Interpretacin

histograma

del

Cuando un histograma se construye de manera correcta, es resultado

de un nmero suciente de datos (de preferencia ms de 100), y stos
son representativos del estado del proceso durante el periodo de
inters. Se recomienda, entonces, considerar los siguientes puntos en
la interpretacin del histograma.
1. Observar la tendencia central de los datos. Localizar en el eje horizontal o
escala de medicin las barras con mayores frecuencias. En el
histograma de la gura 8.6, las mediciones ms comunes se
encuentran entre 4.2 y 5 mm.
2. Estudiar el centrado del proceso. Para ello, es necesario apoyarse en el
punto anterior y obser- var la posicin central del cuerpo del
histograma respecto a la calidad ptima y a las especicaciones, si las hay. Por ejemplo, en la gura 8.6 el proceso
(histograma) no est centrado en la calidad ptima que es 5 mm.
La gura 8.7 inciso e) muestra un proceso centrado con

poca variabilidad, mientras que el inciso f ) muestra un proceso

descentrado con mucha variabilidad.
3. Examinar la variabilidad. Para esto hay que observar, a partir del grupo
de barras ms alto, qu tan rpido disminuye la frecuencia de las
dems barras; por ejemplo, en la gura 8.7a) se aprecia un
histograma con poca dispersin y en la 8.7b) uno con mucha.
Tambin se puede comparar la amplitud de las especicaciones con
el ancho del histograma. Para considerar

a ) Poca variabilidad

b ) Mucha variabilidad

c ) Dos picos, bimodal, dos realidades distintas

juntas.

d ) Acantilado derecho

EI

Figura 8.7 Distintos

tipos de histogramas.

ES

e) Proceso centrado con poca variabilidad

EI

ES

f ) Proceso descentrado con mucha variabilidad

que la dispersin no es demasiada, el ancho del histograma debe

caber de forma holgada en las especicaciones.
4. Analizar la forma del histograma. La forma de campana es la forma de la
distribucin que ms se presenta en la prctica. Por lo que si el
histograma no reeja en forma aproximada este tipo de distribucin,
se debe investigar a qu se debe. Algunas de las formas tpicas que
no coinciden con una distribucin de campana son:

Distribucin sesgada. En la gura 8.7 incisos b) y f ) se aprecian histogramas con

una distribucin sesgada a la derecha, ya que la cola derecha es ms grande que la
izquier- da. En trminos generales, un sesgo en una variable de salida puede reejar
un des- plazamiento paulatino de un proceso debido a desgastes o desajustes;
tambin puede indicar procedimientos viciados en la forma de obtener las mediciones
o un desempeo especial del proceso en el sentido que aparecen algunos valores
inusualmente altos de un solo lado de la distribucin (izquierdo o derecho). Cabe aclarar
que existen caracters- ticas de calidad que por su naturaleza tienen sesgo, como los
tiempos de vida, las resis- tencias a la fatiga. Una forma de decidir si una distribucin
sesgada indica una situacin especial a corregir es comparar sta con la distribucin de
la misma caracterstica o de variables similares para datos obtenidos en otro periodo.
La recomendacin general es corroborar si hay algo especial atrs de una distribucin
con sesgo.
Distribucin multimodal. En la gura 8.7c) se aprecia un histograma en el que se notan
claramente dos modas o picos, que muestran dos tendencias centrales diferentes.
Este tipo de distribuciones con dos o ms modas reejan la presencia de dos o ms
realidades o condiciones diferentes. Algunas situaciones que pueden causar una distribucin multimodal son:
a) Diferencias importantes de lote a lote en la materia prima que utiliza el proceso,
debido a que proceden de diferentes proveedores o a exceso de variacin de un
mismo proveedor.
b) En el proceso han intervenido varios operadores con criterios o mtodos de trabajo
diferentes.
c) Las mediciones fueron realizadas por personas o instrumentos diferentes,
utilizando distintos criterios o con instrumentos mal calibrados.
d ) El proceso, cuando gener los resultados de la distribucin multimodal, estuvo
ope- rando en condiciones diferentes (una condicin para cada moda).
e) En general, una distribucin multimodal se debe a la presencia de fuentes de variacin bien denidas que tienen que identicarse y corregirse para as mejorar la
capacidad del proceso correspondiente. Una forma de identicarlas es analizar por
separado los datos en funcin de diferentes lotes de materia prima, operadores,
instrumentos de medicin, turnos o das de produccin, etc., para as comparar los
resultados y ver si hay diferencias signicativas.
Distribucin muy plana. En ocasiones, el histograma muestra una distribucin muy
chata o muy plana y que est lejos de tener forma de campana. Las situaciones
que pueden causar esto son las mismas que las de la distribucin multimodal, con la
particularidad de que las diferencias son menos fuertes; sin embargo, pueden afectar
seriamente la capacidad de un proceso. Por lo que tambin deben ser identicadas y
corregidas mediante la estrategia recomendada antes.
Distribucin con acantilados. En el histograma de la gura 8.7d ) se observa un acantilado derecho, que es una suspensin o corte muy brusco en la cada de la distribucin.
Algunas de las posibles causas que motivan la presencia de un acantilado son: lote de
artculos previamente inspeccionados al 100% en el que se excluyeron los artculos
que no cumplan con alguna medida mnima o que excedan una medida mxima (como
en la gura), problemas con el equipo de medicin, errores en la medicin o inspeccin
(cuando el inspector est predispuesto a no rechazar un artculo y observa que ste
casi cumple con los requisitos, registra la medida mnima aceptable). En general, un
acantilado es anormal y se debe buscar la causa del mismo.

distribucin sesgada

distribucin
multimodal

5. Datos raros o atpicos. Una pequea cantidad de mediciones muy

extremas o atpicas son fcilmente identicadas mediante un
histograma, debido a que aparece una o ms barras pequeas
bastante separadas o aisladas del resto. Un dato raro reeja una
situacin especial que se debe investigar, y entre las posibles causas
estn las siguientes:
El dato es incorrecto, ya sea por error de medicin, de registro o de dedo, cuando
se introdujo a la computadora.
La medicin se hizo sobre un artculo o individuo que no pertenece al proceso o poblacin a la que pertenece el resto.
Si quedan descartadas las dos situaciones anteriores, entonces la medicin se debe
a un evento raro o especial. Es decir, cuando se hizo esa medicin estaba ocurriendo
en el proceso una situacin especial fuera de lo comn (en el captulo 14 se trata con
mayor detalle las situaciones especiales).

6. Estraticar. En ocasiones, en el histograma no se observa ninguna

forma particular, pero hay mucha variacin y, en consecuencia, la
capacidad del proceso es baja. Cuando los datos procedan de
distintas mquinas, proveedores, lotes, turnos u operadores, puede
encontrarse informacin valiosa si se hace un histograma por cada
fuente (estraticar), con lo que se pue- de encontrar la mquina o el
proveedor ms problemtico.
Con base en los puntos anteriores, es recomendable que siempre que
se analicen datos, se utili- ce el histograma y ste se interprete a detalle.
De esa manera se podrn detectar situaciones proble- mticas y posibles
soluciones para las mismas. Adems, ser una forma concreta de que los
datos y mediciones sobre los procesos, que en ocasiones abundan, se
conviertan en informacin til para la toma de decisiones y acciones. Se
deber tener la precaucin de que el histograma se haya obtenido de
manera correcta, sobre todo en lo referente al nmero de clases y a la
cantidad de datos.

Errores en la toma de decisiones con el uso de la

media
Hemos dicho que es frecuente que no se empleen datos para tomar
decisiones, y cuando se utilizan es frecuente que slo se use la media
aritmtica. El promedio sirve para evaluar productos, provee- dores,
empleados, planes, empresas, etc. Por lo general, en estas evaluaciones, si
el promedio fue satisfactorio se premia o felicita; si por el contrario, no lo
fue, entonces se castiga o se llama la aten- cin. Cuando se decide de este
modo, es frecuente caer en errores (Deming, 1989), debido a que el
concepto que se tiene de la media es equivocado y no se toma en cuenta
la variabilidad.
Aunque a lo largo del presente captulo se han mencionado algunos de
los errores que se cometen por el uso excesivo de la media y por ignorar la
variabilidad, en esta seccin se presentarn, de manera resumida, algunos
de los errores ms frecuentes en la concepcin de la media (Gutirrez,
1994).
1. Se cree que los valores de todos los datos son iguales o estn muy cerca de la media, ignorando
que sta no proporciona ninguna informacin sobre la variabilidad.
Por ejemplo, al decir que el contenido promedio de una lata es de

375 ml, entonces es comn que las personas piensen o entiendan

que todas las latas contienen 375 ml, o bien, que estn muy cerca de
ese valor, lo cual reeja un desconocimiento de lo que mide la media
y de la funcin de las medidas de variabilidad. En este caso, la
variabilidad en el contenido de las latas tiene dos fuentes: las
dimensiones y la cantidad vertida en las mismas.
2. La media como el dato ms frecuente, y con esto se olvida que lo anterior slo
se da en datos simtricos y unimodales, es decir, desconociendo el
concepto de moda y confundindolo con el de media.
3. La media es el valor que est en medio y que a la izquierda de l quedan 50%
de los datos, lo mismo que a la derecha. De este modo se ignora el
concepto de mediana y el hecho de que a la media la jalan los
sesgos y los datos raros de un solo lado.

161

CAPTULO OCHO Estadstica descriptiva: la calidad

y ladevariabilidad
Preguntas
repaso y ejercicios del captulo 8

161

4. La media muestral igual a la media poblacional, con lo que se desconoce que la

media mues- tral es una variable aleatoria. El lector habr notado
que en las secciones anteriores se pone nfasis en que lo que se
observa sobre el comportamiento de los datos es vlido para la
mues- tra, y en la medida en la que sta sea representativa y grande,
tambin tendr cierto grado de validez para la poblacin.
Por ejemplo, a partir de un lote se extrae una muestra aleatoria y se
detecta que 15% de sus artculos no cumple con especicaciones de
calidad; evidentemente eso quiere decir que tal lote y el proceso con el
que se fabric tienen problemas de calidad, aunque no se pueda asegurar,
con base en la muestra, cul es el porcentaje exacto de artculos en el lote
que no cumple con especica- ciones debido a que lo que se observa en la
muestra es variable y depende de las piezas que fueron seleccionadas. Lo
ms que se puede hacer es usar la muestra para estimar con cierta
conanza un intervalo donde est el porcentaje de artculos defectuosos
en el lote (vea Gutirrez Pulido y de la Vara, 2009).
Con propsitos ilustrativos, suponga que en el departamento de ventas
de una empresa laboran seis personas, cuya antigedad en aos en la
empresa es 2, 3, 4, 6, 7, 10. Como se puede ver, la anti- gedad promedio
de tales empleados es de 5.4 aos. Sin embargo, si se considera que se
desconoca la antigedad exacta de los seis trabajadores y que para
investigarla se les pregunt a cuatro de ellos, entonces dos posibles
muestras son 2, 3, 4, 6 y 4, 6, 7, 10. La primera muestra tiene una media
igual a 3.75 y la segunda a 6.75; ambas discrepan aunque procedan de la
misma poblacin y ninguna de las dos es igual a la media real (5.4). As
que una media muestral no es exactamente igual a la media poblacional.
Como se ha visto, el uso del promedio como nico criterio de decisin
puede llevar a errores, por lo que en la prctica cotidiana en la empresa y
en la enseanza de la estadstica se deben tomar precauciones, dando
sentido y utilidad al resto de los conceptos estadsticos (mediana,
desviacin estndar, histograma, inferencia estadstica), lo cual no
descartara errores, pero s los reducira de manera importante y se estara
en la ruta de adentrarse en la estadstica, para comprender su verda- dero
papel: entender la variabilidad.

Preguntas de repaso y ejercicios del captulo 8

162

CAPTULO OCHO Estadstica descriptiva: la calidad

y ladevariabilidad
Preguntas
repaso y ejercicios del captulo 8

1. Qu obtuvo Mathew Maury al analizar los diarios

de a bordo de los viajes navales?
2. Describa algunas de las fallas en la obtencin de informacin que se comentaron en la primera seccin
de este captulo.
3. Cules son los 6 M de un proceso?
4. Qu es el pensamiento estadstico?
5. Seale cmo se puede utilizar el pensamiento estadstico en los niveles estratgico, directivo y operacional de una organizacin.
6. Proporcione dos ejemplos de variables cualitativas y
dos de variables cuantitativas.
7. Se dijo que de acuerdo con el tipo de especicaciones de una variable de salida existen tres categoras
de variables: entre ms pequea mejor, entre ms
grande mejor, y el valor objetivo es mejor. D un par
de ejemplos para cada una de ellas.
8. De qu manera afectan los datos raros a la media?

162

9. Explique los errores en la interpretacin de la media

que se sealan en la seccin Errores en la toma de
decisiones con el uso de la media.
10. Explique la relacin entre la media y la desviacin
estndar que establece la regla emprica y el teorema de Chebyshev.
11. Se desea investigar el peso promedio de 1 000 artculos de un lote, por lo que se eligen aleatoriamente 40

de ellos, se pesan y se obtiene que x 5 252 gramos

con S 5 5.
a) Quiere decir que el peso medio de los 1 000
artculos es de 252?
b) La mayora de los artculos pesa 252 gramos?
c) De los 40 artculos en la muestra es probable
que alguno pueda pesar 300 gramos? Aplique la
regla emprica para contestar.
12. En una empresa se llevan los registros del nmero
de fallas de equipos por mes; la media es de 10 y la
mediana de 5:

 CAPTULO OCHO Estadstica descriptiva: la calidad

y ladevariabilidad
Preguntas
repaso y ejercicios del captulo 8

163

a) Si usted tiene que reportar la tendencia central

de fallas, qu nmero reportara?
b) La discrepancia entre la media y la mediana se
de- bi a que en varios meses ocurrieron pocas
fallas?
13. Un aspecto clave de la calidad de cierto producto es
su peso: la norma establece que su peso mnimo
sea de 2 kg. El ingeniero de produccin informa que
se est cumpliendo con tal norma, ya que el peso
promedio del producto es de 2.2 kg. Est usted de
acuerdo con el ingeniero?
14. Tres mquinas, A, B y C, realizan cortes de manera
automtica de ciertas tiras de hule. La longitud ideal
de las tiras es de 90 cm, con una tolerancia de
62 cm. Se toma una muestra de 80 piezas de la
produccin de una semana de cada mquina.
a) La longitud promedio
de las 80

tiras de cada mquina

92. son: A, x 5 90; B, x 5 90.5; C, x 5
Con base en esto puede decidir cul mquina es
mejor?
b) Si adems la desviacin estndar obtenida es: A,
S 5 1.5; B, S 5 1.0; C, S 5 0.5, decida cul
m- quina estuvo funcionando mejor. Aplique la
regla emprica.
15. En el ejemplo 8.2 se detect que se tienen problemas con el grosor de las lminas porque no se cumple con las especicaciones: 5 mm 60.8 mm. Con el
objetivo de corregir tal situacin, un equipo genera
un proyecto de mejora. Para vericar si las acciones
ejecutadas dieron resultado, se toman aleatoriamente 45 lminas de la produccin de una semana posterior a las modicaciones. Los espesores obtenidos
se muestran a continuacin.
5.2
5.0
4.7
4.7
5.6
5.2

5.4
4.9
4.9
5.1
5.2
5.1

5.4
4.3
5.6
5.3
4.7
4.9

4.7
4.7
4.7
5.0
4.6
5.0

5.1
5.3
4.7
5.3
5.0
5.0

4.7
4.6
4.5
4.5
5.4

5.0
4.8
5.1
4.4
4.7

5.1
4.4
4.7
4.7
4.8

163

a) Calcule la media, mediana y desviacin estndar

y, comparndolas con las respectivas estadsticas
antes de la mejora, decida si el plan dio resultado.
b) Construya un histograma e inserte en l las especicaciones y, comparndolo con el histograma
antes de la mejora, investigue si el plan fue exitoso. Argumente su respuesta.
16. Una caracterstica clave en la calidad de las pinturas
es su densidad, y un componente que inuye en tal
densidad es la cantidad de arena que se utiliza en la
elaboracin de pinturas. La cantidad de arena en
la formulacin de un lote se controla con base en el
nmero de costales, que segn el proveedor deben
contener 20 kg. Sin embargo, continuamente se
tienen problemas en la densidad de la pintura, que
es necesario corregir con trabajo y procesos adicionales. En este contexto, en la empresa se preguntan:
cunta arena contienen en realidad los costales?
Para averiguarlo deciden tomar una muestra aleatoria de 30 costales de cada lote o pedido (500 costales). Los pesos obtenidos en las muestras de los
ltimos tres lotes aparecen en la tabla 8.3.
a) Las tolerancias que se establecen para el peso
de los costales de arena son 20 60.5. Calcule los
estadsticos bsicos para las muestras y decida si
la calidad es satisfactoria.
b) Calcule los estadsticos bsicos para los 90 datos
y d una opinin global sobre el peso de los costales.
c) Obtenga un histograma para los 90 datos, inserte
las especicaciones y obtenga una conclusin
general sobre el peso de los bultos.
d ) Con base en lo anterior, cul debe ser la posicin de la fbrica de pinturas ante el proveedor
de arena?
17. En una fbrica de envases de vidrio se han tenido
problemas con la capacidad de las botellas de 750 ml.
Con base en el historial del proceso se sabe que la

Tabla 8.3 Datos para el ejercicio 16.

Lote

Peso de los costales de la muestra (kg)

18.6
18.8
19.6

19.2
19.3
19.0

19.5
19.1
19.1

19.2
18.6
19.1

18.9
19.4
19.6

19.4
18.7
19.4

19.0
21.0
19.8

20.0
19.8
19.1

19.3
19.0
20.0

20.0
18.6
20.4

18.6
18.9
19.2

19.9
18.4
20.6

18.8
19.5
19.0

18.4
19.1
19.7

19.0
18.5
20.0

20.1
19.6
18.4

19.7
19.4
18.9

19.3
19.6
19.7

20.7
20.3
17.8

19.6
18.8
19.4

20.1
19.9
20.0

20.2
20.3
20.0

21.0
20.0
20.4

19.7
19.7
20.2

20.1
20.8
20.2

20.0
19.7
19.7

19.1
19.7
20.0

20.4
20.4
19.6

19.6
19.8
19.7

20.6
20.5
19.8