Estadistica descriptiva:
la calidad y la variabilidad
En este capitulo se estudiaré cmo la estadistica se aplica en la realidad. Asimismo, se
‘nalizaré la importancia de tomar decisiones basadas en la evidencia abjetiva.
R OBTENCION DE DATOS
Cuando se quier® resolver de raiz un problema importante es neeesario tener informa-
cidn sobre ef mismo que permita identificar cuindo, donde y en qué condiciones se
da tal problema, y con qué magnitud; es decir, es necesario encontrar su regularidad
estadistica y sus fuentes de variabilidad. De igual manera, cuando se-va a tomar una
decisién 0 a ejecutar una accién es preciso contar con informacion: que les dé sustento
y viabilidad,
Por desgracia, la prctica de obtener informacién antes de actuar,corregir 0 decidir
es ty poco sorta: Los hibitos einer mperent cn tnucasoreairadones
radiciones y con
las Hevan a actuar con la experiencia, con corazonadas, intuiciones,
bbase en el métado de prueba y error.
Existe un gran mimero de ejemplos que ilustran la importancia de Ia informa-
‘cin para lograr mejoras, Un caso es el narrado por el Dr. Juran (1990). Enel sigho
ppasado un oficial de la marina de Estados Unidos, Mathew Maury, analiz6 los diatios
dde a bordo de los viajes navales. A diario registraba las condiciones encontradas por
el bareo durante el viaje; por ejemplo, velocidad y profundidad de las corrientes, tem-
peratura y profundidad de las aguas, direccion y fuerza de los vientos. Maury recogié
festa informacién y la anali26, con lo que identifi los lugares en el mar que tenian
fuertes vientos asi como la direccién de los mismos, también las zonas maritimas con
Corrientes de agua, temperaturas ¥ profundidades, y todo esto lo registré en fo que se
‘eonoce como cartas de navegacion.
Con la informacién proporcionada por las cartas de navegacién los marineros
ppodirian planear mejor sus viajes, esquivando vientos y corrientes desfavorables, y apro-
107 108
vechandlo otros. Como resultado, en 1851 un barco hacia 53 dias de Baltimore a Rio
de Janeiro, pero usando las cartas slo tard6 38; de Nueva York a San Francisco de 119
dias pasaron a hacer 89. La informacién registrada por los otros barcos se us6 para
que en los nuevos viajes no se cometieran los mismos errores, como navegar contra la
corriente, por ejemplo.
Parte de los nuevos habitos que exige Ia calidad es actuar, decidir y solucionar con
base en métodos y estrategias que partan de una informacidn objetiva sobre el pro-
blema; por ejemplo, antecedentes, frecuencia, localizacién, etc. (véase capitulo 15). Es
decir, calidad en la informacién y objetividad en los andlisis. De aquf que el punto de
partida para una mayor efectividad de las acciones y decisiones sea contar con infor-
macién de calidad. Sin embargo, en las organizaciones hay deficiencias en la obtenci6n,
de informacién como las siguientes.
© “Datitis Se obtienen datos sin ningiin propésito claro ¢ importante, lo cual resulta
en datos, cuestionarios, egistos y reportes en espera de que tengan alguna utilidad
Un sintoma de esta prictica son las actividades cuyo logro més importante es tener
‘una “terapia ocupacional’
‘© Obtencién de informacién para validar decisiones previamente tomadas. Es decir,
sélo tomar en cuenta la informacién favorable.
‘© Es raro que se tenga un plan global de por que se va a obtener informaci6n, cul
es la mejor fuente, cémo, cuando, quién, dénde, cémo se va a analizar, y qué
decisiones se pretenden tomar. Como ejemplo esta el disefto de cuestionarias con
papel, lapiz y ocurrencias
Informacion poco representativa y sesgada.
© Tables y errores sobre el papel de la estadistica tn la obtencién de informacién;
por ejemplo, tamatio de la muestra, confianza estadistica y aleatorizacién.
Antes de obtener informacién sobre un problema o una situacién, lo que se debe
tener muy claro y delimitado es el objetivo que se persigue y el tiempo y los recursos
de que se dispone para abordar tal problema, Ello llevari a ubicar mejor el problema
‘mediante los antecedentes, las acciones previas y la informacién con le que ya se cuenta,
de lo que se despreneera mas fécilmente el tipo de informacién que es necesaria para
localizar la causa rafz, No hacer Io anterior conduce, con frecuencia, a que la informa-
cidn que se obtiene no ayude a responder las interrogantes que se tienen y, en dtima
instancia, a tomar decisiones err6neas
Una vez localizado el problema, definidos los objetivos perseguidos identificado cl
tipo de informacion que se necesita, surgen entre otros los siguientes problemas: cémo
obtener tal informacién, en qué cantidad y como analizatla. Para esta tres cuestiones
no existe una tinica respuesta que se pueda consultar en un manual 6 en una tabla.
La respuesta la proporciona esencialmente la estadistica a partir del conocimiento del
‘objeto de estudio (problema), del tipo de accién 0 decision que se desee tomar y de
los recursos y e tiempo de que se dispone para abordar el problema.
El papel o funcién de la estadistica se puede representar mediante la figura 5.1
|A pantr de éta se aprecia que el objetivo iltimo de la estadistica es apoyar (0 funda-
mentar) la toma de decisiones o satisfacer ciertas necesidades de informacion sobre
tuna poblacion 0 proceso,
CALIDAD TOTALY PRODUCTIVIDAD Es Ores gu
| ers se persiguen ree
t Ne i s
[x!]-— [ovina ee r
En la figura 5.1 también se encuentran los pasos a seguir para una correcta pla-
neacién de la solucién de problemas o toma de decisiones. La estadistica en gencral
y las herramientas bisicas en particular, desempentan una funcién importante en cada
tuno de los pasos de la figura 5.1, tal como se evidenciaré en los siguientes capitulos.
De esta manera, se inicia con la identificacién de un problema o del objeto de estudio
Y se termina evalnando si las acciones dieron resultado de acuerdo con los objetivos
planteados, lo que sirve para replantear objetivos y aplicar de nuevo el cielo,
‘Ms adelante, en el capitulo 17, se estudiaran los métodos de muestreo aleatorio y,
cen el capitulo 8, las hojas de verificaciOn. Ambos son de gran utiidad para lograr que
los datos obtenidios sean convenientes y representatives.
R LA VARIABILIDAD Y EL PENSAMIENTO ESTADISTICO
luego de analizar la importance de obtener informacién para mejorar in proceso el cual
se entiende como un conjunto de actividades entrelazadaso interelacionadas que reciben
determinadosinssmosy los transforman en un rsuftado o en un producto (slda), es
necesario evaluar la calidad de este producto, es decir, el grado con el cual cumple los
requerimientos del lente (organizaién o persona que recbe el producto), para ello se
debe tomar en cuenta la vriabilidad. Debido queen un proceso interactdan materiales,
maquinas, mano o mente de obra (gente), mediciones, medio ambiente y métodos.
