GRAFICAS DE CONTROL.

6.1 CONCEPTOS Y PRINCIPIOS DEL CEP:

6.1.1 TAMAO Y FRECUENCIA DEL MUESTREO
Supongamos que nos interesa conocer el peso promedio de la poblacin formada por los
estudiantes de una universidad. Si la universidad tiene 5376 alumnos, bastara pesar cada
estudiante, sumar los 5376 pesajes y dividirlo por 5376. Pero este proceso puede presenta
dificultades dentro de las que podemos mencionar:

localizar y pesar con precisin cada estudiante:

escribir todos los datos sin equivocaciones en una lista:
efectuar los clculos.
Las dificultades son mayores si en nmero de elementos de la poblacin es infinito, si los
elementos se destruyen, si sufren daos al ser medidos o estn muy dispersos, si el costo para
realizar el trabajo es muy costoso.
Una solucin a este problema consiste en medir solo una parte de la poblacin que llamaremos
muestra y tomar el peso medio en la muestra como una aproximacin del verdadero valor del
peso medio de la poblacin.
El tamao de la poblacin es la cantidad de elementos de esta y el tamao de la muestra es la
cantidad de elementos de la muestra. Las poblaciones pueden ser finitas e infinitas.
Los datos obtenidos de una poblacin pueden contener toda la informacin que se desee de
ella. De lo que se trata es de extraerle esa informacin a la muestra, es decir a los datos
muestrales sacarle toda la informacin de la poblacin.
La muestra debe obtener toda la informacin deseada para tener la posibilidad de extraerla,
esto slo se puede lograr con una buena seleccin de la muestra y un trabajo muy cuidadosos
y de alta calidad en la recogida de los datos.
Es bueno sealar que en un momento una poblacin puede ser muestra en una investigacin y
una muestra puede ser poblacin, esto est dado por el objetivo del investigacin, por ejemplo
en el caso de determinar la estatura media de los estudiantes universitarios en Cuba una
muestra poda ser escoger algunas universidades del pas y realizar el trabajo, si por el
contrario se quiere saber la estatura promedio de los estudiantes de una universidad en
especifico en Cuba, entonces el conjunto formado por todos los estudiantes de esta
universidad sera la poblacin y la muestra estara dada por los grupos, carreras o aos
seleccionado para realzar el experimento.
Parmetro: Son las medidas o datos que se obtienen sobre la distribucin de probabilidades
de la poblacin, tales como la media, la varianza, la proporcin, etc.
Estadstico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una
estimacin de los parmetros.
Error Muestral, de estimacin o standard. Es la diferencia entre un estadstico y su parmetro
correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas
en torno al valor de la poblacin, nos da una nocin clara de hasta dnde y con qu
probabilidad una estimacin basada en una muestra se aleja del valor que se hubiera obtenido

por medio de un censo completo. Siempre se comete un error, pero la naturaleza de la

investigacin nos indicar hasta qu medida podemos cometerlo (los resultados se someten a
error muestral e intervalos de confianza que varan muestra a muestra). Vara segn se calcule
al principio o al final. Un estadstico ser ms preciso en cuanto y tanto su error es ms
pequeo. Podramos decir que es la desviacin de la distribucin muestral de un estadstico y
su fiabilidad.
Nivel de Confianza. Probabilidad de que la estimacin efectuada se ajuste a la realidad.
Cualquier informacin que queremos recoger est distribuida segn una ley de probabilidad
(Gauss o Student), as llamamos nivel de confianza a la probabilidad de que el intervalo
construido en torno a un estadstico capte el verdadero valor del parmetro.
Varianza Poblacional. Cuando una poblacin es ms homognea la varianza es menor y el
nmero de entrevistas necesarias para construir un modelo reducido del universo, o de la
poblacin, ser ms pequeo. Generalmente es un valor desconocido y hay que estimarlo a
partir de datos de estudios previos.
Inferencia estadstica. Trata el problema de la extraccin de la informacin sobre la
poblacin contenida en las muestras.
Para que los resultados obtenidos de los datos muestrales se puedan extender a la poblacin,
la muestra debe ser representativa de la poblacin en lo que se refiere a la caracterstica en
estudio, o sea, la distribucin de la caracterstica en la muestra debe ser aproximadamente
igual a la distribucin de la caracterstica en la poblacin.
La representatividad en estadstica se logra con el tipo de muestreo adecuado que siempre
incluye la aleatoriedad en la seleccin de los elementos de la poblacin que formaran la
muestra. No obstante, tales mtodos solo nos garantizan una representatividad muy probable
pero no completamente segura.
Despus de estos preliminares imprescindibles es posible pasa a tratar algunas de las formas
que desde el punto de vista cientfico se puede extraer una muestra.
Al realizar un muestreo en una poblacin podemos hablar de muestreos probabilsticos y no
probabilsticos, en nuestro caso nos referiremos a los muestreos probabilsticos y dentro del
mismo estudiaremos el muestreo aleatorio simple (MAS), como mtodo bsico en la
estadstica, el muestreo estratificado y el muestreo por racimos.
Muestreo aleatorio simple: Es aquel en que cada elemento de la poblacin tiene la misma
probabilidad de ser seleccionado para integrar la muestra.
Una muestra simple aleatoria es aquella en que sus elementos son seleccionados mediante el
muestreo aleatorio simple.
En la prctica no nos interesa el individuo o elemento de la poblacin seleccionado en general,
sino solo una caracterstica que mediremos u observaremos en l y cuyo valor ser el valor de
una variable aleatoria que en cada individuo o elemento de la poblacin puede tomar un valor
que ser un elemento de cierto conjunto de valores. De modo que una muestra simple aleatoria
se puede interpretar como un conjunto de valores de

variables aleatorias

independientes, cada una de las cuales tiene la misma distribucin que es

llamada distribucin poblacional.
Existen dos formas de extraer una muestra de una poblacin: con reposicin y sin reposicin.
Muestreo con reemplazo: Es aquel en que un elemento puede ser seleccionado ms de una
vez en la muestra para ello se extrae un elemento de la poblacin se observa y se devuelve a

la poblacin, por lo que de esta forma se pueden hacer infinitas extracciones de la poblacin
aun siendo esta finita.
Muestreo sin reemplazo: No se devuelve los elementos extrados a la poblacin hasta que no
se hallan extrados todos los elementos de la poblacin que conforman la muestra.
Cuando se hace una muestra probabilstica debemos tener en cuenta principalmente dos
aspectos:
El mtodo de seleccin.
El tamao de la muestra

1.- Mtodo de seleccin:

Un procedimiento de extraer una muestra aleatoria de una poblacin finita es el de enumerar
todos los elementos que conforman la poblacin, escribir esos nmeros en bolas o papelitos
echarlos en un bombo o bolsa mezclarlos bien removindolos y sacar uno a uno tantos como lo
indique el tamao de la muestra. En este caso los elementos de la muestra lo constituirn los
elementos de la poblacin cuyos nmeros coincidan con los extrados de la bolsa o bombo.
Otro procedimiento para obtener una muestra de una poblacin ya sea el muestreo con
remplazo o sin reemplazo es mediante la utilizacin de la tabla de nmeros aleatorios pero
solamente para poblaciones finitas, la utilizacin de estas tablas puede realizarse de diferentes
modos pero en el presente trabajo solo expondremos el que consideramos ms eficiente ya
que no se necesita de la bsqueda de una gran cantidad innecesaria de nmeros aleatorios en
la tabla, el cual ser ejemplificado.
Existen diferentes tablas de nmeros aleatorios nosotros en nuestro trabajo utilizaremos como
referencia la tabla de M. G. Kendall y B. Babington Smith que se encuentra en el texto de
tablas estadsticas, la misma est constituida por 4 bloques de 1000 nmeros aleatorios
dispuestos en 25 filas y 40 columnas.
Veamos cmo se procede para la utilizacin de la tabla. Consideremos que se desea extraer
de una poblacin de tamao N una muestra de tamao n se selecciona el bloque, la fila y la
columna de la tabla que se va a comenzar, a partir de esta seleccin (que la hace el
muestrista) se toman tantas columnas como dgitos tiene N. Comenzando por el primer nmero
de las columnas seleccionadas se irn incluyendo en la muestra aquellos individuos que en la
lista de la poblacin ( ya sea de forma horizontal o vertical) ocupa la posicin de los n nmeros
de las columnas seleccionadas que resultan menores que N, en los caso que al seleccionar un
nmero en la tabla de nmeros aleatorios sea mayor que N se divide este por N y el resto de la
divisin que ser un nmero entre 0 y N-1 ser la posicin del individuo a seleccionar tomando
el convenio de que el resto 0 corresponde a la posicin N. Para la aplicacin de este
procedimiento requiere que se fije previamente el mayor mltiplo de N que se considerar, para
as garantizar que todos los restos desde 0 a N -1 tengan la misma probabilidad de ser
seleccionados, por ejemplo si N = 150 y tomando 3 columnas se consideraran slo aquellos
nmeros menores o iguales que 900, los nmeros mayores que 900 no sern analizados en la
seleccin de la muestra.
Ejemplo 1.1: Dada la siguiente poblacin formada por la edad del hijo mayor de 200 ncleos
familiares de una cierta regin.
Seleccione una muestra aleatoria de tamao 10 (use la tabla de nmeros aleatorios, escoja la
tercera fila, tercera columna del segundo bloque de a 1000) numere la poblacin
horizontalmente.
48

49

50

51

50

46

47

56

47

38

53

50

47

46

48

47

48

46

46

50

42

51

51

49

47

51

48

47

42

49

46

48

50

47

48

47

51

56

45

49

45

54

61

46

48

46

46

47

50

34

46

46

51

39

53

55

52

49

47

46

33

40

52

46

44

52

44

54

41

33

48

49

52

42

42

49

47

47

38

48

44

43

44

40

44

45

49

44

43

42

49

49

48

41

51

51

52

42

40

47

37

48

45

46

50

45

47

53

43

47

44

40

46

46

45

48

47

42

47

46

52

53

47

49

46

47

49

42

43

42

43

38

52

50

44

52

44

53

43

45

41

57

47

48

52

53

40

49

40

50

45

42

44

53

57

46

62

47

50

47

45

51

43

45

39

39

41

44

35

41

54

48

51

53

54

42

48

51

37

38

42

37

52

50

45

55

51

46

38

43

53

43

42

39

46

52

53

39

51

40

Para extraer la muestra lo primero que hacemos es disponer tres columnas en las cuales la
primera se ubicaran los nmeros aleatorios, es decir los nmeros extrados de la tabla de
nmeros aleatorios; en la segunda columna pondremos los nmeros aleatorios rectificados que
sern aquellos nmeros aleatorios menores que N =200 y los restos de las divisiones de los
nmeros aleatorios mayores que N =200 y menores que el mayor mltiplo de N es decir 800 y
en la tercera columna de encontrar a los valores de la muestra.
En la tabla de nmeros aleatorios la tercera fila, tercera columna del segundo bloque de a 1000
le corresponde al nmero 3 pero como tenemos que coger el nmero aleatorio de tres dgitos el
primer nmero aleatorio sera el 017, los dems serian, 984, 955, 130, 850, 374, 665, 910, 288,
753, 765, 691, 496, 001, hemos escogido 14 nmeros de la tabla de nmeros aleatorios debido
a que hay 4 que son mayores que 800. Veamos a continuacin como extraemos la muestra de
la poblacin:
Para el primer nmero aleatorio 017 se busca en la poblacin el valor que ocupa la posicin
017 leda la poblacin horizontalmente que sera la edad de 48 aos, el nmero aleatorio 984
no se contempla dentro del anlisis ya que es mayor que 800, al igual que el nmero 955, el
nmero 130, le corresponde la edad de 52 aos, al nmero 850 no se contempla dentro del
anlisis, el 374 como es mayor que 200 se divide por 200 y se obtiene reto 174 y este es el
nmero aleatorio rectificado correspondindole la edad de 53 aos, al nmero 665 se divide
por 200 y se obtiene resto 65 que es el nmero aleatorio rectificado correspondindole la edad
de 44 aos en la poblacin, a continuacin presentaremos la tabla de las tres columnas a la
cual nos referimos anteriormente como una va fcil y prctica para obtener la muestra
deseada.

Nmero aleatorio

Nmero aleatorio rectificado

muestra

017

017

48

984

--

955

--

130

130

850

--

374

174

53

665

065

53

910

--

288

088

44

753

153

44

765

165

39

691

091

49

496

096

51

001

001

48

42

Nota: obsrvese que en la muestra existen edades que se repiten esto puede pasar si el
muestreo es con reemplazo si el muestreo es sin reemplazo debemos seguir buscando de la
misma manera en la tabla de nmeros aleatorios seguido del nmero 001, hasta lograr tener la
muestra con 10 valores de la poblacin no repetidos.
Este muestreo se puede realizar utilizando Microsoft Excel siguiendo los pasos siguiente:
a. Se instala la opcin de anlisis de datos para ello se va a herramienta luego a
complemento y se activa en la ventana complemento la opcin herramienta para
anlisis.
b. Se abre una hoja Excel y se introducen los datos de la poblacin en columna.
c. Se va a herramienta y se elige anlisis de datos y en esta ventana se selecciona la
opcin muestra.
d. En la ventana muestra se introduce el rango de entrada que sera seleccionar todos los
valores de la poblacin, si al suministrar en la hoja Excel los datos de la poblacin al
inicio se le designan a estos alguna variable o comentario debe activarse la opcin
rtulo de lo contrario no debe ser activada, se activa la casilla de muestreo aleatorio y
se introduce el tamao de muestra deseado.
e. Se selecciona el rango de salida que consiste en seleccionar una celda en la hoja
Excel que no est afectada por ninguna informacin ni hacia abajo ni a la derecha de la
misma.
f. Se selecciona aceptar en esta ventana y saldr el resultado deseado que sera las
muestras elegidas por el programa en la poblacin.
2.- El tamao de la muestra:
Al realizar un muestreo probabilstica nos debemos preguntar Cul es el nmero mnimo de
unidades de anlisis (personas, organizaciones, capitulo de telenovelas, etc), que se necesitan

para conformar una muestra (

que me asegure un error estndar menor que 0.01 (fijado por

el muestrista o investigador), dado que la poblacin

elementos.

es aproximadamente de tantos

En el tamao de una muestra de una poblacin tenemos que tener presente adems si es
conocida o no la varianza poblacional.
Para determinar el tamao de muestra necesario para estimar
permisible

prefijado y conocida la varianza poblacional (

con un error mximo

) podemos utilizar la formula:

(1)
que se obtiene de reconocer que

por la expresin
la precisin de

la

es el error estndar o error mximo prefijado y est dado

para el nivel de confianza

y constituye una medida de
estimacin, por lo que podemos inferir adems que
.

Ejemplo 1.2
Se desea estimar el peso promedio de los sacos que son llenados por un nuevo instrumento en
una industria. Se conoce que el peso de un saco que se llena con este instrumento es una
variable aleatoria con distribucin normal. Si se supone que la desviacin tpica del peso es de
0,5 kg. Determine el tamao de muestra aleatoria necesaria para determinar una probabilidad
igual a 0,95 de que el estimado y el parmetro se diferencien modularmente en menos de 0,1
kg.
Solucin:

Evidentemente un tamao de muestra no puede ser fraccionario por lo que se debe aproximar
por exceso. El tamao de muestra sera de 97.

Si la varianza de la poblacin es desconocida, que es lo que ms frecuente se ve en la prctica

el tratamiento ser diferente, no es posible encontrar una frmula cuando la varianza
poblacional es desconocida por lo que para ello aconsejamos utilizar el siguiente
procedimientoPrimeramente, se toma una pequea muestra, que se le llama muestra piloto, con ella se
) y con este valor se evala en la formula (1), sustituyendo

estima la varianza poblacional (

(
) por su estimacin (
). El valor de obtenido ser aproximadamente el valor necesario,
nuevamente con ese valor de se extrae una muestra de este tamao de la poblacin se le
determina la varianza a esa muestra, como una segunda estimacin de (
) y se aplica de
obtenido como muestra piloto para la
nuevo la formula (1), tomando la muestra con el
siguiente iteracin, se llegar a cumplir con las restricciones prefijadas. Se puede plantear esta
afirmacin ya que la

de

tiende a estabilizarse a medida que aumenta

alrededor de la

por lo que llegar el momento en que se encuentre el tamao de muestra conveniente, sin
embargo, en la prctica es mucho ms sencillo pues, a lo sumo con tres iteraciones se obtiene
el tamao de muestra deseado, este procedimiento para obtener el tamao de muestra
deseado se puede realizar utilizando en Microsoft Excel en la opcin anlisis de datos las
opciones estadstica descriptiva para ir hallando la varianza de cada una de las muestras y la
opcin muestra para ir determinado las muestras pilotos. Para obtener el tamao de la muestra
utilizando este mtodo recomendamos la utilizacin de un paquete de cmputo como por
ejemplo el Microsoft Excel, aplicando las opciones muestra y estadstica descriptiva.
Para determinar el tamao de la muestra cuando los datos son cualitativos es decir para el
anlisis de fenmenos sociales o cuando se utilizan escalas nominales para verificar la
ausencia o presencia del fenmeno a estudiar, se recomienda la utilizacin de la siguiente
frmula:

(2)

siendo

sabiendo que:

Es la varianza de la poblacin respecto a determinadas variables.

Es la varianza de la muestra, la cual podr determinarse en trminos de

probabilidad como
es error estandar que est dado por la diferencia entre (
poblacional y la media muestral.

) la media

es el error estandar al cuadrado, que nos servir para determinar

por lo que

es la varianza poblacional.

Muestreo Estratificado:
El pasado ejemplo corresponde a una muestra probabilstica simple. Determinamos en este
caso que el tamao de muestra sera n =298 adolescentes muestreados. Pero supongamos
que la situacin se complica y que esta n la tendremos que estratificar a fin de que los
elementos muestrales o unidad de anlisis posean un determinado atributo. En nuestro ejemplo
este tributo es los diferentes canales de televisin. Es decir, cuando no basta que cada uno de
los elementos muestrales tengan la misma probabilidad de ser escogidos, sino que adems es
necesario estratificar la muestra en relacin a estratos o categoras que se presentan en la
poblacin y que aparte son relevantes para los objetivos del estudio, se disea una muestra
probabilstica estratificada. Lo que aqu se hace es dividir a la poblacin en subpoblaciones o
estratos y se selecciona la muestra para cada estrato. La estratificacin aumenta la precisin
de la muestra e implica el uso deliberado de diferentes tamaos de muestra para cada estrato,
" a fin de lograr reducir la varianza de cada unidad muestral " (Kish, 1965 ), en su libro de
muestreo que en un nmero determinado de elementos muestrales n =

la varianza de la

media muestral puede reducirse al mnimo si el tamao de la muestra para cada estrato es
proporcional a la desviacin estndar dentro del estrato.
Esto es,

(3 )

En donde

es la fraccin del estrato,

el tamao de la muestra,

poblacin,

es la desviacin estndar de cada elemento del estrato

proporcin constante que nos dar como resultado una

el tamao de la
, y

es una

ptima para cada estrato.

Siguiendo nuestro ejemplo de los adolescentes tenemos que la poblacin es de 1176

adolescentes y que el tamao de la muestra es = 298. la fraccin para cada estrato fh ser:

(4)

De manera que el total de la subpoblacin se multiplicar por esta fraccin constante a fin de
obtener el tamao de muestra para el estrato. Sustituyendo tenemos que:
(5)
MUESTRA
PROBABILSTICA
ESRTRATIFICADA
DE
LA
ACEPTACIN
DE
ADOLESCENTES POR LOS PROGRAMAS HUMORSTICOS TELEVISIVOS DE LA CIUDAD
X.
Estratos

Repartos de la ciudad X

Total poblacin*

Muestra

(fh) = 0.2534
Nh (fh) = nh
1

53

13

109

215

55

87

22

98

25

110

28

81

20

221

56

151

38

10

51

13
= 1176

Por ejemplo:
= 53 directores de empresas extractivas corresponde a la poblacin total de este giro.
= 0.2534 es la fraccin constante.
= 13 es el nmero redondeado de directores de empresa del giro Estractivo que tendrn
que entrevistarse.
MUESTREO PROBABILSTICO POR RACIMOS:
En algunos casos en donde el investigador se ve limitado por recursos financieros, por tiempo,
por distancias geogrficas o por una combinacin de estos y otros obstculos, se recurre a otra
modalidad de muestreo llamado por racimos. En este tipo de muestreo se reducen costos,
tiempo y energa al considerar que muchas veces nuestras unidades de anlisis se encuentran
encapsuladas o encerradas en determinados lugares fsicos o geogrficos que denominamos
racimos. Para dar algunos ejemplos tenemos la tabla 8.3., en donde en la primera columna se
encuentran unidades de anlisis que frecuentemente vamos a estudiar en ciencias sociales. En
la segunda columna, sugerimos posibles racimos en donde se encuentran dichos elementos.
EJEMPLOS DE RACIMOS
Unidad de Anlisis

