MANUAL DE CONTROL ESTADSTICO DE

PROCESOS
INDICE
1.- INTRODUCCIN A LA PROBABILIDAD
2 .- CONCEPTOS ESTADSTICOS FUNDAMENTALES

Poblacin estadstica

La Distribucin de Frecuencias

3.- METRICA EN EL ESPACIO ESTADISTICO

Medidas de tendencia central

Medidas de Dispersin

Media y Varianza de una Muestra

Muestreo Aleatorio

4.- FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES

Generalidades

La Distribucin Normal

La Distribucin Normal Standard

La Distribucin T de Student

Distribucin de Promedios Muestrales

Distribucin binomial

Distribucin de Poisson

5.- TEST DE HIPTESIS

Herramientas para contrastar hiptesis

Regin crtica. Tipos de errores .

Contraste de medias.

Contraste de diferencia de medias

Comprobacin de la normalidad de una muestra.

6 .- CONTROL DE PROCESO

Control de proceso

Control Estadstico de Proceso (C.E.P.)

Grficos C.E.P. Generalidades

Variables y atributos

Eficacia estadstica de los grficos de control

Subgrupos racionales

Ventajas de los grficos de control

7.- GRAFICOS DE CONTROL POR VARIABLES

Introduccin.

Grficos de control (

Grfico basado en estudio inicial

Grficos basados en valores standar

Grficos de control para valores individuales

Grficos de control de media mvil (desgaste de herramientas)

Recogida de datos e interpretacin

Establecimiento de lmites del Proceso

Lneas generales para el diseo del grafico (

Interpretacin de los grficos (

, R)

, R)

, R)

Eficacia de los grficos (

Grficos de control (

Grficos de control de sumas acumuladas (CUSUM)

Otros grficos de control

Grfico de control de media mvil

Grficos de Control Multidimensional

, R)

, S)

8.- CAPACIDAD DEL PROCESO

Introduccin

Anlisis de la capacidad del proceso

Anlisis de la capacidad del proceso usando histogramas

Anlisis de la capacidad del proceso usando grficos de control

9.- GRAFICOS DE CONTROL POR ATRIBUTOS

Introduccin

Grfico p para porcentajes defectuosos

Operativa del grfico de control p

Diseo del grfico p

Grfico np para unidades defectuosas

Grficos C para tamao de muestra constante

Anlisis de defectos

Grfico U

10.- LINEAS GENERALES PARA IMPLANTAR GRAFICOS DE CONTROL

CAPULO 1.- INTRODUCCIN A LA PROBABILIDAD

Cada vez que realizamos un clculo matemtico para resolver un problema
fsico ,estamos aplicando un modelo matemtico a un fenmeno de la realidad.
Este fenmeno puede ser, por ejemplo, la cada de un objeto desde cierta altura, y
en este caso utilizamos un modelo que es la Ley de Gravedad.
Qu es un modelo?. Al enfrentar un problema de fsica, qumica, ingeniera, etc.,
estamos analizando e investigando una parte o aspecto de la realidad material que
nos rodea. Para resolver el problema, necesitamos modelar esa realidad, es decir,
construir una representacin en la mente de cmo ocurren los hechos, junto con
ecuaciones matemticas que permitan calcular los efectos de los mismos.
En ningn caso se debe confundir modelo con realidad. Un modelo es slo una
representacin de la realidad, utilizado para estudiar y analizar dicha realidad.
Hay modelos matemticos que nos permiten obtener un resultado numrico
preciso, por ejemplo, que la velocidad de un automvil es de 175,5 Km/Hora. O
que la corriente elctrica que circula por un cable es de 5,7 Amperios. Este tipo de
modelos matemticos se denominan Determinsticos.
Existen tambin fenmenos que necesitan otro tipo de modelos matemticos,
denominados
no
determinsticos,
probabilsticos
o
estocsticos.
Por ejemplo, supongamos que se ha previsto la realizacin de unas pruebas
balsticas para las que se necesita saber la cantidad de lluvia que va a caer en un
prximo periodo de tiempo, antes de decidir la forma de llevar a cabo los ensayos.
El Tcnico responsable podr informarse en el servicio meteorolgico en relacin
con la presin baromtrica, la temperatura, velocidad del viento y otros datos
meteorolgicos, sin embargo, no hay una ecuacin que con todos esos datos le
permita calcular de forma precisa los milmetros de lluvia que van a caer durante el
periodo
de
tiempo
que
le
interesa.
De la misma forma, ningn operador puede calcular cuanto va a subir la Bolsa, ni
siquiera si va a subir o bajar, an cuando tenga a su alcance todas las variables
econmicas
disponibles.
Este tipo de fenmenos no admiten un modelo determinstico, sino un modelo
probabilstico, que como resultado nos dice la probabilidad de que llueva una
cierta cantidad, o la probabilidad de que la Bolsa suba un cierto porcentaje. El
resultado no es un valor determinado, sino la probabilidad de un valor.
Veamos algunos ejemplos de fenmenos para los cuales es apropiado utilizar un
modelo probabilstico:

Experimento 1:
Se lanza un dado y se anota el nmero que
aparece en la cara superior.
Experimento 2:
Se arroja una moneda cuatro veces y se anota
la sucesin de caras y cruces obtenidas.
Experimento 3:
Se fabrican artculos en una lnea de produccin y se cuenta el nmero de
artculos defectuosos producidos en 24 horas.
En todos estos casos, el resultado del experimento no se puede predecir con
absoluta certeza. Hay varios resultados posibles cada vez que se realiza la
experiencia.
Para cada experimento del tipo que estamos considerando, se define el Espacio
Muestral como el conjunto de todos los resultados posibles que pueden producirse
al realizar el experimento.
Los espacios muestrales respectivos son :
S1 = {1,2,3,4,5,6}
S2 = {cccc, xccc, cxcc, ccxc, cccx, xxcc, xcxc, xccx, cxcx, ccxx, xxxc, xxcx, cxxx,
xcxx, xxxx}
S3 = {1,2,3,, N} ; N mximo de artculos producidos en 24 horas.
Un Suceso, respecto a un espacio muestral S asociado con determinado
experimento, es un subconjunto de resultados del espacio muestral. El conjunto
vaco, el formado por un solo elemento y el formado por todos los elementos del
espacio muestral son tambin sucesos.
Vemos entonces que, dado un experimento aleatorio cualquiera, hay un espacio
muestral asociado cuyos elementos son todos los resultados que se pueden
obtener de la experiencia. Un subgrupo o subconjunto de resultados es un suceso.
Ahora, cmo podemos saber si la posibilidad de que ocurra un suceso es grande
o pequea? Por ejemplo, si arrojamos un dado, cmo podemos calcular la
probabilidad de que salga un 2 ?. Para esto necesitamos un nmero asociado con
cada suceso, al cual se lo denomina probabilidad del suceso. Entonces, la
probabilidad P de un suceso es un nmero entre 0 y 1, que nos dice en que
medida es posible que ocurra el suceso. Si la probabilidad es 1 significa que el
suceso ocurrir con toda certeza. Si la probabilidad es 0,5 significa que un suceso
puede ocurrir o puede no ocurrir con la misma probabilidad. Probabilidad 0 quiere
decir que el suceso es imposible que ocurra. Cmo podemos calcular la
Probabilidad de un suceso?

La respuesta a esta pregunta no siempre

es sencilla y depende del experimento y
de su espacio muestral asociado. Hay
casos simples en los que el clculo es
relativamente sencillo. En primer
trmino, supondremos que se trata de
un experimento cuyo espacio muestral
es finito y tiene un nmero pequeo de
resultados posibles.
En segundo trmino, supondremos que todos los resultados que integran el
espacio muestral (sucesos elementales) tienen la misma probabilidad de ocurrir.
Con estas dos hiptesis, la frmula para calcular la probabilidad es muy sencilla.
Supongamos que se trata de un experimento cualquiera cuyo espacio muestral S
tiene N elementos (N resultados posibles). Deseamos calcular la probabilidad de
un suceso H (Un subconjunto H del espacio muestral S) que tiene m elementos.
De acuerdo a lo dicho previamente, el nmero N tiene que ser pequeo y la
probabilidad de cada suceso elemental tiene que ser la misma.
Entonces la probabilidad P de que ocurra el suceso H es: P = m/N
Veamos

algunos

ejemplos.