Estos sis elementos, as 6 M, determinan de manera global todo el proces, y cada uno
aporta parte dela variabildad (y dela calidad) de los resultados del proceso, tal como se
esquematiza en la figura 5.2. El resultado de todo proceso se debe a la accién conjunta
de las 6 M, por lo que si hay agin eambio signiiativo en el desempeio del proceso sea
accidental ocasionado, la azn de tal cambio se encuentra en tna o ms de las 6 ML
CAPITULOS. 1 ESTADISTICA DESCRIPTIVA:LA CALIDAD Y LA VARIABILIDAD
FIGURA 5.1
La toma de
‘decisiones y le
‘estadistica,
109 FIGURA 5.2
La variabilidad de
tun proceso. Cada M
‘perte una parte,
Igual, de la
variacion total
observads,
110
Jeg
Mano de obra Mediciones
os Métodos
Sa
Variable de salida (caracteristicas de calidad)
En un proceso, cada una de las 6 M tiene y aporta su propia variacién; por ejem-
plo, los materiales no son idénticos, ni toda la gente tiene las mismas habilidades y
entrenamiento, Pero ademés, através del tiempo, ocurren cambios frecuentes en las 6
M, como la llegada de un lote de material no adecuado o con caracteristcas especiales,
descuidos u olvidos, desajustes y desgastes de méquinas y herramientas,etcétera.!
Es justo por la posibilidad permanente de que ocurran estos tipos de cambios y
desajustes, por lo que es necesario monitorear constantemente los signos vitales de
tun proceso 0, en general, de un negocio (véase capitulo 1); por ejemplo, medir las
caracteristicas lave de los insumos, las condiciones de operaciGn. de los equipos. y las
‘variables de salida de los diferentes subprocesos, et. Sin embargo, no todos ls cambios
en las 6 M se reflejan en una variaciin significativa en los resultados del proceso, ya
que habré algunos que son inherentes al funcionamiento del proceso mismo (causas
comunes); y habré otras cambios que se deben a una situacién particulary atribuible
(causas especiales), Por ello, es necesario que el monitorco se realice en forma objetiva
y eficaz, y una forma de hacerlo es apoyéndose en las ténicas del control estadistico,
para asi decidir cual es la reaccion o accién mas adecuada de acuerdo al tipo de cambio;
es decir, desde no hacer ningtin cambio o ajuste, realizar cambios menores o incluso
generar un proyecto de mejora para lograr los resultados descados.
En el capitulo 15 se analizan los efectos desastrosos que tienen los defectos en
los costos, asi como la variacién en Ia satisfaccién del cliente. También se estudian
"Lasegunda ley dea termodinimica dice qu cualquier sistema tend aumeatar su entrap, deci,
tun proce gue sede ibe, in intervene, ajuseo cor eade a aumentar su desonden,
CALIDAD TOTALY PRODUCTIVIDAD ss
ls beneficios que trae para una empresa reducir la variabilidad de sus procesos hasta
alcanzar una calidad seis sigma
En los esfuerzos permanentes que hoy en dia es necesario realizar para mejorar la
calidad y la productividad de un proceso, resulta indispensable apoyarse en las ténicas y
el pensamiento estadistic, ya que proporcionan metodologia que faciitan la planeacion,
cl andlisis la toma de decisiones. Esto tiene ms relevancia si se toma en cuenta que hoy
en dia abundan los datos y cifras, pero en ocasiones escasea la informacin. Por ello, es
necesario entender y aprovechar la gran cantidad de cifas y datos. Ast, el campo de la
Extadistca, que es la Gencia en la cual se recolectan, organizan, presentan, analizan e
interpretan datos, tomando en cuenta la variabilidad con el propdsito de ayudar a una
toma de decisiones mas efzctiva.
En la mejora continua, ls ténicasestadstcas son de gran importancia en todo tipo
‘de empresas y en una gran diversidad de situaciones, por ejemplo son stiles para:
© dentificar dénde, cmo, cuindo y con qué frecuencia se presentan los problemas
(cegularidad estadistica).
© Analizar los datos procedentes de las gufas clave del negocio, para asi identificar
las fuentes de variabilidad, analiza su estabilidad y pronosticar su desempeno.
© Detectar con rapidez, oportunidad y a un bajo costo anormalidades en los procesos
Y sistemas de medicidn (monitoreo efica.
«© Ser bjetivos en la plancacién y toma de decisiones, evitando frases como el
“yo siento’ el "yo creo’ “mi experiencia” y el abuso de poder en la toma de de-
«© Expresar los hechos en forma de datos y evaluar de manera objetiva el impacto de
acciones de mejor.
© Enfocarsea los hechos vitals; es decir, a los problemas y causas realmente impor-
tantes
© Analizar de manera logica,sstemética y ordenada la bisqueda de mejoras.
El pensamiento estadistico
Lo que se acaba de explicar son aspectos fundamentales del pensamiento estadistico, que
«una filosofia de aprendizaje y accién basada en los siguientes principios: 1) todo el
trabajo ocurre en un sistema de procesos interconectados; 2) la variacién existe en todos
los procesos; 3) y entender y reducir la variacion son claves para el éxito. Se considera
‘que es una filosofia de aprendizaje y accién que relaciona la forma en que la gente
toma informacién del proceso (aprendizaje), y también la manera en que responde
4 esto (accién). Es decir, sila estadistica se utiliza adecuadamente, es posible conocer
¥ aprender de la realidad; pero esto no debe quedar ahi, sino que se debe actuar en
consecuencia a ese nuevo aprendizaje.
Ene primer principio se habla de procesos interconectados para enfatizar que los
Dprocesos no operan de manera aislada, més bien interactuan con el testo del sistema,
De tal forma que si no se toma en cuenta la manera en que se relaciona un proceso
con el resto del sistema, la optimizacion de una de las partes puede tener un efecto
negativo para el resto del sistema,
CAPITULO'S /- ESTADISTICA DESCRIPTIVA:LA CALIDAD ¥ LA VARIABILIDAD
m FIGURA 5.3
El pensamiento
‘estadistico en los
‘rep nivales de la
lorganizacion,
112
A dinde ees >
+ Desartllae implementa sistemas
ee Farmtgico de medicion para digi progrso.
organizacin? + akmula alos empledoew exprimentat
neva formas de hacer u taba,
Procesos | si
administrativos + Fila metas (sabe que ay variacién),
Wei ae + Se ena en ln procesos yn rectama
peat 4a los empleados por sit variacign,
urea + Grafica dats 6 os proceso.
nap *Idenitica medidas ives yoportunidades
de mejor,
El segundo principio reconoce que los resultados de todos los procesos son variables,
Jo cual ya se explicé y quedars en evidencia alo largo del libro. El terer principio es una
de las razones y objetivos principales de la mejora: reducir la variabilidad hasta lograr
niveles de excelencia en calidad, como el nivel de calidad Seis Sigma (véase capitulo 15).