Posibles Racimos

Adolescentes

Preparatorias

Obreros

Industrias

Amas de casa

Mercados

Nios

Colegios

Personajes de televisin

Programas de televisin

El muestrear por racimos implica diferencias entre la unidad de anlisis y la unidad muestral. La
unidad de anlisis - como lo indicamos al principio de este captulo se refiere a quines van a
ser medidos, o sea, el sujeto o sujetos a quienes en ltima instancia vamos a aplicar el
instrumento de medicin . la unidad muestral en este tipo de muestra se refiere al racimo a
travs del cual se logra el acceso a la unidad de anlisis. El muestreo por racimos supone una
seleccin en dos etapas, ambas con procedimientos probabilsticos. En la primera, se
seleccionan los racimos, siguiendo los ya reseados pasos de una muestra probabilstica
simple o estratificada. En la segunda, y dentro de estos racimos se seleccionan a los sujetos u
objetos que van a ser medidos. Para ello se hace una seleccin que asegure que todos los
elementos del racimo tienen la misma probabilidad de ser elegidos. A continuacin daremos un
ejemplo que comprenda varios de los procedimientos descritos hasta ahora y que ilustra la
manera como frecuentemente se hace una muestra probabilstica en varias etapas.
EJEMPLO
Cmo hacer una muestra probabilstica estratificada y por racimos?
Problema de investigacin: Una estacin de radio local necesita saber con precisin a fin de
planear sus estrategias cmo usan la radio los adultos de una ciudad de 2 500 000
habitantes. Es decir, qu tanto radio escuchan, a qu horas, qu contenidos prefieren y sus
opiniones con respecto a los programas noticiosos.
Procedimientos: Se disear un cuestionario que indague estas reas sobre uso del radio. Los
cuestionarios se aplicarn por entrevistadores a una muestra de sujetos adultos.
Poblacin: Todos aquellos sujetos hombres o mujeres de ms de 21 aos de edad, y que
vivan en una casa o departamento propio o rentado de la ciudad X.
Diseo por conglomerado: los directivos de la estacin de radio desconocen el nmero total de
sujetos con las caractersticas arriba sealadas. Sin embargo, nos piden que diseemos una
muestra que abarque a todos los sujetos adultos de la ciudad, adultos por edad cronolgica y
por ser jefes de familia , es decir, excluye a los adultos dependientes. Se recurre entonces a la
estrategia de seleccionar conglomerados y se considera el uso de un mapa actualizado de la
ciudad y que demuestra que en dicha ciudad hay 5 000 cuadras. Las cuadras se utilizan como
conglomerados, es decir, como unidades muestrales a partir de las cuales obtendremos en
ltima instancia a nuestros sujetos adultos. Lo primero entonces es determinar Cuntas
cuadras necesitaremos muestrear, de una poblacin de una poblacin total de 5 000 cuadras,
si queremos que nuestro error estndar sea no mayor de 0.15 y con una probabilidad de
ocurrencia del 50 %?

(6)
Tenemos entonces que

para una muestra probabilstica simple.

Necesitaremos una muestra de 909 cuadras de ciudad X para estimar los valores de la
poblacin con una probabilidad de error menor a 0.1 .
Sabemos que la poblacin N = 5 000 cuadras de la ciudad, est dividida por previos estudios
de acuerdo a 4 estratos socioeconmicos, que categorizar las 5 000 cuadras segn el ingreso
mensual promedio de sus habitantes de manera que se distribuyen como sigue:
Estrato

Nmero de cuadras

270

1940

2000

790
T = 5 000
Estratificacin de la muestra:

Cmo distribuiremos los 909 elementos muestrales de , para optimizar nuestra muestra, de
acuerdo a la distribucin de la poblacin en los 4 estratos socioeconmicos?
Estrato

No. de cuadras

fh = 0.1818

270

(0.1818 )

50

1940

(0.1818 )

353

2000

(0.1818 )

363

790

(0.1818 )

143

N = 5000

n = 909

Tenemos que en principio, de 5000 cuadras de la ciudad se seleccionarn 50 del estrato 1, 553
del estrato 2, 363 del estrato 3 y 143 del estrato 4. Esta comprende la seleccin de los
conglomerados, los cuales se pueden numerar y elegir aleatoriamente hasta completar el
nmero de cada estrato. En una ltima etapa se seleccionan a los sujetos dentro de cada
conglomerado. Este procedimiento tambin se hace de manera aleatoria, hasta lograr un
nmero de sujetos determinados en cada conglomerado.
Estrato

Nh cuadras

Nh

nmero
de Total de hogares
hogares sujeto por estrato
en cada cuadra

270

50

20

1000

1940

353

20

7060

2000

363

20

7220

790

143

20

2860

N = 5000

n = 909

11840

Nota: El procedimiento para realizar el muestreo en cada conglomerado se hace de forma

aleatoria utilizando la tabla de nmeros aleatorios o mediante Microsoft Excel tal como se
explico en el ejemplo (1.1)

6.2 EL PLAN DE CONTROL

Un Plan de Control de Calidad especifica los controles de calidad que se aplican a cualquier
proceso o conjunto de procesos que tengan por finalidad la realizacin de un producto, ya sea
ste un servicio o un producto tangible. Los Planes de Control no slo se establecen en la
realizacin de productos, tambin se utilizan entre otros mbitos, por ejemplo en la prevencin
de riesgos laborales, en situaciones relacionadas con la seguridad territorial, o en la seguridad
sanitaria.
La importancia de la planificacin es capital, tanto que la profesionalidad y la competencia de
los gestores en cualquier mbito se puede medir en funcin de los planes que son capaces de
establecer, y sobre todo por la eficacia alcanzada en su ejecucin. De entre las diversas
tipologas de planes, los planes de control ocupan un lugar preferente, al igual que el Plan
Estratgico y los Planes de Emergencia. Respecto a los planes, deca un gur de la gestin
que prefera un mal plan bien ejecutado, que un magnfico plan psimamente ejecutado.
Por otro lado, es intil negar que sea posible no utilizar ningn tipo de herramienta de gestin,
desconocer por completo qu es un modelo de gestin y qu herramientas de gestin se han
desarrollado y funcionan con xito, y sin embargo hacer crecer un proyecto empresarial. En
estos casos, por otro lado muy frecuentes, estamos ante free riders, organizaciones que
luchan solas, sin referencias exteriores. La organizacin aprende sola y sobre la marcha,
descubriendo la rueda (algo ya conocido) a cada paso. De entre stas, algunas aprenden
rpido la importancia de los planes, de pensar antes las cosas, y casi al mismo tiempo la
importancia de comunicar dicho plan a toda la organizacin, la necesidad de ponerlo por
escrito. Ven claro tambin que lo importante y lo ms difcil de los planes es ejecutarlos con
eficacia, de lo cual surge la necesidad de determinar los recursos apropiados (RRHH,
Infraestructura, y Ambiente de trabajo, si atendemos a la estructuracin de ISO 9001:2000).
CMO SE HACE UN PLAN DE CONTROL DE CALIDAD?
Lo primero que debemos saber es que un Plan de Control de Calidad es un resultado final de
un proceso ms grande, el proceso del DISEO DEL PROCESO. Por ejemplo, si una empresa
ha de fabricar un nuevo producto, el Plan de Control de Calidad de dicha fabricacin se
establece en base a las actividades de transformacin de las materias primas en dicho
producto. El Plan de Control de Calidad puede y debe incluso determinar la forma de realizar el
producto. El diseo de la forma de realizar el producto, y la forma de controlar la calidad del
producto realizado (definida en el Plan de Control de Calidad), es el DISEO DEL PROCESO
de realizacin del producto. Al resultado del DISEO DEL PROCESO de realizacin del
producto lo llama ISO 9000:2000 (Norma que contiene el vocabulario) PLAN DE CALIDAD de
un producto.
Centrndonos exclusivamente en la elaboracin del Plan de Control de Calidad, inscrito como
hemos dicho dentro del proceso de DISEO DEL PROCESO, las etapas bsicas que
conducen a su obtencin son:
1. Definir completamente qu etapas comprende la fabricacin (o prestacin de servicio), qu
medios productivos se van a utilizar (mquinas y herramientas), qu materias primas, cuntas
personas y qu competencia deben tener, qu procedimientos de trabajo se van a utilizar, qu

