se comparan los valores con las normas establecidas y se adoptan las medidas correctivas convenientes cuando no se ajustan a las normas.
La definicin previa de Calidad tiene varias implicaciones y una de ellas es que con el slo control estadstico no es posible alcanzar la satisfaccin del consumidor, por lo tanto para alcanzar esta calidad se requiere adems: 1. 2. 3. 4. Una adecuada investigacin de mercado (calidad de investigacin del mercado). Un producto con un diseo acorde (calidad de diseo). Un producto fiel al diseo del prototipo (calidad de fabricacin o concordancia). Un producto al alcance del consumidor oportunamente (calidad de distribucin).
5.
Un producto con adecuados componentes de reemplazo (calidad de servicio). De esta forma la calidad es una resultante de todos estos elementos
mencionados, que para ser alcanzada requiere de un control total de la calidad. Entre estos controles se pueden establecer (ver figura 1): Control Dinmico de la Calidad: Realizado estrictamente sobre el proceso de fabricacin. Control Esttico de la Calidad: Aplicado a los productos semi-elaborados y productos terminados.
PROCESO DE FABRICACION
PRODUCTO FINAL
CONTROL DINAMICO
CONTROL ESTATICO
PRINCIPIOS DEL CONTROL DE CALIDAD 1. Con el control de calidad no se obtiene calidad del producto; sta es una caracterstica inherente al producto mismo. Esto es evidente, para obtener un buen nivel de calidad hay que fabricarlo puesto que el control de calidad no agrega calidad a los productos. 2. El equipo productor es el responsable directo de la calidad del producto de acuerdo a las directrices que el control de calidad establece. 3. No resuelve problemas de fabricacin, slo da las razones para estudiarlos. Es muy importante que el equipo productor sepa qu problemas existen y en qu sentido se manifiestan para lograr un buen nivel de calidad en la fabricacin. 4. Las decisiones deben tomarse sobre la base de datos reales, la confiabilidad de los datos registrados es el punto inicial para todo anlisis e interpretacin de resultado. 5. Los datos deben ser compatibles y estar dispuestos de manera tal, que permitan su anlisis. Esto permitir el empleo de algunas herramientas estadsticas de las cuales el control de calidad hace uso. 6. El control de calidad debe ser activo, debe prevenir la ocurrencia de errores o defectos, mantener regulados y bajo control los procesos, evitar el desperdicio, el reproceso, las devoluciones y tomar las medidas correctivas oportunamente.
FUNCIONES DEL CONTROL DE CALIDAD: Antes de iniciar la fabricacin de un producto, se requiere fijar las especificaciones de lo que se va a hacer. Despus, viene la manufactura real de este producto y finalmente la comprobacin para verificar si est de acuerdo con lo especificado. Al pensar en todos los puntos relacionados con la calidad es conveniente hacerlo en trmino de estas tres funciones: Especificacin, fabricacin e inspeccin. El control de calidad estadstico debe ser considerado como un grupo de herramientas, que pueden influir en las decisiones relacionadas con estas funciones. Mientras ms personas existan en cargos de supervisin de inspeccin, de supervisin de produccin, de ingeniera de mtodos, de ingeniera de diseo y de nivel gerencial, que comprendan los principios bsicos de control de calidad estadstico, mayor ser la probabilidad de emplear efectivamente estas tcnicas en una organizacin. Entre las funciones bsicas del control de calidad relacionadas con las funciones de especificar, fabricar e inspeccionar un producto tenemos: 1. Intervenir en la estipulacin de la calidad de diseo mediante la
realizacin de normas de control, preparacin de prescripciones etc. Esta no es una funcin exclusiva de control de calidad, pues intervienen otros departamentos, pero jams debe realizarse un diseo sin la intervencin del departamento de control de calidad. 2. Ejercer el control dinmico de la calidad mediante el control durante el proceso de fabricacin, con el propsito de obtener productos de acuerdo al diseo, evitando la fabricacin de piezas defectuosas.
3. Ejercer el control esttico de la calidad mediante el establecimiento del control de entrada y de salida con el propsito de vigilar el producto terminado o la materia prima para otros sectores de la planta.
TAREAS ESPECIFICAS DE UN PROGRAMA DE CONTROL DE CALIDAD A continuacin figuran tareas especficas que pueden cumplirse como parte de un programa de control de calidad. a. Determinar las condiciones que deben cumplir los diseos, los proyectos y las especificaciones para satisfacer las normas de calidad y a su vez verificar que se cumplan los procedimientos establecidos. b. Planificar las herramientas, los instrumentos de medicin y el equipo de control necesario para medir las caractersticas del producto. As mismo verificar que los instrumentos de medicin estn calibrados. c. Establecer procedimientos de control de calidad, basados en la estadstica sobre las operaciones de fabricacin, as como piezas, materiales y muestreos de recepcin. d. Crear un sistema para inscribir en un registro los defectos en materia de calidad y para inscribir datos sobre seguimiento de las medidas correctoras adoptadas, igualmente recoger las informaciones que puedan proporcionar mejoras al proceso de fabricacin. e. Proporcionar formacin para el personal de inspeccin, de pruebas, etc. f. Establecer los costos de control de calidad. para las
COSTOS DE CALIDAD Cada uno de los departamentos de una organizacin debe ser capaz de justificar su existencia midiendo sus costos y comparndolos con la contribucin que aporta al cumplimiento de los objetivos de la compaa y a la obtencin de beneficios. El departamento de control de calidad no es una excepcin. Por consiguiente, es importante determinar el costo general del control de calidad. Mejorar el nivel de calidad de un producto hace que el costo de produccin del mismo se eleve, lgicamente se convierte en un aspecto que debe ser estudiado detenidamente. En la prctica siempre hay un nivel de rechazos ptimo para un proceso dado, por lo que carece de sentido esforzarse por reducir los rechazos. Por lo tanto la calidad de un producto debe ser controlada a una tolerancia dada y para cierto nivel de rechazos, para obtener la relacin de compromiso requerida, pretender mejorar la calidad ms all de este nivel es, hacer la produccin anti-econmica. El costo total del control de calidad bien puede ser analizado o determinado, agrupando los costos en cuatro categoras (ver figura 2) .
COSTO DE PREVENCION
COSTO DE EVALUACION
1.
aplicacin del programa de calidad antes de la fabricacin del producto. A continuacin se dan ejemplos de tareas que pueden clasificarse como de prevencin de defectos. a) Revisin del diseo. b) Programas de formacin y titularizacin de trabajadores. c) Calificacin de proveedores antes de la subcontratacin. d) Medios mecnicos para el control de calidad, incluido el diseo de equipos y herramientas especiales. e) Control de los procesos para asegurar que los procesos de fabricacin corresponden a las tolerancias establecidas para el producto. 2. Costo de evaluacin. Los costos de evaluacin son los gastos en que se incurre para medir la conformidad del producto con las normas; incluidas las inspecciones y pruebas. A continuacin se dan ejemplos de tareas cuyo costo puede incluirse en esta categora: a) b) c) Inspeccin y prueba de las piezas y materiales suministrados por Inspeccin y prueba de materiales, piezas, montajes parciales o Costo de los productos destruidos o daados para realizar pruebas
proveedores. productos completos fabricados en la empresa. que destruyen en material o determinan su perodo de vida.
d) e)
Calibracin y conservacin de instrumentos y equipos de medicin. Compilacin, registro y comunicacin de datos sobre cuestiones de
calidad. 3. Defectos dentro de la organizacin.- Los defectos dentro de la organizacin son aquellos que se producen antes de la expedicin (o mientras el producto sigue perteneciendo a la compaa productora). Estos costos son el resultado de productos defectuosos (productos que no cumplen las normas). Entran en esta categora los costos siguientes: a) Sustitucin de piezas defectuosas. b) Costos de reparacin. c) Costos de recepcin y trmite de las quejas. d) Responsabilidad del fabricante por los peligros que puede suponer el producto, generalmente en forma de litigios o costo del seguro de responsabilidad civil. e) Prdida de pedidos futuros o dao para la reputacin de la empresa por los defectos comprados por los clientes. 4.-Defectos fuera de la organizacin: Se incluyen en esta categora los costos relacionados con los defectos que se revelan una vez que el producto es propiedad del cliente. Se incluyen los siguientes costos: a) Sustitucin de piezas defectuosas. b) Costos de reparacin. c) Costos de recepcin y trmites de reclamos. d) Costos legales y/o seguros. e) Prdida de futuros pedidos y daos a la reputacin de la empresa.
Los costos de prevencin y evaluacin constituyen los costos directos del control de calidad. Por otra parte tenemos a los costos por defectos, tanto dentro como fuera de la organizacin, que seran los costos indirectos. (ver figura 3). A medida que los costos directos se reducen, aumenta el nmero de defectos y a medida que aumenta el nivel de stos, aumenta el costo por defectos. Los costos totales del control de calidad son la suma de los costos directos y de los costos por defectos o costos indirectos. En el valor mnimo de la curva de costos totales, se sita la combinacin ptima de esfuerzos.