Fl reto es que en una organizacién se logre profumdizar en la filosofia del pensamiento
estadistico para conocer la realidad tal como es (con variacidn), pero también le permitira
direccionar mejor sus esfueraos de mejora, En la figura 5.3 se muestra la forma en que el
pensamiento estadistico puede ayudar en los diferentes niveles de una organizacién.
R TIPOS DE VARIABLES
En un primer nivel de casifcacin las variables pueden ser cualitativas o cuantitativas. Las
variables cuaitativas, nominates o de atributos, son aquellas en donde las caracteristicas
que se estudian no son numéricas, Por ejemplo, tipo de producto, el producto exté
armado 0 no, nombre de los clientes, ete. Mientras que las variables cuantitativas son
aguellas cuyas caracteristcas pueden registrarse numéricamente. Por ejemplo, peso de
tun Jote, nimero de clientes atendidos, mimero de productos defectuosos.
as variables cuantitativas se clasifican como discretas 0 continuas, Las discretas
solo pueden adquirir ciertos valores y casi siempre hay “brechas” entre esos valores.
CALIDAD TOTALY PRODUCTIVIDAD. Por ejemplo: niimero de clientes atendidos (0, 1, 2,3...» ete), nimero de articulos
efectuosos por lote, niimeto de quejas, niimero de servicios de mantenimiento Por
su parte, las variables continnas pueden tomar cualquier valor dentro de un intervalo
‘especifico. Por ejemplo, el tiempo en que un cliente es atendido, Intuitivamente las
variables de tipo continuo son aquellas que requieren un instrumento de precisién para
medirse, tal como peso, volumen, voltae, longitud, resistencia, temperatura, humedad,
tiempo, dimensiones varias, eteétera
Por otro lado, como ya se dij, en un proceso hay variables de sada y de entrada,
Las de sala (caractersticas de calidad, o variables de respuesta, las Y), son las variables
fen las que se reflejan los resultados obtenidos por el proceso. A través de los valores
‘que toman estas variables se evaltia la eficacia del proceso. Por lo general son carae~
teristicas dela calidad del producto que se obtiene con el proceso, asi como variables
‘objetivo de un proceso; en ocasiones también se les conoce como variables de respuesta
© variables dependientes,
Por lo general, las variables de sada tienen especificaciones 0 tolerancias, ya que
los valores que deben tomar gencralmente estén delimitados o acotados. Por ejemplo,
en un proceso que produce piezas metilicas que van a ser ensambladas, las dimensiones
de estas piezas deben caer dentro de cierto rango 0 especificaciones, de lo contrario no
ensamblardn. Cuando se satisfacen estos requerimientos se dice que el proceso cumple
las especificaciones de calidad. Existen tres tipos de variables de salida o caracterstcas
de calidad, de acuerdo al tipo de especificaciones que deben de curplir:
© Entre mas pequeiia mejor. Son variables 0 caracteristicas de calidad cuya ti
exigencia ¢s que no excedan un cierto valor maximo tolerado 0 una especificacion
superior (¢5),y entre mas pequeio sca su valor es mejor. Por ejemplo, el porcentaje
de impurezas en una sustancia o la cantidad de sustancias téxicas en un producto
alimenticio.
© Entre mas grande mejor. Son variables o caracteristicas de calidad a las que se les
exige que sean mayores que un valor minimo 0 que una cierta especificacién in-
ferior (x), y entre mas grande sea el valor de la variable es mejor. Por ejemplo, la
resistencia de una pieza de plisico inyectado o la “blancura” de una tela de color
blanco.
© Valor nominal es el mejor. Variables que deben tener un valor especifco, y que por
lo tanto, no deben ser menores que una especificaciOn inferior (c1), pero tampoco
rmayores que una superior (ts). Ejemplos de est tipo de caractersticas de calidad
con doble especificaciin son el didmetro interior de una tuerca y la longitud de
tuna pieza para ensamble.
Por su parte, las variables de entrada del proceso (las X), por lo general definen las
condiciones de operacién del proceso, y del valor de ellas depende la eficacia del proce-
0, Pueden ser las variables de control del proceso, tales como temperatura, velocidad,
presidn, cantidad yo caractersticas de alsin insumo o material, etc. Pero también, bajo
Ciertas condiciones, entre las variables de entrada se consideran a aquellas que aunque
ormalmente no estén controladas, influyen en los resultados de un proceso, como
Ja humedad relativa en el medio ambiente, la habilidad de un operario, el método de
trabajo, etcétera,
APITULOS | FSTADISTICA DESCRIPTIVA:LA CALIDAD Y LA VARIABILIDAD
13 -——— —-
kL
4
Se espera que los cambios en estas variables, también llamadas variables indepen
dientes, se refleen en las variables de salida. Por lo que ¢s frecuente que cuando un
proceso tiene problemas se deba a algin cambio en una 0 mas variables de entrada.
R MEDIDAS DE TENDENCIA CENTRAL
Suponga que x, Xp). %p Son las observaciones numéricas de una muestra, y que se
desea saber dnde estin concentradas, alrededor de qué valor giran, dénde se localizan
cen stuma, se desea saber Ia tendencia central de estos datos. La meclida mas usual de
tendencia central es la media (0 promedio) muestral que se define por
es decir, la media ¥ es igual a la suma de todos los datos dividida entre el nimero
de datos (n). Por ejemplo, los siguientes datos representan el sueldo mensual de siete
trabajadores de cierta érea de una empresa:
1100, 1 300, 1.000, 1 500, 800, 1 600, 1 100;
8.400
7
trabajadores es de 1 200 pesos. Es claro que esto no quiere decir que todos o la mayoria
de los trabajadores ganen 1 200 pesos, es més, en el ejemplo nadie gana tal cantidad.
Si para calcular la media se utilizaron todos los elementos de la poblacién (el
universo sobre el que se quiere tomar decisiones, por ejemplo, el sueldo de todos los
trabajadores), entonces el promedio calculado es la media poblacional y se denota con
Ja letra griega yt.
Otra medida de tendencia central de un conjunto de datos es la mediana X, que es
igual al valor que divide a la mitad a los datos cuando éstos son ordenados de menor a
‘mayor. Asi, para calcularla mediana ¥ de un grupo de datas, éstos se ordenan de manera
reciente y el que esti en medio o en su caso el valor medio de dicho ordenamiento
serd la mediana. Asi, la mediana (o percentil 50) es un valor tal que a su derecha ests
509% de los datos y el restante 50% ests a su izquierda,
Por ejemplo, en el caso de los sueldos de los trabajadores, para calcular la mediana
se ordenan:
entonces
1200, De aqui se desprende que el sueldo promedio de tales
£800, 1 000, 1 100, 1 100, 1 300, 1 600 y 15
entonces ¥ = 1 100, ya que a la izquierda del 1 100 esté 50% de los datos, lo mismo
que @ la derecha, con lo que es posible asegurar que la mitad de los trabajadores gana
1 100 pesos mensuales 0 menos.