Supongamos que se arroja un dado sobre una mesa y apostamos a que salga un
nmero igual o menor que 4. Sabemos que son igualmente posibles los nmeros:
{1, 2, 3, 4, 5 y 6} (Espacio muestral con 6 elementos).
Pero los nmeros favorables a nuestra apuesta son: {1, 2, 3 y 4} (Suceso con 4
elementos). Entonces, la probabilidad de que ganemos es P = 4/6 = 0,666
Es decir que tenemos a nuestro favor una probabilidad de 0,666.. (o sea
aproximadamente
del
67
%).
Si apostamos a un slo nmero (sacar un As), la probabilidad de ganar sera P =
1/6
=
0,1666
Repitiendo, la probabilidad es un nmero entre 0 y 1, que nos dice en que medida
es posible que ocurra un suceso.

CAPITULO 2.- CONCEPTOS ESTADSTICOS FUNDAMENTALES

Poblacin estadstica.
Hasta ahora hemos visto el caso de fenmenos o
experimentos cuyo espacio muestral asociado tiene un
nmero pequeo de elementos. Ello nos ha servido para
introducir la nocin de probabilidad, Pero en muchos casos
es necesario trabajar con experiencias o procesos que
generan un nmero muy grande de datos o resultados
numricos, es decir, espacios muestrales con un nmero
infinito o muy grande de elementos.Cuando tenemos un
conjunto muy grande de datos numricos para analizar
decimos que tenemos un Universo o Poblacin de
observaciones.
Cada dato numrico es un elemento de la poblacin o universo. Una Muestra es
un subconjunto pequeo de observaciones extradas de un universo o poblacin.
La Estadstica trabaja con
poblaciones de datos y con
muestras extradas de las mismas.
Los conceptos de poblacin y
muestra a veces resultan ambiguos
en su aplicacin prctica.
Por ejemplo, supongamos que en una ciudad de 5000 habitantes se realiza un
censo mdico en el cual se mide el peso, la altura y se relevan otros datos de
todos los habitantes de la ciudad.
Alguien podra referirse al universo o poblacin censada teniendo in mente el
conjunto de los habitantes de la ciudad. Pero cuando hablamos en trminos
estadsticos, nos referimos a poblaciones o universos de datos.
Por ejemplo, el conjunto de todas las mediciones de altura (De los habitantes de la
ciudad) es un conjunto de datos y por lo tanto constituye un universo o poblacin
de datos desde el punto de vista estadstico. Otro universo o poblacin de datos
son los pesos medidos (De los habitantes de la ciudad). Pero la poblacin de
habitantes, es decir, las personas que habitan la ciudad no son la poblacin a la
que nos estamos refiriendo desde el punto de vista estadstico.

Supongamos que en una empresa se fabrica un lote de 10

toneladas de un producto qumico, y un tcnico debe controlar la
calidad del mismo.
El tcnico toma una pequea porcin, por ejemplo, 100 gramos y
dir que tom una muestra del producto para analizar en el
laboratorio. Hasta el momento, la muestra no fue analizada y por lo
tanto no tenemos ningn dato numrico.
Cuando el laboratorio efecta algn ensayo en la muestra y obtiene un resultado
numrico, dicho dato podra ser analizado desde el punto de vista estadstico.
Vamos a suponer hipotticamente que el tcnico contina
sacando otras muestras del producto, hasta agotar el lote y
cada una es ensayada en el laboratorio, que nos da los
resultados.
Como tenamos 10 toneladas de producto y las muestras son aproximadamente
de 100 gramos, el tcnico seguramente extraer alrededor de 100000 muestras y
el laboratorio nos entregar alrededor de 100000 resultados. Este conjunto de
datos numricos es nuestro universo o poblacin de datos.
Si tomamos al azar 10 de esos resultados, podemos decir que tenemos una
muestra de 10 elementos de ese universo o poblacin. No debemos confundir esta
muestra (Desde el punto de vista estadstico) con la muestra de material que
extrajo el tcnico para ser analizada en el laboratorio.
Ahora bien, nuestro universo o poblacin de datos a veces no existe en la
realidad, sino que es un concepto o abstraccin que utilizamos para referirnos al
universo o poblacin que hipotticamente podra existir.
Veamos el ejemplo anterior. Supongamos que el tcnico toma solamente 5
muestras y las enva para analizar al laboratorio. El laboratorio nos enviar slo 5
resultados, y nosotros diremos que tenemos una muestra de datos extrada del
universo o poblacin de datos total. Y estamos pensando en el universo o
poblacin que tendramos si se hubieran extrado y analizado las 100000 muestras
de material.
Muchas veces resulta difcil imaginarse cual es el universo del cual extrajimos los
datos. Supongamos que tenemos una mquina que produce piezas de plstico en
serie y un tcnico toma 5 piezas sucesivas y les mide la altura con un calibre.
Tenemos, entonces, 5 resultados, es decir una muestra de 5 elementos. Cul es
el universo al cual pertenece esa muestra de datos?.
Debemos imaginar lo siguiente: Si la mquina continuara trabajando en las
mismas condiciones (Es decir, a la misma velocidad, con las mismas materias

primas, a la misma temperatura, manejada por el mismo operario, etc.) ...y a cada
pieza que produce se le mide la altura tendramos un conjunto muy grande de
resultados numricos. Ese conjunto muy grande de resultados numricos que no
existe, pero que podra obtenerse en esas condiciones es el universo o poblacin
del cual extrajimos la muestra de 5 observaciones.
Veamos otro ejemplo. Supongamos que el sindicato de
la industria textil desea saber cual es el sueldo medio
de un operario en esa industria. Entonces, encarga una
encuesta a una empresa especializada, que entrevista a
20 operarios de la industria textil y averigua sus
salarios.
Estos datos son una muestra de 20 observaciones del universo o poblacin
formado por los salarios de todos los operarios de la industria textil del pas.
Aunque el encuestador no disponga de esos datos, sabemos que existen miles de
operarios que ganan un salario determinado y por lo tanto podemos hablar de un
universo o poblacin cuyos elementos son los salarios de los operarios de la
industria textil en el pas. Adems, esa poblacin de datos es seguramente
diferente de la poblacin de salarios de los operarios de la industria textil inglesa o
brasilea (Usando una misma moneda de referencia).
Qu representa una Poblacin de datos? El anlisis estadstico de una poblacin
o universo de datos tiene como objetivo final descubrir las caractersticas y
propiedades de aquello que gener los datos. Por ejemplo, se tiene una poblacin
de escolares (Poblacin fsica, poblacin humana) y se les mide la altura. El
conjunto de datos de altura constituye una poblacin o universo estadstico.
El anlisis de estos datos de altura
(Universo estadstico) sirve para
caracterizar y estudiar a la
poblacin de estudiantes (Que no
es una Poblacin estadstica).
Supongamos que un instituto
dedicado a estudios econmicos
ha realizado una encuesta de
ingresos en el pas. El universo de
datos generados por la encuesta
sirve a los fines de caracterizar a
la poblacin fsica, a la poblacin
real del pas, desde un punto de
vista econmico.
Un ingeniero controla un proceso industrial, que genera a diario muchos lotes de

un producto (Poblacin de lotes). Para cada lote se mide una caracterstica de

calidad, obtenindose una gran cantidad de resultados numricos (Poblacin de
datos).
El ingeniero realiza esta tarea porque a travs de los datos numricos obtenidos
se puede evaluar el comportamiento del proceso, que es lo que realmente le
interesa.

Es importante destacar que detrs de un universo o poblacin de datos se

encuentra una poblacin fsica subyacente, formada por elementos de la realidad
que nos rodea, de la cual, a travs de algn tipo de medicin, se obtuvieron los
datos numricos. Es esa poblacin fsica subyacente (Elementos de la realidad,
seres humanos, lotes de material, etc.) la que deseamos estudiar y caracterizar
por
medio
del
anlisis
estadstico
de
los
datos
obtenidos.
La poblacin estadstica est representando, entonces, una poblacin fsica o
natural formada por elementos de la realidad, con respecto a una caracterstica o
propiedad
de
esa
poblacin
fsica.
Es muy importante, al utilizar mtodos estadsticos, no confundir la poblacin
fsica, formada por elementos de la realidad que estamos estudiando, con la
poblacin o universo de datos generados a partir de la primera. De aqu en
adelante, cuando utilicemos los trminos poblacin o universo sin otro adjetivo nos

estaremos refiriendo a poblacin o universo de datos numricos (Tambin

llamados observaciones, mediciones o valores).
CAPTULO 3.- METRICA EN EL ESPACIO ESTADISTICO
Medidas de tendencia central
Una caracterstica importante de cualquier poblacin es su posicin, es decir,
donde est situada con respecto al eje de abscisas (Eje horizontal). En nuestro
caso, es importante saber si los datos se agrupan alrededor de 60 Kg. o de 90 Kg.
o alrededor de 12 Kg. Una manera de obtener un dato numrico que nos d idea
de la posicin de nuestra poblacin es calcular el Promedio o Media de todas las
observaciones:

Este importante parmetro nos permite efectuar comparaciones entre distintas

poblaciones. Por ejemplo, si tuviramos una poblacin formada por mediciones del
peso de mujeres de 30 aos, otra de peso de varones de 40 aos y una tercera de
peso de nios de 8 aos, es indudable que los promedios van a ser diferentes. El
promedio, entonces, nos est diciendo que las tres poblaciones son diferentes y
tambin en que medida difieren.
Ahora, si tuviramos una poblacin de varones con peso promedio 70 Kg. y otra
poblacin de varones con el mismo promedio, se puede afirmar que ambas
poblaciones son equivalentes? Para responder esta pregunta necesitamos tener
medidas de la dispersin de la poblacin de datos.
Medidas de Dispersin
La otra caracterstica muy importante de una poblacin es el grado de dispersin
de las observaciones. No es lo mismo si en nuestra poblacin encontramos que
todos los valores estn entre 75 y 90 Kg. que si estn entre 60 y 105 Kg., aunque
el promedio sea el mismo. Es necesario agregar alguna idea de la dispersin de
los valores.
Una manera es a travs del Rango de las observaciones, es decir, el valor Mximo
y el valor Mnimo de los datos de la poblacin. Entonces, una descripcin mas
realista acerca de los seres humanos sera decir que pesan en promedio 70 Kg. y
que el rango es de 40 a 120 Kg. (Estos valores son supuestos).
Una manera ms precisa de dar idea de la dispersin de valores de una poblacin
es a travs de la Varianza o su raz cuadrada, que es la Desviacin Standard.

Vamos a calcular la varianza y la desviacin standard de un

nmero pequeo de datos (Una muestra) para ilustrar el
clculo. Supongamos que se midi la altura de 10 personas
adultas y de sexo femenino, y se obtuvieron los valores
siguientes (en cm)
165 ; 163 ; 171 ; 156 ; 162 ; 159 ; 162 ; 168 : 159 ; 167
El promedio de estas observaciones es:
= 163, 2 cm
Si a cada una de las observaciones le restamos el promedio, obtenemos los
Residuos:

Los residuos tambin nos dan una idea de la dispersin de las observaciones
individuales alrededor del promedio. Si el valor absoluto (El valor numrico sin el
signo) de los residuos es grande, es porque los valores estn muy dispersos. Si el
valor absoluto de los residuos es pequeo, significa que las observaciones
individuales estn muy cerca del promedio, y por lo tanto, hay poca dispersin.
Pero nosotros necesitamos un slo nmero que nos provea informacin acerca de
la dispersin de los valores. Si sumamos los residuos, como algunos son positivos
y otros negativos, se cancelaran entre s, con lo cual perdemos la informacin
acerca de la dispersin. Entonces, los elevamos al cuadrado:

Si ahora sumamos los residuos elevados al cuadrado, tenemos un nmero donde

se condensa toda la informacin de la dispersin de la poblacin:

Este nmero, la suma de cuadrados, es dependiente del nmero de datos N, y por

lo tanto no nos sirve para comparar poblaciones con distinto nmero de

observaciones.
Pero si dividimos la suma de cuadrados por N, tenemos un nmero que es
independiente del nmero de observaciones, que se denomina Varianza:

En

nuestro

caso:

Las frmulas anteriores son las que se aplican al clculo de la varianza y

desviacin standard de una poblacin de datos. Mas adelante veremos que las
frmulas a aplicar en el caso de una muestra son ligeramente diferentes. La
varianza es un nmero que nos permite comparar poblaciones. Cuando la
dispersin de las observaciones es grande (Datos que se alejan mucho por
encima y por debajo del promedio), el valor de los residuos (distancia entre cada
dato y el promedio) ser grande. Entonces aumenta la suma de cuadrados de los
residuos
y
por
lo
tanto
la
varianza.
Tambin

Por

se

utiliza

la

raz

lo

cuadrada

de

la

varianza:

tanto:

La desviacin standard o desviacin tpica tiene las mismas unidades que la

variable con la que estamos trabajando, en nuestro caso el centmetro. Tanto la
varianza como la desviacin standard nos permiten comparar el grado de
dispersin de distintas poblaciones.

CAPTULO 4.- FUNCIONES DE DISTRIBUCIN DE PROBABILIDADES

Hemos visto como se construye un grfico de frecuencias con datos extrados de
una poblacin. A medida que aumentamos la cantidad de observaciones que
tomamos de la poblacin, podemos construir nuestro grfico con un nmero mayor
de intervalos, aunque de menor amplitud (El rango total cubierto por la poblacin
es el mismo).
Si continuamos este proceso, con
intervalos cada vez mas estrechos
y numerosos, los altibajos en el
grfico de la distribucin de
frecuencias tienden a desaparecer.
En el lmite, el ancho del intervalo
tiende a cero y la poblacin puede
representarse por una distribucin
de probabilidad continua.
Cuando, para representar esta distribucin de probabilidad continua se utiliza una
funcin matemtica, esta se denomina Funcin de Densidad de Probabilidad.
La forma de la curva en el grfico de la
funcin de distribucin es
caracterstica de la poblacin de
observaciones asociada con la misma,
y depende de variables internas del
proceso que gener los datos de la
poblacin.Existen distintas funciones
de distribucin tericas, cada una de
las cuales est basada en un modelo
de comportamiento del proceso que
gener el universo de observaciones.
La aplicacin de una de estas distribuciones tericas a una poblacin particular
est justificada si las hiptesis (suposiciones) del modelo de comportamiento del
proceso que gener la poblacin se cumplen. Dicho de otro modo, si conocemos
el proceso, es decir, el conjunto de fenmenos que dieron lugar a nuestra
poblacin de mediciones u observaciones, y adems estamos seguros de que el
mismo se ajusta a un modelo de comportamiento determinado, entonces podemos
decir que la distribucin de probabilidades de nuestra poblacin es la que
corresponde al modelo.
En la prctica, se sabe que ciertos procesos y fenmenos generan resultados
numricos cuya distribucin de probabilidades se puede ajustar a determinados
modelos tericos. Por ejemplo, el nmero de partculas alfa emitidas por un
material radiactivo sigue una distribucin de Poisson.
Existen muchas otras distribuciones tericas, como la Binomial, la Exponencial, la

de Weisbull, etc. Cada una de ellas tiene su propio campo de aplicacin, que se
sostiene en un determinado comportamiento de los fenmenos, y al aplicarla se
est haciendo en forma implcita la suposicin de que se cumplen las suposiciones
del modelo subyacente.
La Distribucin Normal
Una distribucin muy
importante es la
Distribucin Normal o de
Gauss.
La ecuacin matemtica
de la funcin de Gauss es
la siguiente:

La distribucin normal es una curva con forma de campana, con eje de simetra en
el punto correspondiente al promedio del universo . La distancia entre el eje de
simetra de la campana y el punto de inflexin de la curva es igual a , la
desviacin standard de la poblacin.
El rea total debajo de la curva es igual a 1. El rea debajo de la curva
comprendida entre y es aproximadamente igual a 0,68 del rea total;
entre y es aproximadamente igual a 0,95 del rea total:
Es importante ver que los nicos parmetros necesarios para dibujar el grfico de
la distribucin normal son y (Media y desviacin standard de la poblacin). Con
estos dos parmetros sabemos donde situar la campana de Gauss (En el punto
correspondiente a la media) y cual es su ancho (Determinado por la desviacin
standard).
Cuando nos encontramos con una poblacin de observaciones, si podemos
afirmar que la distribucin correspondiente es normal, slo hace falta estimar la
media y la desviacin standard para tener toda la informacin necesaria acerca de
dicha poblacin.
La Distribucin Normal Standard
Podemos escribir la frmula de la distribucin normal de la siguiente manera:

con
Esta es la frmula de la Distribucin Normal Standard o Tipificada. Como podemos

observar, en ella hay un slo parmetro, Z, que incluye al promedio y la desviacin

standard de la poblacin. Esta funcin est tabulada.
Al calcular Z, lo que estamos haciendo, en realidad, es un cambio de variable por
el cual movemos la campana de Gauss centrndola en el 0 del eje X, y
modificamos el ancho para que la desviacin standard sea 1.
De esta manera tenemos
tabulada una funcin de Gauss
que no depende de cual sea el
promedio y la desviacin standard
de nuestra poblacin real. El
cambio de variable hace que se
conserve la forma de la funcin y
que sirva para cualquier
poblacin, siempre y cuando esa
poblacin tenga una distribucin
normal.
Cuando queremos calcular las probabilidades para una poblacin real, calculamos
Z y entramos en la tabla de la funcin normal estandard.
La

Distribucin

La
Distribucin de Poisson

T
Distribucin

de

Student
binomial

CAPTULO 5.- TEST DE HIPTESIS

El contraste de hiptesis o test
de hiptesis es una herramienta
ampliamente utilizada para
comparar mediciones y tomar
decisiones basadas en una
probabilidad.
Los pasos a seguir para aplicar
esta metodologa son:

Plantear unas hiptesis.

Escoger un estadstico
concreto.

Conocer la distribucin del

estadstico.

Y, a partir de ah, decidir si, con los datos que poseemos de la muestra, tenemos
caracterizada a la poblacin.
Herramientas para contrastar hiptesis
Los dos tipos de distribuciones ms importantes, aunque no nicos, para el
contraste de hiptesis, son las distribuciones Normal y T-Student, que hemos visto
en el captulo anterior.
El contraste de hiptesis es un conjunto de reglas que nos permiten decidir cul de
entre dos hiptesis debe ser aceptada como cierta en base a los resultados
obtenidos en una observacin muestral. Se conocen como hiptesis nula (Ho) e
hiptesis alternativa (Ha).
La hiptesis nula puede mantenerse mientras los datos no indiquen su falsedad; la
hiptesis nula nunca se puede afirmar , solo podremos aceptarla o rechazarla. Por
lo tanto trataremos de decidir si la informacin muestral que poseemos est en
consonancia con Ho, o bien nos permite rechazar esa creencia con lo que
aceptaremos Ha.
Podemos distinguir entre dos tipos de hiptesis:

Paramtricas que se refieren a conjeturas sobre el parmetro

de una distribucin.

No paramtricas que responden a afirmaciones acerca de la

naturaleza de la distribucin.
Regin crtica. Tipos de errores

En la prctica el Contraste de Hiptesis consiste en estudiar si un estadstico que

es funcin de las observaciones de la muestra est dentro de una regin llamada
de aceptacin, o se encuentra en la regin de rechazo o regin crtica, de tal forma
que si el estadstico se encuentra en la regin de aceptacin se aceptar la
hiptesis nula y si cae en la regin de rechazo se rechazar dicha hiptesis.
El estadstico muestral es un fenmeno aleatorio, por lo que pudiera pasar que
aunque la Ho fuera cierta, el estadstico se encontrara en la regin de rechazo, en
esta situacin estaramos cometiendo un Error de Tipo I ( ). Otra posible situacin
sera encontrar el estadstico en la regin de aceptacin siendo la H o falsa, con lo
que cometeramos un Error Tipo II ( ). La forma de minimizar este problema es
empleando muestras de tamao grande. Generalmente se procede fijando una
probabilidad de error . Al valor se le denomina nivel de significacin y
habitualmente es del 5%.
Aunque existen diversos tipos de contrastes de hiptesis, nicamente
explicaremos y pondremos ejemplo de dos de ellos, que son el contraste de
medias y el contraste de diferencias de medias.
Contraste de medias
Con la notacin que habitualmente se utiliza en el contraste de hiptesis
tendremos que es la media de la poblacin, la desviacin tpica de la
poblacin, s la desviacin tpica de la muestra, n es el tamao de muestra, X la
media de la muestra, y Z o t es el estadstico.
Con relacin al contraste de medias, suelen emplearse dos tipos de pruebas, los
tests unilaterales o los tests bilaterales, que tienen, respectivamente, las
siguientes estructuras.

Ejemplo 1. Un laboratorio farmacutico afirma que el antiinflamatorio fabricado por

ellos elimina la inflamacin en 14 minutos en los casos corrientes.
Con el objeto de comprobar estadsticamente esta afirmacin, eligimos al azar 18
pacientes con inflamaciones varias y tomamos como variable de respuesta el
tiempo transcurrido entre la administracin del antiinflamatorio y el momento en
que desaparece la inflamacin. Adems, nos dicen que la variable tiempo
transcurrido entre la administracin del antiinflamatorio y el momento en que
desaparece la inflamacin sigue una distribucin normal de media 14 y desviacin
7. El tiempo medio de respuesta de la muestra fue de 19 minutos.
Se pide comprobar la afirmacin del laboratorio a un nivel de significacin de 0.05.
Solucin.
Primero consideremos los datos que tenemos.
X = 19, = 14, = 7, n = 18
Planteemos ahora las hiptesis de este test. Queremos contrastar la hiptesis nula
a partir de la afirmacin de la empresa que dice que la inflamacin desaparece en
14 minutos; as pues, tendremos:
Hiptesis nula Ho : = 14
La hiptesis alternativa ser el caso desfavorable, en esta ocasin para la
empresa, y puede escribirse:
Hiptesis alternativa Ha : > 14
Procederemos aceptando de entrada la hiptesis nula (m = 14), calculando el
estadstico y observando si se sita en la regin crtica. Si as sucediera,
rechazaramos la creencia inicial de aceptacin de la hiptesis nula.
Sustituyendo los parmetros de la poblacin y de la muestra en el estadstico
tenemos
:

Con lo que podemos observar que el estadstico se sita en la regin crtica y ,por
lo tanto no sigue el criterio de aceptacin de la hiptesis nula.
De ese modo, rechazaramos la hiptesis H o de que = 14 y concluimos que a un
nivel 0.05 el tiempo medio de eliminar la inflamacin por este antiinflamatorio es
superior
a
14
minutos.

Contraste de diferencia de medias

CAPTULO 6.- MANUAL DE CONTROL ESTADSTICO DE PROCESOS
Introduccin
Un sistema de control del proceso puede definirse como un sistema de
realimentacin de la informacin en el que hay 4 elementos fundamentales:
Proceso
Por proceso entendemos la combinacin global de personas,
equipo, materiales utilizados, mtodos y medio ambiente, que
colaboran en la produccin. El comportamiento real del
proceso -la calidad de la produccin y su eficacia productivadependen de la forma en que se dise y construy, y de la
forma en que es administrado. El sistema de control del
proceso slo es til si contribuye a mejorar dicho
comportamiento.
Informacin Sobre el Comportamiento
El proceso de produccin incluye no solo los productos
producidos, sino tambin los estados intermedios que
definen el estado operativo del proceso tales como
temperaturas, duracin de los ciclos, etc. Si esta informacin
se recopila e interpreta correctamente, podr indicar si son
necesarias medidas para corregir el proceso o la produccin
que se acaba de obtener. No obstante, si no se toman las
medidas adecuadas y oportunas, todo el trabajo de recogida
de informacin ser un trabajo perdido.
Actuacin Sobre el Proceso
Las actuaciones sobre el proceso estn orientadas al futuro,
ya que se toman en caso necesario para impedir que ste se
deteriore. Estas medidas pueden consistir en la modificacin
de las operaciones (por ejemplo, instrucciones de operarios,

cambios en los materiales de entrada, etc) o en los elementos

bsicos del proceso mismo (por ejemplo, el equipo -que
puede necesitar mantenimiento, o el diseo del proceso en su
conjunto- que puede ser sensible a los cambios de
temperatura o de humedad del taller). Debe llevarse un control
sobre el efecto de estas medidas, realizndose ulteriores
anlisis y tomando las medidas que se estimen necesarias.
Actuacin sobre la Produccin

Las actuaciones sobre la produccin estn orientadas al

pasado, porque la misma implica la deteccin de productos ya
producidos que no se ajustan a las especificaciones.
Si los productos fabricados no satisfacen las especificaciones,
ser necesario clasificarlos y retirar o reprocesar aquellos no
conformes con las especificaciones.
Este procedimiento deber continuar hasta haberse tomado
las medidas correctoras necesarias sobre el proceso y
haberse verificado las mismas, o hasta que se modifiquen las
especificaciones del producto.
Es obvio que la inspeccin seguida por la actuacin
nicamente sobre la produccin es un pobre sustituto de un
rendimiento eficaz del proceso desde el comienzo. El Control
del Proceso centra la atencin en la recogida y anlisis de
informacin sobre el proceso, a fin de que puedan tomarse
medidas para perfeccionar el mismo.
Hay dos formas diferentes de diseo y anlisis de sistemas de control que utilizan
herramientas estadsticas :

Control Estadstico de Proceso (CEP) del que trata este

manual.

Control adaptativo, que utiliza lazos de retroalimentacin para

predecir futuros valores de las variables de proceso. Este
control dice cuando hay que corregir para mantener a las
variables con oscilaciones mnimas alrededor de los valores
objetivos y est basado en el Anlisis de series Temporales
(Box-Jenkins).

Este tipo de control puede implementarse mediante sistemas de control

automtico digital (caso ms habitual) o mediante grficos de control.
En o sucesivo nos referiremos nicamente al Control Estadstico del Proceso.
Control

Estadstico

Proceso
Variables y atributos

bajo

de
control

Procesos
estadstico

CAPTULO 7.- GRAFICOS DE CONTROL POR VARIABLES

Introduccin. Grficos basado en un estudio inicial
Muchas caractersticas de calidad pueden expresarse en trminos de medida
numrica. Por ejemplo, el dimetro de una pieza puede medirse con un
micrmetro y expresarse en milmetros. Una caracterstica cualitativa que sea
medible tal como un volumen, un peso, o cualquier dimensin, en general, es una
variable.
Cuando nos referimos a una variable, es una prctica normal el controlar tanto el
valor medio como la dispersin. El control del valor medio se realiza,
habitualmente, con el grfico de control para medias, o grfico . El control de la
dispersin puede efectuarse bien con el grfico de control de la desviacin tpica
(grfico S) o con el grfico de control de rangos (grfico R). El uso del grfico R
est ms extendido que el del grfico S.
Debemos sealar que es necesario mantener el control sobre ambos: Media y
dispersin del proceso. La figura 2 representa la situacin de un proceso. En a)
tanto la media como la desviacin tpica estn bajo control a sus valores
nominales ( o, o) y en consecuencia la mayor parte de la produccin del proceso
cae dentro de los lmites de especificacin. En la figura b) la media se ha
trasladado 1 > o dando como resultado una cierta fraccin de la produccin
fuera de especificacin. En la figura c) la desviacin tpica ha cambiado 1 > o lo
que origina tambin que un parte de la produccin est fuera de norma.

Los grficos X-R se utilizan cuando la caracterstica de calidad que se desea

controlar es una variable continua.
A.- Grfico de la media
Supongamos que una variable est normalmente distribuida con media y
desviacin tpica y que ambas son conocidas. Si X1, X2, ... son mediciones de
una muestra de tamao n, la media muestral, dada por :

est normalmente distribuida con media y desviacin tpica

.
Adems, la probabilidad de que cualquier media muestral caiga en el intervalo

es 1 - , siendo el error tipo I o Nivel de significacin (probabilidad de decir que

el proceso se ha descorregido cuando en realidad el proceso sigue la distribucin
N( , )),

Por consiguiente, si y son conocidos la expresin

anterior puede utilizarse para determinar los lmites de
control de la media muestral. Habitualmente usaremos los
lmites 3 reemplazando Z /2 por 3. Si la media muestral
cae fuera de estos lmites, esto indicar que la media del
proceso no permanece en .
Hemos supuesto que la distribucin original era normal. Si
no lo fuera, los anteriores resultados seran tambin
aproximadamente vlidos por aplicacin del teorema
central del lmite.
En la prctica no conocemos ni , por consiguiente,
debemos estimarlas a partir de muestras previas
obtenidas del proceso cuando se cree que ste est bajo
control. Esta estimacin debe basase como mnimo en 20
o 25 muestras.
Supongamos que disponemos de (m) muestras, cada una de ellas con (n)
observaciones. Tpicamente, n ser pequeo 4 5. En esa situacin, el mejor
estimador de la media del proceso ser

se utilizar como valor de la lnea central del grfico.

Para construir los lmites de control, necesitamos un estimador de la desviacin
tpica s. Podemos estimar s a partir de los rangos o de las desviaciones tpicas de
las (m) muestras. De momento, haremos la estimacin a partir de los rangos. Si
X1, X2,..., Xn, son mediciones de una muestra de tamao n, el rango de la muestra
es R =Xmax - Xmin.
La variable aleatoria W = R/s sigue una distribucin conocida denominada
distribucin del rango relativo. Los parmetros de esta distribucin son funcin del
tamao de muestra (n). La media de W es (d2) y la desviacin tpica (d3). En
consecuencia, un estimador de s es R/d2. Los valores de d2 estn tabulados
(Tablas II y III). Si

la mejor estima de s ser

Cuando el tamao de la muestra es pequeo: n = 4 5 el mtodo de estimar a
partir del rango da casi tan buen resultado como estimarla a partir de la varianza
muestral. Sin embargo, para valores de n, digamos no mayores de 10, pierde
rpidamente eficiencia ya que ignora toda la informacin comprendida entre X max y
Xmin.
Si usamos

como estimador de m y
como estimador de s entonces los
lmites de control del grfico de medias quedaran:

Za/2 lo obtendramos de las tablas de Distribucin Normal (Tabla I), una vez elegido
a (error tipo I).
Normalmente Za/2 = 3 (a = 0,0027), en este caso la cantidad
tabulada y el calculo de los lmites de control da:

Grficos basado en un estudio inicial. Grfico del recorrido

Grficos basados en valores standar
Grficos de control para valores individuales
Lneas generales para el diseo del grafico
Eficacia de los grficos

,R

,R

Grficos de control de sumas acumuladas (CUSUM)

Otros grficos de control.- Grfico de control de media mvil
Tablas para la elaboracin de grficos de control

esta

CAPTULO 8.- CAPACIDAD DEL PROCESO

Introduccin
Un proceso de fabricacin es un conjunto de equipos, materiales, personas y
mtodos de trabajo que genera un producto fabricado.

Para analizar el comportamiento del proceso, se toman muestras de producto

fabricado y se realizan ensayos para determinar el valor de una caracterstica de
calidad seleccionada previamente. Desde el punto de vista del control estadstico,
es conveniente incluir la etapa de muestreo y ensayo dentro del proceso mismo.

Conceptualmente debemos
considerar que cualquier variacin en
las condiciones de un proceso
(Modificacin en el equipo, cambio de
materias primas, etc.) da lugar a otro
proceso, diferente del anterior.
El primer paso para aplicar una tcnica estadstica es definir la caracterstica de
calidad que se va a medir en el producto fabricado. Desde el punto de vista
estadstico, esta caracterstica de calidad constituye una variable aleatoria, porque
an despus de realizar una serie de mediciones, el valor que se obtendra en la
siguiente medicin no puede predecirse por clculo.
El conjunto de todos los resultados de mediciones que pueden obtenerse es
nuestro universo o poblacin. Cualquier subconjunto de mediciones extrado del
universo constituye una muestra. Con respecto al concepto de universo o
poblacin, cuando se aplica a resultados de mediciones en un proceso, es
necesario puntualizar lo siguiente: La poblacin o universo de resultados es el
conjunto de datos que se obtuvieron hasta ese momento mas aquellos que se
obtendran si el proceso continuara funcionando siempre bajo las mismas
condiciones. Esto se conoce como Universo Hipottico de mediciones de la
caracterstica de calidad.
Antes de aplicar cualquier tcnica estadstica, es necesario establecer algunas
hiptesis bajo las cuales se va a desarrollar el anlisis. En primer lugar, vamos a
suponer que la caracterstica de calidad (Variable aleatoria) es continua y de
distribucin normal. En segundo lugar, consideraremos que el proceso est bajo
control estadstico, es decir que la variabilidad se debe solamente a un sistema
constante de causas aleatorias (No intervienen causas asignables).
Al realizar una sucesin de mediciones de la caracterstica de calidad sobre
muestras del producto fabricado, encontramos que los valores fluctan alrededor
de un valor central. Esto es lo que llamamos la fluctuacin natural y esperable del
proceso. Esta variacin de la caracterstica de calidad medida se debe a un
conjunto muy grande de causas que afectan el proceso, cuyo efecto individual es
pequeo y que actan en forma aleatoria (Sistema constante de causas
aleatorias). La fluctuacin natural del proceso es inherente al mismo y no puede
eliminarse, slo puede reducirse realizando modificaciones al proceso mismo, lo
cual significa, como ya hemos dicho, trabajar con otro proceso. La fluctuacin
natural de un proceso puede cuantificarse a travs de la desviacin standard del
mismo, con la cual podemos calcular Lmites de Tolerancia Natural del proceso.
Se debe insistir en que estos lmites no pueden fijarse voluntariamente, dependen
del proceso y de las variables no controlables del mismo. Generalmente se toma
un rango para la fluctuacin natural de 6 sigmas.
Los Lmites de Especificacin de un producto son fijados voluntariamente por el
cliente, por el fabricante o por alguna norma. Estos lmites constituyen un requisito

a cumplir por el producto y no deben confundirse en ningn caso con los Lmites
de Control o con los Lmites de Tolerancia Natural del proceso.
La Capacidad de un proceso es la aptitud para generar un producto que cumpla
con determinadas especificaciones. En el mejor de los casos, es conveniente que
los Lmites de Tolerancia Natural del proceso se encuentren dentro de los Lmites
de Especificacin del producto. De esta manera nos aseguramos que toda la
produccin cumplir con las especificaciones.
Para analizar la capacidad del proceso se puede utilizar un histograma de
frecuencias. Si se dispusiera de todos los datos del universo para la caracterstica
de calidad medida y se hiciera un histograma este permitira tener una idea exacta
de la fluctuacin natural del proceso. Como esto es imposible, es necesario tomar
un cierto nmero de mediciones (Mnimo 100-200) y efectuar con ellas un
histograma de frecuencias.

Este es el histograma de una muestra y por lo tanto es slo una estimacin del
verdadero histograma del universo. Si representamos en las abscisas los Lmites
de Especificacin del producto, podemos ver grficamente si el proceso tiene
aptitud (Capacidad) para fabricar dicho producto.

Anlisis de la capacidad del proceso

CAPTULO 9.- GRAFICOS DE CONTROL POR ATRIBUTOS
Introduccin
Algunas caractersticas de calidad no pueden ser representadas
convenientemente por medio de variables cuantitativas. En estos casos, las
unidades de producto se clasifican en conformes o en no conformes segn la
caracterstica o caractersticas cualitativas sean o no conformes con las
especificaciones. Las caractersticas de calidad de este tipo se denominan
atributos. Los datos de tipo atributo tienen solamente dos valores: Conforme / no
conforme, pasa / no pasa, funciona / no funciona, presente / ausente. Tambin se
consideran atributos aquellas caractersticas cuantitativas que se registran en
trminos de sino como por ejemplo, el dimetro de un eje cuya conformidad solo la
medimos en trminos de aceptable/no aceptable, las imperfecciones de pintura en
una puerta de un automvil, las burbujas en la laca de un detonador, la
presencia/ausencia de un percutor, etc.
Vamos a analizar cuatro tipos de grficos de control por atributos:
Grfico p para porcentajes defectuosos
Grfico np para el nmero de unidades defectuosas
Grfico c para el nmero de defectos
Grfico u para el nmero de defectos por unidad
inspeccionada
Grfico p para porcentajes defectuosos
La fraccin no conforme de un colectivo se define como el cociente entre el
nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo.
Cada unidad de producto puede ser examinada por el inspector respecto de una o

varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme

respecto a la especificacin en una o ms caractersticas, se clasifica como no
conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal
aunque puede tambin indicarse en tanto por ciento.
La distribucin binomial es la base estadstica del grfico de control por atributos.
Supondremos que el proceso est operando de forma estable y que la posibilidad
de que una unidad de producto sea defectuosa es constante y de valor p.
Tambin, supondremos que las unidades producidas sucesivamente son
independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x
al nmero de unidades no conformes, la probabilidad de que x tome los valores 0,
1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de

unidades no conformes en la muestra x y el tamao de la misma p = x/n.
El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n

Operativa del grfico de control p
La base estadstica para definir los lmites de control es comn con los restantes
grficos de Shewhart: Si W es un estadstico que describe una determinada
caracterstica de calidad siendo w y w2 su media y su varianza, los lmites de
control se definen como :

K es la distancia de los lmites de control a la lnea central expresada como un

mltiplo de sw. Habitualmente escogeremos K = 3.
Supongamos que conocemos o se especifica la fraccin p no conforme de un
proceso de produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro

de cada muestra el nmero de unidades no conformes y calcular = D/n llevando
este valor al grfico. En tanto permanezca dentro de los lmites de control y la
secuencia de puntos no seale ninguna pauta distinta a la que puede surgir por
mero azar, diremos que el proceso est bajo control al nivel p de fraccin no
conforme. Si por el contrario, observamos algn punto fuera de control o un patrn
inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que
el proceso est fuera de control.
Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a
seguir es seleccionar m muestras preliminares, cada una de tamao n. Como
norma general, m estar comprendido entre 20 y 25. Si D i es el nmero de
unidades defectuosas en la muestra i, calcularemos la fraccin defectuosa en la
muestra como
; i = 1, 2... .n y la media de estas fracciones,
, estimar la media p del proceso siendo los lmites de control:

Frecuentemente se utiliza solo el lmite superior.

Estos lmites de control se consideran como limites de prueba y sirven para
determinar si el proceso estaba bajo control cuando las m muestras iniciales
fueron seleccionadas. Si todos los puntos caen dentro de los lmites de control y
no se observa ninguna pauta anormal dictaminaremos que el proceso estaba bajo
control a la toma de las m muestras y los lmites de prueba sern validos para
controlar la produccin actual y la futura.
Los lmites de control para la produccin actual deben basarse en datos obtenidos
de una situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera
de control se hace necesario revisar los lmites de control. Esto se realiza
examinando cada punto fuera de control y buscando las causas asignables. Si se
localiza la causa asignable se descarta el punto correspondiente y se vuelven a
calcular los lmites de control con los puntos restantes. Puede darse el caso que
alguno de estos restantes puntos se encuentre ahora fuera de control respecto de
los nuevos lmites ya que estos sern, normalmente, ms estrechos que los
iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que
todos los puntos se encuentren dentro de control con lo que ya podremos adoptar
los lmites hasta entonces provisionales como lmites definitivos.
Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la
fraccin no conforme p, entonces el clculo de lmites de prueba es,
generalmente, innecesario aunque deben tomarse ciertas precauciones en el

sentido de comprobar si el proceso est bajo control a un valor de p diferente dei

indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como
valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a
p = 0,05.
Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos
fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta
opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado,
sobre todo en procesos donde la fraccin no conforme puede ser controlada
mediante un proceso sencillo de ajuste.
Diseo del grfico p
El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del
desmuestre y distancia entre lmites de control.
Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo
largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la
frecuencia y el tamao de la muestra estn relacionados. Generalmente, se
selecciona inicialmente la frecuencia del desmuestre apropiada para la produccin
a inspeccionar y de ah resulta el tamao de la muestra,
Los subgrupos racionales pueden jugar tambin un papel importante en
determinar la frecuencia del desmuestre. Por ejemplo, si hay tres turnos y
sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada
turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no
conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al
menos una unidad defectuosa en la muestra.
Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener
una probabilidad de aprox. 50% de detectar un cambio de una determinada
magnitud. Por ejemplo, supongamos que p = 0,01 y que queremos que la
probabilidad de detectar un cambio a p = 0,05 sea del 50%. Suponiendo que
aproximamos la distribucin binomial respecto de la normal, escogeremos de tal
forma que el lmite de Control Superior coincide con la fraccin no conforme en la
situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces
n debe satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3

n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse
otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa

alarma.
A veces, suelen usarse limites ms estrechos (por ejemplo 2 ) dentro de una
situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben
utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los
operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan en la
distribucin binomial que considera constante la proporcin defectuosa p y que
los valores sucesivos son independientes. En procesos en los que las unidades no
conformes estn agrupadas o en los que la probabilidad de producir una unidad
defectuosa depende de que la anterior unidad producida haya sido no defectuosa,
no son aplicables este tipo de grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de
control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una
mejora en la calidad del proceso por disminucin de a sino que suelen originarse
por errores en la inspeccin o por causa de aparatos de medida mal calibrados.
Tambin puede deberse a que los operadores hayan registrado datos ficticios para
cubrir su responsabilidad.

Grfico np para unidades defectuosas

10.- LINEAS GENERALES PARA IMPLANTAR GRAFICOS DE CONTROL
Ventajas de los grficos de control
Existen importantes razones para implantar los grficos de control. Destacamos
las siguientes:
a) Los grficos de control son una tcnica de eficacia probada para mejorar la
productividad. La adecuada implantacin de un programa de C.E.P. reduce la
repeticin de las operaciones no conformes y los rechazos por desechos que son
uno de los principales enemigos de la productividad. De esta reduccin se deriva
una disminucin en los costes y un incremento de produccin de producto correcto
b) Los grficos de control son eficaces en la prevencin de defectos. El objetivo
bsico del grfico de control es detectar cualquier cambio en el proceso o en el
producto. Siempre es ms barato hacer las cosas bien de entrada que escoger las
unidades buenas dentro de un lote de malas y buenas. Si no se posee un control

eficaz, se estar pagando por fabricar produccin no conforme.

c) Los grficos de control previenen de ajustes innecesarios del proceso. El grfico
de control distingue entre el ruido de fondo y una variacin anormal. Si el
operador ajusta el proceso basndose en comprobaciones peridicas no
relacionadas con la implantacin sistemtica de los grficos de control, a menudo
reaccionar frente al ruido de fondo y realizar ajustes innecesarios.
d) El grfico de control proporciona informacin sobre la capacidad del Proceso. El
grfico suministra informacin sobre los parmetros bsicos del proceso y sobre
su estabilidad a lo largo del tiempo.
La tecnologa moderna, utilizando ordenadores, hacen sencilla la implantacin de
los grficos de control, en cualquier tipo de proceso.
Como resumen de lo visto en los captulos anterores, vamos a tratar sobre los
siguientes puntos :
A) Determinacin de la caracterstica a controlar y desde
donde se va a controlar
B) Seleccin del grfico adecuado
A) Seleccin de la caracterstica a controlar y donde controlarla
a) En el comienzo de la implantacin se aplican los grficos a
aquellas caractersticas del proceso o del producto que se
consideran importantes. Los grficos nos dirn si son
realmente necesarias.
b) Eliminar grficos que se encuentren innecesarios.
c) Disponer de una informacin actualizada sobre el nmero y
tipos de grficos de control existentes en el proceso. Cuando
comienza la implantacin, el nmero de grficos suele crecer
de forma continuada, despus decrece. Cuando el proceso se
estabiliza, el nmero de variables seguidas por grficos, suele
mantenerse constante aunque stas no son necesariamente
las mismas.
d) Segn se va sabiendo ms sobre el proceso, el nmero de
grficos por atributos disminuye y el nmero de grficos por
variables aumenta.
e) Al comienzo, suelen utilizarse bastantes grficos por
atributos para el producto final o intermedio. Despus estos
grficos tienden a ser sustituidos por grficos por variables
para caractersticas de las primeras fases del proceso.
f) Los grficos de control son procedimientos a implantar en la

lnea tan cerca del puesto de trabajo como sea posible, as, la
informacin llegar con rapidez. Adems, las personas
responsables de produccin tendrn la responsabilidad directa
de recoger datos, realizar los grficos e interpretar resultados.
Los operadores e ingenieros que trabajan en el proceso
disponen del conocimiento del mismo necesario para corregir
fallos y utilizar el grfico como una herramienta para mejorar
la calidad. Los ordenadores facilitan enormemente la rapidez
de clculos y presentacin de grficos por lo que no pueden
faltar en ningn procedimiento moderno de control estadstico
del proceso.
B) Seleccin del grfico adecuado
Grficos , R (o , S); Solo para variables cuantitativas.
Los grficos por variables se utilizan en los casos siguientes:
a) Comienza un nuevo proceso, o un nuevo producto va a
fabricarse en un proceso existente.
b) El proceso tiene continuos problemas o es incapaz de
cumplir las tolerancias especificadas.
c) La verificacin de la calidad producida requiere ensayos
destructivos o costosos procedimientos de ensayo.
d) Se desea reducir la inspeccin por desmuestre y otras
verificaciones sobre el producto al mnimo
e) Se han utilizado, sin resultado, grficos de control por
atributos.
f) Procesos con especificaciones muy estrechas.
g) Situaciones en las que el operador debe decidir si ajusta o
no el proceso.
h) Cuando ha de demostrarse ante el cliente de forma
continuada, la estabilidad y la capacidad del proceso.
Grficos CUSUM
Se puede utilizar en todos los casos sealados para el
grfico , R, pero donde realmente muestra ms ventajas es:
a) Cuando los procesos vayan descorrigindose lentamente
(por ejemplo procesos qumicos)

b) Cuando sea necesario descubrir rpidamente pequeos

desajustes.
c) Situaciones en las que es posible disponer un
microordenador en la lnea
Grficos por atributos
Se recomienda utilizar los grficos por atributos en los
siguientes casos:
a) Los operadores controlan las causas asignables y es
preciso reducir el porcentaje de fallos.
b) El proceso es una operacin de montaje compleja y la
calidad del producto se mide en trminos de conforme/no
conforme.
c) Es necesario el control del proceso pero no pueden
obtenerse datos cuantitativos.
d) Para facilitar a la direccin una visin con un resumen
informativo sobre la eficacia del proceso.
Grficos de control para valores individuales
Se puede usar conjuntamente con los grficos de rango mvil
en los siguientes casos:
a) Procesos en los que no puede obtenerse ms que una
medida por muestra o donde las medidas repetidas solo
difieren debido a errores analticos. Esto suele suceder en los
procesos qumicos.
b) Procesos donde la tecnologa existente cuantifica cada
unidad producida. En estos casos, tambin pueden
considerarse los grficos de media mvil.
c) Cuando la cadencia de aparicin de nuevos datos es muy
lenta y sera impracticable esperar a reunir una muestra
mayor porque esto supondra una reaccin demasiado tarda
ante los problemas.

CAPTULO 9.- GRAFICOS DE CONTROL POR ATRIBUTOS

Introduccin
Algunas caractersticas de calidad no pueden ser representadas
convenientemente por medio de variables cuantitativas. En estos casos, las
unidades de producto se clasifican en conformes o en no conformes segn la
caracterstica o caractersticas cualitativas sean o no conformes con las
especificaciones. Las caractersticas de calidad de este tipo se denominan
atributos. Los datos de tipo atributo tienen solamente dos valores: Conforme / no
conforme, pasa / no pasa, funciona / no funciona, presente / ausente. Tambin se
consideran atributos aquellas caractersticas cuantitativas que se registran en
trminos de sino como por ejemplo, el dimetro de un eje cuya conformidad solo la
medimos en trminos de aceptable/no aceptable, las imperfecciones de pintura en
una puerta de un automvil, las burbujas en la laca de un detonador, la
presencia/ausencia de un percutor, etc.
Vamos a analizar cuatro tipos de grficos de control por atributos:
Grfico p para porcentajes defectuosos
Grfico np para el nmero de unidades defectuosas

Grfico c para el nmero de defectos

Grfico u para el nmero de defectos por unidad
inspeccionada
Grfico p para porcentajes defectuosos
La fraccin no conforme de un colectivo se define como el cociente entre el
nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo.
Cada unidad de producto puede ser examinada por el inspector respecto de una o
varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme
respecto a la especificacin en una o ms caractersticas, se clasifica como no
conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal
aunque puede tambin indicarse en tanto por ciento.
La distribucin binomial es la base estadstica del grfico de control por atributos.
Supondremos que el proceso est operando de forma estable y que la posibilidad
de que una unidad de producto sea defectuosa es constante y de valor p.
Tambin, supondremos que las unidades producidas sucesivamente son
independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x
al nmero de unidades no conformes, la probabilidad de que x tome los valores 0,
1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de

unidades no conformes en la muestra x y el tamao de la misma p = x/n.
El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n

Operativa del grfico de control p
La base estadstica para definir los lmites de control es comn con los restantes
grficos de Shewhart: Si W es un estadstico que describe una determinada
caracterstica de calidad siendo w y w2 su media y su varianza, los lmites de

control se definen como :

K es la distancia de los lmites de control a la lnea central expresada como un

mltiplo de sw. Habitualmente escogeremos K = 3.
Supongamos que conocemos o se especifica la fraccin p no conforme de un
proceso de produccin. Entonces los limites de control resultan:

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro

de cada muestra el nmero de unidades no conformes y calcular = D/n llevando
este valor al grfico. En tanto permanezca dentro de los lmites de control y la
secuencia de puntos no seale ninguna pauta distinta a la que puede surgir por
mero azar, diremos que el proceso est bajo control al nivel p de fraccin no
conforme. Si por el contrario, observamos algn punto fuera de control o un patrn
inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que
el proceso est fuera de control.
Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a
seguir es seleccionar m muestras preliminares, cada una de tamao n. Como
norma general, m estar comprendido entre 20 y 25. Si D i es el nmero de
unidades defectuosas en la muestra i, calcularemos la fraccin defectuosa en la
muestra como
; i = 1, 2... .n y la media de estas fracciones,
, estimar la media p del proceso siendo los lmites de control:

Frecuentemente se utiliza solo el lmite superior.

Estos lmites de control se consideran como limites de prueba y sirven para
determinar si el proceso estaba bajo control cuando las m muestras iniciales
fueron seleccionadas. Si todos los puntos caen dentro de los lmites de control y
no se observa ninguna pauta anormal dictaminaremos que el proceso estaba bajo
control a la toma de las m muestras y los lmites de prueba sern validos para
controlar la produccin actual y la futura.
Los lmites de control para la produccin actual deben basarse en datos obtenidos
de una situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera
de control se hace necesario revisar los lmites de control. Esto se realiza
examinando cada punto fuera de control y buscando las causas asignables. Si se
localiza la causa asignable se descarta el punto correspondiente y se vuelven a

calcular los lmites de control con los puntos restantes. Puede darse el caso que
alguno de estos restantes puntos se encuentre ahora fuera de control respecto de
los nuevos lmites ya que estos sern, normalmente, ms estrechos que los
iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que
todos los puntos se encuentren dentro de control con lo que ya podremos adoptar
los lmites hasta entonces provisionales como lmites definitivos.
Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la
fraccin no conforme p, entonces el clculo de lmites de prueba es,
generalmente, innecesario aunque deben tomarse ciertas precauciones en el
sentido de comprobar si el proceso est bajo control a un valor de p diferente dei
indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como
valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a
p = 0,05.
Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos
fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta
opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado,
sobre todo en procesos donde la fraccin no conforme puede ser controlada
mediante un proceso sencillo de ajuste.
Diseo del grfico p
El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del
desmuestre y distancia entre lmites de control.
Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo
largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la
frecuencia y el tamao de la muestra estn relacionados. Generalmente, se
selecciona inicialmente la frecuencia del desmuestre apropiada para la produccin
a inspeccionar y de ah resulta el tamao de la muestra,
Los subgrupos racionales pueden jugar tambin un papel importante en
determinar la frecuencia del desmuestre. Por ejemplo, si hay tres turnos y
sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada
turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no
conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al
menos una unidad defectuosa en la muestra.
Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener
una probabilidad de aprox. 50% de detectar un cambio de una determinada
magnitud. Por ejemplo, supongamos que p = 0,01 y que queremos que la
probabilidad de detectar un cambio a p = 0,05 sea del 50%. Suponiendo que
aproximamos la distribucin binomial respecto de la normal, escogeremos de tal
forma que el lmite de Control Superior coincide con la fraccin no conforme en la
situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces
n debe satisfacer

En nuestro ejemplo, p = 0,01, = 0,05-0,01 = 0,04 y con K=3

n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse
otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa
alarma.
A veces, suelen usarse limites ms estrechos (por ejemplo 2 ) dentro de una
situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben
utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los
operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan en la
distribucin binomial que considera constante la proporcin defectuosa p y que
los valores sucesivos son independientes. En procesos en los que las unidades no
conformes estn agrupadas o en los que la probabilidad de producir una unidad
defectuosa depende de que la anterior unidad producida haya sido no defectuosa,
no son aplicables este tipo de grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de
control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una
mejora en la calidad del proceso por disminucin de a sino que suelen originarse
por errores en la inspeccin o por causa de aparatos de medida mal calibrados.
Tambin puede deberse a que los operadores hayan registrado datos ficticios para
cubrir su responsabilidad.

10.- LINEAS GENERALES PARA IMPLANTAR GRAFICOS DE CONTROL

Ventajas de los grficos de control
Existen importantes razones para implantar los grficos de control. Destacamos
las siguientes:
a) Los grficos de control son una tcnica de eficacia probada para mejorar la
productividad. La adecuada implantacin de un programa de C.E.P. reduce la
repeticin de las operaciones no conformes y los rechazos por desechos que son
uno de los principales enemigos de la productividad. De esta reduccin se deriva
una disminucin en los costes y un incremento de produccin de producto correcto
b) Los grficos de control son eficaces en la prevencin de defectos. El objetivo
bsico del grfico de control es detectar cualquier cambio en el proceso o en el
producto. Siempre es ms barato hacer las cosas bien de entrada que escoger las
unidades buenas dentro de un lote de malas y buenas. Si no se posee un control
eficaz, se estar pagando por fabricar produccin no conforme.
c) Los grficos de control previenen de ajustes innecesarios del proceso. El grfico
de control distingue entre el ruido de fondo y una variacin anormal. Si el
operador ajusta el proceso basndose en comprobaciones peridicas no

relacionadas con la implantacin sistemtica de los grficos de control, a menudo

reaccionar frente al ruido de fondo y realizar ajustes innecesarios.
d) El grfico de control proporciona informacin sobre la capacidad del Proceso. El
grfico suministra informacin sobre los parmetros bsicos del proceso y sobre
su estabilidad a lo largo del tiempo.
La tecnologa moderna, utilizando ordenadores, hacen sencilla la implantacin de
los grficos de control, en cualquier tipo de proceso.
Como resumen de lo visto en los captulos anterores, vamos a tratar sobre los
siguientes puntos :
A) Determinacin de la caracterstica a controlar y desde
donde se va a controlar
B) Seleccin del grfico adecuado
A) Seleccin de la caracterstica a controlar y donde controlarla
a) En el comienzo de la implantacin se aplican los grficos a
aquellas caractersticas del proceso o del producto que se
consideran importantes. Los grficos nos dirn si son
realmente necesarias.
b) Eliminar grficos que se encuentren innecesarios.
c) Disponer de una informacin actualizada sobre el nmero y
tipos de grficos de control existentes en el proceso. Cuando
comienza la implantacin, el nmero de grficos suele crecer
de forma continuada, despus decrece. Cuando el proceso se
estabiliza, el nmero de variables seguidas por grficos, suele
mantenerse constante aunque stas no son necesariamente
las mismas.
d) Segn se va sabiendo ms sobre el proceso, el nmero de
grficos por atributos disminuye y el nmero de grficos por
variables aumenta.
e) Al comienzo, suelen utilizarse bastantes grficos por
atributos para el producto final o intermedio. Despus estos
grficos tienden a ser sustituidos por grficos por variables
para caractersticas de las primeras fases del proceso.
f) Los grficos de control son procedimientos a implantar en la
lnea tan cerca del puesto de trabajo como sea posible, as, la
informacin llegar con rapidez. Adems, las personas
responsables de produccin tendrn la responsabilidad directa
de recoger datos, realizar los grficos e interpretar resultados.
Los operadores e ingenieros que trabajan en el proceso

disponen del conocimiento del mismo necesario para corregir

fallos y utilizar el grfico como una herramienta para mejorar
la calidad. Los ordenadores facilitan enormemente la rapidez
de clculos y presentacin de grficos por lo que no pueden
faltar en ningn procedimiento moderno de control estadstico
del proceso.
B) Seleccin del grfico adecuado
Grficos , R (o , S); Solo para variables cuantitativas.
Los grficos por variables se utilizan en los casos siguientes:
a) Comienza un nuevo proceso, o un nuevo producto va a
fabricarse en un proceso existente.
b) El proceso tiene continuos problemas o es incapaz de
cumplir las tolerancias especificadas.
c) La verificacin de la calidad producida requiere ensayos
destructivos o costosos procedimientos de ensayo.
d) Se desea reducir la inspeccin por desmuestre y otras
verificaciones sobre el producto al mnimo
e) Se han utilizado, sin resultado, grficos de control por
atributos.
f) Procesos con especificaciones muy estrechas.
g) Situaciones en las que el operador debe decidir si ajusta o
no el proceso.
h) Cuando ha de demostrarse ante el cliente de forma
continuada, la estabilidad y la capacidad del proceso.
Grficos CUSUM
Se puede utilizar en todos los casos sealados para el
grfico , R, pero donde realmente muestra ms ventajas es:
a) Cuando los procesos vayan descorrigindose lentamente
(por ejemplo procesos qumicos)
b) Cuando sea necesario descubrir rpidamente pequeos
desajustes.
c) Situaciones en las que es posible disponer un

microordenador en la lnea
Grficos por atributos
Se recomienda utilizar los grficos por atributos en los
siguientes casos:
a) Los operadores controlan las causas asignables y es
preciso reducir el porcentaje de fallos.
b) El proceso es una operacin de montaje compleja y la
calidad del producto se mide en trminos de conforme/no
conforme.
c) Es necesario el control del proceso pero no pueden
obtenerse datos cuantitativos.
d) Para facilitar a la direccin una visin con un resumen
informativo sobre la eficacia del proceso.
Grficos de control para valores individuales
Se puede usar conjuntamente con los grficos de rango mvil
en los siguientes casos:
a) Procesos en los que no puede obtenerse ms que una
medida por muestra o donde las medidas repetidas solo
difieren debido a errores analticos. Esto suele suceder en los
procesos qumicos.
b) Procesos donde la tecnologa existente cuantifica cada
unidad producida. En estos casos, tambin pueden
considerarse los grficos de media mvil.
c) Cuando la cadencia de aparicin de nuevos datos es muy
lenta y sera impracticable esperar a reunir una muestra
mayor porque esto supondra una reaccin demasiado tarda
ante los problemas.