COSTOS TOTALES
COSTOS INDIRECTOS
COSTOS DIRECTOS
El control de la calidad debe efectuarse sin perder de vista los costos que implica y los beneficios que de su aplicacin se deriven. Generalmente el control total de la calidad conduce a una reduccin paulatina de los costos totales de la calidad en una empresa haciendo nfasis en la prevencin de la ocurrencia de defectos ms que en cualquier otro caso. Los costos de prevencin representan el 5% del costo total de la calidad, en contraste con los costos por fallas, los cuales alcanzan entre el 70 y 80% aproximadamente. Los costos de inspeccin representan entre el 15 y 25%.
CAPITULO II CALIDAD TOTAL. MEJORAMIENTO CONTINUO E INNOVACIN El quinto de los 14 postulados de Deming, tambin conocido como el padre del concepto de calidad total, aboga por la mejora constante y continua de todos los procesos de planificacin, produccin y servicio. El mejoramiento continuo disminuye el desperdicio, disminuye costos y aumenta la productividad y crea condiciones para el disfrute del trabajo. Mejorar continuamente e innovar en las organizaciones de las que formamos parte, es contribuir a la construccin de un mundo mejor. ESTADISTICA SEGN FEDERER (1973).
Es la ciencia que se ocupa de la caracterizacin, el desarrollo y la aplicacin de tcnicas para: 1. El diseo estadstico de una investigacin, bien sea un experimento comparativo, una encuesta por muestreo, un estudio de observacin o un estudio de construccin de un modelo estocstico. 2. El resumen de los hechos de investigacin 3. Las inferencias que se pueden formular a partir de los hechos de la investigacin, sobre la poblacin bajo estudio.
INVESTIGACIONES ESTADSTICAS.
Los estudios estadsticos de carcter emprico se pueden clasificar de acuerdo a la finalidad que persiguen en dos tipos: Estudios Enumerativos: Aquellos en los cuales se estudia un marco especfico con la finalidad de actuar sobre los elementos que lo conforman. (Inferencia Estadstica). Estudios Analticos: Aquellos en los cuales el objetivo es actuar sobre el sistema de causas o proceso que produjo los elementos del marco estudiado. (Diseo Estadstico). La figura que se presenta en la pgina siguiente ilustra este proceso
Caractersticas X, Y, . . ., Z
Poblacin de valores
Observados o medidos De la caracterstica Poblacin Multivariante
... Z Y ...
(X,Y,...,Z)
SISTEMA
Red interdependiente de componentes que actan conjuntamente para lograr el fin del sistema Actividad de la organizacin Donde se identifican: 1) Entradas 2) Actividades de transformacin y 3) Salidas
Proceso A
Proceso K
Propiedades de las entradas, actividades de transformacin y salidas que otorgan a estas carcter distintivo
S (Salidas)
Personas Mtodos Ambiente Equipos Servicios Materiales
VARIACION.
Fenmeno que se manifiesta en la incapacidad de un sistema, proceso, persona, etc. para reproducir exactamente un comportamiento dado, an bajo condiciones aparentemente semejantes. ELEMENTOS BASICOS SOBRE VARIACION. ( Joiner & Gaudard). La variacin es causal Hay distintos tipos de variacin La eliminacin o atenuacin de cada tipo de causa demanda de acciones radicalmente distintas Un sistema es estable cuando solo obedece a causas comunes La cantidad de variacin se puede medir estadsticamente
Causas comunes: Multitud de factores que siempre estn presentes y que contribuyen en diversos grados a cambios pequeos y aparentemente aleatorios en el resultado de un proceso. Su agregacin resulta en lo que podemos denominar la variacin del sistema. Causas especiales: Factores que actan espordicamente sobre el sistema agregando variacin adicional sobre la variacin del sistema. Manifestaciones extremas Causas asignables.
Causas distintas requieren acciones Distintas. Asunto crtico La diferencia ms importante es entre causas comunes y causas especiales Estrategia para eliminar causas especiales: Obtener datos oportunos Prestar atencin a seales de posibles causas especiales Investigar su origen Tomar previsiones para que lo malo no recurra Tomar previsiones para que lo bueno siga ocurriendo Estrategia para mejorar un sistema de causas comunes: Todos los datos son importantes Conocimiento ntimo del sistema
Interferencias Innecesarias. Ajustes innecesarios efectuados para compensar o corregir la variacin del sistema y que agregan ms variacin. (ver experimento de Deming). Exacerbar en lugar de mejorar Tratar todo como si fuera el resultado de causas especiales (querer explicar todo) Errores comunes: Examinar las ltimas cifras Suponer que todo lo bueno o malo se debe a la actuacin de las personas Los grficos y figuras que se muestran a continuacin ilustran estos procedimientos:
CLASIFICACION DE PROCESOS
2. Estado de Caos. Proceso fuera de control Estadstico y Produccin conforme menor del 100%.
4. Prximo al Estado del Caos. Proceso fuera del Control Estadstico y produccin conforme al 100%
5. Prximo al Estado Ideal. Proceso bajo control Estadstico y produccin Conforme menor del 100%.
Experimento de Deming.
Una funcin de los mtodos estadsticos es la de disear experimentos y utilizar la experiencia relevante de forma que resulte eficaz. Cualquier intento de utilizar la experiencia
relevante sin un plan que se base en la teora, es disfrazar la racionalizacin de una decisin que ya ha sido tomada.1
EXPERIMENTO DE SIMULACIN
Reglas para ajustar el embudo. Se pretende que al dejar caer la esfera a travs del embudo, coincida con el blanco
Regla No. 1.- Mantener el embudo fijo apuntando al blanco en todos los lanzamientos. Regla No. 2.- Desplazar el embudo a una distancia z k de su ltima posicin para el lanzamiento (k + 1). Regla No. 3.- Desplazar el embudo a una distancia z k del blanco para el lanzamiento (k + 1) simo. Regla No. 4.- Colocar el embudo sobre la posicin que ocup La esfera en el ltimo lanzamiento.
La teora de muestreo se refiere al estudio de las relaciones que existen entre un colectivo o poblacin y las muestras que se extraen de las mismas. El estudio de las muestras permite hacer estimaciones de caractersticas desconocidas de la poblacin (tales como media, desviacin tpica, proporciones, etc). Estas estimaciones se hacen a partir del conocimiento de las caractersticas de las muestras (media, desviacin tpica, proporcin, etc). Las caractersticas o medidas obtenidas de una muestra se llaman estadsticos; y las medidas correspondientes a la poblacin parmetros. Cuando una medida muestral o estadstico es utilizada como representante de una caracterstica poblacional o parmetro se denomina estimador. Ventajas de la utilizacin de las muestras 1) El costo es menor y se puede obtener un mejor rendimiento del dinero invertido. 2) Se obtiene una disminucin notable del tiempo necesario para alcanzar la informacin Cuando una muestra posee 30 o ms datos se denomina grandes muestras y si la muestra tiene menos de 30 observaciones se denomina pequeas muestras.
Necesidad del Muestreo. 1. Poblacin Infinita 2. Poblacin uniforme 3. Proceso de investigacin destructiva 4. Economa de costos 5. Calidad Muestreo con o sin reemplazamiento: Con reemplazamiento cuando un elemento de la poblacin puede ser escogido varias veces para formar parte de la muestra Sin reemplazamiento cuando un elemento de la poblacin solo puede ser seleccionado una sola vez para formar parte de la muestra. Poblacin: es una coleccin de todos los elementos que estamos estudiando y acerca de los cuales se intenta extraer conclusiones. Puede ser infinita o finita. Muestra: Una parte de la poblacin o un subconjunto del conjunto de unidades obtenidas con el objeto de investigar las propiedades de la poblacin. Muestreo estadstico: Es un enfoque sistemtico para seleccionar unos cuantos elementos (una muestra) de un grupo de datos (poblacin) a fin de hacer algunas inferencias sobre el grupo total. Desde el punto de vista matemtico, podemos describir las muestras y las poblaciones el procedimiento a travs del cual se obtienen las muestras. mediante medidas como la media, la moda, la desviacin estndar, etc. No es mas que
Tipos de muestreo Muestreo de juicio o no probabilstico. (opintico). Se basa en el conocimiento de la poblacin por parte de alguien, quien hace a la muestra representativa, dependiendo de su intencin, por lo tanto es subjetiva. Probabilstico (Errtico): Todos los elementos de la poblacin tienen la posibilidad de pertenecer a la muestra. Muestreo Aleatorio: 1. 2. 3. 4. Muestreo aleatorio simple Muestreo Sistemtico. Muestreo Estratificado Muestreo por Conglomerado del conocimiento y la opinin personal,
basada en la experiencia del investigador, se identifican los elementos de la poblacin que van a formar parte de la muestra. Una muestra seleccionada por muestreo de juicio se basa en el conocimiento de la poblacin por parte de alguien. Por ejemplo, un guardabosques tomar una muestra de juicio si decide con antelacin que parte de una gran zona reforestada deber recorrer para estimar el total de metros de madera que pueden cortarse. En ocasiones el muestreo de juicio sirve de muestra piloto para decidir cmo seleccionar despus una muestra aleatoria. Muestreo aleatorio: Cuando se conoce la probabilidad de que un
Muestreo Aleatorio Simple (Irrestrictamente Aleatorio): Un muestreo es aleatorio cuando cada elemento de la poblacin tiene la misma probabilidad de ser escogido para formar parte de la muestra. Este tipo de muestreo evita que la muestra sea sesgada evitando por lo tanto que se realice una mala inferencia estadstica. Por ejemplo, supngase que un investigador quiera estimar el mdulo de ruptura promedio de un material determinado formado por una poblacin de tamao N = 500; por ser ensayos destructivos este quiere seleccionar una muestra de tamao n = 10 que le permita realizar la inferencia, ahora bien el criterio que us el investigador para seleccionar dicha muestra fue el de tomar 10 materiales que estaban ms prximos a l; evidentemente esta muestra no es representativa de la poblacin, se dice que esta sesgada, por lo que la inferencia estadstica que se realice ser errnea. Por lo tanto, una muestra se dice que esta sesgada cuando los elementos seleccionados tenan mayor probabilidad de pertenecer a la misma. La forma ms fcil de realizarlo es usando nmeros aleatorios, para esto se puede recurrir a una tabla o a un generador de nmeros aleatorios. Actualmente, se recurre a computadora. Muestreo Sistemtico o Secuencial. Los elementos se seleccionan de la poblacin con un intervalo uniforme en el tiempo, en el orden o en el espacio. Por ejemplo, supongamos que se quiere estudiar una determinada caracterstica de un producto fabricado en serie y se decide seleccionar a cada veinte producto hasta formar la muestra, para esto se escoge un punto aleatorio de arranque en los primeros veinte productos y luego se escoge cada vigsimo producto hasta completar la muestra. Una de las ventajas de este muestreo es cuando los elementos presentan un patrn secuencial, tal vez
requiera menos tiempo y algunas veces cuesta menos que el mtodo de muestreo aleatorio. Muestreo Estratificado. Para aplicar el muestreo estratificado, se divide la poblacin en grupos homogneos, llamados estratos, los cuales son hetergeneos entre si. Despus se recurre a uno de dos mtodos posibles: a) total b) Se extrae al azar un nmero igual de elementos de cada estrato y damos un peso a los resultados de acuerdo a la proporcin del estrato en la poblacin total El muestreo estratificado es adecuado cuando la poblacin ya est dividida en grupos de diferentes tamaos y queremos reconocer este hecho. La ventaja de las muestras estratificadas, es que cuando se disean bien, reflejan ms exactamente las caractersticas de la poblacin de donde se extrajeron que otras clases de muestreo. Muestreo por Conglomerado. En el muestreo por conglomerados, se divide la poblacin en grupos o conglomerados de elementos heterogneos, pero homogneos con respecto a los grupos entre si. Un procedimiento bien diseado, de muestreo por conglomerados, puede producir una muestra ms precisa a un costo mucho menor que el de un simple muestreo aleatorio. Se usa el muestreo estratificado cuando cada grupo presenta una pequea variacin en su interior, pero existe una amplia variacin entre ellos. Se usa el muestreo por conglomerado en el caso contrario, cuando Se selecciona al azar en cada estrato un nmero especificado
hay considerable variacin dentro de cada grupo pero los grupos son esencialmente semejantes entre s. DISTRIBUCIONES MUESTRALES 1 Distribucin muestral de medias 2 Distribucin muestral para diferencias de medias 3 Distribucin muestral de proporciones y diferencias 4 Distribucin muestral de varianzas Se define la distribucin muestral de un estadstico (distribucin de muestreo) en una poblacin, como la distribucin de probabilidad de todos los posibles valores que un estadstico puede asumir para cierto tamao de la muestra. Especficamente, se trabajar con las distribuciones muestrales para: medias, proporciones y varianzas. Una distribucin muestral es una distribucin de probabilidad de un estadstico muestral calculado a partir de todas las muestras posibles de tamao n, elegidas al azar en una poblacin determinada. Si la poblacin es infinita, tenemos que concebir la distribucin muestral como una distribucin muestral terica, ya que es imposible sacar todas las muestras aleatorias posibles de tamao n de una poblacin infinita. Si la poblacin es finita y moderada se puede construir una distribucin muestral experimental, sacando todas las muestras posibles de un tamao dado, calculando para cada muestra el valor del estadstico que nos interesa. Ejemplo, supongamos que se tiene una poblacin de tamao N = 10 y queremos extraer con reemplazamiento todas las muestras posibles de tamao n = 5, para esto se utiliza la relacin Nn , es decir, 105 = 100000 muestras de tamao n = 5.
En cambio, si el muestreo es sin reemplazamiento, el nmero de muestras de tamao n = 5 viene dado por la combinatoria:
En el caso anterior la distribucin muestral para un estadstico determinado, la v media aritmtica ( X )viena dada por: muestra 1 : muestra 2 M muestra 252 X 252 X1 X2
Se puede hacer una aproximacin experimental de distribuciones muestrales basadas en poblaciones infinitas o finitas grandes, sacando un nmero de muestras aleatorias y siguiendo el mismo procedimiento anterior. 1) DISTRIBUCIN MUESTRAL DE MEDIAS: Es la distribucin de probabilidad de todas las medias posibles de de probabilidad tiene asociados (parmetros) tales como la media X y las muestras, para un tamao n determinado. Ver ejemplo, anterior. Esta distribucin
desviacin estndar X . Para calcular, estos parmetros de la distribucin muestral de medias se utilizan las siguientes relaciones:
X =
La expresin
Es la desviacin estndar de la distribucin muestral de medias, se le llama error tpico o estndar de la media y nos indica la diferencia promedio entre los diversos valores de X y . Como se observa, a medida que el tamao de la muestra aumenta este error disminuye, las diversas medias muestrales se hacen ms uniforme en su valor, y en consecuencia, cualquier media muestral es una buena estimacin de la media poblacional . Anteriormente se mostr la manera de calcular la media y la desviacin estndar de la distribucin de las medias muestrales. Ahora se va a distinguir dos situaciones: a) Muestreo en una poblacin distribuida normalmente: Si X es la
y desviacin tpica
, entonces la distribucin
est normalmente distribuida. Para hallar la probabilidad asociada a valores de la distribucin normal
Z=
X- / n
Ejemplo: Cierta marca de neumticos tiene una vida til media de 21.000 Km con una desviacin tpica de 800 Km. a. suponiendo que las vida til de los neumticos estn distribuidas normalmente. Cul es la probabilidad de que un neumtico cualquiera dure menos de 20.900 Km? b. Cul es la probabilidad de que la vida til media de 64 neumticos sea inferior a 20.900 Km?
Solucin: 1. Como la variable X = vida til de los neumticos, est distribuida normalmente. Entonces la probabilidad de que un neumtico cualquiera dure menos de 20.900 km se calcula de la forma siguiente:
Estandarizacin
20.900 21.000
-0,13
20.900 21.000 P ( X 20.900) = P Z = P(Z 0,13) =0,4483 800 Es decir, el porcentaje de que un neumtico tenga una vida til menor que 20.900 Km es de 44,83 %. Para calcular esta probabilidad, se recurre a una tabla de distribucin normal estandarizada. 2. Si se seleccionan todas las muestras posibles de tamao 64 de la poblacin de neumticos, entonces por lo anteriormente mencionado esta distribucin muestral de medias es normal, con media y desviacin tpica igual a 21.000 Km y 100 Km respectivamente. Luego la probabilidad de que la vida til media de 64 neumticos sea inferior a 20.900 Km se calcula de la forma siguiente:
Por lo que el porcentaje de que la vida til media de 64 neumticos sea inferior a 20.900 Km es de 15,87 %.
b) Distribucin en poblaciones que no estn distribuidas normalmente. Existen mtodos que se pueden emplear cuando se necesita hacer inferencia sobre este tipo de poblacin. Una solucin usada con frecuencia es que se extraiga una muestra grande. Una vez extrado ese n grande, el investigador puede utilizar el Teorema del Lmite Central, continuacin: sin tomar en cuenta la forma funcional de la poblacin de donde se extrae la muestra, la distribucin de medias muestrales, calculadas con muestras de tamao n extradas de una poblacin con media y desviacin estndar , se aproxima a una distribucin normal con media y desviacin / n , cuando n aumenta. Si n es grande, la distribucin de las medias muestrales puede aproximarse mucho a una distribucin normal. Este teorema expresa que sin tomar en cuenta la forma de la poblacin que se est estudiando, se puede seguir empleando la teora normal para obtener inferencias sobre la media poblacional a condicin de que obtengamos una muestra grande, porque la distribucin muestral de X ser aproximadamente normal cuando n sea grande. Generalmente, muchos investigadores consideran que a partir de n = 30 se puede usar el teorema del Lmite Central. Ejemplo: Una empresa emplea 1500 personas. La cantidad promedio gastada durante un ao determinado, en servicios mdicos personales por empleados fue de 25,75 $ y la desviacin estndar de 5,25 $. Cul es la probabilidad de que una muestra de 100 empleados arroje una media comprendida entre 25 y 27 $?. En este problema no se especfica si la poblacin es normal, pero como el tamao de la muestra n = 100 > 30 podemos aplicar el teorema del lmite central, por lo el cual se enuncia a
que la distribucin muestral de X es aproximadamente normal y por lo tanto podemos hallar su probabilidad, esto es: 25 25,75 27 25,75 P (25 X 27) = P Z 5,25 / 100 = P( 1,48 Z 2,46 ) =0.9237 5 , 25 / 100 Es decir, se tiene un porcentaje del 92,37 % de que el promedio de gastos mdicos por empleado durante un ao este entre 25 y 27 $. est distribuido segn la distribucin t de Student con v = n1 + n2 2 grados de libertad. c) Distribucin t de student: Esta distribucin permite realizar inferencias sobre medias poblacionales cuando se desconoce la varianza de la poblacin con muestras de tamao n < 30. En consecuencia para hallar la probabilidad asociada a t transformamos los valores t (de la distribucin normal) a valores de la distribucin normal estandarizada mediante la siguiente frmula:
t=
X- S/ n
Para hallar la probabilidad asociada a t se usa la tabla de distribucin de Student. Caractersticas de la distribucin t: a) tiene forma de campana como la distribucin normal, solo que es ms ancha en las colas (mayor rea)
b) los grados de libetad vienen dados por: v = n-1 c) Se aproxima a la normal a medida que aumentan los grados de libertad. Ejemplo: Considerando el ejemplo anterior, con = 25, 75 $ y
desconocida. Cul es la probabilidad de que una muestra de 20 empleados, con una desviacin de 5 $, arroje una media comprendida entre 25 y 27 $ ?. Solucin: Como n < 30 y es desconocida, se tienen pequeas
muestras, por lo que se utiliza la distribucin t de Student: 25 25,75 X 27 25,75 P (25 X 27) = P = P( 1,12 t 1,12 ) = 0,72 S 5 / 20 5 / 20 n
Es decir, se tiene una probabilidad de 0,72 (72 %) de que la media de gastos mdicos por empleado para una muestra de tamao n = 20 est entre 25 y 27 $. 2) DISTRIBUCIN MUESTRAL PARA LA DIFERENCIA DE MEDIAS
X 1 X 2 ).-
A veces interesa hacer inferencias sobre la diferencia poblacional de medias 1 - 2, o saber si es razonable concluir que dos medias poblacionales no
son iguales, considerando que se tienen sendas muestras para las poblaciones 1 y 2, respectivamente, donde: Entonces, la diferencia de las medias muestrales X 1 X 2 , estima a 1 -
2. La forma funcional de la distribucin muestral de X 1 X 2 depende de la forma funcional de las poblaciones donde se extraen las muestras tomando en cuenta: Si ambas poblaciones son normales la distribucin muestral de la diferencia de medias es normal. Si una o ambas de las poblaciones no es normal, la distribucin muestral de las diferencias de medias X 1 X 2 es normal si n1 + n2 2 >30 (grandes muestras), este resultado se deduce del teorema del lmite central. En estos casos, los parmetros que definen esta distribucin muestral de las diferencias de medias vienen dados por:
X X = 1 2
1 2
X X
1
12 2 2 = + n1 n2
El cual se aplica para dos casos especficos dependiendo de la muestra: a) Para grandes muestras, cuando v = n1+n2 - 2 > 30, se trabaja con la distribucin normal. En estos casos, estandarizando la diferencia medias muestrales, se tiene: de
Z=
( X 1 X 2 ) ( 1 2 )
12 2 2 + n1 n2
Ejemplo: La siguiente tabla nos muestra informacin del tiempo medio en minutos que tarda un cliente en ser atendido en dos bancos:
Banco A
2 A = 3 min A = 14 min n A = 20
Banco B
2 B = 5 min B = 13 min nB = 13
Hallar la probabilidad de que la diferencia media entre los dos bancos no exceda de 2 minutos. Solucin: como los grados de libertad 20 + 13 2 =33 2=31 > 30, se tienen grandes muestras se trabaja con la distribucin normal:
( X A X B ) ( A B ) 2 ( A B ) 1 = P Z P ( X A X B 2) = P = P(Z 1,37) = 2 2 0,73 3 5 A B + + 20 13 n n A B 0, 9146 Existe un 91,46 % que la diferencia media entre los dos bancos no exceda de 2 minutos.
b) Para pequeas muestras, Cuando v = n1 + n2 2 < 30, se trabaja con la Distribucin t de Student. Por lo tanto, el valor viene dado por: ( X 1 X 2 ) ( 1 2 ) Sp n1
2
t=
Sp n2
donde: (n 1) S1 + (n 2 1) S 2 = 1 n1 + n 2 2
2 2
Sp
Ejemplo: Considerando los ingresos mensuales de empleados de dos empresas, se tiene informacin de dos muestras mediante la siguiente tabla: Empresa 1 S12 = 400000000 Bs Empresa 2
2 S2 = 342250000 Bs
1 = 180000 Bs
n1 = 20
2 = 210000 Bs
n 2 = 10
Solucin: : como los grados de libertad 20 + 10 2 =30 2=28 < 30, se tienen pequeas muestras se trabaja con la distribucin t de Student:
( X X ) ( ) A B 1 2 P ( X 1 X 2 3500) = P 2 2 Sp Sp + n1 n2
2 = donde S p
p=
Por ejemplo: si de una poblacin de N = 50, empleados de una empresa, 15 de ellos no cumplen con su horario de trabajo, la proporcin de empleados que no cumplen horario con relacin al total, viene dado:
P = 15/50 = 0,3; es decir, el 30 % de los empleados no cumplen su horario. ), se define como: La proporcin muestral ( p
= p
Ejemplo: Si se toma una muestra aleatoria de tamao n = 1000 y 425 personas satisfacen un evento, entonces p = 425 / 1000 = 0,425. Esto significa que el 42,5 % de las personas satisfacen dicho evento. La distribucin de una proporcin muestral, se define de una manera anloga a a la distribucin de media, o sea:
1 Muestra 1---- p
k Muestra X---- p
1 , p 2 , p k corresponden a la distribucin de una 3 ,..., p De esta forma: p
proporcin muestral. De acuerdo a lo expuesto, la distribucin muestral de proporciones corresponde a una distribucin de probabilidad de todas las proporciones posibles de las muestras, para un tamao n determinado. Los parmetros que definen esta distribucin vienen dados por:
p = p = P X =
p.q n N n N 1 para poblacione s finitas
X =
Para el clculo de probabilidades relativa a proporciones, se trabaja de manera anloga al caso de la distribucin muestral de medias. Ejemplo: Un encuestador sabe que en cierta rea el 20 % est a favor de las emisiones en bonos. Considerando una muestra de 64 personas, hallar la probabilidad de que la proporcin muestral difiera de la proporcin real a lo sumo en un 0,06. Solucin: p = 0.20 proporcin de personas de la poblacin que estn a favor de la emisin
4) DISTRIBUCIN MUESTRAL DE VARIANZAS. Con esta distribucin, se estudia las probabilidades relativas a la varianza de una poblacin. De esta forma, la distribucin muestral de varianzas, viene dada por todas las posibles varianzas de las muestras para un tamao de muestra n
determinado. Para encontrar probabilidades relativas a varianzas se usa la distribucin 2 (chi cuadrado), para ello se transforman los valores S2 (varianzas muestrales) a valores de 2 mediante la siguiente relacin: 2 = (n - 1). S2 / 2 para v = n - 1 (grados de libertad). Nota: El nico requisito para usar la distribucin chi cuadrado es que la poblacin est distribuida normalmente Ejemplo: En una empresa, la desviacin estndar del sueldo de los empleados es de Bs. 75000, correspondiente a valores distribuidos normalmente. Para un nuevo estudio se escogen 17 empleados cuyos salarios se muestran a continuacin:
SUELDOS 156000 174000 175000 269000 185000 320000 200000 260000 225000 158000
Se desea conocer si estos resultados muestran consistencia con respecto a la desviacin, en cuanto a la variabilidad del sueldo de los empleados de dicha empresa.
Solucin: Cuando se habla de variabilidad nos referimos a la varianza desviacin estndar, por lo que debemos calcular la desviacin muestral, esto es S = 87325,99 Bs. Por lo tanto: (n 1) S 2 16.(87325,99) 2 P( S > (87325,99) ) = P > = P 2 > 21,69 = 0,15 . 2 5625000000
2 2
Los resultados muestran consistencia ya que es ms probable que la varianza muestral para muestras de tamao n = 17 estn por debajo de Bs. 87325,99 5) DISTRIBUCIN F DE FISHER. Cuando se quiere estudiar la relacin entre las varianzas de dos poblaciones distribuidas normalmente se usa la distribucin F de Fisher. Es decir, dadas dos muestras aleatorias independientes de tamao n1 y n2 de dos S2 poblaciones independientes, la distribucin muestral de la razn F = M2 Sm varianzas poblacionales son iguales ( 21 = 22 ). Donde: (razn
con (v1 , v 2 ) donde v1 = n 1 1 grados de libertad del numerador v 2 = n 2 - 1 grados de libertad del denominador
Ejemplo: Considerando que las varianzas poblacionales de dos poblaciones son iguales, 21 = 22 , n1= 6 y n2 = 10, hallar la probabilidad de que la razn de las varianzas muestrales no exceda a 3,48. Solucin: Cuando se quieren comparar las varianzas muestrales de
S12 2 S2
Ntese que an cuando las varianzas de las poblaciones son iguales, la probabilidad de que la razn de las varianzas de las muestras exceda a 3,48 es de 0,05 suponiendo tamaos de muestras de n1 = 6 y n2 = 10.
Tamao de la Muestra. La clave del problema estriba en escoger una muestra cuyo seleccin garantice la representatividad de la poblacin objeto de estudio. En los estudios socio-econmicos, una muestra de un 30% de la poblacin, tiene un elevado nivel de representatividad (Ramrez 1995); sin embargo, esta representatividad depende mayormente, del tipo de muestreo. Obviamente, que el trabajar con muestras, por muy confiables que sean, no se obtiene el 100% de exactitud, sin embargo, ese pequeo error que acompaa siempre a los estudios por muestreo,
es compensado con el tiempo y costo ahorrado al trabajar con grupos pequeos en vez de toda la poblacin.
se utilizan proporciones:
2
Z n= 2
Donde:
.p.q
n: Tamao de la muestra Z/2: Valor terico en funcin del nivel de confianza. Para 99 %, Z/ 2 es igual a
2,56 y para el 95% a Z/2 le corresponde 1,96
Z n= 2
.p.q
Es necesario
En el caso de una Poblacin Infinita con 95 % de Confiabilidad. Utilizando el ejemplo anterior, se tiene: 1,96 n= . 0,4. 0,6 = 4098 0,015 Al bajar el coeficiente o el nivel de confiabilidad, tambin baja el tamao de la muestra. En el caso de que no exista un Estudio Piloto. A los valores de p y q se les asigna el valor de 50% a cada uno y es lo que se denomina Condiciones desfavorables de muestreo. En el caso del ejemplo citado el tamao de la muestra viene determinado de la siguiente manera:
2
1,96 n= . 0,5. 0,5 = 4.268 0,015 Esto quiere decir que habr que encuestar a 4.268 personas.
En el caso de poblaciones finitas, el modelo matemtico difiere con el de las poblaciones infinitas:
n=
Z /2 .p.q.N 2 (N 1) + Z /2 .p.q
Se puede aplicar en el siguiente caso: Conocer la opinin de los miembros de un sindicato, ante un nuevo contrato colectivo. Compuesto por 3.257 obreros. Cuntas obreros se deben entrevistar desfavorables? 2,562 . 0,5 . 0,5. 3257 n= = 1.168 0,032 (3257 1) + 2,562.0,5.0,5 para obtener un nivel de confianza de 99 % y un error de muestreo de +/- 3%, en condiciones
Z. n= 2
Ejemplo: Se quiere estudiar la vida til media de una marca de neumticos. Si sabe por estudios anteriores que la desviacin estndar es de 800 Km . Determinar el tamao de la muestra requerido para un nivel de confianza del 95 %, fijando un error de 40. Sustituyendo los valores se tiene
2 2
En conclusin, la validez en la investigaciones de negocios, est muy relacionada con la confiabilidad del muestreo y una muestra confiable est en funcin del tipo de poblacin a estudiar ( finitas o infinitas); asi mismo, en cuanto al nivel de confiabilidad, sta ser mayor si la muestra es mayor y en relacin al error de muestreo, ste ser menor cuando la muestra es mayor. Para determinar el tamao de la muestra de una forma mas rpida y prctica, se han diseado las Tablas de Harvard, las cuales permiten calcular, rapidamante el tamao de la muestra a tomar, en funcin del error de muestreo, niveles de confiabilidad y posibles valores de p y q. Para profundizar en este aspecto de muestreo, se recomienda consultar los textos especializados en estas reas. Pues una vez determinado el tamao de la muestra el paso siguiente que se plantea es lo relacionado al tipo de muestreo que se va a utilizar para escoger los elementos que integran a la muestra y sto es un amplio e interesante tema a tratar.
OBJETIVOS: Conocer los mtodos estadsticos utilizados en el control de procesos y aplicar las herramientas especficas para cada caso, con la finalidad de detectar y corregir posibles fallas. 1. INTRODUCCION:
La estadstica descriptiva y la inferencial as como la teora de probabilidades, tienen un campo muy amplio de aplicacin en la industria, especialmente en el control de la calidad y en el anlisis de procesos. En los procesos de produccin se generan simultneamente grandes volmenes de informacin cuantitativa y cualitativa a travs de las cuales se pueden controlar los costos, la produccin y la calidad, es decir, lo que significa el control de gestin administrativa de la compaa. La recopilacin, presentacin y anlisis de este flujo de informacin permite a la gerencia conocer los resultados y establecer controles y as mismo comparar los resultados obtenidos con lo deseado, pudiendo establecer acciones correctivas cuando se observen discrepancias significativas entre ellos.
El Control
orientadas a cumplir con las metas de calidad previamente establecidas, utilizando para ello las tcnicas estadsticas aplicables al menor costo posible.
Lo importante del Control de Calidad es que constituye una herramienta muy eficaz para incrementar la productividad, permitiendo elevar el nivel tcnico de la empresa, incrementando la produccin y reduciendo los costos de operacin. De esta forma, el propsito del control de la calidad es fijar la calidad normal, mantener y mejorar el nivel, la uniformidad y la la satisfaccin del cliente aumentando los beneficios. Como se observa, el control de calidad involucra el proceso total de: comercializacin, investigacin, desarrollo, produccin, transporte, instalacin y mercadeo, sin soslayar todas aquellas funciones tendientes a maximizar el beneficio. 2. METODOS ESTADISTICOS: Control Estadstico de la Calidad cuya aplicacin es confiabilidad de la calidad garantizando sta y reduciendo los costos de fabricacin, suministrar productos a
Este control moderno de la calidad implica el uso de mtodos estadsticos, siendo denominado ampliamente utilizada en diferentes reas tales como: anlisis de procesos, control de procesos, investigacin, desarrollo, etc. En funcin de ello se puede establecer una estructura basada en: Ingeniera de Control de Calidad: Encargada del planeamiento de calidad de una empresa. Ingeniera en Control de Procesos: Supervisa la aplicacin adecuada del sistema del control de calidad en la fabricacin. Ingeniera de equipos de informacin: Disea y desarrolla el equipo para la inspeccin y el ensayo.
Entre los mtodos estadsticos de mayor uso se tienen: a. b. c. d. e. f. Grficas de control. Distribucin de frecuencia, histogramas y diagramas de pareto. Distribuciones estadsticas. Ensayo de significacin. Inspeccin por muestreo. Diseo de experimento y anlisis de la varianza.
En el cuadro que a continuacin se presenta se resume las diferentes reas de control y las tcnicas utilizadas en cada una de ellas:
CONTROL TAREA Planeamiento de la CONTROL DE NUEVOS calidad del producto y proceso, standard, DISEOS costos, especificaciones del proceso, confiabilidad. MATERIA PRIMA Controles de recepcin y almacenamiento, economa y costos.
PRODUCTO Y PROCESO
TECNICAS UTILIZADAS Anlisis de la funcin producto, pruebas ambientales, prototipo, evaluacin , estndares de calidad, anlisis de materia prima, inspeccin, entrenamiento, almacenamiento y transporte. Evaluacin de proveedores, instrumentos de medicin , entrenamiento, muestreo, especificaciones, caractersticas de calidad, lotes rechazados y aceptados, anlisis estadsticos, etc. Control de procesos, productos terminados, control de herramientas, mantenimiento, personal, condiciones ambientales, inspeccin, cartas de control, muestreo, planos, auditora, defectos, empaque y despacho, servicios. Grficas. distribucin de frecuencias, diagramas de fallas, anlisis de pareto, diferentes mtodos estadsticos, pruebas de hiptesis, distribucin t, chi cuadrado, anlisis de la varianza, correlaciones y regresiones, anlisis secuencial.
El anlisis de procesos no viene a ser ms que la aplicacin de mtodos cientficos al reconocimiento y a la formulacin de problemas y al desarrollo de procedimientos para resolverlos. Esto significara: la especificacin matemtica del problema para una situacin fsica determinada y realizar el anlisis pormenorizado para obtener los modelos matemticos, lo cual conducira a la sntesis y presentacin de los resultados para asegurar su comprensin y posible aplicacin. El anlisis estadstico desempea un papel importante en el estudio de los procesos. El mtodo de encontrar las causas de los productos con defectos, es lo que se denomina Diagnstico del Proceso. Para reducir el nmero de productos defectuosos la primera accin es la de hacer un diagnstico correcto para determinar las causas de los defectos. Existen muchos mtodos para hacer un diagnstico correcto, algunos basados en la intuicin y otros en la experiencia. En este trabajo se recurrir al anlisis estadstico de los datos; la forma estadstica de considerar las cosas y el uso de los mtodos estadsticos constituye un medio muy valioso para hacer las observaciones. 1. CARTAS DE CONTROL. De acuerdo con E.L. Grant (Statistical Quality Control) la calidad medida de un producto manufacturado, est siempre sujeta a una cierta variacin fortuita. Algn sistema estable de causas fortuitas es inherente a cualquier esquema particular de produccin e inspeccin. La variacin propia de este modelo estable es inevitable, pero las razones para la variacin fuera de este modelo estable pueden ser descubiertas y corregidas.
La carta control desarrollada por Shewhart (Economic Control of Quality of Manufatured Product.) es un dispositivo grfico para detectar modelos no naturales de variacin en los datos resultantes de procesos repetitivos, lo cual permite fijar un criterio para detectar deficiencias en el control estadstico. En estas cartas los puntos muestreados son representados grficamente de una forma secuencial y posteriormente visual. unidos por una lnea facilitando la interpretacin
Las pruebas ms comunes para modelos no naturales son las pruebas de inestabilidad, las cuales permiten determinar si el sistema de causas est cambiado, comnmente se les designa como las zonas A, B, y C. Como referencia a estas zonas, el modelo de variacin observado se dice que es no natural o que el proceso est fuera de control si ocurre uno o ms de los siguientes eventos: 1.- Un slo punto cae fuera del lmite de control. Por ejemplo ms all de la zona A. 2.- Dos de tres puntos sucesivos, caen en la zona B o ms all 3.- Cuatro de cinco puntos sucesivos caen en la zona B o ms all 4.- Ocho puntos sucesivos caen en la zona C o ms all Estas pruebas se aplican separadamente a ambas mitades de la Carta Control. Las cartas ms comnmente usadas son: Carta X, la Carta R, la Carta p, y la carta c; las dos primeras tratan con datos de medicin, mientras que las dos ltimas tratan con datos de atributos. (Enumeracin). FRMULAS PARA LAS CARTAS DE CONTROL: Lnea Central _ X R Lmite superior de control (LSC) _ X + A2 R D4 . R p + 3p (1-p) / n c c+3 c Lmite inferior de control (LIC) _ X - A2 R D3 . R. p - 3p (1-p) / n c-3 c
Carta _ X R p c
Las constantes A2 , D3 y D4
Planes de Muestreo:
El muestreo de aceptacin puede ser de dos tipos: muestreo lote por lote tambin denominado muestreo por atributos y muestreo de produccin continuo o muestreo variable. Los primeros se refieren a los casos donde cada espcimen es clasificado simplemente como defectuoso o no defectuoso; en los planes variables se refiere a los casos en los cuales una medida es tomada y registrada numricamente en cada espcimen inspeccionado. El plan de muestreo por atributos que se efecta en base de lote, est definido por tres elementos: el tamao del lote (N), el tamao de la muestra (n) y el nmero de aceptacin A.
Ejemplo:
La tabla que se exhibe a continuacin muestra los valores codificados de la resistencia a la compresin de bloques de concreto.
VALORES CODIFICADOS DE LA RESISTENCIA A LA COMPRESIN DE BLOQUES DE CONCRETO Nmero de la Muestra 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 X1 11.1 X2 9.4 X3 11.2 10.1 10.0 10.7 10.7 10.2 11.8 X4 10.4 10.8 9.8 9.4 10.1 11.2 11.0 X5 10.1 11.0 10.4 11.0 11.3 10.1 11.3 11.0 Media Rango (X) (R) 10.44 10.46 9.98 9.82 10.90 10.36 11.32 10.86 1.8 1.4 0.7 2.6 2.4 1.1 0.8 1.2 0.5 1.9 1.5 2.4 2.8 1.0 1.5 0.8 2.1 1.0 2.7 1.6 1.59
12.4 10.0 10.1 10.2 11.0 11.5 11.2 10.0 10.6 10.4 8.3 10.2 10.6
10.9 10.58 9.8 11.4 9.9 11.4 9.52 10.56 9.96 10.44 10.96 11.14 10.04 11.44 11.84 11.14 11.44 10.66
9.9 107 10.5 10.8 10.4 11.4 9.7 11.2 11.6 11.8 10.8
10.8 10.2 10.7 10.7 11.3 11.4 11.4 11.2 10.1 10.1 10.7 12.8 11.9 11.9 10.8 12.1 12.4 11.1
10.6 11.1 10.1 11.6 9.8 10.5 11.2 11.3 12.4 12.4 9.4 11.6 11.0 11.9
Promedio
10.66
1.56 _
FIGURA 8. CARTA X
Igualmente para la Carta R: LSC = D4 . R = (2.12) (1.59) = 3.37 LIC = D3 . R = (0) (1.59) = 0
FIGURA 9. CARTA R
Si tratamos con datos de enumeracin como por ejemplo el nmero de fusibles defectuosos escogidos en muestras de tamao 50, tomados en tiempos al azar durante el proceso de produccin; podemos emplear la Carta p.
Nmero de muestra
1............................. 2............................. 3............................ 4............................ 5............................ 6............................ 7............................ 8............................ 9............................ 10......................... 11......................... 12......................... 13......................... 14......................... 15......................... 16......................... 17........................ 18......................... 19........................ 20........................ 21....................... 22....................... 23....................... 24....................... 25....................... 26....................... 27...................... 28...................... 29...................... 30..................... 31..................... 32..................... 33..................... 34..................... 35..................... 36.................... 37.................... 38................... 39................... 40...................
Nmero de defectuosos
2 1 2 0 2 3 4 2 0 3 0 1 2 2 3 5 1 2 3 1 1 1 4 2 2 4 1 3 3 2 3 6 2 3 2 3 1 0 2 0
Promedio.....................
0.042
Aplicando la Ecuacin correspondiente LSC = p + 3 p (1- p) / n LSC = 0.042 + 3 (0.042) (0.958) /50 = 0.127 LIC = 0.042 - 3 (0.042) (0.958) /50 = - 0.043
Como el LIC resulta un valor negativo y debido a que la fraccin defectuosa es una cantidad no negativa, este lmite se toma como cero, lo cual hace a los lmites de control asimtricos con respecto a la lnea central.
Si interesa determinar el nmero de defectos por unidad, la Distribucin de Poisson y una carta C sera lo ms apropiado. A continuaccin se presentan los datos tabulados del nmero de defectos observados en una junta soldada, realizando cada conteo en una sola junta, soldndose 8 juntas por hora. Nmero de muestra Fecha Tiempo de la muestra 1................. Julio 18 8:00 A.M 2................. 9:05 A.M. 3................. 10:10 A.M. 4................. 11:00 A.M. 5................. 12:30 PM. 6................. 1:35 P.M. 7................. 2:20 P.M. 8................. 3:30 P.M. 9.................. Julio 19 10................ 11................. 12................. 13................ 14................ 15................. 16................. 17................ Julio 20 18................ 19................ 20................ 21................ 22................ 23................ 24................ Total................................... 8:10 A.M. 9:00 A.M. 10:05 A.M. 11:15 A.M. 12:25 P.M. 1:30 P.M. 2:30 P.M. 3:40 P.M. 8:00 A.M. 8:55 A.M. 10:00 A.M. 11:00 A.M. 12:25 P.M. 1:30 P.M. 2:20 P.M. 3:30 P.M. .............. Nde defectos (c) 2 4 7 3 1 4 8 9 5 3 7 11 6 4 9 9 6 4 3 9 7 4 7 12 144
Del cuadro anterior y aplicando las ecuaciones correspondientes tenemos: 144 c= c/K = = 6 24 _ _ LSC = c + 3 c LSC = 6 + 3 LIC= 6 - 3 6 = 13.35
6 =
- 1.35
FIGURA 11. GRAFICA DE CONTROL En esa grfica no se presentan puntos por encima del LSC; igualmente, el mismo patrn aparece cada medio da; este patrn recurrente sugiere un factor de fatiga que debe ser tomado en cuenta
2. DIAGRAMA DE CAUSA EFECTO Es una representacin grfica de la relacin entre un efecto y todas las posibles causas que influyen en l, permitiendo identificarlas y clasificarlas para su anlisis. Es llamado tambin diagrama de Ishikawa o Espina de Pescado. (Ver figura en la pgina siguiente).
CAUSAS
METODOS MAQUINAS MATERIALES
EFECTO
CALIDAD
MANO DE OBRA
MEDICIONES
Ejemplo Despus de haberse realizado un anlisis de las principales causas que originan bobinas desviadas en el laminador tandem 1, se encontr que manchas contaminantes afectaba en gran proporcin los resultados de calidad. El equipo de trabajo realiz un estudio utilizando el diagrama causaefecto el cual se presenta a continuacin:
CAUSAS
METODOS
FALTA DE COORDINACION CRITERIOS NO UNIFORMES EXPERIENCIA DEL PERSONAL OPERACION DE EMULSION
EFECTO
MATERIALES
FUGA DE ACEITE ACEITE PERMANANENCIA DEL MATERIAL DE ALMACENAMIENTO AUSENCIA DE INSTRUENTOS DE MEDICION FILTRO DE EMULSION MATERIAL DE DECAPADO
MAQUINAS
FALTA DE SECADOR DE COMUNIC. BANDAS EXTRATOR DE GASES
MANCHAS CONTAMINANTES
MANO DE OBRA
MEDICIONES
3. DIAGRAMA DE PARETO a. Es un grfico de barras que jerarquiza los problemas, condiciones o las causas de stos, por su importancia e impacto siguiendo un orden descendente de izquierda a derecha. b. Es utilizado cuando se necesita determinar el orden de importancia de los problemas o condiciones a fin de seleccionar el punto de inicio para la solucin de dichos problemas o la identificacin de la causa fundamental de ellos.
Ejemplo Defectos encontrados en una inspeccin 1.- Presencia de xido 2.- Falta de identificacin. 3.- Manchas de aceite. 4.- Mala ubicacin.
4. GRAFICO DE CORRIDAS
Es una representacin grfica mediante lneas del comportamiento de una variable en un proceso durante un perodo determinado, es utilizado cuando se necesita mostrar las tendencias de puntos observados, dentro de un perodo de tiempo especificado.
FIGURA 15. MODELO DE GRAFICO DE CORRIDAS PASOS PARA LA ELABORACIN DE UN GRAFICO DE CORRIDAS: 1. Determinar la variable del proceso a medir. 2. Establecer la escala a utilizar en los ejes: a. El eje horizontal X , representa el perodo de tiempo y b. El eje vertical Y, representa los valores de la variables del proceso.
3. Indicar con puntos los valores encontrados en cada una de las mediciones y proceder a unir dichos puntos mediante el uso de lneas. 4. Calcular el promedio de los valores. 5. Representar en el grfico el promedio determinado trazando una lnea horizontal. 6. Interpretar el grfico resultante. 5. HISTOGRAMA DE FRECUENCIA Es una grfica de barras que muestra la frecuencia con que ocurre una determinada caracterstica que es objeto de observacin. Es utilizada comnmente cuando se requiere mostrar la distribucin de los datos y representar la variacin propia de un proceso.
6. ANLISIS DE REGRESION En muchas situaciones que se presentan a menudo en el campo de la ciencia, la ingeniera o las ciencias econmicas nos encontramos con el problema de la relacin entre dos variables numricas. Por ejemplo, la relacin entre la temperatura de un paciente y el nmero de pulsaciones por minuto o la relacin entre el costo de un producto y el costo de la mano de obra para fabricarlo. Muchas veces existen ecuaciones matemticas que nos permiten calcular una variable conociendo el valor de otra de la cual depende. En general, cuando se nos presentan dos variables numricas X e Y, podemos encontrar distintos tipos de relacin entre ellas. Puede ocurrir que entre ellas no exista ningn tipo de relacin. En tal caso, la variacin de una de ellas no genera una variacin correlativa en la otra. Variacin correlativa significa que cada vez que X aumenta, Y debe aumentar si hay correlacin positiva o cada vez que X aumenta, Y debe disminuir en caso de correlacin negativa. Pero si cada vez que X vara, Y puede aumentar o disminuir al azar en cualquie grado y proporcin, entonces significa que no hay ninguna correlacin entre ambas:
Ninguna correlacin
50 45 40 35 30 25 20 15 10 5 0 0 2 4 6 Variable X 8 10 12
Variable Y
Cuando hay una relacin funcional entre X e Y, es decir Y=F(X), la correlacin entre ambas es perfecta. Supongamos que medimos el valor de Y para un determinado valor de X, y que dicho valor de X lo podemos fijar con exactitud (En general, esto no va a ser cierto). La ecuacin de la funcin nos da un valor de Y para ese valor de X. El valor de Y medido y el valor de Y calculado con la ecuacin, en general, no van a coincidir. Si repitiramos la medicin de Y muchas veces para el mismo valor de X, tendramos una serie de valores que son diferentes del valor calculado. Pero si seguimos este proceso, obtendremos una poblacin de valores de Y cuyo promedio s va a coincidir con el valor calculado. Es decir, la relacin funcional expresada por la ecuacin matemtica se cumple para los promedios de los X e Y medidos, porque la mediciones individuales estn sujetas al error experimental o error de medicin. Vemoslo con un ejemplo. Si dejamos caer una pelotita desde el borde de una mesa, la distancia que recorre desde el borde hasta tocar el suelo se puede calcular por medio de la ecuacin siguiente:
Y = f (t ) =
1 g t2 2
g Aceleracion Gravitatoria
Hay una relacin funcional no lineal entre la altura Y desde la cual cae la pelotita y el tiempo t que tarda en caer, expresada por la ecuacin anterior. Si dejamos caer la pelotita midiendo con un cronmetro el tiempo que tarda en llegar al suelo y medimos tambin la distancia recorrida (la altura de la mesa), los valores resultantes de la medicin seguramente no cumplen con esa relacin. Esto lo podemos verificar reemplazando t en la ecuacin por el tiempo obtenido con el cronmetro. El valor resultante Y seguramente no va a coincidir con nuestra medicin de la altura de la mesa. Si repetimos esto muchas veces, las mediciones de tiempo y distancia realizadas en cada ocasin, en general, no van a cumplir la relacin. Pero si promediamos todas la mediciones de tiempo y luego reemplazamos t en la ecuacin por este promedio, la distancia calculada con la
ecuacin s va a coincidir con el promedio de todas las mediciones de altura de la mesa. Entre las dos posibilidades extremas, la de no tener ninguna relacin entre las variables y la de tener una relacin funcional, hay infinitas situaciones intermedias, en las cuales hay un cierto grado de correlacin entre ambas:
En muchos problemas prcticos de la industria y de la economa se trata de conocer en forma emprica la relacin entre dos variables, de tal manera que si se tiene un valor de la variable X se pueda obtener por clculo o en forma grfica el valor de la variable Y, sin importar si existe una verdadera relacin funcional entre ambas variables. Por ejemplo, supongamos que tenemos una grupo muy grande de personas de sexo masculino, de edad entre 30 y 40 aos. Se nos presenta el problema de relacionar las variables peso y estatura, de tal manera que, conociendo la estatura en metros de un individuo del grupo, podamos calcular su peso en Kg. Entre ambas variables no existe una relacin funcional. Esto lo vemos
Variable Y
fcilmente si tomamos algunos individuos cuya estatura sea la misma, por ejemplo, 1,75 mts. y medimos el peso de cada una. Resulta claro que las mediciones van a ser diferentes, una pesar 73 Kg., otra 79 Kg., etc. y estas diferencias no se deben al error de medicin, sino a diferencias reales en el peso de las personas:
Quiere decir que para un determinado valor de la variable estatura podemos encontrar mltiples valores de la variable peso, lo cual niega la existencia de relacin funcional. No obstante, existe un importante grado de correlacin entre ambas variables, porque sabemos que a medida que aumenta la estatura de las personas dentro del grupo, el peso tiende a aumentar. Cmo podemos hacer, entonces, para estimar el peso de una persona conociendo su estatura? Para ello, vamos a suponer un procedimiento hipottico: Tomamos del grupo un nmero muy grande de personas que miden exactamente 1,65 mts., las pesamos y promediamos los resultados. Repetimos el procedimiento para grupos
que miden 1,70 mts., 1,75 mts., etc. y luego representamos grficamente los promedios de peso en funcin de dichas alturas:
La representacin resultante se denomina Regresin del peso sobre la altura, y a la ecuacin correspondiente Ecuacin de Regresin. Una vez hecho esto, disponemos de una forma sencilla de estimar el peso de una persona del grupo conociendo la altura: con la misma entramos al grfico y obtenemos el valor de Y correspondiente. Este valor Y es el promedio de los pesos de las personas del grupo que miden una altura X, y slo nos sirve como una estimacin (aproximacin) del peso real de la persona cuyo peso deseamos conocer. Tambin podemos utilizar la ecuacin de regresin para calcular el peso. La forma de la representacin grfica puede ser una recta u otro tipo de curva. Cuando es una recta decimos que es una regresin lineal, y de ahora en mas nos referiremos a este tipo de regresiones.
El procedimiento real para obtener la regresin utiliza un mtodo que se conoce como Mtodo de los Cuadrados Mnimos. Se toma una muestra aleatoria de personas del grupo que cubran todo el rango de alturas y a cada una se le mide el peso y la altura. Si representamos estos puntos en un grfico, veremos que se agrupan aproximadamente alrededor de una recta imaginaria, que representa los puntos de la regresin. Parece lgico pensar que la recta de la regresin debe pasar muy cerca de los puntos experimentales (las mediciones que realizamos). Si hacemos pasar esta recta imaginaria por el punto correspondiente a uno de los individuos la estamos alejando, probablemente, de los otros puntos. Es decir que, la recta de regresin debe pasar a una distancia ptima de los puntos experimentales, de tal manera que est lo mas cerca posible de todos ellos. Esto es lo que se trata de hacer con el mtodo de los cuadrados mnimos. Entonces, tenemos una serie de valores de la variable X, para cada uno de los cuales se mide la variable Y:
X X1 X2 X3 X4 X5 X6 etc.
Y Y1 Y2 Y3 Y4 Y5 Y6
La ecuacin de la recta de regresin ser de la forma: Y R = a + bX Si ingresramos en esta ecuacin los valores X1 , X2 , X3 , etc. obtendramos los valores de Y de la regresin: Y1R , Y2R , Y3R , etc. Las diferencias entre estos valores calculados y los valores Y medidos se denominan residuos:
(Y (Y (Y
R 1 R 2 R 3
) Y ) Y )
Y1
2 3
............... etc. Si elevamos las diferencias o residuos al cuadrado y sumamos estos cuadrados, obtenemos una cantidad denominada suma de cuadrados alrededor de la regresin:
(Y
Yi = ( a + b X i ) Yi
De todas las rectas posibles que pasan por los puntos representados en el grfico, la recta de regresin debe ser la que haga mnima esa suma de cuadrados. Observemos que en dicha suma de cuadrados conocemos los valores Xi , Yi (Son la mediciones que realizamos) y deseamos conocer a y b, que son los coeficientes de la ecuacin de regresin. Para obtenerlos se calcula el mnimo de la suma de cuadrados y de las ecuaciones resultantes se despejan las frmulas de ambos coeficientes, que son como sigue:
b=
n X i Yi X i Yi n X 2
( X )
i
a = Y b X
donde X =
X
n
Y=
Y
n
grado de vinculacin entre ambas variables? Para ello, calculamos el Coeficiente de Correlacin, que es un nmero real entre 0 y 1 que nos da el grado de correlacin entre dos variables X e Y. Cuando este coeficiente es 0, la correlacin entre ambas variables no existe; cuando es 1, hay una correlacin perfecta, es decir, tenemos una relacin funcional entre ambas. El coeficiente de correlacin es el cociente entre la Covarianza y las desviaciones standard de X e Y:
R=
Cov( X , Y ) s X sY
( X
( X
i
X Yi Y
2 i
) (Y Y )
)(
AJUSTES DE CURVAS.
variables se puede
a) Modelo Determinstico, la relacin viene definida a travs de una frmula. Por ejemplo, sea y = x2, entonces se dice que y est en funcin de x, donde y se conoce como variable dependiente y x variable independiente. La caracterstica fundamental de este modelo es que para un valor particular de x siempre obtenemos el mismo resultado en y, esto significa que la relacin entre las variables es perfecta. Ver grfica.
y 10 8 6 4 2 0 -4 -3 -2 -1 0 1 2 3 4
b) Modelo Probabilistico, la relacin entre las variables no es perfecta, ya que debido a una perturbacin aleatora (ruido) a veces para un mismo valor de la variable independiente x se obtienen valores diferentes para y. En este caso, no se obtiene una curva sino un diagrama de dispersin. Considerando el ejemplo anterior, y = x2 + donde es un ruido. Ver grfica.
10 8 6 4 2 0 -4 -3 -2 -1 0 1 2 3 4
Por tanto, los modelos probabilsticos son tiles cuando se realizan investigaciones del tipo experimental donde a pesar de mantener fijo los valores de la variable independiente ocurren fluctuaciones debido fundamentalmente a errores de medicin, de los equipos, etc. En el presente trabajo estamos interesados en este tipo de modelos. A continuacin mencionamos los modelos de ajustes ms usados: Regresin simple: Se define como la curva que optimiza (minimiza), mediante el mtodo de los mnimos cuadrados, los saltos o fluctuaciones de los datos. Es decir, es la curva que mejor ajusta los valores del diagrama de dispersin convirtiendo el modelo probabilstico en un modelo determinstico con la finalidad de realizar predicciones. De igual forma, la curva de regresin permite modelar la tendencia de los valores. Los modelos de regresin simple vienen definidos por y = f(x)+. A continuacin veamos los distintos modelos con su respectivo ajuste o curva de regresin:
Curva de Regresin
(lnea recta) =a x + b y
18 16 14 12 10 8 6 4 2 0 0 2 4 6
18 16 14 12 10 8 6 4 2 0 0 2 4 6
y = ax 2 + bx + c +
(parbola)
30 25 20 15 10 5 0
30 25 20 15 10 5 0 0 2 4 6
orden tres:
y = ax 3 + bx 2 + cx + d +
x 2 + c =a x 3 + b x + d y
800
c) Logartmico:
y = aLn( x) + b +
=a Ln( x) + b y
12 10 8 6 4 2 0 0 2 4 6 8 10 14 12 10 8 6 4 2 0 0 2 4 6 8 10
d)Potencial:
y = ax b +
140 120
=a x b y
120 100
100
80 60 40 20 0 0 2 4 6 8 10
80 60 40 20 0 0 2 4 6 8 10
e) Exponencial:
y = ae bx +
=a e bx y
1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 2 4 6 8 10
1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0 2 4 6 8 10
datos. En la actualidad, existen paquetes estadsticos que permiten calcular los estimadores y la curva de regresin directamente, sin necesidad de realizar los clculos manualmente. (Excell, Statgraph, SSPS y otros).
REGRESION MULTIPLE:
Existen diferentes modelos de regresin mltiple, pero uno de los que tiene ms uso es el modelo lineal. Cuando la variable respuesta o dependiente de un modelo probabilstico est en funcin de dos o ms variables se dice que es un modelo de regresin mltiple, esto es:
Modelo probabilstico:
Modelo determinstico:
=a 1 x1 + a 2 x 2 + ... + a n xn y
Cartessiano (bidimensional) puesto que se requiere de un eje para representar la variable independiente (x) y otro para las observaciones (y). Para el caso de regresin mltiple solamente hay una representacin espacial, cuando se tienen dos ejes para las variables independientes (x1 y x2) y otro para las observaciones (y), es decir, modelos de la forma y = f(x1, x2). Ver grfica.
Plano de regresi n
x2
x1
Para modelos donde el nmero de variables independientes es igual o mayor que 3, es imposible realizar una representacin grfica, No obstante la ecuacin de regresin se le llama hiperplano.
BIBLIOGRAFIA
1. ARVELO, Francisco. 525 Problemas. Probabilidad, Estadstica, Matemtica, Control de Calidad. Ed. Litexto, Caracas. 2. ADAM, E. y EBERT, R.(199 Adminisracin de la Produccin y las
Operaciones. Prentice Hall, U.S.A. 3. AZORIN, Francisco.(1972) Curso de Muestreo y sus Aplicaciones. Aguilar Madrid. 4. BOWXER, A. Lieberman (1986), G. Estadstica para Ingenieros. Prentice Hall, Mxico. 5. COCHRAN, William (1964). Sampling Techhiques, John Wiley Sons.USA. 6. DELNU. Servicios Gerenciales S.R.L (1980). Calidad. Caracas. 7. DIAZ, Eduardo (1994). Aplicaciones Prcticas de la Estadstica en el Control de la Calidad. UNEG. 8. GARCIA, Silvio.(1989) Control Estadstico de la Calidad. Folleto Mocarpel, 9. GUERRA , J. y SEVILLA E.(1992) Introduccin al anlisis estadstico para procesos. Habana. Prcticas de Control de
11.KUME,
Hitoshi.(1992)
Herramientas
Estadsticas
Bsicas
para
el
mejoramiento de la calidad. Editorial Norma. Colombia. 12. MENDENHALL, William (1997). Probabilidad Y Estadstica para Ingeniera. Prentice Hall. 13. MILLER, Irwin.(1986) Probabilidad y Estadstica para Ingenieros. Irwin Mxico Prentice-hall Hispanoamericana.