CALIDAD TOTALY PRODUCTIVIDAD, Si el mlimero de datos es par, entonces la mediana se calcula dividiendo entre dos
Jos miimeros que estin en el centro del ordenamiento. Por ejemplo, sean los datos 4, 6,
7, 10, entonces su mediana es igual a (6 + 7)/25 ¥ = 6.5.
‘Una medida més de la tendencia central de un conjunto de datos es la moda, que
6 igual al dato que se repite con més frecuencia. En el caso de los sueldos de los tra-
bajadores la moda es 1 100, De aqui se desprende que no siempre la media es el dato
ris frecuente, ya que en este caso la media es 1200, no 1 100.
Cuando en un grupo de datos hay algunos valores bastante diferentes del resto, ya
sean muy pequefios o bien muy grandes, entonces la media no es una buena medida de
tendencia central, ya que a ésta la “jalan” los datos raros, Por ejemplo, en el caso de los
sueldos de los trabajadores suponga que en esa drea hay un trabajador mas que gana
7 600 pesos por mes, con lo que ahora los sueldos son:
£800, 1 000, 1 100, 1 100, 1 300, 1 500, 1 600 y 7 600.
Eneste caso ¥ = 2.000. Resulta evidente que el 2 000 no refleja la tendencia central de los
sueldos, ya que sélo un trabajador gana mis que la media. En estos casos la mediana es
‘mejor medida de tendencia central, ya que no es afectada por datos “ros”. Por ejemplo,
en el caso de los trabajadores, cuando uno gana mucho mas que el esto, la mediana es
1 200, Este valor si refleja la tendencia central de la mayoria de los sueldos.
De lo anterior se desprende que, para descriir la tendencia central de los datos,
es importante apoyarse tanto en la media como en la mediana. Y en caso de que la
‘media sea mucho més grande que la mediana es seRal de que existen datos més grandes
que el resto, los que hacen que la media esté “inflada” Por el contrario, sila media es
significativamente menor que la mediana entonces, eso indica la presencia de datos
mucho més pequenios que el resto, los cuales hacen que la media esté “subestimada’
‘Tomar en cuenta lo anterior es de importancia primordial en la toma de decisiones,
ya que no siempre la media refleja la verdadera tendencia central
‘Ahora que los célculos se hacen con computadoras, una diserepancia fuerte entre
la media y la mediana puede ser sefial de errores “de dedo’. Si la discrepancia es fuerte,
entonces se habla de que los datos no son simétricos, que estén sesgados {véase figura
5.6).
Por otra parte, aunque al uso de la media se le agregue la mediana, esto no es
suliciente para tomar buenas decisiones o para describir adecuadamente un conjunto
de datos. Vea el siguiente caso.
En un restaurante se tiene una frmula especifica para elaborar una cantidad deter
rminada de “agua fresca’ tal formula contempla el agregar 500 g de aztcar. Es claro
due resulta de suma importancia agregar exactamente esa cantidad de aziicar para la
Calidad del agua, ya que de lo contrario, éta queda muy dulce o desabrida. Aunque a
los cocineros se les ha insistido sobre lo anterior es frecuente que no pesen el anicar
Y la agreguen al tanteo. Al considerar la calidad del agua como un aspecto clave, se
decide disefiar un procedimiento a prucba de olvidos: comprar bolsas que contengan
500 g de anicar
CAPITULOS | ESTADISTICA DESCRIPTIVA:LA CALIDAD Y LA VARIABILIDAD
115 TAnLA 5.1
Datos de los pesos
de las bolsas de
116
& (505 492 soz 499 +~«496~=—C99=— 8G | AOR] | «ASS
495 498 «501508 S01 489498
499495501 500497495500
ai 49350795. 92499492
sol 500 497 500498496494
Suponga dos marcas de azticar que contemplan la presentacion de $00 g, por lo que
es necesario decidir qué marca comprar. Con este propésito se pesan cuarenta bolas
dle ambas marcas. Al pesarse arcojan los resultados de la tabla 5.
EL peso medio de las 40 bolsas de la marca A es de 502.3 (0 502 visto a través de
Ja mediana), por lo que este peso medio se aleja un poco del peso requerido de 500 g
En el caso de las bolsas de la marca B se tiene un peso medio de 498.1 (0 498.5), que
tambicn se alea de 500, aproximadamente lo mismo que el de la marca A. De aqui
4que al tomar en cuenta vinicamente las medidas de tendencia central, no se puede
decidir cus de las dos marcas satisfice mejor el requerimiento de peso. Por lo general,
‘como en este caso, decidir con base en el promedio equivale a “lanzar un volado’: A
EIEMPLO'S2
17 —_——
118
En cuando a la regla empirica, se tiene que en muchos de los datos que surgen en
la prictica se ha abservado empiricamente que entre X ~ $y.X + S esti 68% de los
datos de la muestra, entre X + 2S esta 95% y entre X + 35 esté 99%.
‘Todos los intervalos anteriores son validos sélo para los datos muestrales y no
necesariamente para toda la poblacién. Sin embargo, si los intervalos se calculan con
la media y desviacién estandar de la poblacién, entonces serin validos para toda la
poblacién, por lo que, en la medida en que los cilculos de la media y la desviacion
estindar muestral se hagan a partir de muestras aleatorias grandes, entonces los inter-
valos anteriores podrin dar una idea aproximada de lo que pasa en toda la poblacion,
sea ésta un lote 0 un proceso.
‘Lo que firma el teorema de Chebyshev es vilido para cualquier tipo de datos inde-
pendientemente de su comportamiento 0 dstribucién,? mientras que la regla empirica,
como su nombre lo dice, se ha obtenido por medio de la observaci6n empiri, y es
valida para muchos de los casos que se dan en la préctica, sobre todo silos datos tienen
un comportamiento con cierto grado de similitud a una campana o a la distribucién
normal (véase Apéndice). De ewalquier manera, ambos casos ilustran muy bien la forma
en que la desviacion estandar mide la varabilidad en torno a la media, En el siguiente
ejemplo se aplica la relacion descrita entre la media y la desviacion esténdar.
En una fibrica de piezas de asbesto una caracterstica importante de calidad es el expe
sor 0 grosor de las laminas. Para cierto tipo de lamina, el espesor optimo es de 5 mm,
y se establece como discrepancia tolerable a 0.8 mm, ya que sla limtina tiene un gro-
sor menor que 4.2 mm se considera demasiado delgada y no reuniré las condiciones
de resistencia exigidas por el cliente. Pero, sila mina tiene un grosor mayor que 5.8
zm, entonces se gastaré demasiado material para su elaboracin y elevarén los costos
del fabricante. Por lo tanto, es de suma importancia fabricar las laminas con cl grosor
Sptimo, y en el peor de los casos dentro de las tolerancas especficada.
