Documentos de Académico
Documentos de Profesional
Documentos de Cultura
variables aleatorias
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
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
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
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
(1)
que se obtiene de reconocer que
por la expresin
la precisin de
la
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.
(
) 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
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:
) la media
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
el tamao de la muestra,
poblacin,
el tamao de la
, y
es una
(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
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
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 los controles de calidad realizados por laboratorios. Ensayos sobre materias
primas, productos semi-procesados, o sobre el producto final.
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:
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:
La desviacin standard del rango se puede calcular utilizando el coeficiente d3, que tambin
depende del nmero de mediciones en el subgrupo:
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
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
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)
GRAFICO NP
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.
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
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 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):
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:
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):
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: