Reservados todos los derechos.

Queda
prohibido reproducir parte alguna de esta
publicacin, cualquiera que sea el medio
empleado, sin el permiso previo del editor
(Organismo Ejecutor del Convenio de
Cooperacin Tcnica TECSUP/BID).

UNIDAD

Fundamentos de
Estadstica

Tecsup Vritu@l

Indice

Indice
Unidad I: Fundamentos de Estadstica
1.
2.
3.

4.

5.
6.
7.

LOS PROCESOS INDUSTRIALES Y LA CALIDAD ........................................................... 1

LOS COSTOS DE LA CALIDAD .................................................................................... 2
FUNDAMENTOS DE ESTADSTICA .............................................................................. 4
3.1. PRINCIPIOS BSICOS DE LA ESTADSTICA........................................................ 4
3.1.1. RESUMEN NUMRICO DE LOS DATOS..................................................... 7
3.1.2. El promedio muestral. ............................................................................ 7
3.1.3. La desviacin estndar muestral. ............................................................ 7
3.1.4. PRESENTACIN GRFICA DE LOS DATOS ..............................................10
3.1.5. CONSTRUCCIN DE UN HISTOGRAMA DE FRECUENCIAS .......................11
3.1.6. RESUMEN NUMRICO DE UN HISTOGRAMA ...........................................15
EJERCICIOS PROPUESTOS........................................................................................18
4.1. EJERCICIO ......................................................................................................18
4.2. EJERCICiO ......................................................................................................19
4.3. EJERCICIO ......................................................................................................20
4.4. EJERCICIO ......................................................................................................21
4.5. EJERCICIO ......................................................................................................21
PREGUNTAS DE AUTOCOMPROBACIN ....................................................................22
RESPUESTAS AL CUESTIONARIO ..............................................................................23
REFERENCIAS..........................................................................................................23

Tecsup Virtu@l

Control Estadstico de Procesos

UNIDAD I
FUNDAMENTOS DE ESTADSTICA
INTRODUCCIN
Cuando vemos por televisin un partido de ftbol, al final del partido siempre salen las
estadsticas que nos cuentan cuntas veces pate cada equipo al arco, cuntas tarjetas
amarillas y rojas sac el rbitro, o cuntos goles fallaron los delanteros de nuestra querida
seleccin.
En realidad, lo que nos estn presentando es una recopilacin de datos. Pero, la estadstica va
ms all de una simple recopilacin de datos; la estadstica, adems, se ocupa de observar la
tendencia que siguen los datos recopilados y analizar si la tendencia seguida es normal.
Las tcnicas estadsticas pueden, de esta manera, aplicarse a los procesos industriales, a fin de
asegurar el adecuado curso de los mismos, dentro de ciertas especificaciones tcnicas y con
ayuda de ciertas herramientas de la calidad.
OBJETIVOS

Relacionar los conceptos de Calidad, Control de Procesos y Control Estadstico.

Manejar adecuadamente medidas bsicas de Tendencia Central y de Dispersin para un

conjunto de datos numricos.

Utilizar herramientas bsicas de estadstica y calidad como son la Distribucin de

Frecuencias y el Histograma de Frecuencias.

1. LOS PROCESOS INDUSTRIALES Y LA CALIDAD

El Control Estadstico de los Procesos se relaciona en
mucho con el concepto de calidad, en tanto el
propsito perseguido por el Control Estadstico de los
Procesos busca asegurar la calidad en la fabricacin o
en la elaboracin de los productos mediante el empleo
de tcnicas estadsticas.
A comienzos de este siglo XXI guarda an absoluta validez aquella frase que a fines del siglo
XIX enunciara Lord Kelvini: cuando es posible medir algo, se sabe de qu se est
hablando. Esto viene a colacin, pues la manera que el Control Estadstico de los Procesos
intenta asegurar el curso adecuado de los procesos es cuantificando alguna caracterstica de
calidad.

Pag. 1

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

El concepto de calidad asociado al contexto antes mencionado es el que compara el

producto obtenido con relacin a su diseo y que es denominado calidad de conformacin.
Si bien se puede hablar de calidad de conformacin en la recepcin de la materia prima, en
el procesamiento de los materiales y en la obtencin del producto final, en el presente curso
nos centraremos en los procesos de transformacin de los materiales, ya que es aqu donde
de manera interna una empresa puede lograr una importante ventaja competitiva de
aplicar adecuadamente la tcnica estadstica ms adecuada al reducir sus costos de
produccin, principalmente por poder identificar y corregir desviaciones, de tal forma que se
pueda tener el proceso bajo control.
Slo sabremos si un proceso est bajo control insistimos si cuantificamos alguna
caracterstica de calidad. Pero, cmo identificar una caracterstica de calidad? Comencemos
por diferenciar los tipos en los que se puede clasificar las caractersticas de calidad:
variables y atributos.
Una caracterstica de calidad puede considerarse como una variable si es susceptible de ser
medida en una escala continua.
Una caracterstica de calidad puede considerarse como un atributo si no es susceptible de
ser medida en una escala continua, pero permite diferenciar entre productos defectuosos y
no defectuosos.
A fin de aclarar esta clasificacin, pensemos en un tornillo de cabeza hexagonal. En este
tornillo podemos medir el dimetro de la rosca, el largo del tornillo, las dimensiones de la
cabeza, el peso del tornillo; entonces, pueden considerarse como variables en la calidad del
tornillo. Por otro lado, al preguntarnos est oxidado?, es muy rugoso?, es muy poroso?,
presenta quies?, est doblado?, la respuesta ser s o no, y llevar a decidir si el tornillo
est bien fabricado o est defectuoso (pasa o no pasa); entonces, la oxidacin, la rugosidad,
la porosidad, la quiadura, el doblado pueden considerarse como atributos en la calidad del
tornillo.
Con justa razn, alguien podr inferir: si se trata de cuantificar la calidad, cmo hacemos
con los atributos si stos no se pueden medir?. La respuesta es por dems sencilla: no
podemos medir los atributos, pero podemos por ejemplo contar cuntos defectos
(oxidado + muy rugoso + quiado + doblado = 4 defectos) presenta un tornillo. O tambin
podramos contar cul es el atributo (defecto) que aparece con mayor frecuencia en un lote
de tornillos.
2. LOS COSTOS DE LA CALIDAD
Cuntas veces he escuchado decir con espero ingenuo
entusiasmo y preocupante facilidad la calidad no cuesta? Slo
habra que pensar en CAPACITACIN para identificar rpidamente
un costo de calidad; y ni qu decir si pensamos en CULTURA,
porque as es: LA CALIDAD ES CUESTIN DE CULTURA.

Pag. 2

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Pero, no slo el capacitar a nuestro personal nos costar para trabajar con calidad. Es ms,
basta decir que son cuatro las categoras de costos de la calidad, a saber:

Costos
Costos
Costos
Costos

de
de
de
de

prevencin
evaluacin
fallas internas
fallas externas

Los costos de prevencin son aquellos que buscan de anticipar, mediante el diseo y la
planificacin, cualquier disconformidad en los procesos.
Los costos de evaluacin son aquellos en los que se incurre al medir variables o inspeccionar
los procesos con el fin de asegurar la calidad de los mismos.
Los costos de fallas internas se generan cuando un producto debido a fallas en el proceso
resulta defectuoso, pero el defecto es descubierto antes que el producto sea entregado al
consumidor.
Los costos de fallas externas son los que se generan cuando un producto debido a fallas en
el proceso resulta defectuoso, y el defecto es detectado por el consumidor.
A continuacin se presenta un cuadro detallando los costos considerados en cada categora:
COSTOS DE
PREVENCIN
Planeacin
e
ingeniera de calidad
Revisin de nuevos
productos
Diseo de productos
y procesos
Control de procesos
Supervisin
Capacitacin
Obtencin y anlisis
de datos de calidad

COSTOS DE
EVALUACIN
Inspeccin
y
pruebas del material
entrante
Inspeccin
y
pruebas
del
producto final
Materiales
y
servicios consumidos
Conservacin de los
equipos de pruebas

COSTOS DE
FALLAS INTERNAS
Desperdicios
Retrabajos
Reinspeccin
Anlisis de fallas
Prdidas
en
produccin
Tiempos muertos
Subvaluacin

COSTOS DE
FALLAS EXTERNAS
Reclamos
Devoluciones
Servicios en garanta
Indemnizaciones
Costos
de
oportunidad

Puede servir de ejemplo, para entender esta categorizacin, el pensar en una empresa
dedicada a la fabricacin de sillas: El ensear a los operarios el procedimiento correcto
para fabricar las sillas es un costo preventivo. El inspeccionar la calidad de los tubos de
acero que llegan a la planta y que servirn para el esqueleto de las sillas es un costo de
evaluacin. Si un lote de sillas sale con manchas decoloradas, la empresa deber vender
a un menor precio estas sillas con yaya, incurriendo en un costo de falla interna. Si un
lote de sillas pierde con facilidad los tornillos que fijan el asiento, los consumidores no
harn una buena propaganda y la empresa podra perder un sector del mercado,
incurriendo en un costo indirecto por oportunidad perdida.
De lograr identificar y CUANTIFICAR los costos mencionados en el cuadro, una empresa
estara ad-portas de poder realizar un anlisis de estos costos, a fin de buscar
oportunidades de mejora, introducir estas mejoras y llegar a una reduccin sustancial de
los costos.

Pag. 3

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Como es lgico suponer, la empresa ha de contrapesar el invertir en la prevencin y la

evaluacin de la calidad versus gastar por causa de las fallas internas y externas. Existen
innumerables casos de empresas que por cada dlar invertido, segn el rubro de la
empresa y segn el nfasis puesto en el aseguramiento de la calidad, han podido ahorrar
desde US$10 hasta US$100 (por cada dlar invertido!) y en algunas empresas la
retribucin ha sido an mayor, gracias a que el prevenir y evaluar a tiempo les ha
permitido lograr una considerable reduccin de fallas.
3. FUNDAMENTOS DE ESTADSTICA
3.1. PRINCIPIOS BSICOS DE LA ESTADSTICA
Antes que realizar elaborados clculos estadsticos, las tcnicas estadsticas
utilizadas en el control de procesos se apoyan en el uso de ciertas herramientas de
la calidad, las cuales se fundamentan en los siguientes principios bsicos:

1
no hay dos cosas
exactamente
iguales

6
2
las variaciones son
medibles

PRINCIPIOS
BSICOS EN
ESTADSTICA

la curva normal de
distribucin se
deforma por
causas asignables

5
es conocida la
curva de
distribucin de los
procesos

las variaciones
siguen un patrn
determinado

4
lecturas del mismo
tipo tienden a
agruparse hacia el
centro

A continuacin, desarrollaremos y trataremos de comprender cada uno de estos

principios bsicos:
1. No hay dos cosas exactamente iguales.
Cuntas veces nos hemos sorprendido cuando con gran facilidad
una madre logra diferenciar a sus gemelos, quienes para nosotros
son dos gotas de agua, y es que hasta dos gotas de agua
presentan pequeas diferencias.

Pag. 4

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Quienes se desenvuelven en el mbito de la produccin industrial traern ahora a

la mente los conceptos de tolerancia dimensional, tolerancia geomtrica y acabado
superficial como muestra clara de aceptacin de las diferencias entre productos
tericamente y aparentemente iguales.
2. Las variaciones son medibles.
Del principio anterior, hemos aceptado la
existencia de variaciones en un producto o
en un proceso. El hecho es que de no
monitorear estas variaciones, tal vez stas
se vean incrementadas con el tiempo, tanto
en magnitud como en frecuencia, hasta el
punto de hacer colapsar el proceso. Es decir,
nos vemos obligados a medir los resultados
de una operacin o de un proceso a fin de
identificar la aparicin de algn problema.

3. Las variaciones siguen un patrn determinado.

Al revisar las mediciones tomadas en una operacin o
en un proceso, rpidamente notaremos una tendencia
2= xxx
3= xxxxx
que proporciona la base de este tercer principio: las
4= xxxxxxxx
cosas varan de acuerdo a un patrn establecido.
5= xxxxxxxxxxxxx
Aunque suene un tanto determinstico, no lo es tanto
6= xxxxxxxxxxxxxxxxx
como el as estaba escrito ni tampoco es la persona
7= xxxxxxxxxxxxxxxxxxxxx
8= xxxxxxxxxxxxxxxx
encargada del proceso quien establece el patrn a
9= xxxxxxxxxxxx
seguir. Son las tcnicas estadsticas las cuales han
10= xxxxxxxxx
determinado de manera formal cul es la tendencia
11= xxxx
que siguen los procesos. La figura muestra el
12= xx
resultado de lanzar varias veces un par de dados; esta
figura recibe el nombre de distribucin de frecuencias
y en ella se nota el patrn clsico de los eventos aleatorios que se conoce como
distribucin normal.
4. Lecturas del mismo tipo tienden a agruparse en el centro.
Basta observar nuevamente la figura anterior para confirmar este principio. En
general y bajo condiciones aleatorias, se puede decir que cada vez que se miden
cosas del mismo tipo, la mayora de las lecturas queda cerca del centro.
5. Es conocida la curva de distribucin de los procesos.
Este principio es consecuencia de los cuatro anteriores y remarca que la forma de
la curva de distribucin para las partes fabricadas en un proceso industrial es la
curva normal de distribucinii y que esta forma se debe a las variaciones
inherentes a los procesos de fabricacin. Estas causas tienen su origen en alguna
de las cinco reas (las 5 Ms) mostradas en el siguiente diagrama de pescado:

Pag. 5

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Mquinas

Materiales

DIMENSIN
Mtodos

Medio
ambiente

Mano de
obra

Este diagrama conocido tambin como diagrama de Ishikawaiii o diagrama de

causa-efecto es utilizado, con el complemento de espinas secundarias, para
investigar las posibles causas de los problemas de un proceso.
6. La curva de distribucin normal se deforma por causas asignables.
Previo a la explicacin de este principio, merece hacer la distincin entre los dos
tipos de causas que originan los problemas en los procesos: las causas aleatorias
y las causas asignables.
Las causas aleatorias, fortuitas o del sistema son aquellas inherentes a los
procesos y siempre estarn presentes. Si un proceso genera variaciones en el
producto slo debido a causas aleatorias, se dice que el proceso es estable o que
est bajo control estadstico. Una prueba de un proceso estable es que los
resultados se distribuirn tendiendo a formar la curva normal de distribucin.
Las causas asignables son aquellas que no son inherentes al sistema y que
pueden considerarse como causas subsanables, como por ejemplo un operario
inexperto, un material defectuoso, excesivo calor en la zona de trabajo, etc.
Despus de esto ya podemos entender cmo las variaciones debido a causas
asignables tienden a deformar la curva de distribucin normal. Para mayor
ilustracin, la figura siguiente muestra algunas deformaciones de la curva normal.

Las medidas se
cargan a la derecha

Las medidas se cargan

a la izquierda

DISTRIBUCIN
NORMAL

Medidas en dos
grupos diferentes

Pag. 6

Medidas en dos grupos

diferentes superpuestos

Unidad I

Tecsup Virtu@l
3.1.1.

Control Estadstico de Procesos

RESUMEN NUMRICO DE LOS DATOS
De los principios bsicos arriba enunciados, los que destacan por su facilidad
para la representacin numrica (la cuantificacin!) son los referidos a la
tendencia central de los datos y a la variabilidad de los mismos. Y
precisamente, son dos los ms importantes clculos que se efectan para
resumir numricamente la totalidad de los datos tomados: el promedio
muestral y la desviacin estndar muestraliv.
Y ya que mencionamos el trmino muestral, definamos una muestra como
la coleccin de valores observados a partir de un conjunto ms grande. Este
ltimo conjunto abarca la totalidad de los objetos de estudio y se denomina
poblacin.
Hecha esta explicacin, pasemos a detallar el promedio y la desviacin
estndar.

3.1.2.

EL PROMEDIO MUESTRAL.
Supongamos que el tamao de una muestra es igual a n, por tanto, las
observaciones en dicha muestra sern:
x1, x2, x3, ... xn-1, xn
el promedio muestral (o media muestral) ser:
x=

3.1.3.

S2 =

x1 + x2 + x3 + ... + xn-1 + xn
n

LA DESVIACIN ESTNDAR MUESTRAL.

Supongamos que el tamao de una muestra es igual a n, por tanto, las
observaciones en dicha muestra sern:
x1, x2, x3, ... xn-1, xn
definamos, primero, la varianza muestral como:
(x1 x)2 + (x2 x)2 + (x3 x)2 + ... + (xn-1 x)2 + (xn x)2
n-1
y observamos que la varianza es la suma de los cuadrados de las
desviaciones de cada observacin con respecto al promedio muestral,
dividida entre el tamao de la muestra menos uno; teniendo el
inconveniente de presentar el resultado en unidades al cuadrado, por lo
cual se prefiere utilizar la raz cuadrada de la varianza.
A este resultado se le conoce como la desviacin estndar muestral:

S=

(x1 x)2 + (x2 x)2 + (x3 x)2 + ... + (xn-1 x)2 + (xn x)2
n-1
Resultara, por supuesto, bastante tedioso el ingresar cada una de las
desviaciones, sobre todo si el tamao de la muestra es bastante elevado.
Felizmente, las calculadoras cientficas y las hojas electrnicas de clculo
realizan funciones estadsticas y basta ingresar los datos para que calculen
automticamente x y S. La siguiente figura muestra una hoja de Excel con

Pag. 7

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

15 observaciones (celdas A1:A15), as como el promedio (celda C1) y la
desviacin estndar (celda C3) de las mismas.

Para comprender mejor la diferencia y el significado de tendencia central y

variabilidad, revisemos los siguientes ejemplos:
Ejemplo 1.
De una mquina empacadora de fideos se toma una muestra de 3 bolsas,
obtenindose las siguientes lecturas: 451 g., 452g., 453 g.
De otra mquina se toma una muestra de tambin 3 bolsas, obtenindose
las siguientes lecturas: 448 g., 452 g., 456 g.
Hallar el promedio y la desviacin estndar para cada muestra.
Solucin
Muestra 1:

Muestra 2:

x1 = 451
x2 = 452
x3 = 453
x = (x1 + x2 + x3)/n = (451 + 452 + 453)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 +
(0)2 + (1)2}/(2)
S2 = 1 => . S=1 .
x1 = 448
x2 = 452
x3 = 456
x = (x1 + x2 + x3)/n = (448 + 452 + 456)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(4)2 +
(0)2 + (4)2}/(2)
S2 = 16 => . S=4 .

Se puede apreciar que ambas muestras tienen el mismo promedio, a pesar

de tener diferentes desviaciones estndar.
Ejemplo 2.
De una mquina empacadora de fideos se toma una muestra de 3 bolsas,
obtenindose las siguientes lecturas: 451 g., 452g., 453 g.

Pag. 8

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

De otra mquina se toma una muestra de tambin 3 bolsas, obtenindose
las siguientes lecturas: 952 g., 953 g., 954 g.
Hallar el promedio y la desviacin estndar para cada muestra.
Solucin
Muestra 1:

Muestra 2:

x1 = 451
x2 = 452
x3 = 453
x = (x1 + x2 + x3)/n = (451 + 452 + 453)/3 => . x=452 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 +
(0)2 +(1)2}/(2)
S2 = 1 => . S=1 .
x1 = 952
x2 = 953
x3 = 954
x = (x1 + x2 + x3)/n = (952 + 953 + 954)/3 => . x=953 .
S2 = {(x1 x)2 + (x2 x)2 + (x3 x)2}/(n-1) = {(1)2 +
(0)2 + (1)2}/(2)
S2 = 1 => . S=1 .

Se puede apreciar que ambas muestras tienen la misma desviacin estndar,

a pesar de tener diferentes promedios.
Al analizar ambos ejemplos, podemos observar lo siguiente:

Cuanto ms alta sea la magnitud de las lecturas, mayor ser la magnitud

del promedio.
Cunto ms alta sea la dispersin de los datos, mayor ser la magnitud
de la desviacin estndar.

Estas observaciones nos llevan a dos importantsimas conclusiones:

El promedio es un reflejo de la magnitud de los datos muestrales.
La desviacin estndar refleja solamente la dispersin de los datos alrededor
del promedio.
MUESTRA

TENDENCIA
CENTRAL

Pag. 9

VARIABILIDAD

magnitud

dispersin

promedio

desviacin
estndar

Unidad I

Tecsup Virtu@l
3.1.4.

Control Estadstico de Procesos

PRESENTACIN GRFICA DE LOS DATOS
Los principios bsicos de la estadstica nos conducen a la curva de
distribucin normal, lo que a su vez nos conduce a graficar los datos a fin de
compararlos con la distribucin normal. Adems, si tuviramos que emplear
un elevado tamao de muestra, sera poco didctico presentar los datos
simplemente tabulados, ya que veramos slo un denso conjunto de
nmeros en donde sera muy difcil detectar la tendencia o patrn que
siguen los datos observados; lo lgico sera tratar de juntar los datos en
grupos, de tal manera que la informacin sea ms digerible.
Una de las herramientas de la calidad que permite de manera especfica
condensar grficamente lo antes expuesto es el histograma de frecuencias.
En el control estadstico de los procesos, el histograma de frecuencias es
considerado como una fotografa del proceso y como toda fotografa,
adems de la fecha en que fue tomada, no nos puede proporcionar
informacin que sea funcin del tiempo.
Un ejemplo muy comn de histograma es el que aparece peridicamente en
diarios o revistas preguntando por la gestin del Presidente de la repblica.
Para escaparnos del contexto poltico actual, supongamos que se trata de
una encuesta en el mes de noviembre del ao 2052:

Somos ms de 32 millones de peruanos (poblacin), pero, por obvios

motivos econmicos y tcnicos, no todos pueden ser encuestados; slo
se encuestaron a 5 mil personas (tamao de muestra).

No dira mucho si la encuestadora slo afirmara 4 mil de los 5 mil

entrevistados aprueban la gestin del presidente, ni tampoco sera dable
que publicara la opinin de cada uno de los 5 mil encuestados. Las
opiniones se agrupan en intervalos, por ejemplo, segn las edades o
segn niveles socio-econmicos de los encuestados.

Al comparar la forma del histograma con la curva normal de distribucin,

se ver una deformacin del histograma de frecuencias debido a causas
asignables que son estudiadas por los analistas polticos: ... es evidente
que el presidente haya logrado un mayor porcentaje de aceptacin entre
los encuestados entre 35 y 55 aos, desde que hace 2 semanas decret
la jubilacin a los 55 aos, ... la mayora de jvenes no estn
respaldando la gestin del presidente ante la idea lanzada de privatizar
las universidades nacionales.

Algo similar sucede en los procesos industriales, en donde se espera que el

histograma de frecuencias s se parezca a la curva de distribucin normal
para poder considerar que el proceso estudiado se encuentra bajo control
estadstico. Cualquier tendencia distinta podr ser atribuida a alguna causa
asignable y el analista industrial deber identificar y aminorar (si no
eliminar) toda causa asignable.
Es evidente que, para mantener estables nuestros procesos y tomar las
medidas y las acciones ms adecuadas para este propsito, requerimos de
excelentes y sumamente confiables encuestadoras industriales que nos
Pag. 10

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

den la mejor informacin para poder realizar un buen diagnstico.
Procedamos a revisar, paso a paso, cmo se construye un histograma de
frecuencias.

3.1.5.

CONSTRUCCIN DE UN HISTOGRAMA DE FRECUENCIAS

Con la ayuda de un ejemplo, describiremos cada paso a seguir en la
elaboracin de un histograma de frecuencias. Pongamos el caso de una
empresa dedicada a la produccin de bridas, considerndose el dimetro del
agujero de la brida como un dato importante para el control del proceso de
fabricacin.
1. Recopilacin de datos.
Si la empresa est familiarizada con la calidad, podremos obtener los
datos a partir de los reportes de inspeccin. Caso contrario, tendremos
que recopilar lecturas de diversas fuentes o simplemente comenzar a
muestrear la produccin.
Cualquiera haya sido la forma de obtener los datos (de preferencia, la
primera), supongamos que hemos logrado las siguientes 50
observaciones, tomadas para verificar si las bridas se encuentran dentro
de las especificaciones tcnicas.
406
405
403
407
406
405
404
408
406
405

Dimetro de brida (mm)

409
403
408
406
407
402
409
406
405
404
408
406
405
403
408
406
405
406
410
406
405
406
405
406
405
404
405
406
409
406

406
410
406
405
403
405
403
407
406
405

2. Bsqueda de la menor y la mayor de todas las lecturas.

Lectura mnima = 402 mm
Lectura mxima = 410 mm
3. Clculo del rango de las medidas.
Rango = Lectura mxima Lectura mnima = 410 mm 402 mm
Rango = 8 mm
4. Determinacin del nmero de intervalos en el histograma.
En un histograma, se divide el rango en intervalos ms pequeos, de
acuerdo al siguiente cuadro:

Pag. 11

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Gua para determinar la cantidad de intervalos en un histograma

Tamao de la muestra
Nmero de intervalos
< 50
de 5 a 7
de 50 a 100
de 6 a 10
de 101 a 150
de 7 a 12
> 150
de 10 a 12
Existe una regla prctica que aconseja un nmero de intervalos
aproximadamente igual a la raz cuadrada del tamao de la muestra;
regla prctica que coincide en mucho con el cuadro de arriba.
Si, en nuestro ejemplo de las bridas, hacemos caso a esta ltima
recomendacin, con un tamao de muestra de 50, deberamos tomar
alrededor de 7 intervalos.
5. Determinacin de la amplitud de los intervalos.
La amplitud de cada intervalo se obtiene dividiendo el rango entre el
nmero de intervalos obtenido en el paso anterior. De ser necesario, se
debe redondear a un nmero manejable.
Amplitud = rango/(nmero de intervalos) = 8/7
Convendra tomar una amplitud de 1.

6. Determinacin de los lmites de los intervalos.

Puesto que la lectura ms pequea es 402, es lgico que ste sea el
primer intervalo. Los siguientes intervalos se irn formando de 1 en 1
hasta 410 (la lectura ms grande).
7. Determinacin de las frecuencias.
Revisando el cuadro que agrupaba todos los datos, se debe marcar en
cada intervalo la lectura que corresponda, tal como muestra la siguiente
distribucin de frecuencias:
distribucin de frecuencias
intervalo marca
frecuencia
402
x
1
403
xxxxx
5
404
xxx
3
405
xxxxxxxxxxxxx
13
406
xxxxxxxxxxxxxxx
16
x
407
xxx
3
408
xxxx
4
409
xxx
3
410
xx
2

Pag. 12

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

8. Grfica del histograma de frecuencias.
Tal como muestra la figura:

histograma de frecuencia para los

dimetros de las bridas

freceuncia

20
15
10
5

410

409

408

407

406

405

404

403

402

0
dimetro (mm)

EJERCICIO
Una fbrica que est dedicada a la elaboracin de bebidas gaseosas
centra su atencin en una de las lneas de produccin, en donde se quiere
llevar el control del proceso de llenado de las botellas de 1 litro, para lo
cual se toma como cero de referencia 960 ml. De esta manera, los datos
recopilados son tales que al sumarles el cero se obtendr el contenido
real de cada botella (20 significa que la botella contiene 960+20=980 ml;
50 significa que la botella contiene 960+50=1010 ml).
En base a las lecturas tabuladas a continuacin, se desea construir el
histograma de frecuencias para este proceso.
contenido en las botellas de 1 litro de cutracola (ml)
(cero = 960 ml)

32
26
42
53
36
47
32
41
20
28

44
51
46
37
40
40
39
37
50
51

44
23
43
25
36
58
43
31
33
40

42
33
45
38
48
45
31
39
50
52

57
27
44
44
55
38
45
33
51
43

SOLUCIN
El primer paso para el desarrollo del histograma (recopilacin de datos) es
justamente dato del problema, por lo cual pasaremos a ejecutar el resto de
la secuencia.

Pag. 13

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Bsqueda de la menor y la mayor de todas las lecturas.

Lectura mnima = 20 ml
Lectura mxima = 58 ml

Clculo del rango de las medidas.

Rango = Lectura mxima Lectura mnima = 58 ml 20ml
Rango = 38 ml

Determinacin del nmero de intervalos en el histograma.

# de intervalos 50 7

Determinacin de la amplitud de los intervalos.

Amplitud = rango/(nmero de intervalos) = 38/7 = 5,42
Convendra tomar una amplitud de 5.

Determinacin de los lmites de los intervalos.

Puesto que la lectura ms pequea es 20, es lgico que ste sea el lmite
inferior del primer intervalo. Los siguientes intervalos se irn formando
de 5 en 5 hasta abarcar 58 (la lectura ms grande).

Determinacin de las frecuencias.

Ante todo, debe notarse que, por el hecho de buscar nmeros
manejables para la cantidad y la amplitud de los intervalos, finalmente
resulta que la distribucin de frecuencias queda conformada por 8
intervalos.
Distribucin de frecuencias
Intervalo
marca
frecuencia
20-24
xx
2
25-29
xxxx
4
30-34
xxxxx xx
7
35-39
xxxxx xxx
8
40-44
xxxxx xxxxx
13
xxx
45-49
xxxxx x
6
50-54
xxxxx xx
7
55-59
xxx
3

Pag. 14

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Grfica del histograma de frecuencias.
La cual es la meta final de este ejercicio.

CONTENIDO EN LAS BOTELLAS DE

1 LITRO (sobre 960 ml)
14

fecuencia

12
10
8
6
4
2

20
-2
4
25
-2
9
30
-3
4
35
-3
9
40
-4
4
45
-4
9
50
-5
4
55
-5
9

contenido (ml)
3.1.6.

RESUMEN NUMRICO DE UN HISTOGRAMA

Si nosotros fusemos los encargados de analizar el histograma, nuestro
primer problema sera el determinar los valores de tendencia central y de
dispersin, ya que no contamos con los datos puntuales; o si contamos con
ellos, pues sera un tanto tedioso estar retrabajndolos cuando ya contamos
con el histograma de frecuencias.
Cmo hacer para individualizar los datos que han sido agrupados por
intervalos?
La respuesta obliga a definir el concepto de marca de clase: la marca de
clase no es otra cosa que el punto medio de cada intervalo, es decir, el
promedio de los lmites de cada intervalo. Lo que se pretende con la marca
de clase es aproximar cada una de las lecturas de un intervalo a su
promedio. Dicho en otras palabras, cada dato se convierte en su marca de
clase, cada lectura se trabaja en funcin a esta marca de clase.
Pasemos, entonces, a ver cmo calculamos el promedio y la desviacin
estndar a partir de los datos de un histograma.
Tomemos como base el ltimo histograma generado. En l, regresando a la
distribucin de frecuencias, podemos identificar lo siguiente:

Pag. 15

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Distribucin de frecuencias
Intervalo
Marca de clase
20-24
22
25-29
27
30-34
32
35-39
37
40-44
42
45-49
47
50-54
52
55-59
57

Frecuencia

2
4
7
8
13
6
7
3

Podemos asumir como que tuviramos 2 lecturas de 22 ml (1er. intervalo), 4

lecturas de 27 ml (2do. intervalo), etc.
Por lo tanto, si queremos calcular el promedio, deberamos actuar de la
siguiente manera:
x = (22 + 22 + 27 + 27 +27 +27 +...+ 57 + 57 + 57)/50
x= [(2)(22)+(4)(27)+(7)(32)+(8)(37)+(13)(42)+(6)(47)+(7)(52)+(3)
(57)]/50
x = 40,7 ml
La frmula utilizada la podemos generalizar de la siguiente manera:
x=

Donde:

f1.m1 + f2.m2 + f3.m3 + ... + fn-1.mn-1 + fn.mn

n
x
f
m
n

= promedio aproximado de la muestra

= frecuencia
= marca de clase
= tamao de la muestra

Se sugiere comparar esta ltima frmula con la frmula de promedios

presentada en la pgina 7.
De manera similar, podemos proceder para estimar la varianza a partir de la
informacin brindada en la distribucin de frecuencias, recordando que la
varianza es la suma de los cuadrados de las desviaciones dividida entre el
tamao de la muestra menos uno. Por tanto, debemos actuar de la siguiente
manera:
S2 =

[(22-40.7)2+(22-40.7)2+(27-40.7)2+(27-40.7)2+(27-40.7)2+
(27-40.7)2+...]/(50-1)

o lo que es lo mismo:
S2=[2.(22-40.7)2+4.(27-40.7)2+...+7.(52-40.7)2+3.(57-40.7)2]/(50-1)
S2 = 82,46
Pag. 16

con lo cual: S = 9,08 ml

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

La frmula utilizada la podemos generalizar de la manera siguiente:

S2 =

f1(x1 x)2 + f2(x2 x)2 + f3(x3 x)2 + ... + fn-1(xn-1 x)2 + fn(xn x)2
n-1
donde:

S2 = varianza aproximada de la muestra

f = frecuencia
m = marca de clase
n = tamao de la muestra

Se sugiere comparar esta ltima frmula con la frmula de varianza

presentada en la pgina 7.
Este ejercicio merece un par de comentarios:

El manejar las frmulas arriba utilizadas requiere de un extremo esmero

y gran cuidado en el tratamiento de los datos, debido a lo trabajoso de
las frmulas. Una forma bastante recomendable para guardar el orden es
el trabajar de manera tabulada, tal como se muestra a continuacin:
CONTENIDO DE
LAS BOTELLAS DE 1 LITRO
resumen numrico del histograma
m f f.m m-x (m-x)2 f.(m-x)2
22 2
44 -18.7 349.69 699.38
27 4 108 -13.7 187.69 750.76
32 7 224 -8.7 75.69 529.83
37 8 296 -3.7 13.69 109.52
42 13 546
1.3
1.69
21.97
47 6 282
6.3 39.69 238.14
52 7 364 11.3 127.69 893.83
57 3 171 16.3 265.69 797.07
50 2035
4040.50
2
x= 40.7
S = 82.45918
S= 9.08070

Al inicio del apartado, mencionamos que los clculos efectuados eran

aproximados. Sera bueno ver cun aproximados han resultado nuestros
clculos.

Si hubisemos trabajado con la totalidad de los datos, obtendramos:

Pag. 17

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

CONTENIDO DE
LAS BOTELLAS DE 1 LITRO
resumen numrico de los datos
32
44
44
42
57
26
51
23
33
27
42
46
43
45
44
53
37
25
38
44
36
40
36
48
55
47
40
58
45
38
32
39
43
31
45
41
37
31
39
33
20
50
33
50
51
28
51
40
52
43
x = 40.56 ml
S = 8.96969956 ml
Con lo que tendramos, pues, una muy buena aproximacin al haber
considerado:
x = 40,7 ml (contra 40,56, hay un error de 0,35%)
S = 9,08 ml (contra 8,97, hay un error de 1,24%)

4. EJERCICIOS PROPUESTOS
4.1. EJERCICIO
Identifique una operacin o un proceso en la empresa donde usted labora y
encuentre, para ese caso especfico, ejemplos CONCRETOS que generen costos en
calidad para las categoras mencionadas a continuacin:
Costo de prevencin:

Adiestramiento ______________________________________________________
__________________________________________________________________

Control de procesos __________________________________________________

__________________________________________________________________

Supervigilancia ______________________________________________________
__________________________________________________________________

Costo de evaluacin _________________________________________________

________________________________________________________

Inspeccin de materias prima __________________________________________

__________________________________________________________________

Pag. 18

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Pruebas en el producto _______________________________________________

__________________________________________________________________

Conservacin de la precisin del equipo de pruebas _______________________

__________________________________________________________________

Costo de fallas internas:

Subvaluacin del producto ____________________________________________

__________________________________________________________________

Reinspeccin _______________________________________________________
__________________________________________________________________

Costo de fallas externas:

Reclamos _________________________________________________________
__________________________________________________________________

Garantas __________________________________________________________
__________________________________________________________________

Devolucin de productos ______________________________________________

__________________________________________________________________

4.2.

EJERCICIO
Identifique una operacin o un proceso en la empresa donde usted labora y
encuentre, para ese caso especfico, un parmetro importante en el control de la
operacin o el proceso. Complete el diagrama colocando en las espinas secundarias
ejemplos CONCRETOS de causas que generen problemas dentro de las reas
indicadas:

Pag. 19

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

Materiales

Mquinas

Mtodos

Medio
ambiente

Mano de
obra

4.3. EJERCICIO
Mencione, para cada caso, dos ejemplos CONCRETOS de causas asignables que
generen la deformacin mostrada en la curva normal de distribucin de un
determinado proceso productivo:

Las medidas se cargan a la derecha

________________________________________

________________________________________

Las medidas se cargan a la izquierda

________________________________________
________________________________________

Las medidas forman dos grupos diferentes

_______________________________________
_______________________________________

Pag. 20

Unidad I

Tecsup Virtu@l
4.4.

Control Estadstico de Procesos

EJERCICIO
Una fbrica de autopartes produce un determinado eje, cuya dimensin crtica es un
dimetro donde deber alojarse un rodamiento. Tras muestrear 120 de estos ejes se
obtuvo la siguiente distribucin de frecuencias:
distribucin de frecuencias
intervalo
frecuencia
64.980 - 64.984
7
64.985 - 64.989
10
64.990 - 64.994
19
64.995 - 64.999
23
65.000 - 65.004
22
65.005 - 65.009
20
65.010 - 65.014
13
65.015 - 65.019
6
Calcular, de manera aproximada, el promedio y la desviacin estndar de la muestra.
EJE #024-0711-1970
DIMETRO PARA RODAMIENTO (mm)
resumen numrico de la distribucin de frecuencias
m
f
f.m
m-x
(m-x)2
f.(m-x)2
200000002 2000 000044 -00018.7 3400009.69 000000699.38

x=

S2=
S=

4.5. EJERCICIO
Una fbrica de autopartes produce un determinado eje, cuya dimensin crtica es un
dimetro donde deber alojarse un rodamiento. Tras muestrear 120 de estos ejes se
obtuvo la siguiente distribucin de frecuencias:
distribucin de frecuencias
intervalo
frecuencia
64.980 - 64.984
7
64.985 - 64.989
10
64.990 - 64.994
19
64.995 - 64.999
23
65.000 - 65.004
22
65.005 - 65.009
20
65.010 65.014
13
65.015 65.019
6
Pag. 21

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

El encargado del proceso le solicita elaborar el histograma correspondiente, pero le

pide que considere cero = 65,000 mm. Grafique el histograma solicitado y analice el
resultado. Adems: Piensa que es mejor ver el histograma o basta con la distribucin
de frecuencias?. Son correctos los valores en el eje horizontal?

25

EJE#024-0711-1970
("cero"=65,000 mm)

20
15
10
5
0
-18 -13

-8

-3

12

17

dimetro para rodaje (0,001 mm)

5. PREGUNTAS DE AUTOCOMPROBACIN
1. Cmo se relacionan los procesos industriales, la estadstica y la calidad?
2. Cmo se clasifican las caractersticas de la calidad?
3. Cules son las categoras en las que se agrupan los costos de la calidad?
4. Cules son los principios bsicos de la estadstica?
5. Cules son las dos medidas ms importantes que permiten resumir numricamente un
conjunto de datos muestrales?
6. Qu finalidad y qu limitacin tiene un histograma de frecuencias?

Pag. 22

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

6. RESPUESTAS AL CUESTIONARIO
1. Se busca de asegurar la calidad de los procesos industriales mediante el empleo de
tcnicas estadsticas.
2. Variables.
Atributos.
3. De prevencin.
De evaluacin.
De fallas internas.
De fallas externas.
4. No hay dos cosas iguales.
Variaciones medibles.
Patrn para las variaciones.
Tendencia hacia el centro.
Curva de distribucin conocida.
Deformacin por causas asignables.
5. Promedio muestral.
Desviacin estndar muestral.
6. Finalidad: condensar grficamente un conjunto de datos.
Limitacin: no da informacin temporal.

7. REFERENCIAS

1. Lord Kelvin (1824 1907). Cientfico britnico, nacido como William Thomson en Belfast,
Irlanda. Desarroll la escala de temperaturas absolutas que lleva su nombre.

2. La forma de la curva normal de distribucin es tan definida que se puede establecer con
bastante exactitud el porcentaje de lecturas en diferentes secciones de la curva. Existen
tablas que permiten en la denominada curva normal estndar obtener estos
porcentajes y adaptarlos, gracias a unas simples relaciones matemticas, a curvas
particulares.

Pag. 23

Unidad I

Tecsup Virtu@l

Control Estadstico de Procesos

3. Kaoru Ishikawa (1915 1989). Representante emblemtico del Control de la Calidad en

el Japn. Desarroll el diagrama de causa-efecto que resalta el hecho que los problemas
no tienen una causa nica.

4. En estadstica existen tambin la mediana y la moda, que son medidas que permiten
cuantificar las deformaciones de la curva normal de distribucin.

FIN DE LA UNIDAD

Pag. 24

Unidad I