Se plantean las siguientes interrogantes: ;Queé tipo de Iiminas en cuanto a grosor
se estin produciendo? jE grosor medio es adecuado? ja varibilidad del grosor es
sucha 0 poca? Para responder estas interrogantes, de la produccién de una semana,
‘mediante muesteo sstemitico, se mide el espesor de 60 laminas y se obtiene
K=473, K=47, S=0.48
‘Tomando en cuenta el tamafio de muestra y la forma en que se obtuvo, se puede ase-
gurar con un buen nivel de confianza que el grosor promedio no fue satisfactorio, ya
que esta algo alejado de S mm. De la mediana se ve que 50% de las 60 laminas medidas
tuvo un espesor menor o igual que 4.7 mm.
* Apoyandh Is reglaempircs existe na extensiia ala desigualdad de Cty; hecha por Camp y
Meidel (Duncan, 1989), que aumena el porcnaje que cubren Los intervalos. En conereta, esa extension
sfima que sla dsibucion de X eswnimosal a probablidad de que X se devi desu tia en me de
veces su desvacon estandar, igual © menor que 1/2254, con lo que, bao ests Gicansancig, entre
‘E+ 25 ae encontraria al menos 89% de los datos mactaesy entre X35 extari l menos 95%
CALIDAD TOTALY PRODUCTIVIDAD Para investigar la variabilidad y saber si al menos el espesor de las 60 léminas
cay6 dentro de tolerancias (4.2 a 5:8 mm), se aplica la regla empirica, con To que se
ve que entre
4.73 — 3+ 0.48 y 4.73 +3 + 0.48 (3.29 y 6.17 mm)
estuvieron pricticamente todas las liminas de la muestra en cuanto a grosor, por lo que
hay problemas serios, ya que deberian haber estado a lo més entre 4.2 y 58,
De acuerdo con lo anterior, no se esta cumpliendo con los requerimientos de
‘calidad: hay una tendencia marcada a producir laminas mas delgadas (4.73) y se estén.
‘produciendo laminas fuera de las especificaciones en cuanto a espesor. Se debe trabajar
primeramente en centrar el proceso y luego en reducir la variabilidad.
Como se ha visto en el ejemplo, con base en la relacién entre la media y la des-
Viacién estindar expreseda por el teorema de Chebyshev y la regla empirica, es posible
determinar si la variabilidad es mucha. Se debe tener cuidado en la aplicacién de la
regla empirica cuando se tienen muestras pequeftas (menores que 30) y no aleatorias,
‘ya que las conclusiones serin poco confiables respecto a toda la poblacién.
Limites reales o naturales
Debido a las propiedades de la distribucién natural, expresada por la regla empirica,
Jo que se ha estudiado da origen a lo que se conoce como limites reales de un proceso.
Sea jt la media y 6 la desviacidn esténdar del proceso, entonces los limites reales 0
naturales del proceso estin dados por
Limite teal inferior (tn) =~ 36
Limite real superior (txs) = +36
Dentro de estos Iimites se ubicardn los valores de la variable de salida correspon-
diente,
R HISTOGRAMA Y TABLA DE FRECUENCIAS
EY histograma es una grifica de barras que permite describ el comportamiento de un
conjunto de datos en cuanto a su tendencia central, forma y dispersion. El histograma
hhace posible que de un vistazo se pueda tener una idea objetiva sobre la calidad de
‘un producto, el desempenio de un proceso o el impacto de una accién de mejora. La
correcta utilizacion del histograma permite tomar decisiones no s6lo con base en la
‘media, ino también por medio de la dispersién y formas especiales de comportamiento
de los datos. Su uso cotidiano faclita el entendimiento de la variabilidad y favorece la
cultura de los datos y los hechos objetives.
CAPITULOS j_ ESTADISTICA DESCRIPTIVA:LA CALIDAD Y LA VARIABILIDAD
19 Construccién de un histograma
‘Aun cuando Ia mayoria de los software estadisticos proporcionan de manera automética
el histograma, a continuacién, mediante un ejemplo, se ilustra la construccién de un
histograma a fin de profundizar en la comprensién del mismo.
BEML Sa
Es necesario describir el comportamiento de los datos de la tabla 5.1, correspondientes
al peso de las bolsas de azicar para decidir cual de las dos marcas satisface mejor la
exigencia de que el peso sea de 500 g (véase ejemplo 5.1), Por lo tanto, para decidir
correctamente y detectar posibles anormalidades en los datos se va a construir un his-
tograma para los datos de cada marca. Para ilustrar la forma de obtener un histograma
se utilizarin los datos de la marca A.
50 1. Determinar el rango de los datos El rango es igual a la diferencia entre el
dato maximo y el minimo: R= 515 ~ 484 = 31,
Paso 2. Obtener ef niimero de clases (xc). Existen varios criterios para determinar
‘el numero de clases (0 barras). Sin embargo, ninguno de ellos es exacto. Se recomienda
‘obtener de cinco a 15 clases, dependiendo de cémo estén los datos y cuantos sean. Un
titerio usado con frecuencia es que el ntimero de clases debe ser aproximadamente
igual a la raiz cuadrada del ntimero de datos. En el ejemplo, la raiz cuadrada de 40
(niimero de bolsas pesadas de Ia marca A) es mayor que ses, por lo que se eligen siete
clases, no=7. En ocasiones al modificar el numero de clases e pueden apreciar aspectos
‘que no se habian observado por lo que, si se dispone de un programa computacional,
es recomendable experimentar con diferentes mimeros de clases que estén cercanos al
valor propuesto inicialmente.
Paso 3. Establecer la longitud de clase (ic). La longitud de clase se establece de tal
‘manera que el rango pueda ser cubierto en su totalidad por Ne (7) intervalos de igual
‘magnitud, Asi, una forma directa de obtener la ic es dividiendo el rango entre el ni-
mero de clases, c= Rise. Sin embargo, en ocasiones resulta mas conveniente ampliar
tun poco el rango para que el histograma tenga una cobertura ligeramente mayor a la
TABLA 5.2
‘abla de frecuencias
para el peso de las
foe ees
bolsas de azicar de 1 | 480.0 a 485.7
la marea A. 2 | aaszaaoia |r 5%
3 | asraaagr |i 10%
4 | asa asoza |i im im 375%
5 | sorsesoas |i mi 1 275%
6 | sogsasias |i 125%
1_| stazaszo0 |i 59%
120 CALIDAD TOTAL Y PRODUCTIVIDAD, Frees
Po (8)
dobservada en la muestra. En el ejemplo, el minimo es 484 y el maximo es 515; de esta
‘manera, al ampliar un poco, el histograma podria ir de 480 2 520. Ast,
ve = (520 ~ 480)/7
Paso 4. Construir tos itervates de clase. Los intervalos de clase resultan de dividir
1 rango (original o ampliado) en xc (7) intervalos de longitud ic (5.7) cada uno,
como se muestra en la tabla 5.2. El punto inicial para la primera clase puede ser el
dato minimo si no se ampli el rango. Pero si se ampli6 el rango, el punto inicial es
‘un poco antes del minimo. Enel ejemplo, en lugar de iniciar en 484 se iniciaré en 480,
ara obtener la primera clase, se le suma al punto inicial la longitud de clase y asf se
obtiene el intervalo de la primera clase (véase tabla 5.2). Para obtener el intervalo de
la segunda clase, se toma el final de la primera clase como punto inicial y se fe suma la
longitud de clase, y ast se sigue hasta completar todos los intervalos como se muestra
en la tabla de frecuencias 5.2
Paso 5. Obtener la frecuencia de cada clase. Para obtener la frecuencia se cuentan
los datos que caen en cada intervalo de clase (véase tabla 5.2). Cuando un dato coin-
cide con el final de una clase y principio de la siguiente, entonces tal dato se incluye
on esta itima.
Paso 6. Graficar el histograma. Se hace una grfca de barras en la que las bases de
las barras sean los intervalos de clase y la altura sean las frecuencias de las clases. EL
histograma de Ia figura 5.4 muestra este paso, en donde se puede apreciar la variabi
lidad del peso de la muestra de las bolsas de aztcar de la marca A, que pricticamente
va desde 480 hasta 520 gramos.
En Ia figura 5.5 se muestra el histograma para los datos de la marca B, a partir del
cual se aprecia que tienen una variabilidad mucho menor que las bolsas de la marca A.
CAPITULOS /- ESTADISTICA DESCRIPTIVA:LA CALIDAD Y LA VARIABILIDAD
FIGURA 5.4
Histogram pera
bolas de azucar de
la marca A.
m1 FIGURA 5.5
Histograma para
bolas de aztcar de
la marca 8.
12
- recon
0 ey 500 0 0
En ambos histogramas se observa que la tendencia central en ambas muestras es similar
(cercana 2 500 g). demas no hay situaciones especiales en cuanto al comportamiento,
como serian datos raros, sesgos, eteétera
‘Asi, con un vistazo y comparacidn répida de los histogramas se aprecia que la
muestra de las bolsas de la marca B cumple mejor los requerimientos para elaborar
el agua fresca en el restaurante, Por lo tanto, dado que la muestra no es demasiado
pequena, y dada la gran diferencia en variabilidad, as bolsas de azticar de 500 g de la
‘marca B son las que aseguran una mejor calidad en el agua fresca.
‘Advierta que decidir con base en el histograma result mucho més féeil que en
cl caso del ejemplo 5.2, donde se utliz6 la media y la desviacién estindar. También,
resulta mas facil decidir con base en el histograma que aplicando el teorema de Che-
byshev o la regla empirica como se hizo en el ejemplo 5.3. Por todo esto, el histograma
¢s fundamental para analizar un conjunto de datos y decidir con base en su tendencia
central, su variabilidad y la forma de su comportamiento,
En el ejemplo 5.3 se evalué el espesor de ls kiminas de asbesto respecto a su valor ideal
(5 mm) y a su variabilidad tolerada (entre 4.2 y 5.8 mm). En la figura 5.6 se muestra
cl histograma para el espesor de las 60 laminas medidas en la muestra
Con base en este histograma, de un vistazo se aprecia que las Kiminas muestreadas
tuvieron una tendencia hacia la izquierda de 5, y que su variabilidad fue mds de la
tolerable, ya que parte del histograma queda fuera de las especificaciones, tanto de la
inferior 4.2 como de la superior 5.8. Ademés, se nota que elhistograma no es simétrico,
CALIDAD TOTALY PRODUCTIVIDAD 1s
2
Be a aks Pe aes
ya que tiene una cola mas larga a la derecha (sesgo positivo), y se tiene un probable
acantilado ala izquierda al no disminuir mas suavemente la frecuencia del histograma;
en ambos casos se debe investigar cual es la razén.
{Asi con base en el histograma de la figura 5.6 es evidente que el proceso de fabri:
‘aci6n tiene mas variabilidad de la tolerable y, dado el tamano de la muestra, también
5 un proceso descentrado, Por lo tanto, procediendo en orden de dificultad, primero
se debe tratar de centrar el proceso y después reducir su variabilidad. Se recomienda,
en este cas0, que el éxito de las acciones de mejora se evahien mediante un histograma,
que ¢s la herramienta con la cual se ha detectado 0 diagnosticado el problema (véase
eercicio 8 de este capitulo).
FIGURA 5.5
Histograma para las
laminas de asbesto
Interpretacion del histograma
Cuando un histograma se construye de manera correcta y es resultado de un niimero
suficiente de datos, en general mas de 40, y éstos son representativos de la poblacién,
[proceso o problema, entonces lo que se aprecia en el histograma como tendencia central,
variabilidad y comportamientos especiales ser una informacién valiose. Formalmente,
al observar un histograma se pueden contestar varias preguntas. Por ejemplo:
1. :Culles son las mediciones més comunes? Para ellohay que observar la barra o el
rupo de barras mas las. Por ejemplo, en el histograma dela figura 5.5, los pesos
mas comunes se ubican entre 495 y 505 g con lo cual se tiene informacién de la
tendencia central y de Ia localizaciin de los datos. En el caso del histograma de
1a figura 5.6 los grosores mas comunes se ubican entre 4.2 y 5 mm.
CAPITULOS /_ ESTADISTICA DESCRIPTIVA: LA CALIDAD Y LA VARIABILIDAD
123 124
{Hay un comportamiento simétrico? jHay sesgo? jHacia que lado? Pata respon-
der a estas preguntas basta observar la forma del histograms; por ejemplo, en la
figura 5.6 se aprecia un histograma no simétrico con sesgo ala derecha. Cuando
cn un histograma, resultado de una muestra grande, hay wn sesgosignificativo,
4uizds haya algiin problema, tal como calentamiento de los equipos o instru-
‘mentos de medicion descalibrados. Aunque hay variables que, por su naturaleza,
tienen un comportamiento asimétrco; en general, se debe investigar si existe
alguna situaci6n anormal que esté generando tal comportamiento.
. gCmo es la dispersion? Para contestar hay que observar, a partir del grupo de
barras mas alto, qué tan répido disminuye la frecuencia de las demis barras;
por ejemplo, en la figura 5.7a se aprecia un histograma con poca dispersion
y en la 5.7b uno con mucha. Otra alternativa es insertar en el histograma las
cspecificaciones y ver si todo 0 una parte cae dentro de ellas; como se aprecia
en la figura 5.7e donde se muestra un histograma que refleja poca variabilidad,
‘mientras que en la 5.7fse observa uno con mucha variabilidad.
|. {Esta centrado el proceso? Con un tamano de muestra grande es muy ficil ver
‘mediante un histograma si un proceso esta centrado 0 no, ya que basta obser-
var la posicién del cuerpo del histograma respecto a la calidad éptima y a las
‘especificaciones. Por ejemplo en la figura 5.7e se muestra un proceso centrado
yen la 5.7f uno descentrado. Aun cuando se cumplan las especificaciones, sie
proceso no estd centrado la calidad que se produce no es adecuada, ya que entre
mas se aleje de lo dptimo més mala calidad se tend
5. zCusintos picos hay? Cuando hay varios picos o agrupaciones de barras en un
histograma, puede deberse a que el material procede de distintas cadenas de
produccién, de diferentes proveedores, han intervenido varios operadores 0 se
hhan utilizado distintos instrumentos de medicién sin sincronizar. En la figura
5.7¢ se muestra un histograma con dos picos © modas, que es muy probable que
procedan de dos realidades distintas. Siempre que en un histograma se detecten
varios picos, lo primero que se debe hacer es revisar sila construccién se hizo
‘de manera correcta
2Hlay acantilados? En la figura 5.7d se muestra un ejemplo tipico de un histo-
‘grama con acantilado. Entre las posibles causas que motivan la presencia de un
acantilado estin: un lote de articulos previamente inspeccionados al 100% donde
se excluy6 a los articulos que no cumplen con alguna medida minima 0 que
exceden una medida méxima, problemas con el equipo de medicién, errores en
la inspecci6n (cuando el inspector esti predispuesto ano rechazar un articulo y
‘observa que éste casi cumple con los requisitos, registra la medida minima acep-
table). En general, un acantilado es anormal y debe buscarse la causa del mismo.
. lay datos aislados 0 raros? Un pequetio grupo de mediciones muy extremas
© raras se detecta con faciidad en un histograma, ya que aparece claramente
aislado del resto. Un dato raro refleja una situacidn especial que se debe inves-
tigar, puede ser un error de medicién o de dedo, pero también puede reflejar
tun comportamiento especial del proceso. En cualquier caso se debe investigar a
qué se debe.
._Estraificar. Cuando se obtienen datos que proceden de distintas méquinas, pro-
vveedores operadores, puede encontrarse informacién valiosa si se hace un hi
‘CALIDAD TOTALY PRODU
rIVIDAD Sewer
4) Pos wait 9) Mx vr
Acad dec
{f) Provo dscenteao con mach arable
[CAPITULOS | ESTADISTICA DESCRIPTIVA: LA CALIDAD Y LA VARIABILIDAD.
FIGURA 57
Distintos tipos de
histogramas.
125 126
‘tograma por cada fuente (estratificar), con lo que se podra encontrar la maquina
© el proveedor més problematico, por ejemplo (véase el capitulo 7).
Es recomendable que siempre que se analice un histograma se dé respuesta a las
siete preguntas anteriores y se contemple la posibilidad de estraifica, con lo que se
sacara mayor provecho a la informaci6n y se ira adquiriendo la costumbre de proceder
de acuerdo con un método. Ademis, otras personas se podrin remitir directamente
ala interpretacion. Siempre que se interprete un histograma se debe asegurar que se
construyé de manera correcta, en este sentido los aspectos mas criticos a vigilar son
cl miimero de clases y la eleccién del inicio y final del histograma (pasos 2, 3 y 4 de
construccién). Si el histograma se obtiene mediante algin programa computacional se
debe asegurar que el programa haya efectuado de manera correcta tales pasos.
R ERRORES EN LA TOMA DE DECISIONES
CON EL USO DE LA MEDIA
La cultura estadistica predominante en muchas organizaciones es la de la media arit.
mética, y muchas de las decisiones se toman con base en ella. El promedio se utiliza
para evaluar productos, proveedores, empleados, planes, empresas, etc. Por lo general,
en estas evaluaciones, si el promedio fue satisfactorio se premia o felicita; si por el
contrario, no fue satisfactorio, entonces se castiga 0 se lama la atencién. Cuando se esté
decidiendo asi es frecuente caer en errores (Deming, 1989), debido a que el concepto
{que se tiene de Ia media es equivocado y no se toma en cuenta la variabilidad,
Aunque a lo largo del presente capitulo se han mencionado algunos de los errores
‘que se cometen por el uso excesivo de la media y el ignorar la variabilidad, en esta
seccidn se presentarén, de manera resumida, algunos de los errores més frecuentes en
la concepcidn de la media (Gutiérrez, 1994),
1, Se eree que los valores de todos los datos son igualeso estin muy cerca de la media,
ignorando por completo que la media no proporciona ninguna informacion,
sobre la variabilidad. Por ejemplo, al decir que el contenido promedio de las
Tatas que envasa una méquina es de 375 ml, entonces es comin que las perso-
nas piensen o entiendan que todas as latas contienen 375 ml, o bien, que estén
muy cerca de ese valor, 1o cual refieja un profundo desconocimiento de lo que
mide la media y de la funcién de las medidas de variabilidad. En este caso la
‘ariabilidad en el contenido de las latas tiene dos fuentes: las dimensiones de
las latas y la cantidad vertida en las misma.
2. La media es el dato més frecuent, si se olvida que lo anterior solo se da en datos
simétricos y unimodales, ¢s decir, desconociendo el concepto de moda y con-
fundiéndolo con el de media
3. La media es el valor que esté en medio y que a ta izquierda de él queda 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. 4, La media muestal es la media poblacional, si se desconoce que la media muestral
¢s una variable aleatoria. Hl lector habré notado que en las secciones anteriores
se hace énfasis en gue lo gue se observa sobre el comportamiento de los datos
¢s vilido para la muestra, y en la medida en que ésta sea representativa y grande
también tendré cierto grado de validez para la poblacién.
Por ejemplo, a partir de un lote se extrae una muestra aleatoria y se detecta que
15% de sus articulos no cumple con especificaciones de calidad; evidentemente eso
quiere decir que tal lote y el proceso con que se fabricé tienen problemas de calidad
aunque no se pueda asegurar, con base en la muestra, cual es el porcentaje exacto de
articulos en e!lote que no cumple con especificaciones debido a que lo gue se observa
en Ia muestra es variable y depende de las piezas que fueron seleccionadas, Se afirma
que si en una muestra se detecta mala calidad 0 una muy buena calidad, entonces
50 se puede trasladar con buen nivel de confianza a la poblacién siempre y cuando
Ja muestra haya sido tomada de manera aleatoria y no sea muy pequefia. Pero si el
nivel de calidad no es muy claro, entonces se debe tener cuidado con las inferencias
sobre la poblacién; por ejemplo, si se va a elegir el mejor proveedor de entre dos y en
1a muestra aparece que uno es ligeremente mejor, entonces vale la pena obtener més
informacion o comprobar las diferencias mediante une prueba de hipstesis, para tomar
tuna mejor decision, Asis el lector siempre debe tener presente que la muestra slo refleja
parcialmente a la poblacién,
‘Con propésitosilustratives, suponga que en el departamento de ventas de una
empresa laboran seis personas, cuya antigtedad en aiios en la empresa es {2,3,4, 6,7,
10}. Como se puede ver, la antigedad promedio de tales empleados es de 5.4 aos. Sin
embargo, si se considera que se desconocia la antigtedad exacta de los seis trabajadores
‘y que para investgarla se le pregunté 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 poblacién y ninguna
de las dos es igual ala media real (5.4). Asi que una media muestral no es exactamente
igual ala media poblacional
uso del promedio como tinico crterio de decision puede llevar a erzores, por lo
que en la préctica cotidiana en la empresa y en la ensenanza de la estadistica se deben
‘tomar precauciones, dindole sentido y utilidad al resto de los conceptos estadisticos
(mediana, desviacion estindar, histograma, inferencia estadistic), lo cual no descartaria
errores, pero silos reducivia de manera importante y se estaria en la ruta de adentrarse
en la estadistica, para comprender su verdadero papel: entender la variabilidad.
‘Ahi, donde ahora se esté tomando algin tipo de decisién con base en el promedio,
¢&s probable que se estén tomando decisiones incorrectas.
‘a bordo de los viajes navals?
2, Describa algunas de las Gallas en la abtencida de in-
formacion que se comentaron en la primera seccion
TULOS. | FSTADISTICA DESCRIPTIVA: LA CALIDAD Y LA VARIABILIDAD
1, 2Queé obtuvo Mathew Maury l malizrlosdiariosde Preguntas de repaso y ejercicios
del capitulo 5
deste capitulo. 3. :Cules son los 6 M de wn proceso?
127 4. {Qué crcl pensamient estado?
5. jCémo se puede utiliza el pensamintoexaditico en
los tes niveles de una organiracion?
6 Proporcone dos ejemplos de variables cuiatvas y
dos de variables cuanaivas,
7, Escriba un ejemplo para ca uno dels tes ipo de
variables de sali
f& {De qué manera afectan los dato ratos ata media?
9. Esxpigue los erors en la nterpretac6n de l median
aque se sefalan en la seein Errors en la toma de
decsiones cone wo dela media
to, Explique a relacion entre la medi y a dewincon ex
tindar que exablece la rela empiric y el teorema de
Chebysher
11, Sedeseainvestigar 4 pso promesia de 1000 rics
de un lot, por lo que se lgenalestriamente 40 de
ellos, se pesany se obtiene X= 252 g con $=5.
4) {Quiere decir que el peso medio de los 000 ar-
Uculos es de 2522
1) ala mayora de lov articulos pesa 252 gramos?
6) Delos 40 artfculos cn la muestra algunos pueden
pesar 300g?
12, Ein una empresas evan Jos rgistos el rximero de
falls de equipo por mes: a media es de 10-y la me-
diana de 5
4) Siused tiene que reportar a tendencia central de
fila, que ndmero reportaria?
2) jladiscrepancaentelamedia ylamedina se de-
big. a queen varios meses oeusieron pocas fl?
13, Unaspect clave dela caida de cierto product ss
pero a norma esablece que su peso minima ea de
2k. El ingeniro de produccion informa que se sta
aumpliendo con tal norma, ya que el peso promedio
del producto es de 25 kg. Est usted de acucrdo con
el ingeterot
14 Tres miquinas A,B y G realiean cortes de manera
automtica de ciertas tras de hl, La Tong ead
de las tras es de 90 cm, con na tolerancia det 2 cm
Se tome una mussea de 8D piezas dela producion
de una semana de cada méquina,
4) La longitu promedio de as 0 is de cada m-
ina son: A, X= 958, ¥= 905; C,X=92, {Con
base en esto puede decidir cud maquina es mejor?
1) Si ademas la desviacion extindar obtenida eA,
$= 1.5, S=1; G $= 05, desia cul maquina
estuvofunconando mor.
128
15, Enel ejemplo 5.3 se observé que en la fabricacion de
las laminas de asbesto un equipo de mejora detect
‘que se tienen problemas en cuanto a que no se esti
ccumpliendo con el grosor especiticado que es de 5
‘mm, con una tolerancia de 0.8 mm. Con el objetivo
de corregit tal situacion, el grupo pone en practica un
plan de meiora, Para verilicar si el plan tuvo éxito,
{oman aleatoriamente 45 kiminas de la produccion de
‘una semana posterior a las modificaciones. Los espe-
sores obtenides se muestran a continuacion
$2 54 54 47 51 47 50 51
30 49 43 47 53 46 48 44
4749 56 47 47. 43. 51 47
47 51 53°50 53 45 44 47
56 52.47 46 50 54 47 48
52 51 49 50 50
4) Caleule la media, mediana y desviacibn eseandar
» comparandolas con los respectvos estadisticos
antes dela mejora,decda sel plan dio resultado,
1) Construya un histogeama e inserte en él as espe-
cificaciones y, compardndolo con el histograma
antes de a mejorainvestigue sel plan fue exitoso,
Argumente su respuesta,
16, Una caracteristica dave en la calidad de las pinturas
‘5 su densidad, y un componente que influye en ta
densidad es la cantidad de arenas que se utizan en
Ia olaboracién de pinturas, La cantidad de arena en
Ia formulacion de un lot se controla con base en el
niimero de costales, que segtin el proveedor deben
También podría gustarte
- Al9713as Haccp PDFDocumento44 páginasAl9713as Haccp PDFEnrike De Avila MezaAún no hay calificaciones
- Manual de Capacitacion Sobre Higiene de Alimentos y HACCP - 3aDocumento52 páginasManual de Capacitacion Sobre Higiene de Alimentos y HACCP - 3aAgustín BiritosAún no hay calificaciones
- La-Calidad-No-Cuesta Crosby Libro PDFDocumento231 páginasLa-Calidad-No-Cuesta Crosby Libro PDFAndreina Pineda100% (1)
- Anteproyecto de PanDocumento82 páginasAnteproyecto de PanAndreina Pineda0% (1)
- Procedimiento de Muestreo Según ISO 10013Documento16 páginasProcedimiento de Muestreo Según ISO 10013Andreina PinedaAún no hay calificaciones
- Procedimiento de Muestreo 10013Documento12 páginasProcedimiento de Muestreo 10013Andreina PinedaAún no hay calificaciones
- Diagrama de Pareto PDFDocumento20 páginasDiagrama de Pareto PDFMau BlancoAún no hay calificaciones