aspectos legales y reglamentarios afectan, cules son los requisitos del producto, etc.
2. Analizar los riesgos asociados a la realizacin de cada una de las etapas determinadas.
Comnmente conocido como AMFE (Anlisis del Modo de Fallo y sus Efectos) en castellano,
AMDEC en francs, o FMEA en ingls, este anlisis evala y punta cada uno de los riesgos
asociados a la fabricacin o prestacin de servicio segn su gravedad, ocurrencia (la
probabilidad de que ocurra), y deteccin (probabilidad de que el problema sea detectado
cuando aparezca), para obtener, producto de los tres, un ndice denominado ndice de
Prioridad del Riesgo (NPR en ingls).
3 Documentar el Plan de Control. Si hemos hecho correctamente las etapas anteriores,
dispondremos de toda la informacin necesaria para hacerlo. Se trata de documentar como
mnimo lo siguiente:

especificar etapa por etapa de la realizacin del producto qu caractersticas debe

cumplir el producto, con qu medios productivos se transforma, y qu variables se
controlan y cmo.

especificar los controles de calidad realizados por laboratorios. Ensayos sobre materias
primas, productos semi-procesados, o sobre el producto final.

especificar las auditoras de producto o de proceso que se vayan a realizar.

El plan de control puede contener directamente esta informacin, o bien hacer referencia a los
documentos que la contienen: planos, fichas tcnicas de materia prima, instrucciones de
trabajo, paneles de defectos, pautas de autocontrol etc.
6.2.1 GRFICO XR
Los grficos X-R se utilizan cuando la caracterstica de calidad que se desea controlar es una
variable continua.

Para entender los grficos X-R, es necesario conocer el concepto de Subgrupos (o Subgrupos
racionales). Trabajar con subgrupos significa agrupar las mediciones que se obtienen de un
proceso, de acuerdo a algn criterio. Los subgrupos se realizan agrupando las mediciones de
tal modo que haya la mxima variabilidad entre subgrupos y la mnima variabilidad dentro de

cada subgrupo.
Por ejemplo, si hay cuatro turnos de trabajo en un da, las mediciones de cada turno podran
constituir un subgrupo.
Supongamos una fbrica que produce piezas cilndricas para la industria automotriz. La
caracterstica de calidad que se desea controlar es el dimetro de las piezas.

Hay dos maneras de obtener los subgrupos. Una de ellas es retirar varias piezas juntas a
intervalos regulares, por ejemplo cada hora:

La otra forma es retirar piezas individuales a lo largo del intervalo de tiempo correspondiente al
subgrupo:

.....Etc.
Por cualquiera de los dos caminos, obtenemos grupos de igual nmero de mediciones. Para
cada subgrupo calculamos el Promedio y el Rango (Diferencia entre el valor mximo y el valor
mnimo).

Como ya se ha visto, para calcular los Lmites de Control es necesario obtener un gran nmero
de mediciones, divididas en subgrupos. En nuestro ejemplo, podramos obtener 30 subgrupos
de 6 datos cada uno:

Despus de calcular el Promedio y el Rango de cada subgrupo, tendramos una tabla como la
siguiente:

A partir de esta tabla, se calculan el promedio general de promedios de subgrupo y el promedio

de rangos de subgrupo:

La desviacin standard del proceso se puede calcular a partir del rango promedio, utilizando el
coeficiente d2, que depende del nmero de mediciones en el subgrupo:

Con esto podemos calcular los Lmites de Control para el grfico de X:

La desviacin standard del rango se puede calcular utilizando el coeficiente d3, que tambin
depende del nmero de mediciones en el subgrupo:

Y as podemos calcular los Lmites de Control para el Grfico de R:

La tabla siguiente muestra los coeficientes d2 y d3 para subgrupos de hasta 10 mediciones:

Construimos entonces un Grfico X de prueba y representamos los promedios de los

subgrupos:

Y un Grfico R de prueba, donde representamos los rangos de los subgrupos:

Si no hay puntos fuera de los lmites de control y no se encuentran patrones no aleatorios, se

adoptan los lmites calculados para controlar la produccin futura.
6.2.2. GRFICO XS
Antes de abordar las herramientas estadsticas, debemos entender qu significa "estar en
Control Estadstico"; se dice que un proceso est en Control Estadstico cuando no es afectado
por causas especiales de variacin. Si las variaciones que se presentan son debidas slo a
causas comunes, el proceso est bajo Control Estadstico. Si en el proceso se presentan
causas especiales de variacin se dice que est Fuera de Control.
En trminos de las Grficas de Control podemos decir que para que un proceso est en
control, todos los puntos deben caer dentro de los Lmites de Control y deben estar dispersos
al azar con respecto a la Lnea Central.
Una causa especial no necesariamente indica un producto defectuoso, como tampoco un
sistema de causas comunes indica necesariamente su conformidad con las especificaciones,
simplemente se ha comprobado la consistencia y estabilidad del proceso, independiente del
modo en que el producto se ajusta o falla segn las especificaciones.
Despus de haber capturado datos en nuestro formato de inspeccin y haber obtenido algn
grfico, la primera pregunta que debemos contestar es: est el proceso en Control?
Podramos hacernos la misma pregunta en otras formas: Est el proceso libre de causas
especiales de variacin? o La produccin de las piezas que hemos fabricado, ha sido bajo un
conjunto estable y consistente de circunstancias?
Para poder contestar esta pregunta, debemos buscar evidencia de variaciones extremas,
desviaciones y tendencias. La presencia de cualquier indicacin de una causa especial debe
garantizar una investigacin en el proceso. La ausencia de estas seales nos da la seguridad
de que nuestros datos representan correctamente las posibilidades del proceso.
Solo cuando nuestros datos son de un sistema de causas comunes podemos pensar que se
justifica comparar los resultados del proceso con las condiciones impuestas por las
especificaciones.
Pero, qu es la variacin? De la misma manera en que dos personas no son exactamente
iguales, dos partes manufacturadas no son exactamente iguales. Siempre habr una pequea
variacin en el tamao, peso o ajuste de una parte o ensamble. La diferencia puede ser muy
pequea, pero existir una diferencia. A esto se le llama Variacin.
La variacin excesiva es la causa de una gran cantidad de los problemas de calidad. Nos
referimos a la variacin una y otra vez al avanzar en el aprendizaje de cmo hacer que los
nmeros trabajen para usted. La estadstica pretende hacer que los nmeros trabajen para
usted, mostrando variaciones, controlando variaciones y reaccionando a variaciones excesivas.
Algunas personas se sorprenden al enterarse que dos partes aparentemente idnticas, hechas
bajo condiciones cuidadosamente controladas, de la misma fuente de materia prima y fabricada
slo con diferencia de segundos por la misma mquina, puedan ser diferentes en muchos
aspectos.

En realidad, cualquier proceso de fabricacin, an el ms confiable, se caracteriza por cierto

grado de variabilidad que es de naturaleza aleatoria y que no se puede eliminar
completamente.
Cuando la variabilidad presente en un proceso de produccin est limitada a la variacin
aleatoria, se dice que el proceso est Bajo Control Estadstico.
Esto se consigue buscando y eliminando todas las causas que originan variaciones de otra
clase, como son las que se pueden deber a operarios poco entrenados, a materia primas de
baja calidad, a ajustes indebidos de las mquinas, a partes usadas, a deterioro en el
herramental, etc.
Como los procesos de fabricacin raramente se encuentran libres de este tipo de defectos, es
importante tener algn mtodo sistemtico de detectar las desviaciones notables de un estado
de control estadstico, cuando estas se presentan o si es posible antes. Es para este fin para el
que emplean principalmente las grficas de control.
Una grfica de control consiste en una lnea central que corresponde al promedio en que se
desarrolla el proceso y dos lneas correspondientes a los lmites de control superior e inferior.
Estos lmites se escogen de tal forma que los valores que caen fuera de ellos deben ser
interpretados como indicaciones de una falla de control.
Marcando los resultados obtenidos de muestras tomadas peridicamente en intervalos
frecuentes, es posible verificar, por medio de esta grfica, si el proceso est bajo control o si en
el proceso ha aparecido alguna falla que causa problemas como los indicados anteriormente.
Cuando un punto obtenido cae fuera de los lmites de control, se buscan fallas, pero si an los
puntos quedan dentro de los lmites, la aparicin de una tendencia o irregularidad sistemtica
puede servir como aviso de que se debe tomar alguna accin para evitar problemas serios.
La capacidad para "leer" o "interpretar" las grficas de control y determinar justamente que
accin correctiva debe tomarse, es cuestin de experiencia y buen juicio.
Hay varios tipos de grficas de control que pueden construirse. Si se obtienen datos para una
caracterstica de calidad que puede medirse y expresarse en nmeros, generalmente se
utilizan grficas de control para mediciones de tendencia central y variabilidad, ya que la
calidad de un producto, frecuentemente puede resumirse en trminos de estas dos cantidades.
SuperCEP maneja las siguientes grficas de Control por Variables:
Grfica X - R (De la media y el rango)
Grfica X - S (De la media y la desviacin estndar)
Grfica (Pi-Rm) (De los puntos individuales y el rango mvil)
Grfica EWMA - R (De los promedios mviles exponenciales y el rango)
Cuando una caracterstica de la calidad puede observarse y elaborar el anlisis de un artculo
que sea defectuoso o no lo sea, requiere de un enfoque y tipo de grficas para la fraccin
defectuosas o nmero de defectos que contiene un producto, el sistema contempla estas
posibilidades por lo que maneja las siguientes grficas de Control por Atributos:
Grfica P (De la fraccin defectuosa)
Grfica NP (Del nmero de defectivos)
Grfica C (Del nmero de defectos que aparecen por unidad (es)
Grfica U (De defectos de la unidad)
6.2.3 GRFICO DE INDIVIDUALES
Control de Calidad y Diseo de Experimentos
El Mdulo de Control de Calidad y Diseo de Experimentos de STATGRAPHICS PLUS para
Windows ofrece todo lo necesario para mejorar la calidad y el diseo de experimentos.
CONTROL DE CALIDAD
Es muy fcil generar un grfico de Pareto, analizar la capacidad del proceso o examinar los
grficos X-R. Todo ello est conectado al Modulo Bsico del mismo programa, lo que permite el

acceso a un rango completo de rutinas estadsticas generales.

Anlisis de Pareto
Mediante tablas basadas en texto o un anlisis grfico, se podrn observar los problemas
existentes. El programa permite combinar clases, utilizar pesos ponderados y acumulados e
incluso tabula los datos de modo automtico.
Grficas de Shewhart
En este mdulo se encuentran todos los grficos de control por variables: X y R-bar, S y X-bar
e incluso grficos basados en observaciones individuales. Se pueden preespecificar los lmites
de control o dejar que STATGRAPHICS PLUS los calcule automticamente. Adems existe un
rango completo de opciones para realizar informes, incluyendo informes de subgrupos y
ejecuciones de tests para facilitar el estudio de los datos. Se ha incluido un nuevo Grfico de
Tolerancia para aquellos casos en los que es necesario ir ms all de los agregados y observar
los datos individuales.
Adems, se incluyen Grficos de Control por Atributos, para detectar datos defectuosos,
proporcin de defectos por muestra (diagramas P), nmero de defectos por muestra
(diagramas NP) y nmero de defectos por unidad (diagramas U). Y al igual que para los Mapas
de Control de Variables hay un rango completo de opciones de texto y grficos para facilitar la
compresin del proceso real que se encuentra detrs de los nmeros.
Grficos de Control Ponderados
Cuando se necesita una sensibilidad extra para detectar cambios en los procesos, el Mdulo
de Control de Calidad ofrece una seleccin de grficos ponderados que muestran tendencias
histricas en los datos. Dispone de grficos de medias mviles, medias mviles ponderadas
exponencialmente o sumas acumuladas (CuSum).
Grfico de Control Multivariante
Este procedimiento permite analizar varias caractersticas de calidad a la vez. Tan solo hay que
identificar el conjunto de variables que se desea analizar y el resto se maneja
automticamente.
R&R
El programa permite realizar un estudio R&R con operadores mltiples, partes y
reproducciones. Con los grficos de rango por operadores o partes y un grfico R&R detallado
se pueden identificar rpidamente las principales contribuciones a la variacin de las medidas.
STATGRAPHICS PLUS es la solucin perfecta a los problemas de gestin de control de
calidad
El mdulo de control de calidad (QC) trabaja conjuntamente con el Modulo Bsico de
STATGRAPHICS PLUS de modo que no es necesario iniciar otro programa para moverse entre
rutinas de control de calidad y otros anlisis estadsticos. Es posible visualizar, por ejemplo, un
proceso de produccin mediante la generacin de grficos de control, anlisis de Pareto o de
capacidad del proceso o ejecutar un estudio R&R. Despus, estos resultados se pueden pasar
a las rutinas estadsticas generales del STATGRAPHICS incluyendo la regresin mltiple y
prediccin con el objetivo de mejorar el proceso.
Novedades del Control de Calidad

DISEO DE EXPERIMENTOS (DOE)

El diseo de experimento le permite, sin conocimientos previos, realizar diseo de
experimentos ya que el proceso de creacin de los mismos es muy sencillo. Usted podr elegir
un diseo, generar una hoja de trabajo, ajustar un modelo e interpretar resultados.
Mediante el mdulo de Diseo de Experimentos, se pueden contrastar todas las posibles
combinaciones de los factores, realizar un diseo factorial fraccional o de Plackett-Burman
sobre una parte del diseo completo para reducir el tiempo de experimentos y de costes.
Adems se pueden introducir diseos personalizados por el propio usuario.
La interpretacin de los resultados es especialmente sencilla. Para ello se incluyen un amplio
conjunto de tablas y grficos para facilitar la comprensin del experimento. Con tan slo pulsar
en el ratn, se obtienen coeficientes de regresin, intervalos de confianza y grficos de
superficies.
Mayores ajustes de los resultados del diseo
Una vez identificados los factores ms importantes mediante un diseo de investigacin, es
sencillo ajustar un modelo de segundo orden ms detallado mediante el procedimiento Diseo
de Superficie de Respuesta.
El mdulo DOE contiene adems grficos interactivos espectaculares dentro de cada
procedimiento. Por otra parte, permite visualizar cmo optimizar un determinado proceso, dos
grficos de superficie de respuesta en una pantalla al mismo tiempo, dibujar un grfico de
contorno sobre el mismo grfico como uno de superficie de respuesta, generar un grfico
cbico mostrando la mejor combinacin de los factores del diseo, Petc.
Diseos de Mezclas
Este procedimiento permite disear y crear un experimento para manejar situaciones donde los
componentes se mezclan para formar una combinacin qumica. Se puede utilizar el diseo
"simplex-lattice" cuando los datos se encuentran distribuidos regularmente sobre una regin de
superficie de respuesta y el diseo "simplex-centroid" cuando los valores de los datos se
distribuyen alrededor del centro de la regin de superficie de respuesta. Todos los diseos
incluyen estimaciones de modelos lineales, cuadrticas, cbicas, cbicas especiales y gran
cantidad de grficos para visualizar los resultados.
La Solucin para la Calidad Total
Los vnculos del STATGRAPHICS PLUS facilitan la conexin entre los procedimientos de
diseo de pantallas, de superficie de respuesta y de mezclas. Incluso aporta un catlogo con
gran cantidad de diseos que facilita la eleccin entre ellos cuando el usuario no est seguro
de qu diseo necesita. Es posible definir los factores utilizando nombres y valores reales y
guardar tantos experimentos como se desee pudiendo reutilizarlos posteriormente.
El mdulo DOE est totalmente integrado con los dems mdulos de STATGRAPHIC PLUS
para Windows y con los resultados obtenidos de un elemento.
6.2.4 CAPACIDAD DEL PROCESO
La capacidad del proceso es la medida de la reproducibilidad intrnseca del producto resultante
de un proceso.
Dado que los trminos no cientficos son inadecuados para la comunicacin en el mbito
industrial, se define:
Proceso: Es una combinacin nica de maquinas herramientas, mtodos materiales y
hombres.

Capacidad: Esta palabra se usa en el sentido de posibilidad basada en realizaciones

contrastadas y lograr resultados mensurables.
Medida: Se refiere al hecho de que la capacidad del proceso sea cuantificada con los datos
que, a su vez, son el resultado de la medicin del trabajo realizado por el proceso.
Reproductibilidad intrnseca: Se refiere a la uniformidad del producto resultante de un
proceso que est en estado de control estadstico.Reproductibilidad instantnea sera un
sinnimo.
Producto: La medicin se hace sobre el producto dado que la variacin del producto es el
resultado final.

6.3 GRAFICOS DE ATRIBUTOS

GRAFICO P

El grfico P sirve para detectar artculos defectuosos cuando se estn analizando variables por
atributos, nos proporcionar la fraccin o porcentaje de artculos defectuosos en la poblacin
que se encuentra bajo estudio.
Los pasos para obtener el grfico P
1. Definir la caracterstica de calidad (atributo) que se desea analizar. Olor, sabor, medida
especfica, etc. Lo tiene o no lo tiene.
2. Controlar las condiciones del proceso. Eliminar las variables asignables o atribuibles del
proceso.
3. Tomar un nmero K de muestras. El tamao de la muestra debe de ser variable, es decir
las muestras no son del mismo tamao. El nmero de muestras no debe ser menor a 20, y
cada muestra debe tener por lo menos 50 elementos.
4. Tabular resultados de acuerdo a la siguiente tabla:

5. Clculo de
muestras.

Fraccin de
defectuosos
(p)

Tamao
de
muestra
(n)

Nmero de
productos
defectuosos
(np)

n1

np1

p1

n2

np2

p2

....

....

....

....

nk

npk

pk

Nmero
de
muestra

p= np/p

.A continuacin se calcula la media (promedio) del tamao de las k

6. Se genera un rango alrededor de la media de +20%.

a) Si todas las muestras se encuentran dentro de este rango, continuamos con el paso 7
b) Si solamente una de las muestras no se encuentra dentro de este rango, dicha muestra
se elimina y se vuelve al paso nmero 5
c) Si ms de una muestra se encuentra fuera del rango establecido, entonces a partir del
paso. 7 todo se har de manera independiente para cada muestra.
7. Clculo de los valores promedio. Posteriormente se calcula la media (promedio) de la
fraccin de defectuosos (p).

8. Clculo del los lmites de control del proceso. El siguiente paso es el clculo de los lmites
de control de nuestro proceso.
Dado que se est realizando el anlisis de los atributos (se tiene o no se tiene) se utiliza una
distribucin binomial para calcular los lmites de control. Los cuales estn dados por:
Lmite superior de Control (LSC), Lmite Central de Control (LCC) y lmite Inferior de
Control (LIC)

9. Graficar. A continuacin se realiza la grfica, en la cual se marcan los lmites de control y

en relacin a ellos se grafica el nmero de defectuosos de cada una de las muestras.
10. Comparar el proceso con los lmites de especificaciones. Observar el comportamiento
del proceso de acuerdo con la grfica y sacar conclusiones.

GRAFICO NP

El grfico np sirve para detectar la fraccin de artculos defectuosos cuando se estn

analizando variables por atributos, nos proporcionar la fraccin o porcentaje de artculos
defectuosos en la poblacin que se encuentra bajo estudio.

Los pasos para obtener el grfico np

1. Definir la caracterstica de calidad (atributo) que se desea analizar.
2. Controlar las condiciones del proceso. Eliminar todas las variables asignables o atribuibles
del proceso.
3. Tomar un nmero K de muestras. Las muestras deben de ser de tamao constante, es
decir todas las muestras son del mismo tamao. El nmero de muestras no debe ser menor a
20, y cada muestra debe tener por lo menos 50 elementos.
4. Tabular resultados de acuerdo a la siguiente tabla

Fraccin de
defectuosos
(p)

Tamao
de
muestra
(n)

Nmero de
productos
defectuosos
(np)

np1

p1

np2

p2

....

....

....

....

npk

pk

Nmero
de
muestra

p= np/p

5. Clculo de
Posteriormente se calcula la media (promedio) del nmero de artculos defectuosos de todas
las muestras.

6. Clculo de los Lmites de Control del Proceso.

Dado que se est realizando el anlisis de los atributos (se tiene o no se tiene) se utiliza una
distribucin binomial para calcular los lmites de control. Los cuales estn dados por:
Lmite superior de Control (LSC), Lmite Central de Control (LCC) y lmite Inferior de
Control (LIC)

9. Graficar. A continuacin se realiza la grfica, en la cual se marcan los lmites de control y

en relacin a ellos se grafica el nmero de defectuosos de cada una de las muestras.
10. Comparar el proceso con los lmites de especificaciones. Observar el comportamiento
del proceso de acuerdo con la grfica y sacar conclusiones.
GRFICO U
El grafico de control para el numero de defectos por unidad de inspeccin o grafico u
tambin es utilizado para controlar el nmero de defectos que genera el proceso. El grafico
u se diferencia del grafico c en que el tamao muestral no es necesariamente constante y
en que el estadstico a representar es el numero de defectos por unidad muestreada u en
vez de la cantidad total de defectos en la muestra.
Utilizando la aproximacin a la normal de la variable de Poisson y que ui = Ci=ni

donde ci es el nmero medio de defectos en una muestra de tamao ni cuando el proceso

est bajo control.
Si llamamos p al nmero de defectos por unidad inspeccionada que genera el proceso
cuando este est bajo control, se tiene que ci = ni p, con lo que la ecuacin anterior puede
expresarse

As, si p es conocido, el grafico u tendr los siguientes lmites de control

Si p es desconocido, la estimacin del nmero de defectos por unidad inspeccionada es

y los lmites de control sern

Ejemplo. En una fbrica de tejidos, se inspeccionan telas teidas para detectar los
defectos en 50 metros cuadrados. Los datos para diez rollos de tela se presentan en la
tabla 4.

La lnea central del grfico u debe ser el nmero de defectos por unidad de inspeccin,
es decir, el nmero de defectos por 50 metros cuadrados estimada mediante

As, los lmites de control quedaran, con k = 3,

Minitab. Procedimiento Stat / Control Charts / U . . .

Ejemplo. Fichero telas.mtw

Grficos C y U

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de
producto que se estn fabricando. Por ejemplo, se fabrican telfonos celulares y entonces se
toma uno de ellos y se cuenta el nmero total de defectos. Estos podran ser:

Rayaduras en la superficie.
Rajaduras en el plstico
Antena defectuosa
Botn defectuoso.
Etc.

Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos defectos en la
unidad inspeccionada. Obtenemos un resultado que es el Nmero de Defectos por unidad de
inspeccin.

A medida que el proceso genera las unidades (Telfonos celulares), retiramos una unidad a
intervalos regulares y contamos el nmero total de defectos. En cada unidad podemos
encontrar:
0 defectos
1 defecto
2 defectos
3 defectos
...
n defectos

Los resultados que obtenemos al contar el Nmero de Defectos en unidades de inspeccin

retiradas a intervalos regulares constituyen una variable aleatoria discreta, porque puede tomar
valores 0, 1, 2, 3, ... n.

Esta variable aleatoria tiene una distribucin de Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una muestra del producto o
unidad de inspeccin. Entonces, para controlar este proceso, un inspector se coloca al final de
la lnea de produccin y cada hora retira una unidad de inspeccin (En este caso un telfono
celular), verifica y anota el nmero total de defectos.

Este resultado se anota en un grfico hora por hora y se denomina grfico C. De acuerdo a la
Distribucin de Poisson, si denominamos C al parmetro de la funcin de distribucin, el
promedio de la poblacin es C y la varianza tambin es C.
Para construir los grficos de control C, en una primera etapa se toman N unidades de
inspeccin (ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el
Nmero de Defectos y se registra. Se obtendra una Tabla como la siguiente:
Unidad de
Inspeccin

Nm.
Defectos

Entonces, a partir de la tabla podemos calcular C como promedio del Nmero de Defectos en
las muestras (Unidades de Inspeccin):

ni Cantidad de Defectos por Unidad de Inspeccin

N Nmero de Unidades de Inspeccin
y luego la Desviacin Standard:

Con esto podemos calcular los Lmites de Control para el grfico C:

En caso de que el Lmite Inferior de Control resulte negativo, se le asigna valor cero.
Construimos entonces un Grfico C de prueba y representamos el nmero de defectos en las
muestras:

Si no hay puntos fuera de los lmites de control y no se encuentran patrones no aleatorios, se

adoptan los lmites calculados para controlar la produccin futura.
Otro ejemplo sera controlar el nmero de defectos a la salida de una lnea de ensamblado de
licuadoras. De igual manera podra ser una lnea de ensamblado de computadoras personales,
cafeteras automticas, televisores, etc.
Cuando se fabrican pinturas y barnices, un ensayo muy comn es hacer un extendido sobre
una placa de vidrio, dejar secar el producto y luego inspeccionar los defectos en la superficie.
Se pueden aplicar los grficos C para controlar este tipo de procesos, contando el nmero de
defectos sobre la superficie del recubrimiento.
En la industria textil tambin es necesario controlar defectos superficiales en las telas. Se
pueden aplicar los grficos C para controlar el nmero de defectos sobre la superficie de un
rea rectangular de tela.
Muchas veces ocurre que las unidades que produce el proceso presentan una tasa de defectos
muy baja. Por ejemplo, supongamos un proceso automatizado que fabrica tarjetas de sonido. A
la salida del mismo se inspecciona una tarjeta a intervalos de media hora y se cuenta el
nmero de defectos. El resultado seguramente ser algo como esto:
Tarjeta

Nm.
Defectos

etc.

Esto se debe a que la fabricacin se realiza por medio de un proceso totalmente automatizado
donde ocurren pocos errores. Por lo tanto, el promedio de defectos ser cercano a cero y el
Lmite Inferior de Control seguramente ser negativo. Para evitar esto, es conveniente redefinir
la Unidad de Inspeccin. Por ejemplo, se puede tomar como unidad de inspeccin la cantidad
de 100 tarjetas de sonido. Es decir, cada media hora se retiran del proceso 100 tarjetas y se
cuentan los defectos del total de las mismas. De esta manera la cantidad de defectos promedio
por unidad de inspeccin ser ms alta. Y es posible tambin que el LIC sea mayor que cero.
Supongamos que se est controlando el nmero de defectos en un proceso de ensamblado de
licuadoras y se define una unidad de inspeccin de 5 licuadoras. En este caso es posible
trabajar con un grfico C, como ya hemos visto. Pero tal vez se desea controlar el promedio de
defectos por cada licuadora (unidad de produccin) en lugar del total de defectos para las 5
licuadoras (unidad de inspeccin):

ni Cantidad de Defectos por Unidad de Inspeccin

m Nm. de Unidades de Produccin en la Unidad de Inspeccin
En nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin (5 licuadoras), la
cantidad promedio de defectos por licuadora ser:

Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0,
1/m, 2/m, 3/m, 4/m, .....etc., y cuya distribucin de probabilidades se puede calcular a partir de
la Distribucin de Poisson.
Como en el caso de los grficos C, en una primera etapa se toman N unidades de inspeccin
(ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el Nmero de
Defectos y se registra. Luego se divide el Nmero de Defectos de cada unidad de inspeccin
por m (Nmero de unidades de produccin en cada unidad de inspeccin).
En nuestro ejemplo (m = 5) la Tabla quedara as:
Unidad de
Inspeccin

Nm.
Defectos

Nm.
Defectos por
Licuadora

1.0

1.6

1.2

10

2.0

1.0

15

3.0

12

2.4

1.0

Entonces, a partir de la tabla podemos calcular el parmetro U como promedio del Nmero de
Defectos por licuadora:

ni Cantidad de Defectos por Unidad de Inspeccin

m Nm. de Unid. de Produccin en la Unidad de Inspeccin
N Nmero de Unidades de Inspeccin
y luego la Desviacin Standard:

Con esto podemos calcular los Lmites de Control para el grfico U: